31 августа 2026 года Ricoh объявила о разработке технологии физического искусственного интеллекта (Physical AI), предназначенной для обучения роботов действиям, связанным с человеческим трудом, на основе данных изображений, вместо прямой привязки модели к конкретной конструкции робота или механизму управления. Компания заявила, что подтвердила эффективность технологии в симуляционной среде, созданной с учётом физических условий, в рамках шага, направленного на перенос обучения из симуляции на реальных роботов.
Этот шаг соответствует стремлению Ricoh расширить свой бизнес в сфере искусственного интеллекта и одновременно связан с участием компании в программе AWS Japan по ускорению разработки Physical AI, которая предоставляет вычислительные ресурсы и облачные сервисы для поддержки обучения и тестирования моделей.
Обучение действиям вместо запоминания команд робота
В основе технологии лежит модель Latent Action Model (LAM), или модель скрытых действий. Модель обучается на изменениях в изображениях или видеозаписях, сделанных во время работы, чтобы выводить такие действия, как захват объекта, его перемещение, отодвигание или перемещение целевого элемента. Согласно описанию Ricoh, LAM сосредоточена на обучении фактическому поведению, происходящему в сцене, даже если все детали движения или команды явно не описаны в данных наблюдения.
Компания указывает, что такой подход может уменьшить зависимость обучения от характеристик конкретного робота, поскольку модель изучает общее представление действия, а не ограничивается инструкциями, связанными с определёнными суставами или механизмами управления. В обучении модели также могут использоваться данные о действиях людей и роботов, а затем её результаты могут применяться для разработки моделей Vision Language Action, объединяющих зрение, язык и действие.
Что меняется на практике?
Проблема, на решение которой нацелена Ricoh, заключается в стоимости сбора обучающих данных. Различия в конструкции каждого робота и используемом им механизме управления обычно требуют собирать данные отдельно для каждого устройства, что становится ещё сложнее в случае человекоподобных роботов. Компания считает, что отделение представления действия от конструкции робота может обеспечить более широкое повторное использование данных и поддержать адаптацию моделей к различным задачам и роботам.
Это не означает, что технология устранила необходимость в данных, специфичных для роботов. В материале поясняется, что Ricoh использует симуляционные среды для обучения, а затем применяет технологии Sim2Real для переноса результатов на реальных роботов, продолжая проверять пригодность решений для различных роботов и рабочих сред.
Роль AWS в обучении и симуляции
Ricoh использует облачные сервисы AWS, включая Amazon EC2 и Amazon S3, для создания масштабируемой среды обучения, хранения данных и запуска обучения моделей. Компания утверждает, что сочетание симуляции и облачных сервисов помогает снизить стоимость сбора физических данных, а также позволяет эффективнее проводить обучение на больших объёмах данных.
Инициатива является частью заявленного видения Ricoh по преобразованию с помощью искусственного интеллекта, которое включает уровни, начинающиеся с документационного искусственного интеллекта, генеративного искусственного интеллекта и ИИ-агентов и доходящие до агентов Physical AI, способных взаимодействовать с физическим миром. Согласно материалу, компания работает над потенциальными применениями в офисах, на заводах, в сфере логистики и в уходе.
Почему эта новость важна?
Значимость разработки заключается в попытке решить практическое препятствие для роботов на основе искусственного интеллекта: как уменьшить необходимость повторно собирать данные и обучать модель для каждого робота или каждой задачи? LAM предлагает путь к обучению действиям на основе более общих визуальных данных, однако сама по себе не доказывает готовность технологии к широкомасштабному промышленному применению.
Заявленные результаты по-прежнему связаны с симуляционными средами и проверочными испытаниями, тогда как Ricoh указывает, что начала проводить испытания концепции с человекоподобными роботами на заводах и постепенно переходит к более продвинутым этапам проверки. Поэтому открытыми остаются вопросы, связанные с успешностью переноса из симуляции в реальность, объёмом необходимых данных и стабильностью работы при различиях между роботами, задачами и рабочими средами.