На профильных конференциях обсудили главную проблему Physical AIi — обучения роботов: в отличие от обычного ИИ, где можно просто масштабировать датасеты и вычисления, сенсомоторные данныеi для роботов собирать дорого и долго. Решение — обучать роботов в симуляторах и world modelsi, где можно воссоздавать редкие и опасные ситуации, менять условия и проверять поведение машины до её выхода в реальный мир.

Но успех в симуляции не гарантирует такой же результат на реальном железе: перенос требует понимания физики, механики и работы сенсоров. Из-за этого меняются и требования к инженерам — вузы начинают готовить специалистов на стыке классической робототехники и ML.

• По данным AIeron, тему обучения роботов обсуждали на конференции Yac/E в рамках дискуссии про физический ИИ
• Один километр движения автономного транспорта генерирует гигабайты сырой сенсомоторной информации — отсюда дороговизна и долгость сбора реальных данных
• Выход — world models и качественная синтетика: в виртуальной среде можно создавать редкие ситуации и менять условия для тестирования робота
• По данным эйай ньюз, вопрос подготовки инженеров для Physical AI обсуждали на образовательной конференции Яндекса
• Симуляторы позволяют повторять эксперименты и проверять опасные сценарии без риска повредить оборудование, но перенос на реальный робот требует понимания физики, механики и сенсоров
• В ИТМО классическую робототехнику дополнили изучением AI-инструментов, чтобы сохранить инженерный бэкграунд и добавить экспертизу в машинном обучении