Если обычный ИИ выдал неправильный ответ, результат можно просто не использовать. Но если ошибку совершает робот, работающий в физическом мире, последствия могут быть совсем другими: машина может повредить оборудование, столкнуться с препятствием или принять опасное решение. Поэтому для Physical AI недостаточно научить систему «думать» — ей нужно понимать физический мир, доверять собственным датчикам и безопасно действовать в ситуациях, которых разработчики могли даже не предусмотреть.

Именно эта разница стала одной из центральных тем дискуссии о Physical AI в рамках Engineering Week 2026 в Армении. Участники обсуждали, что мешает искусственному интеллекту выйти из цифровой среды в роботов, производственные системы и другие физические устройства — и почему одних успехов в разработке AI-моделей для этого недостаточно.

Роботам нужны не только программисты

Модератор дискуссии Андраник Меликсетян, Principal Solutions Architect в NI Emerson, обратил внимание на важную особенность нового направления. Physical AI работает с реальным миром. Система получает информацию от физических объектов и должна использовать её, чтобы решить конкретную инженерную задачу. А значит, разработчику недостаточно разбираться только в программировании и искусственном интеллекте: необходимо понимать саму инженерную систему, с которой работает модель.

По словам Меликсетяна, сейчас в робототехнику активно приходят разработчики программного обеспечения, в том числе благодаря развитию генеративного ИИ. Но многие из них сталкиваются с необходимостью получать инженерный опыт.

При этом обратное движение — инженеров в ИИ — создаёт отдельную возможность. Специалисты, которые уже хорошо понимают роботов, оборудование и физические системы, получают шанс использовать этот опыт в новой области.

Сам Меликсетян рассказал, что в течение последнего года занимается Physical AI и смог вывести свои навыки в робототехнике на новый уровень.

Таким образом, развитие Physical AI меняет требования не только к технологиям, но и к самим специалистам: на стыке ИИ и физического мира особенно востребованы люди, способные понимать обе стороны задачи.

Ошибка в цифровом мире и ошибка робота — не одно и то же

Главное различие между обычным ИИ и Physical AI, по мнению участников дискуссии, определяется одним словом — физический.

У чат-бота может возникнуть галлюцинация: он даст неправильный ответ, и пользователь просто проигнорирует его. В физическом мире ошибка превращается в действие.

Гурген Мардоян, руководитель R&D Armenia компании PMI Science, предложил смотреть на проблему через вопрос точности. Для некритичных цифровых задач 95-процентная точность может быть приемлемой в зависимости от конкретного применения. Но если система самостоятельно принимает решения в физическом мире, вопрос становится гораздо сложнее: сколько ошибок допустимо и насколько хорошо робот должен понимать реальность?

При этом Мардоян считает, что требовать от роботизированной системы абсолютной безошибочности, вероятно, нереалистично. В качестве аналогии он привёл дискуссию вокруг автономного вождения: возможно, задача заключается не в том, чтобы система никогда не ошибалась, а в том, чтобы её работа была безопаснее человеческого поведения в сопоставимых условиях.

Это, однако, не отменяет требований к безопасности. Особенно сложной остаётся ситуация с динамически устойчивыми роботами, способными ходить и двигаться, а не просто выполнять операции в фиксированном положении. По словам Мардояна, именно поэтому масштабное применение подобных гуманоидных систем пока ещё ограничено.

Главный вопрос, таким образом, не только в том, можно ли сделать робота точнее, но и в том, какой уровень ошибок допустим для конкретной задачи.

Симуляция не равна реальному миру

Ещё одна проблема — разрыв между тем, как система ведёт себя в симуляции, и тем, что происходит на практике.

Нарек Назарян, научный руководитель проектов EIF Science Incubator и исследователь Ереванского государственного университета, отметил, что реальный мир нелинеен и обладает огромным количеством степеней свободы. Поэтому поведение, которое хорошо выглядит в виртуальной среде, не обязательно повторится в реальности.

У робота к тому же есть ещё один источник неопределённости — собственные сенсоры.

Камеры и другие датчики могут загрязняться, а оборудование — изнашиваться. Значит, системе недостаточно просто получать данные от сенсоров. Ей необходимо понимать, когда собственные сенсоры вводят её в заблуждение.

Это особенно важная проблема для автономных систем: машина должна принимать решение не только на основании поступившей информации, но и с учётом того, насколько этой информации можно доверять.

Чем больше модель, тем тяжелее её носить

Есть и вполне физическое ограничение.

Мощная модель требует значительных вычислительных ресурсов и энергии. В дата-центре это одна задача, но когда речь идёт о небольшом автономном роботе, который должен самостоятельно перемещаться в окружающем пространстве, возможности резко сокращаются.

Назарян выделил размер, вес и энергопотребление как отдельную проблему Physical AI. Нужно одновременно получить достаточную вычислительную мощность и уложиться в ограничения самого устройства.

Поэтому развитие направления зависит не только от совершенствования моделей. Нужны более эффективные сочетания аппаратного и программного обеспечения.

Роботы не смогут далеко уйти без связи

Для автономных физических систем важна и инфраструктура, которая находится за пределами самого робота.

Шейн Тьюс, президент Logan Circle Strategies и nonresident senior fellow American Enterprise Institute, отдельно выделил развитие сетей. По его словам, без подключения многие технологии Physical AI не смогут работать достаточно далеко от своей базовой инфраструктуры.

Переход от нынешних возможностей сетей к следующим поколениям связи потребует новых инвестиций. Причём вопрос не сводится просто к скорости передачи данных. Для физических систем критически важны надёжность связи, достаточная пропускная способность и минимальная задержка.

Тьюс привёл бытовой пример: в гостинице, где он остановился, свет в душевой не включался из-за неправильно установленных сенсоров. В обычной ситуации это просто раздражает человека. Но похожая проблема в автоматизированной физической системе может стать уже вопросом доверия к технологии.

Если люди не уверены, что система правильно воспринимает окружающую среду и стабильно получает необходимые данные, вывести её из лаборатории в реальный мир будет гораздо сложнее.

Самая трудная задача — ситуация, которой никто не предусмотрел

Ещё глубже проблема проявляется тогда, когда робот сталкивается с обстоятельством, которого не было в его опыте.

Назарян отметил, что обычная языковая модель работает в цифровой среде, тогда как Physical AI должен взаимодействовать с реальностью. Поэтому особенно важен вопрос: как система будет вести себя в ситуации, которой она никогда раньше не встречала?

Здесь возникает проблема так называемых world models — моделей окружающего мира. У них может быть определённая степень соответствия реальности, но, как отметил Мардоян, невозможно ожидать, что модель будет обладать стопроцентной точностью описания всех физических параметров мира.

Владимир Айрапетян, старший астрофизик NASA GSFC/SEEC, предложил один из возможных способов повысить устойчивость таких систем: создавать несколько автономных устройств, способных взаимодействовать друг с другом.

В качестве примера он привёл будущие системы для работы на Луне или в космосе: несколько небольших роверов могли бы иметь автономные системы и связываться с единым центральным узлом. Если одна система сталкивается с проблемой, информация через этот узел может использоваться для коррекции работы.

То есть устойчивость Physical AI может строиться не только вокруг способности отдельного робота принимать правильное решение, но и вокруг взаимодействия нескольких систем.

Кто отвечает, если робот ошибся?

Технические проблемы постепенно переходят в область, где уже недостаточно инженерных решений.

Назарян назвал безопасность и регулирование одной из важнейших проблем Physical AI. По его словам, человечество создаёт системы, которые способны самостоятельно принимать решения и действовать, не получая одобрение человека на каждом шаге.

Отсюда возникает целый ряд вопросов.

Если робот постоянно учится и меняет своё поведение, как его классифицировать? Кто отвечает за последствия вредного решения — владелец, производитель или оператор? И как проверить безопасность системы в сценариях, с которыми она ещё никогда не сталкивалась?

Причём регулирование здесь должно развиваться вместе с инженерией и наукой. Слишком медленные правила могут оставить людей без необходимой защиты, но чрезмерно жёсткие ограничения способны затормозить развитие технологии.

Робота ещё нужно научить доверять

Есть и проблема, которую невозможно решить только новым процессором, датчиком или алгоритмом.

Самим людям предстоит привыкнуть к машинам, которые действуют самостоятельно.

Меликсетян отметил парадокс современной робототехники: то, что для человека кажется элементарным, для робота может быть очень сложной задачей. Поэтому от гуманоидной машины люди часто автоматически ожидают человеческого поведения: если она выглядит как человек, возникает вопрос, почему она не может сделать то же самое, что сделал бы человек.

Но внешнее сходство не означает одинаковые способности.

Поэтому для распространения Physical AI понадобится не только техническая работа, но и своеобразное управление изменениями — объяснение людям того, что умеют такие системы, чего они пока не умеют и почему они действуют именно так.

По словам Меликсетяна, робот должен восприниматься не как игрушка, а как реальный помощник. Но для этого необходимо доверие.

Может ли робот обладать воображением?

В финале дискуссии Айрапетян поднял ещё более фундаментальный вопрос — о способности системы действовать в ситуации, для которой у неё нет заранее подготовленного решения.

Человек использует накопленный опыт, чтобы соединять разные знания и создавать новые идеи. Айрапетян назвал эту способность воображением и предположил, что именно её воспроизведение может оказаться одним из самых сложных вызовов для Physical AI.

Пока робот действует в хорошо описанной среде, инженер может заранее определить множество возможных сценариев. Но чем сложнее и менее предсказуем становится окружение, тем важнее способность системы самостоятельно находить решение для незнакомой ситуации.

Именно здесь проходит одна из самых важных границ нынешней робототехники: роботу мало знать, как устроен мир. Ему нужно уметь действовать в мире, который не всегда ведёт себя так, как ожидал разработчик.

Поэтому Physical AI оказался гораздо более широкой задачей, чем просто объединение искусственного интеллекта с роботами. Это одновременно проблема инженерии, вычислений, сенсоров, связи, безопасности, регулирования и человеческого доверия. И, судя по дискуссии, многие из этих вопросов пока находятся не в области готовых решений, а в области открытых исследований.