Искусственный интеллект для роботов и автономных транспортных средств переживает переход от моделей, связывающих зрение с языком или действиями, к архитектурам, пытающимся моделировать само поведение. Это направление называют «большой моделью поведения» (Large Behavior Model), или LBM, и MONOist считает, что оно может стать важным центром разработки систем автономного вождения и роботов.
LBM не сводится к добавлению ограниченной возможности к существующей модели, а предполагает переосмысление того, как система учится действовать в изменяющейся физической среде. Вместо того чтобы ограничиваться анализом текстов или изображений либо созданием кода, модель ориентирована на генерацию поведения, непосредственно связанного с движением и взаимодействием с реальным миром.
От моделей «от начала до конца» к моделированию поведения
Исследования в области автономного вождения долгое время опирались на подход «от начала до конца» (End-to-End), при котором нейронная сеть получает данные от датчиков, таких как камеры и LiDAR, затем пропускает их через этапы анализа, планирования и управления, чтобы сформировать выходные данные для управления транспортным средством.
Этот подход позволяет системе единообразно учиться на данных, однако сталкивается с трудностями при интерпретации своих решений и обработке редких или изменяющихся ситуаций. Согласно материалу, LBM пытается устранить этот пробел посредством обучения более широким представлениям, включающим прогнозирование будущего состояния, понимание изменений в окружающей среде и выбор оптимального действия в различных условиях.
Этот подход отличается от известных генеративных моделей искусственного интеллекта, таких как большие языковые модели (LLM) и модели генерации изображений, а также от моделей искусственного интеллекта, используемых в программировании, таких как GitHub Copilot и Claude Code. В случае LBM основным результатом являются не текст, изображение или код, а поведение, которое можно реализовать в физическом мире.
Истоки концепции в исследованиях робототехники
В материале отмечается, что Toyota Research Institute (TRI) была одной из первых организаций, системно представивших эту концепцию в области робототехники. В 2025 году TRI объявил о совместном исследовании с Boston Dynamics и представил научную работу под названием «Pretrained Large Behavior Models Accelerate Robot Learning».
MONOist приводит слова Russ Tedrake из Массачусетского технологического института, который описал LBM как всеобъемлющую модель поведения робота, рассматривая её как общую концепцию, способную включать модели «зрения, языка и действия», или VLA. Это означает, что LBM не обязательно отменяет предыдущие модели, а может выступать более широкой рамкой, объединяющей их и сосредоточенной на преобразовании понимания в поведение.
XPeng переносит концепцию на транспортные средства
Другой пример применения можно увидеть у китайской компании XPeng, которая расширяет деятельность от автомобилей до роботов и автономного вождения. В 2024 году компания объявила о модели VLA, связывающей восприятие и непосредственное управление транспортным средством, однако пришла к выводу, что одной модели VLA недостаточно для гибкой работы во всех условиях автономного вождения.
24 апреля 2026 года XPeng объявила на Auto China 2026 о начале массового производства системы автономного вождения VLA 2.0, которая, по словам компании, отражает внедрение LBM в систему вождения. Затем 3 июня 2026 года на конференции CVPR 2026 компания представила исследования по разработке и использованию VLA 2.0 и «модели мира» (World Model), являющейся, согласно материалу, одним из компонентов архитектуры LBM.
Модель мира используется для имитации окружающей среды и понимания того, как она изменяется, что позволяет системе оценивать возможные последствия действий до их выполнения. В теории LBM эта способность помогает выбирать наиболее подходящее поведение, а не реагировать непосредственно на сигнал отдельного датчика или единичную ситуацию.
Почему эта новость важна?
Фактическое изменение здесь заключается не столько в запуске отдельного продукта, сколько в переходе на другой уровень архитектурного мышления о системах робототехники и автономного вождения. Если модели LBM окажутся успешными, системы управления могут стать менее зависимыми от отдельных правил для каждого случая и более способными обобщать изученное на новые ситуации.
Однако материал не доказывает, что LBM стала зрелым стандартом или что она фактически превзошла модели VLA либо сквозные модели. Концепция по-прежнему связана с исследовательскими программами и ранними применениями, а обеспечение безопасного и объяснимого поведения в физическом мире предъявляет требования, которые не проявляются в моделях, создающих только тексты или изображения. Поэтому открытые вопросы по-прежнему связаны со способностью этих моделей проверять свои решения, справляться с непредвиденными ситуациями и обеспечивать достаточную надёжность для широкого коммерческого использования.
Участие Toyota Research Institute и XPeng указывает на то, что конкуренция разворачивается не только вокруг размера модели, но и вокруг поведенческих данных, моделирования мира и связи модели с реальными системами управления. Это делает LBM направлением, за которым стоит следить в робототехнике и автономных транспортных средствах, не считая её на данный момент окончательным решением проблемы.