Китай создаёт сеть центров сбора данных для обучения гуманоидных роботов

Китай начал формирование национальной сети центров сбора данных, предназначенных для обучения гуманоидных роботов. Об этом сообщает агентство «Синьхуа», передает BAQ.KZ.

По данным издания, страна стремится перейти от традиционного развития искусственного интеллекта к так называемому «воплощённому ИИ» (embodied AI) — технологиям, позволяющим интегрировать интеллектуальные системы непосредственно в физические устройства, включая человекоподобных роботов. Ожидается, что это станет основой для их массовой коммерциализации.

Как отмечается, 2025 год стал для Китая первым годом массового производства гуманоидных роботов. За этот период более 140 производителей представили свыше 330 моделей человекоподобных машин.

Один из центров сбора данных уже начал работу в январе в городе Цзыгун. Там формируются базы данных для обучения роботов в реальных производственных условиях. В частности, машины обучают таким операциям, как сортировка грузов, захват предметов, их перемещение и точное размещение. Эти навыки считаются базовыми для применения роботов на заводах, складах и логистических центрах.

Параллельно в Китае формируется нормативная база для новой отрасли. В стране уже представлена первая национальная система стандартов, охватывающая весь производственный цикл и жизненный цикл гуманоидных роботов и технологий воплощённого искусственного интеллекта.

Развитие инфраструктуры активно поддерживается государством, благодаря чему подобные проекты появляются в разных регионах страны.

К реализации инициативы подключаются и крупные компании. В частности, китайский гигант электронной коммерции JD.com (Цзиндун) планирует создать крупнейший в мире центр сбора данных для воплощённого искусственного интеллекта.

Эксперты отмечают, что мировая индустрия гуманоидных роботов сталкивается с общей проблемой — нехваткой данных для обучения машин в реальных условиях. Китайские центры используют комбинированный подход, позволяющий формировать мультимодальные массивы данных, необходимые для эффективного обучения моделей искусственного интеллекта.