Bernt Bornich [ 1X Robotics ] / p.1

2025 / Улучшение продукта через потребительский рынок
Мы выбрали дом по двум причинам. Первая очевидна: потребительское железо масштабируется быстрее всего. iPhone достиг миллиарда устройств за немного больше десятилетия. Гуманоидные роботы не имеют смысла без масштаба. Нужен масштаб, чтобы получить надёжность, низкую стоимость, экосистему, интеллект. Вторая причина глубже: интеллект рождается из разнообразия. Это видно во всём ИИ — язык, изображения, видео, робототехника. Вам не нужны данные одного и того же снова и снова. Если робот в автозаводе делает одно действие, он не движется к общей интеллектуальности. Мы развернули предыдущее поколение Eve в охране и логистике в 2022–2023. Через 20–40 часов робот выходил на плато для конкретной задачи. Радикальные технологии не идут сверху вниз. ChatGPT сначала пошёл к потребителям, потом — в корпорации. Мы уже пытались с Enterprise — медленно: комплаенс, риски, профсоюзы. фабрике робот делает одну задачу — через 5 минут данных достаточно. В доме — каждый дом разный, каждый день разный. Эта энтропия и создаёт интеллект.

2025 / Робототехника путь к AGI
Мы видим себя не как просто робототехническую компанию, а как компанию, идущую к AGI. Роботика — инструмент для построения настоящих AGI-моделей через богатые реальные данные.

2025 / Социальный аспект гуманоидного робота
Каждый захочет робота. Гуманоид — естественный интерфейс для ИИ. Когда он смотрит на тебя, реагирует, понимает направление голоса, язык тела — это другой уровень взаимодействия. Компаньонский аспект сильно недооценён.

2025 / Собственная модель ИИ
Мы видим, что модели, изначально построенные под физические модальности, а потом дополненные текстом, будут более умными и мощными, чем подход, который используют гиперскейлеры в LLM. Ядро — пространственное и временное. Оно связано с тем, как ты воспринимаешь мир: как видишь его и как ощущаешь. Есть ещё два важных момента в обучении робота. Первый очевидный — интерактивное обучение. Робот взаимодействует с миром и учится.Если смотреть YouTube, у тебя есть только наблюдения. Ты не знаешь ментальную модель человека, его цель, какие действия он предпринял. Это не то, как мы учимся. Мы используем научный метод: гипотеза, эксперимент, наблюдение результата, повтор. Этого нет в интернет-данных.


2025 / Обучение через симулирование данных
Теоретически, если масштабировать симуляцию и обучение агентов в ней, возможно приблизиться. Но точность симуляции далека от реальности. Довести её до уровня реального мира крайне сложно и вычислительно дорого. Это не финальная цель, но полезно. Это позволяет довести роботов до уровня, когда они делают достаточно полезных вещей, чтобы собрать достаточно данных в реальном мире и больше не зависеть от симуляции. В долгосрочной перспективе симуляция не будет играть большую роль. Но для начального разгона, для создания data-flywheel, она критична.