На TechCrunch Disrupt 2025 компания Mbodi представила подход, который в корне меняет процесс обучения роботов. Традиционные методы включали длительное моделирование движений в симуляторах или многократные тесты на физических устройствах, что занимало недели и даже месяцы. Кроме того, роботам требовалось переобучение при переходе на новые задачи и изменения в окружении.
AI-агенты Mbodi решают эту проблему благодаря способности быстро адаптироваться и оптимизировать процесс настройки движений. Используя кластер взаимосвязанных агентов, они разбивают пользовательские запросы на подзадачи, анализируют данные в реальном времени и интегрируются в существующий технологический стек робота. Это позволяет обучать нового робота или внедрять новые сценарии действий буквально за часы, а не дни или недели.
Аналогия проста: если традиционный процесс обучения робота — это как вручную обучить человека играть на пианино, то AI-агенты Mbodi — как иметь целую команду инструкторов, каждый из которых отвечает за отдельную клавишу и мгновенно синхронизирует своё обучение с другими.
От классических методов к облачно-локальным решениям
История обучения роботов насчитывает десятки лет, начиная с жёстко запрограммированных действий для промышленных манипуляторов в 80-х годах и заканчивая адаптивными системами последних лет. Однако до сих пор многие системы опирались на централизованные вычислительные кластеры или локальную тренировку, что имело свои ограничения — от задержек в передаче данных до сложности масштабирования.
Mbodi предложила гибридную облачно-локальную архитектуру, которая сочетает низкую задержку локальных вычислений с мощью облачных алгоритмов. Такой подход позволяет выполнять критические операции непосредственно на роботе, а сложные аналитические задачи — в облаке. Это не только экономит время, но и делает систему более устойчивой к сетевым неполадкам.
Партнёрство с ABB Robotics, купленной SoftBank за $5,4 млрд, стало ключевым этапом в развитии платформы. Благодаря этому Mbodi получила доступ к глобальной сети промышленных клиентов и расширила возможности интеграции в сложные производственные процессы. Не менее важно, что сотрудничество с крупной компанией из списка Fortune 100 даёт Mbodi шанс протестировать свою платформу в реальных условиях массового производства.
Интеграция world models и кластеров AI-агентов
Одним из самых прорывных направлений в обучении роботов в 2025 году стало использование концепции world models — универсальных цифровых моделей окружения, позволяющих прогнозировать последствия действий до их выполнения на физическом устройстве.
В архитектуре Mbodi это реализуется через кластер AI-агентов, где каждый агент специализируется на конкретном наборе задач. Например:
- один агент отвечает за анализ крутящего момента сервоприводов;
- другой — за распознавание объектов с помощью компьютерного зрения;
- третий — за моделирование взаимодействия с окружающей средой.
Обмен информацией между агентами происходит в реальном времени, что существенно ускоряет настройку движений. Такой подход был продемонстрирован на Disrupt 2025, где робот смог обучиться новой операции сборки всего за 3 часа, вместо стандартных 2–3 дней.
Практический пример: допустим, на производстве появляется новая деталь с нестандартной геометрией. Традиционно инженерам нужно было вручную настроить захват — теперь AI-агенты Mbodi автоматически анализируют форму, прогнозируют оптимальные траектории движения и проверяют их в виртуальной среде, минимизируя риск повреждения оборудования.
Преимуществ AI-агентов Mbodi для обучения роботов
Преимущества AI-агентов Mbodi можно разделить на три ключевых направления:
- Скорость обучения
Технология позволяет сократить время адаптации в несколько раз. Благодаря параллельной работе агентов и обмену данными обучение не требует долгих итераций. - Точность движений
Использование world models даёт возможность просчитать последствия каждого движения до его выполнения. Это снижает процент брака и аварийных ситуаций. - Адаптивность
AI-агенты Mbodi способны подстраиваться под новые задачи и окружения. Это особенно важно в условиях гибкого производства и робототехнических систем, работающих в динамичных средах, например, на складах или в логистике.
В отличие от многих существующих решений, где робот переходит от одной задачи к другой с полной переинициализацией, Mbodi использует накопленный опыт агентов. Это можно сравнить с тем, как опытный сотрудник может быстро освоить новое оборудование благодаря схожести с уже известным.
Развития AI-агентов и их влияние на будущее обучения роботов
В 2026 году Mbodi планирует масштабировать развёртывание своей платформы, внедряя её не только в промышленность, но и в такие отрасли, как медицинская робототехника, автономная логистика и даже роботизированная сельхозтехника.
Финансовые и стратегические возможности открывают дорогу:
- Расширение в разные отрасли: от производства электроники до строительства.
- Разработка универсальной обучающей платформы: единый API для интеграции в любые робототехнические системы.
- Повышение автономности роботов: минимизация человеческого участия в процессе обучения.
Значение TechCrunch Disrupt как витрины инноваций очевидно: участие Mbodi привлекло внимание инвесторов и технологических партнёров, заложив основу для будущих контрактов. По мере роста потребности в адаптивных роботах AI-агенты Mbodi могут стать стандартом де-факто в системах обучения.
Если экстраполировать текущие данные, к 2028 году можно ожидать, что гибридные архитектуры с кластером AI-агентов будут использоваться не менее чем в половине промышленных робототехнических решений, а сама Mbodi, интегрировавшись в мировые supply chain, сможет влиять на стандарты обучения и взаимодействия роботов на глобальном уровне.
