В самых редких данных два человека
Данные решают, кто победит в робототехнике и физическом ИИ. Самые ценные показывают людей за совместной работой со всех сторон. Таких данных почти нет.

Передайте кому-нибудь ножницы. Вы не задумываясь поворачиваете их ручками к человеку. Он начинает тянуться раньше, чем вы закончили поворот, и вы разжимаете пальцы в тот момент, когда чувствуете его хватку. Никто не говорит ни слова. Передача занимает около секунды, и для робота это все еще трудно.
Машина учится тому, что ей показывают, а этого ей почти никто не показывал. Компании в области ИИ теперь платят за данные миллиарды, и чем точнее данные, тем больше платят. В самых ценных данных больше одного человека, и сняты они со всех сторон. На практике таких данных пока нет.
Что говорят деньги
В июне 2025 года Meta заплатила 14,3 млрд долларов за 49% Scale AI. Scale не делает чипов и не владеет знаменитой моделью. Она готовит обучающие данные.
В марте 2026 года Ян Лекун, который больше десяти лет руководил исследованиями ИИ в Meta, привлек 1,03 млрд долларов для своей новой компании AMI Labs. Это крупнейший посевной раунд в истории Европы: до инвестиций компанию оценили в 3,5 млрд долларов, а среди инвесторов оказались Nvidia, Samsung и фонд Джеффа Безоса. AMI строит модели мира, системы, которые узнают, как ведет себя физический мир, по камерам и другим датчикам и на этой основе планируют, что делать дальше. Отправная точка здесь не язык.
Лекун любит доказывать это арифметикой. Весь публичный текст в интернете, рацион больших языковых моделей, составляет около ста триллионов байт. Четырехлетний ребенок бодрствовал около 16 000 часов, и за это время примерно столько же поступило в его мозг через глаза. Ребенок к тому же узнает то, чего нет ни на одной странице, например что стакан падает, если его отпустить.
Для физической работы ничего похожего на веб не существует, и отрасль пытается построить его одним упорством. В 2023 году Google DeepMind и ее партнеры, всего 21 организация, объединили 60 наборов данных в Open X-Embodiment, где хранится больше миллиона записанных движений 22 типов роботов.
В ноябре 2025 года стартап Generalist AI сообщил, что его модель GEN-0 обучена на 270 000 часов реальных манипуляций, собранных в домах, на складах и рабочих местах, и что этот объем растет на 10 000 часов в неделю. Figure, которая строит гуманоидов, договорилась с группой Brookfield, у которой в портфеле больше 100 000 единиц жилья, снимать в них повседневную жизнь. Затем ее робот научился находить путь через захламленную комнату только по видео с людьми. Все они ставят на то, что модель можно построить заново за год, а хорошую запись нельзя.

Не больше, а полнее
Часы остаются грубой мерой. Видео показывает, как рука смыкается на чашке. Из него не узнать, насколько сильно рука нажала, сколько весила чашка, каким щелчком крышка сообщила, что встала на место, и куда за полсекунды до этого смотрели глаза. Каждая из этих вещей идет по отдельному каналу, и модель, которая получает их все сразу, узнает то, чему не научит никакое количество обычного видео.
Meta поняла это рано. Ее набор данных Ego-Exo4D, созданный вместе с 15 университетами, записал больше 800 мастеров своего дела, среди них повара, скалолазы, танцоры и велосипедные механики. Каждый носил очки с камерами, пока другие камеры снимали снаружи, а очки добавляли семь каналов звука, датчики движения, отслеживание взгляда и 3D-карту комнаты. Всего набралось почти 1300 часов. Цифра небольшая, зато каждый из этих часов говорит гораздо больше, чем час обычного видео.
Дизайнеры знают этот принцип по чертежам. Эскиз с размерами можно построить. Красивый рендер без них нельзя. Я предпочту десять точных часов тысяче приблизительных.
Одна пара глаз еще не комната
Почти у всех этих данных одно ограничение. Они показывают одного человека. Камера закреплена на голове одного человека и смотрит на одну пару рук. Даже Ego-Exo4D в основном следит за одним специалистом за раз.
Настоящую работу редко делают в одиночку. Две медсестры переворачивают пациента. Один повар выкладывает блюдо на тарелку, пока другой командует на раздаче. Двое монтажников несут окно вверх по лестнице. То, благодаря чему это получается, не попадает в поле зрения ни одного из них. Камера на голове любого из двоих записывает половину и пропускает взгляд или полшага, которые сказали другому подождать. Сигнал в том, что происходит между ними: кто смотрит, кто ждет, кто уступает и когда.

Чтобы этому научиться, машине нужны оба взгляда сразу, синхронизированные до одного мгновения, вместе с комнатой вокруг. Робот должен работать рядом с людьми в домах, больницах и мастерских. Там он никогда не будет один, поэтому ему нужно знать, когда подождать и когда отпустить.
Записано этого очень мало. В 2023 году Microsoft опубликовала HoloAssist: 166 часов, где один человек выполняет задачу, а второй им руководит. Второй находился удаленно и смотрел через гарнитуру первого. В июле 2026 года исследователи из Швейцарской высшей технической школы Цюриха, Microsoft, Института информатики Общества Макса Планка и Мюнхенского технического университета опубликовали CoMind. Пары вместе готовят на настоящих кухнях. Каждый носит очки с камерами, еще две камеры следят за комнатой, и записываются взгляд, руки и речь. Авторы отмечают, что наборов данных с точки зрения одного человека много, что немногие изучают людей за совместной работой и что большинство рассматривает главного участника изолированно. Их собственный набор охватывает 80 записей и 41 час.
Сорок один час. Сравните это с 270 000 часов манипуляций, которые собрал один-единственный стартап. Соотношение больше 6500 к одному.
Кто это снимет
Из дата-центра этот разрыв не закрыть. Для этого нужны помещения, где люди работают вместе и согласны, чтобы их записывали, с датчиками, подобранными под задачу, и со всеми потоками на одних часах. Это медленная и физическая работа, поэтому разрыв до сих пор не закрыт. Я основал OptAI, ИИ-компанию в Цюрихе с собственной лабораторией моделей мира, и никакая модель, включая наши, не восполнит того, чего нет в записи.
Первый робот, который возьмет у вас из руки ножницы так, как это делает коллега, научится этому по записям того, как это делают двое, снятым с обеих сторон в один и тот же момент.
Rea Stark, промышленный дизайнер и основатель компаний, живет и работает в Цюрихе. Он создавал дизайн для Sony и Nespresso, стал сооснователем Piëch Automotive и Archaí Physics и занимается тем, как машины воспринимают физический мир и обращаются с ним. О Rea Stark
Изображения к этому эссе созданы с помощью ИИ.