Spydell_finance

Архитектура слома экономического порядка Скорость адаптации – вот ключ к слому прежней архитектуры экономического порядка. Прежде небольшая ремарка к моим ранним материалам. Момент начала интеграции ИИ и роботов в экономику начнется тогда, когда устойчивая производительность в совокупности со стоимостью закупки, интеграции и обслуживания роботизированных систем сравняется с человеком, учитывая аксиому, что если стоимость содержания роботов и человека эквивалентна, бизнес всегда выберет роботов по совокупности причин. Сам факт идентификации этой точки схождения производительности и цены означает момент эпохальной трансформации (замещения человека ИИ и роботами), т.к. скорость развития и характеристики несопоставимы в пользу ИИ и роботов (кратно выше производительность, надежность и эффективность). Ключевой триггер – цена ошибки. Если затраты на контроль и верификацию роботизированных систем (стоимость подключения автоматизированного внешнего контура валидации + затраты на оператора человека, проверяющего надежность работы ИИ и роботов) сравняются с человеком, процесс прошел… На протяжении веков фазы технологического прогресса были сопряжены с естественной инерцией адаптации общества и экономики к технологическим переходам. Если профессия исчезала на протяжении 20-40 лет, у общества было время: ·         Перестроить систему образования и подготовки кадров ·         Плавно снижать план подготовки кадров под «исчезающую» профессию ·         Создать программу переквалификации для работников, находящихся под угрозой увольнения / замещения ·         Сформировать новое регулирование ·         Создать план по отраслевой трансформации и перераспределению ресурсов, капитала и рабочей силы в новое перспективное направление. Что изменяется сейчас? Период жизни навыка становится короче периода его приобретения. Многие студенты, среди тех, кто совсем недавно (1-3 года назад) поступил на обучение, например, программистом (профессия с наибольшей конверсией замещения), по выходу из обучения обнаружат, что они нахрен никому не нужны. На сегодняшний день все еще остается неизвестным, какое количество профессий будет частично или полностью ликвидировано ИИ и роботизацией. Законодательство и система образования систематически не успевает за скоростью изменений, которые перешли едва ли не в ежемесячный формат (примерно на два порядка или в сто и более раз быстрее, чем 100-150 лет назад). Не технологии сами по себе уничтожают равновесие. Равновесие уничтожает несовместимость скоростей. Когда период полураспада прикладного навыка становится меньше времени, необходимого для его фундаментального освоения, классическая модель воспроизводства человеческого капитала терпит институциональное банкротство.   Разрыв временных шкал запускает цепную реакцию структурных деформаций по всей экономической вертикали.   В развитых обществах человек или домохозяйство несет прямые и альтернативные издержки на обучение в течение 4–7 лет, рассчитывая на премию за квалификацию на горизонте следующих 30–40 лет. При сжатии технологического цикла до 6–12 месяцев инвестиции в профильное образование (финансовые или временные) теряют окупаемость.   ▪️Образовательные учреждения оказываются в ловушке «зомби-обучения»: программы аккредитуются годами, в то время как предметная база меняется ежемесячно. Студент выпускается с багажом заведомо неконкурентоспособных навыков, обремененный долгами и потерянным временем. Проблема не просто в критическом запаздывании системы образования, а в том, что траектория выбора профессии устаревает в момент принятия решения. ▪️Автоматизация первичных и рутинных когнитивных функций выбивает нижнюю ступень профессиональной стратификации. Чтобы вырастить высококлассного эксперта, способного верифицировать выводы ИИ и действовать в ситуациях черных лебедей, специалист должен пройти через массив типовых задач и всю «пищевую цепочку» когнитивного взросления (это отдельная тема, не буду конкретизировать). Грубо говоря, чтобы вырастить из себя эксперта, невозможно перескочить через эволюционные ступени получения знаний и осмысления опыта. Бизнес, стремясь оптимизировать текущие операционные расходы, закрывает позиции начального уровня. Прекращается естественный приток кадров в середину пирамиды. Через 5–7 лет сформируется острейший дефицит старших специалистов (senior-уровня), так как им неоткуда будет воспроизвестись. Высококвалифицированный специалист – это непрерывный и последовательный процесс роста и развития на всем этапе от самых низших уровней до самых высоких. ▪️Волатильность инвестиционного спроса. Ускоренная трансформация экономики запускает неопределенность с нескольких контуров – вакуум спроса из-за разрыва и трансформации межотраслевых связей и неочевидный вектор технологической трансформации, что приводит к тому, что компании переходят в режим перманентного стресс-тестирования и отказа от долгосрочных контрактов, что провоцирует волатильность инвестиционного спроса. Все это приводит к сужению горизонта планирования и прерыванию инвестиционных циклов, рассчитанных на длительный срок окупаемости.

ИИ и роботы могут стать самым разрушительным технологическим переходом в современной истории. Немного экономической философии – навеяло после тестирования Astra и Fable 5.1. Прошлые технологические революции естественным образом уничтожали профессии, обесценивали навыки, перераспределяли капитал и ломали привычные производственные связи. Пар вытеснял ручной труд, электричество перестраивало фабрики на принципиально иной технологический уровень и урбанистику, двигатель внутреннего сгорания радикально изменил транспорт, компьютер фундаментально трансформировал все, что касается обработки информации и автоматизировал вычисления, интернет разрушил информационные барьеры, создав совершенно иные паттерны коммуникации. Но между ними и нынешним переходом существует фундаментальное различие. Предыдущие технологии автоматизировали отдельные функции человека. ИИ начинает автоматизировать способность выбирать, анализировать, координировать и управлять этими функциями, а роботизация добавляет физическое исполнение. Раньше последним интегратором производственного процесса практически всегда оставался человек. Машина могла быть быстрее, сильнее и точнее, но именно человек ставил цель, оценивал контекст, реагировал на исключения, соединял разрозненные процессы и принимал итоговое решение. Эта монополия начинает разрушаться. Современный ИИ уже не просто отвечает на вопросы. Он постепенно превращается в управляющий слой над программами, данными, инструментами и другими агентами. Пока ненадёжно, фрагментарно и с обязательным человеческим контролем, но направление движения очевидно. Здесь возникает первая принципиальная проблема. Технология развивается быстрее, чем общество способно её переваривать. Не просто быстрее, а радикально быстрее. Паровая машина, электрификация или автомобиль требовали десятилетий физического строительства: заводов, электростанций, дорог, сетей, оборудования, что создавало лаг между появлением, внедрением, распространением технологии и реакции общества на технологическую трансформацию. Суть в том, что 1000 лет назад фаза технологического рывка могла заниматься несколько поколений вплоть до столетия, 100 лет назад фазы технологической трансформации сжались до десятилетий. В начале нулевых – уже скорее годы, сейчас счет идет на месяца. Раньше за период фазового перехода успевали смениться поколения работников, возникали новые профессии, перестраивалась система образования, появлялись институты перераспределения труда, капитала и ресурсов, обеспечивая плавную технологическую трансмиссию. Теперь – все иначе. ИИ существует в цифровом пространстве с экспоненциальной траекторией развития, на осмысление (даже не на внедрение и адаптацию) не хватает возможностей даже у технически и интеллектуальной продвинутых представителей человечества. За 1 неделю вышли Fable 5.1, Gemini 3.8 Flash, Muse Spark 1.3 и контрольный выстрел от GPT-6 Astra. До этого значимый цикл обновления был всего 2 месяца назад. Один из плацдармом к технологической сингулярности начинается тогда, когда на реплицирование навыка и технологий требуются считанные мгновения. Навык, на формирование которого человеку требовались годы или даже десятилетия, после успешного обучения модели потенциально можно распространить на миллионы экземпляров практически мгновенно. Нельзя клонирования знания одного гениального человека, но можно клонировать знания успешной и эффективной машины, создав плацдарм для обучения (базу), чтобы оптимизировать неэффективности и делать новый рывок, достигнув петли рекурсивного самообучения. Человек каждый раз откатывается назад, чтобы подняться выше, для машины это не нужно, здесь прогресс всегда идет вертикально. Человека нельзя обновить ночью, а машину - можно. Именно расхождение этих временных шкал может стать главным источником будущего социального и экономического коллапса.

Чем на фундаментальном уровне определяется эффективность Astra? . 🔘Длина зависимой последовательности действий – то, насколько много итераций вшито в проект; . 🔘Размер пространства возможных решений – многомерность задачи и пространство векторов решений; . 🔘Количество обратной связи от среды – то, насколько значительно количество контуров верификаций; . 🔘Требования к рабочей памяти и удержанию состояния – то, насколько велики требования к стабильному удержанию контекстного окна (воспроизведение фактов и мелких нюансов); . 🔘Необходимость проверки и исправления промежуточных результатов – то, как часто и насколько эффективно необходимо корректировать траекторию компиляции проекта. . Как это работает на практике? Если условное количество итераций (шагов выполнения) в проекте равно 30, а каждая итерация выполнялась с успехом в 95% (остальное ошибки или галлюцинации), общая эффективность проекта = 21.5%. При качестве генерации в 98% (рост всего на 3 п.п) общая эффективность растет до 54.5% (+33 п.п). . При этом для достижения успеха в 98% требуется совокупность условий (адекватный выбор следующего действия, консолидация необходимых инструментов, фиксация состояния, распознавание ошибки, правильная коррекция после ошибки). . При длинной последовательности эти улучшения перемножаются. Именно поэтому эффект достигается на длинной последовательности и чем сложнее задача, чем более многомерное пространство решений, тем более существенный прогресс Astra в бенчмарках. . ▪️Предиктор вариативности В бенчмарке сложности математических задач, которые модели способны решать без развернутой цепочки рассуждений, результат Astra вырос в 8.6 раза в сравнении с SOL, что говорит о значительном архитектурном улучшении. . Astra производит более короткие цепочки рассуждений, меньше зависит от их явного проговаривания, способна выполнять более сложные задачи без развернутого внутреннего текста и значительно лучше управляет формой собственной цепочки рассуждений. . «Предиктор вариативности» - мой термин, но суть в том, что Astra позволяет значительно лучше «чувствовать» градиент сложности задачи и предсказывать правильный путь, чем все предыдущие модели. . Astra как бы «угадывает» правильный вектор решения за счет чрезвычайно высокой интегральной интеллектуальной емкости, лучше распознавая структуру задачи, проводя более эффективную декомпозицию и находя наиболее подходящие инструменты. . ▪️Резкое сжатие расходов токенов. Из всего этого вытекает закономерная последовательность – если модель реже ошибается в векторе решений (приходится меньше «биться лбом о закрытую дверь»), расход токенов снижается в несколько раз на достижение паритетного результата в сравнении с прошлыми моделями (примерно в 3-7 раз). . ▪️Улучшение иерархии целей: глобальная цель (контуры финализации проекта), текущий план (определить причину сбоя, скорректировать план, рекалибровать инструменты и т.д.), локальное действие (открыть файл, выполнить команду и т.д.). . ▪️Значительное снижение галлюцинаций (снижение в среднем в 5 раз в сравнении с SOL): Astra значительно лучше различает известное и неизвестное, проверяет соответствие ответа доступным данным, меньше продолжает ошибочную ветвь, лучше обнаруживает противоречие между результатом и исходной задачей. . Получается: значительно более плотная и эффективная упаковка токенов (расход на задачу ниже в разы), снижение галлюцинаций в 4-5 раз, улучшена обратная связь и исправление ошибок, улучшена стабильность контекстного окна, увеличение надежности и стабильности при многомерных задачах (последовательность принятия решений), существенно более высокая автономность и результативность на сложных задачах, значительный рывок в кибербезопасности. . Судя по предварительным тестам, Astra ощутимо сильнее Fable 5.1 в агентских сценариях и делает значительный рывок в сравнении с SOL. .

‼️Напоминание! Завтра начинаем публикации в новом канале «Коллегия Инвесторов», будут идеи и стратегия с учетом текущей ставки, с доходностью 15-50% и сроком до 1-2 месяцев. Уже опубликованы облигационные портфели, актуальная подборка, под новый ключ. ‼️Дополнительно каждый день будет выходить 1 урок, идеально для новичков! Без пустых новостей, без лишней информации, только то, что действительно важно и нужно. ВХОД — https://t.me/+siEvBdU4nkQxMjdi Задумка свежая, стоит задача набрать отзывы, заходите, тестируйте!

Машина против человека – кто победит? Буквально недавно основной нарратив (в контексте ИИ) в бизнес-СМИ касался замещения творческих, офисных и административных профессий искусственным интеллектом, что создавало пространство для перераспределения в физический труд. Однако, даже здесь место человеку может не найтись, т.к. физической деятельностью будут заниматься роботы различного класса и модификаций. Получается, что человечеству вообще не будет места, ведь совсем скоро машины будут сами себя проектировать и исследовательских лабораториях, которые все больше будут замыкаться на дата-центры, а потом и создавать себя на заводах роботов, проходя полный цикл, контролируя цепочки поставок и весь производственный потенциал. В долгосрочной перспективе, у человечества, очевидно, нет никаких шансов против машин. В вопросе, за кем останется победа – здесь нет никакой интриги. Вопрос в другом – масштабе и скорости замещения. Единственное, что способно сдерживать человечество от «порабощения» машинами – экономический аспект. До тех пор, пока на интеграцию одного робота нужна целая «гвардия» высококвалифицированных инженеров, программистов, монтажников и операторов (так, как происходит сейчас и будет еще несколько лет) – человечество на коне, но как только роботы начнут обслуживать сами себя, в том числе рекурсивное самоулучшение и оптимизация на основе «жизненного опыта», вот тогда начнутся проблемы. Я слежу на кодингом через ИИ – прогресс феноменальный. Если в 2023 ИИ были на уровне стажера низкого уровня, сейчас ИИ близки или даже в некоторых аспектах превышают супер-элиту в сфере программирования. Ок, эта среда детерминирована, в том числе через компиляторы, в некотором роде – стерильный пример и не везде прогресс будет настолько явным. Однако, экспоненциальный прогресс в ИИ и робототехнике создает технологическую сингулярность, сжимая технологический гэп между производительностью машины и человека в направлениях, где ИИ оказывались слишком слабы в сравнении с человеком (эти направления подробно описывал в 2024-2026 в серии материалов по ИИ). Другими словами, наступит момент, когда интегральный уровень развития ИИ и роботов достигнет настолько высокого уровня, что совокупное количество профессий, которые ИИ могут перехватить будет сильно выше профессий, где ИИ не может быть эффективно интегрирован. Роботы и ИИ описываю вместе, т.к. их развития неразрывно связано между, но не симметрично и неравномерно. ИИ может развиваться автономно от роботов, но роботы без ИИ – нет. Скорость развития LLMs сильно выше, т.к. существуют в алгоритмическом цифровом пространстве, а роботы существуют в реальном мире с физическим ограничением материалов, электротехники и био-кибер-механики. Человечество может победить, пока будет демпинговать и обнулять стоимость своего труда настолько, что закупка роботов + их операционное и техническое обслуживание было сильно дороже, чем стоимость содержания людей. Важный аспект – сильно дороже, т.к. если обслуживание людей и роботов будет сопоставимо, победа будет за машинами по совокупности факторов ранее описанных. Человечество проигрывает роботам и ИИ практически во всем. Да, роботы еще не могут вышивать крестиком, залезать в водопроводные стояки, заниматься электромонтажом, ремонтом сложного оборудования и еще сотни различных направлений, где требуется мелкая моторика рук, гибкость, импровизация на ходу и решение нестандартных задач в динамических системах. Все это решаемо. Не через три года, так через 7 или 10 лет. Вопрос в другом – как измениться мир, если межотраслевые связи и распределение денежных потоков будут неизбежным образом деформированы? ИИ и роботификакация прямо или косвенно затронут, вероятно, почти все отрасли, причем я не уверен, что в лучшую сторону. Скорость внедрения может оказаться кратно сильнее и быстрее, чем скорость адаптации системы, что приведет к рекордному за всю историю человечества неравенству и гиперконцентрации капитала и ресурсов в провайдерах нового технологического уклада. Это массовая безработица, разрушение целых отраслей, падение доходов, социальные взрывы. Прошлые технологические уклады были растянуты во времени, что давало время на адаптацию и не были настолько мощного проникающего воздействия, как роботы и ИИ. Сейчас я думаю все будет иначе и гораздо разрушительнее. Грядет мощнейшее перераспределение капитала, ресурсов, асимметрия распределения технологического прогресса и доходов. Я ставлю на то, что количество потерявших будет не в разы, а кратно больше тех, кто выиграет.

Так уж и быть. В честь дня рождения канала открывается доступ к приватному клубу, но это в первый и последний раз. В среднем 90% инсайдерской информации приходится на этот источник. Доступа на сутки должно хватить, чтобы вступить успели самые активные читатели. Вступить — https://t.me/+x04In-2tDzY2MWI6

Машина против человека Прежде, чем перейти к экономическим эффектам и траектории интеграции роботов всех видов и LLMs в экономику (анализ через профессии, расширяемый на отрасли, сектора и межотраслевые связи), нужно на концептуальном уровне понять сильные и слабые стороны машин. ▪️Человек крайне плохой работник, который требует уважения, признания, комфортной среды, социализации, безопасности, индексации зарплаты, при этом склонен плести интриги в попытке повышения и косо смотрит на начальство. 🔘Человек устает, стареет, болеет, человеку нужен сон, питание и соответствующий уход. 🔘Человек чувствует боль, страх, обиды, угнетения, скуку, страдает проблемами с мотивацией, самоконтролем и концентрацией внимания. 🔘Человек отвлекается (соцсети, новости, развлекательный контент, общение с коллегами) и вечно «волочит» за собой проблемы (здоровье, семья, уход за детьми). 🔘Человек слаб, забывчив, медлителен, часто безответственен, склонен к опозданиям и срыву с рабочего места раньше положенного срока (обычно в пятницу или перед праздниками). 🔘Человек концентрирует в себе все известные комплексы, физические ограничения и проблемы, сопряженные с социальным взаимодействием. 🔘Человек склонен к подставам, предательству, саботажу, демаршам и нарушению рабочей дисциплины. Для бизнеса нет ничего хуже, чем человек, который буквально аккумулирует проблемы и вечно срывается в низкую производительность, простои и нерабочие моменты. Чтобы от человека что-то получить, нужно его непрерывно прямо или косвенно мотивировать, «ублажать» и «водить хороводы» в виде выстраивания рабочих / партнерских отношений – все это не влияет на производительность напрямую, но влияет косвенно через рост мотивации, ответственности и прилежности. Для бизнеса машина (комплекс роботизированных систем и LLMs в одном флаконе): 🔘Не устает – не нужно восстанавливаться, накапливать силы, энергию и мотивацию (за исключением штатной замены аккумуляторов), не нужен сон и отдых, а значит процесс работы может быть непрерывным, а не 8-12 часов, как у людей. 🔘Не теряет мотивацию, нет скуки, выгорания, проблемы однообразия и монотонности, т.е. производительность равномерная и нормализованная без волатильности, присущей человеку. 🔘Не отвлекается, нет проблемы сосредоточения и контроля фокуса внимания, что предполагает предсказуемый график производительности близкий к теоретическому пределу. 🔘Не обижается, нет плохого настроения, апатии, депрессии, поиска виноватых, нет токсичной атмосферы, склон, интриг, ругательств, нет межличной неприязни и нет желания доказать что-либо коллегам. Для машины существует задача и критерий её выполнения, четкие протоколы и процедуры, все остальное – шум. 🔘Не чувствует голода, жажды и физического дискомфорта. Не нужен обеденный перерыв, перекур, комфортная температура и микроклимат на рабочем месте. Робот может находиться там, где человек не может работать продолжительное время – высокий шум, вибрации, грязь, экстремальный температурные градиент, загрязнения воздуха и т.д. 🔘Нет боли и страха. Пожары, радиация, химическое заражение, задымления, риски взрывов, обрушений, слишком высокая высота или наоборот – слишком глубоко к центру Земли (глубокие шахты). 🔘Всегда все помнит. Человек может забыть инструкцию, последовательность действий, редкую процедуру. Робот может хранить: миллионы инструкций, карты объектов, историю операций, параметры оборудования, типичные неисправности, предыдущие ошибки. 🔘Не нужно длительное, сложное и дорогостоящее обучение – обновление микропрограммы и робот обновил память, протоколы реагирования и систему принятия решений. Плюс к этому мгновенная смена формата деятельности и профессии по мере обновления прошивки. 🔘Наследование опыта. Если сотрудник двадцать лет ремонтировал станки, этот опыт невозможно скопировать в голову десяти тысяч новых работников, только через систему образование. У машин потенциально другая архитектура: один робот столкнулся с новой ситуацией → данные отправлены в общую систему → модель улучшена → обновление получили 100 тыс роботов. 🔘Новые «органы» чувств. Роботу можно дать одновременно: обычные камеры + инфракрасное зрение + тепловизор + лидар + радар + ультразвук + спектральные датчики. Человек смотрит на электродвигатель и видит двигатель. Робот потенциально одновременно видит: температуру, вибрацию, геометрию, схему проводки и пробои/утечки, звуковые отклонения, изменение поверхности. 🔘Новые физические границы. Руки могут длиннее и вращаться в обратном направлении, спина может разворачиваться на угол, невозможный физиологически, голова может иметь обзор почти на 360 градусов, кисть обладать большей силой, а ноги – иной кинематикой. Робот быстрее, сильнее, точнее, на несколько порядков быстрее обучается, умнее (как минимум в плане воспроизводства корпуса данных, знаний), может иметь запредельные (по человеческим меркам) параметры и характеристики, может расширять органы чувств, может передавать навыки, клонировать, быстро замещать поврежденные компоненты. Да, пока роботы неповоротливы, ненадёжные и обладают массой ограничений, но это сейчас… а через 5-7 лет? Ну вот и зачем бизнесу нужны люди? Да, понятно, что без людей не будет экономики, но при первой возможности бизнес будет стремиться избавляться от людей.

О захвате мира машинами Скорее да, чем нет, но не все так линейно и однозначно. Должно быть решено множество архитектурных, технологических и промышленных препятствий, синхронизированных с экономической адаптацией. ▪️Самая большая пропасть между человеком и машиной – трансмиссия и перенос навыков с возможностью адаптации в новой ситуации, используя накопленный опыт. Робот может непревзойденно складывать футболки, но резко обрушить производительность при попытке сложить джинсы, рубашки или платья. Если взять рубашку за другой угол, через секунду перед камерой уже фактически другая геометрическая задача. Человек мгновенно использует сочетание накопленного опыта, зрения, тактильного восприятия, натяжения ткани, но для машины это сложная динамическая система с громадным количеством возможных состояний. Робот идеально справляется с определёнными коробками, но столкнуться с проблемой при изменении материала, размеров или расположения. Человек переносит опыт по аналогии, но роботу часто требуется новое обучение. Сможет ли быть решена данная проблема? С высокой вероятностью – да, опираясь на колоссальный прогресс в LLMs, где уже активно внедряется механизм квази-саморефлексии, но … пока слишком много неизвестных, а прогресс идет экспоненциально, но скачкообразно с эффектом накопления. Посмотрим… ▪️Реакция на внештатные ситуации и «здравый смысл». Машинами превосходно решается вот такой паттерн: взять эту деталь из этого контейнера, поставить в этот станок. Проблема начинается при: такая же деталь, но другого размера, контейнер повернули, объект частично закрыт или деформирован, появился новый инструмент или объект, положение станка изменилось. Человек непрерывно импровизирует и решает внештатные ситуации, которыми наполнен мир чуть менее, чем полностью. Никогда и ничего не работает по скрипту и протоколу, вечно все ломается и постоянно появляются новые вводные. Робот – это скрипт, который в некотором роде имитирует мышление и экстраполирует статистические паттерны на обученном корпусе данных, но все, что выходит за корпус данных – артефакты и глюки. В реальной жизни нужна модифицированная архитектура. Здесь скорее да, чем нет, но это отдельная тема для разговора. ▪️Все еще нет технологий для воспроизводства тонкой человеческой моторики – кисть оказалась сложнейшим элементом, даже более сложным, чем «мозг» роботов. Прогресс феноменальный, но недостаточный. Роботы все еще сильно «страдают» от мягких, сыпучих и деформируемых предметов (ткань, кабель/провода, пакет, крупа, порошок, пищевые ингредиенты) – штамповать сверхсложную разводку на печатных платах и процессорах – без проблем, как и работать на складах с типовыми контейнерами, а положить творог из контейнера в пакет и завязать – невыполнимая задача. ▪️Для взаимодействия в реальном мире нужно иметь адекватный тактильный отклик с различными поверхностями, чего пока нет у роботов. Без этого не будет адекватной обратной связи, позволяющей выполнять существенную часть физической работы. ▪️Тонкая самокоррекция. У роботов короткое «время компетентности». Это сколько времени машина может самостоятельно действовать до события, после которого потребуется человек, тогда как человек способен за рабочий день столкнуться с десятками небольших отклонений, большую часть которых даже не воспринимает как проблему. ▪️Нативное самообучение – человек, который сталкивается с новым, но похожим инструментом (например, смена одной электродрели на другой тип электродрели) быстро адаптируется, чего не скажешь про роботов. Малейшее отклонение и машина может впасть «в ступор». ▪️Отсутствие универсальности – человек может достаточно быстро перейти с одного рабочего места на другое, но для специализированной роботизированной системы изменение процесса зачастую означает: перекалибровка внутренних систем, обновление данных, дообучение, синхронизация, проверка, новый цикл внедрения. Совершенно другой принцип. Машина остается пока очень ограниченным инструментом с массой технологических и архитектурных барьеров: обобщение опыта для реконфигурации в новой среде, а не реплицирование сформированных паттернов→ адекватная реакция на неизвестное, адаптация к новой среде → самостоятельное исправление ошибок → надёжность на протяжении часов и тысяч последовательных действий (долговременная автономность) → работа с деформируемыми объектами (мягкими, жидкими, газообразными, сыпучими и т.д.), отсутствие развитого осязания и пока еще примитивная по меркам человека кисть для тонких манипуляций. Решат ли проблемы? Да, решат, как решили часть фундаментальных ограничений LLMs, которые я описывал в 2024-2025, но насколько эффективно и масштабно – хороший вопрос.

Ключевая ставка ЦБ — 14% заставляет считать каждый лишний ресурс. Индикатор бизнес-климата в августе — −2,4 пункта — напоминает, что ошибиться при сокращении тоже может быть дорого. Как понять, где жир, а где мышца? Чем дороже финансирование, тем сильнее становится давление на избыточные ресурсы. Но высокая цена ресурса ещё не доказывает, что он лишний. В теории организаций существует понятие organizational slack — запас ресурсов, который может выглядеть избыточным. И исследования не дают удобного ответа «slack — это плохо». Современные данные показывают, что эффект зависит от типа запаса, его объёма и условий, в которых работает компания. По строке затрат видно цену элемента. Но не всегда видно его функцию в системе: перед нами жир или запас прочности? С оценкой работы людей возникает похожая ловушка. Должностная инструкция — там, где она есть — формально может ответить, что должен сделать сотрудник. Но гораздо сложнее в динамике реальной работы понять другое: тот ли результат рассчитывала получить организация — и получила ли она его вовремя? Отсюда знакомое: «Я свою часть сделал». То есть ЖОБИЗДАН — job is done. И вполне возможно, что согласно должностной инструкции человек действительно всё сделал. Но если задача была получить итоговый результат — мне этого уже мало. Одинаковый ЖОБИЗДАН может возникать по совершенно разным причинам. Где-то неправильно проведена граница ответственности. Где-то сам процесс устроен так, что результат теряется на стыках. Иногда механизм вообще находится вне формальной зоны ответственности конкретного сотрудника. Работу сделали. Результата нет. И вот здесь особенно опасно сразу оптимизировать. Потому что одинаковый симптом ещё не означает одинаковую причину. Сначала диагноз. Потом вмешательство. Иначе можно очень эффективно сократить именно то, на чём система незаметно держалась. Авторский канал «Почему организации работают именно так» — про диагностику организаций до того, как начинать их чинить. Почему все могут сделать свою работу — и всё равно не сделать работу: https://t.me/whyorgs/59

Оценка прогресса и эволюции китайского роботостроения Направлений роботостроения десятки, но остановлюсь на самом перспективном – гуманоидные роботы. Единственная возможность восстановления полной картины – исключительно оригинальные китайские источники, т.к. вовне по разным причинам поступает лишь 10-15% информации. Кратко о том, с чего начали (в 2023 – первые работоспособные и достаточно эффективные китайские агрегаты) и к чему пришли в 2026, без промежуточных этапов. ▪️Передвижение: в 2023 достижением была устойчивая ходьба, тогда как бег полноразмерного робота сам по себе вызывал неистовый восторг → в 2026 (далее сравнение через «→»): спринт, превосходящий мировой рекорд, длительный бег на уровне марафона, лестницы, прыжки, акробатика, резкая смена направления.   ▪️Динамическая устойчивость: основная задача — не потерять равновесие при обычной ходьбе и смене шага → сохранение равновесия при беге, ударах, прыжках, переносе груза и быстрых движениях корпуса. ▪️Восстановление после падения: падение практически всегда означает остановку эксперимента или ручное восстановление → Лучшие машины самостоятельно определяют положение тела, встают и могут продолжить работу, причем некоторые прототипы за считанные секунды. ▪️Компенсаторное противодействие внешним воздействиям: реакция в основном на предсказуемые возмущения; управление строится вокруг заранее известных режимов. → Робот способен корректировать позу при толчке, изменении нагрузки, тяге противника, смещении опоры или неожиданном контакте. ▪️Проходимость и взаимодействие с пространством: преимущественно ровный пол и тщательно подготовленные испытательные зоны. → Лестницы, уклоны, узкие проходы, препятствия различной области сложности в трех измерениях и кратное расширение допустимых зон функционирования. ▪️Восприятие и оценка ситуации: увидеть объект и определить координаты →   Распознавание предметов, людей, препятствий, движущихся объектов, состояния оборудования; в динамических играх — прогноз траектории мяча и движения соперников. ▪️Тонкая моторика: простые захваты крупных твёрдых предметов; кисть значительно уступает человеческой. Появляются кисти с плотным тактильным восприятием, позволяющие взаимодействие с хрупкими, сыпучими, деформируемыми, и мелкими объектами. ▪️Управление силой и контактом: движение преимущественно задаётся положением суставов: «перемести кисть сюда». Контроль силы при завинчивании, захвате хрупких предметов, работе щипцами, взаимодействии с человеком. Полноразмерные машины научились прыгать, вставать после падения, выполнять сложные динамические движения и сохранять устойчивость на скоростях, ещё недавно казавшихся крайне сложными для электрического двуногого механизма. ▪️Оценка ошибки и коррекция действия: ошибка часто разрушает весь сценарий и приводит к сбою алгоритма, останавливая функционирование робота. Появляются циклы «выполнил → проверил → повторил/скорректировал»; некоторые задачи требуют реакции на изменившийся объект или положение среды. ▪️Планирование длинных действий: один хорошо обученный навык или короткая последовательность без какой-либо импровизации, самообучения и коррекции. → Способность к декомпозиции задачи, планированию, коррекции и ограниченная способность «саморефлексии». ▪️Перенос навыков и обобщение: почти каждая новая задача требует отдельной настройки. → Большие модели помогают связывать зрение, язык и действие, но обобщение пока слабое: незнакомый объект или новая конфигурация могут резко ухудшить результат. ▪️Энергетическая автономность: работа ограничена ёмкостью батареи; обслуживание выполняет человек. → Появилась автономная замена аккумулятора примерно за 3 минуты и архитектура, рассчитанная на практически непрерывную эксплуатацию через «самозарядку». ▪️Групповое взаимодействие: каждый робот в основном рассматривается как отдельная машина. → Теперь выстраивается сложное матричное взаимодействие в виде ансамбля с автоматической коррекцией и координацией. ▪️Взаимодействие с человеком: демонстрационное общение и выполнение простых команд → Работа рядом с человеком, реакция на речь и команды, физический контакт на базовом уровне и т.д. Некоторые направления в 2026 еще очень слабо развиты, но о потенциальной проекции в следующем материале.

Прогресс Китая в гуманоидных роботах В продолжении материала. Значительная часть информации (более 90%) взята из нативных китайских источников (англоязычные СМИ практически не пишут про китайских роботов, чтобы не чувствовать «себя ущербно и потеряно»). Учитывая практически полностью китайские источники, возможны ошибки перевода и интерпретации. Про распиаренные боевые искусства не буду упоминать, а затрону то, что мало, кому известно. ▪️Мелкая моторика кистей – впервые успешные результаты. 🔘В испытании по сборке электроинструментом робот команды Linkerbot: работал полностью автономно, не получал вмешательства оператора, за 5 минут установил все 18 винтов, 17 из 18 операций были зачтены, единственный незачёт произошёл из-за небольшого отклонения момента затяжки. Чтобы завернуть винт, робот должен объединить: систему распознавания объектов → поиск отверстия → позиционирование инструмента → ориентацию оси → контакт → приложение осевой силы → вращение → оценку момента затяжки. То, что человек выполняет элементарно, для машины – это колоссально сложная задача.  Робот не просто попадает рукой в координату, а управляет контактным физическим взаимодействием.   🔘Еще пример: распределение 20 г порошка с погрешностью не более 0.5 г за 27 секунд и без оператора. На соревновании по дозированию робот самостоятельно: нашёл ложку, нашёл ёмкость, набрал порошок, перенёс его, контролировал количество, отвесил 20 г с ошибкой ≤0.5 г, выполнил весь цикл за 27 с. Кажется банально? Но мелкая моторика была недостижима даже в конце 2025.  В отличие от завинчивания это задача с непрерывно меняющим форму материалом. Положение каждой крупинки заранее неизвестно. 🔘Полностью автономная упаковка лекарств с одновременной работой с твёрдыми и деформируемыми предметами. В промышленном испытании робот последовательно должен был укладывать готовые коробки, помещать внутрь упаковки три блистера и бумажную инструкцию, а затем самостоятельно складывать плоские картонные заготовки в объёмные коробки. 🔘И еще пример: пинцетом взять отдельный боб – полностью автономно, где робот распознавал отдельные бобы, захватывал пинцет, подводил инструмент,  регулировал положение и усилие, захватывал маленький объект, переносил и отпускал его. Комично простая задача для человека является крайне тяжёлой для машины: ошибка положения кончиков инструмента на несколько миллиметров означает промах.   ▪️Автономная система принятия решений, адаптация к окружающей обстановке. 🔘В августе китайские роботы получили сложную прикладную задачу: самостоятельно зарядить три разных электромобиля. Необходимо было: распознать автомобиль, определить тип крышки зарядного разъёма, открыть её, найти и взять зарядный штекер, точно совместить его с разъёмом, вставить без повреждения кузова, проверить начало зарядки, разблокировать и извлечь штекер, закрыть крышку, перейти к следующей машине. 🔘Полный ресторанный цикл за 6 мин 55 с без вмешательства оператора. Робот получал речевой заказ, находил нужную еду, самостоятельно брал обычные кухонные щипцы, регулировал усилие захвата, помещал продукт в микроволновую печь, поворачивал механический регулятор времени, готовил напиток и доставлял заказ. 🔘26 минут полностью автономной домашней работы – с неожиданным прерыванием задачи и возвращением к ней. В реальной квартире робот должен был перемещаться между спальней, гостиной, ванной и балконом, собирать разбросанные вещи, распознавать предметы, складывать одежду, работать со стиральной машиной, переносить и развешивать бельё, открывать двери. Причём в середине процесса ему неожиданно сообщали о доставленной к двери посылке: машина должна была прервать текущую работу → сходить за посылкой → затем вспомнить, на каком месте остановилась, и продолжить прежний процесс. Работа в магазине, где заранее неизвестно, что именно окажется неправильным. 🔘В испытании по розничной торговле заказ, места отсутствующих товаров и позиции ошибочно расставленных товаров менялись случайным образом. Робот должен был прочитать заказ, найти соответствующий товар, собрать его, самостоятельно обнаружить пустые места на полках, пополнить их, затем найти неправильно поставленные товары и вернуть их на нужные позиции. 🔘Робот научился пользоваться обычной офисной техникой, не переделанной под робота. В финале офисного испытания необходимо было самостоятельно подготовить стол для совещания, разложить таблички, воду и принадлежности, затем открыть принтер, загрузить бумагу, забрать распечатанный документ, перенести его, после чего определить документы для уничтожения и порциями загрузить их в обычный шредер. 🔘Робот начал справляться с преднамеренным вмешательством человека в процесс. На World Robot Conference 2026 демонстрировалась длинная задача приготовления завтрака: машина поджаривала хлеб и наливала напиток. Во время работы человек забирал подготовленный хлеб или закрывал сосуд, тем самым нарушая ожидаемое состояние окружающей среды. Робот обнаруживал изменение и перестраивал дальнейшие действия вместо механического продолжения первоначального сценария. 🔘Спасательные операции: LINGLOONG v2.0, показанный 18–20 августа, способен с помощью машинного зрения: обнаружить источник огня, определить его положение, самостоятельно перенести огнетушитель, направить его на очаг, выполнить цикл тушения без непосредственного присутствия человека. ▪️Совместная работа и синхронизация действий между группой роботов. 🔘Около 50 роботов могут одновременно двигаться и самостоятельно исправлять отклонение от строя В феврале около 50 G1 одновременно выполняли боевую хореографию. Система работала без ручного дистанционного управления каждым роботом: ·  центральная система раздавала траектории; ·  каждый робот самостоятельно определял своё положение при помощи 3D-лидара; ·  локально контролировал собственную позу; ·  корректировал нарушение равновесия; ·  при отклонении мог восстановиться и вновь войти в строй.   При неудачном приземлении после переворота машина могла динамически изменить положение тела на основании текущих датчиков, а не просто продолжать первоначальную запись движения.   🔘На открытии одного из крупных спортивных соревнований 80 роботов T2 автономно перестраивались и сформировали эмблему соревнования, решая множество задач: взаимное позиционирование, предотвращение столкновений, распределение мест, синхронизацию десятков приводных систем, задержки связи, индивидуальную ошибку положения каждой машины.   🔘14 гуманоидов одновременно сыграли автономный футбольный матч 7×7. На поле площадью около тысячи квадратных метров машины действовали без ручных пультов и систем захвата движений: каждая самостоятельно определяла положение мяча и других участников, принимала локальные решения, занимала позицию и после падения самостоятельно поднималась. Это лишь малая часть примеров, но это важная информация. которая позволяет понять траекторию и масштаб прогресса.

Китайские гуманоидные роботы Сейчас все внимание общественности на LLMs, но многие упускают важнейшие технологические сдвиги в сегменте роботификации, которые могут оказаться сопоставимое влияние на экономику и технологический прогресс. Все внимание не на США, а … Китай. Там сейчас происходят интересные события – роботы участвуют в спортивных состязаниях, турнирах, боях и активно применяются на тестовых полигонах в производстве. ▪️Престижные в легкой атлетике 100 м за 8.64 с – предельная скорость двуногого гуманоидного бега при средней скорости 41.7 км/ч с учетом времени разгона со старта. Человеческий мировой рекорд Усэйна Болта – 9.58 с. По времени робот быстрее на 0.94 с, или примерно на 9.8%. За год лучший результат этого семейства в соревнованиях улучшился с 21.50 до 8.64 с. ▪️400 м за 38.15 с – причём полностью автономно. Tiangong Ultra прошёл 400 м за 38.15 с, что соответствует средней скорости около 37.7 км/ч. Человеческий мировой рекорд Уэйда ван Никерка – 43.03 с. Разница по времени – примерно 11.3%. ▪️1500 м за 2:21.64 – вновь мировой рекорд против 6 мин 34.40 с годом ранее. Средняя скорость – около 10.59 м/с, или 38.1 км/ч.   ▪️Полумарафон 21.0975 км за 50:26 – автономная навигация в реальном городе. Робот Shandian в апреле 2026 г. прошёл 21.0975 км за 50 мин 26 с при средней скорости 25.1 км/ч в режиме автономной навигации. Маршрут включал более десяти типов условий: прямые участки, повороты, уклоны и узкие места. Робот полностью самостоятельно бежал дистанцию и единственный раз сменил аккумулятор на отметке 10.6 км. С 23 августа человеческий мировой рекорд полумарафона составляет уже 56:51 – Йомиф Кеджелча улучшил прежние 57:20. Даже против этого свежего результата робот быстрее на 6 мин 25 с, или примерно на 12.7% по времени. ▪️Прыжок в высоту – 3.40 м по роботизированной методике, годом ранее в той же методике лучший результат был 0.96 м. Робот использовал довольно необычную для человека кинематику с очень сильным сгибанием корпуса и разведением ног в воздухе. Методика роботизированного соревнования отличается от человеческого классического прыжка через планку, поэтому 3.40 м нельзя ставить рядом с 2.45 м мирового рекорда человека как две идентичные величины. Правильный вывод другой: за один год удалось увеличить соревновательный показатель вертикальной динамики примерно в 3.6 раза. ▪️ Прыжок в длину с места – 4.83 м. Это особенно серьёзное испытание: одновременного импульса ног, синхронизации корпуса, ориентации тела в полёте, подготовки ног к контакту, поглощения энергии при приземлении, восстановления равновесия. Здесь тоже следует избегать сравнения с обычным человеческим прыжком в длину с разбега: это другой вид упражнения. Интереснее сама цифра: полноразмерная машина способна переместить всё тело почти на пять метров без разбега. Годом ранее это было невозможно. ▪️Спортивная гимнастика для роботов: в полностью автономном режиме он последовательно выполнял программу из 10 технических элементов не менее чем пяти разных классов, в том числе: боковое сальто, подъём разгибом, шпагат, вращательные движения, 360-градусный «удар бабочкой». На февральском публичном выступлении китайские гуманоиды продемонстрировали несколько очень необычных динамических режимов: последовательные перевороты с опорой на одну ногу, сальто назад с двухшаговым отталкиванием от стены, непрерывный паркур через стол, вращение типа Airflare на 7.5 оборота, запуск в переворот на высоту более 3 м. ▪️400 м через 16 совершенно разных препятствий, но дело не во времени, а в динамическом преодолении разных препятствий. На маршруте последовательно находились 16 препятствий, среди которых: барьеры, различные уклоны, S-образный мост, винтовая лестница, узкий L-образный поворот, ползучий проход, качающиеся шины, асимметричные качели, скользкая поверхность, высокая платформа, «пеньки» для точной постановки ног. Это беспрецедентный прорыв, т.к. оценка состояний должна быть в режиме реального времени без скриптов и внешнего управления. Это способность адаптации к внешним условиям. ▪️Игра в динамические дисциплины, такие как футбол, волейбол, баскетбол, теннис и т.д. Один из наиболее сильных примеров именно оценки меняющейся ситуации – автономная игра в теннис. Система Galbot должна: обнаружить летящий мяч, оценить его скорость и траекторию, предсказать точку встречи, переместить всё тело, выбрать положение ракетки, синхронизировать удар с прилётом мяча, повторить цикл для следующего удара. Объект движется независимо от робота и вынуждает его постоянно пересчитывать собственное будущее действие. Это тест на предиктивное управление и планирование – оценка будущей динамики.    ▪️Компенсаторное физическое противодействие. «Упал – встал за секунду»: Для китайского T1 официальные пекинские материалы указывают способность встать после падения примерно за 1 секунду и подчёркивают усиленную конструкцию, рассчитанную на падения и удары. Поэтому зрелость определяется не только способностью не падать, но и способностью: определить собственное положение → выбрать способ подъёма → восстановить вертикальную позу → продолжить задачу. Прогресс за год – невероятный, прогресс за три года – безумный! Страшно представить, что будет через год? А через 5 лет?