Meta вложила миллиарды в Scale AI, а рынок – в шоке

Когда Meta огорошила IT-индустрию — купив у Scale AI данных почти на 14,3 миллиарда долларов — реакция последовала молниеносно. Крупнейшие конкуренты и клиенты, такие как Google, Microsoft и OpenAI, тут же стали держаться подальше от платформы, внезапно оказавшейся на стороне их прямого оппонента. Но суть не в скандале крупных сделок и даже не в страхе конкуренции. Главная интрига — роль объёма данных в развитии физического ИИ, то есть систем, действующих не в виртуальном, а в реальном, материальном мире: роботах, дронах, AR-устройствах.

До сих пор считалось: "Чем больше данных — тем умнее искусственный интеллект". Логика проста: побольше текста, побольше картинок, и вот уже «мозг» машины становится гением. Но на практике для физических ИИ всё работает иначе. Тут огромное количество случайно собранной информации чаще не помогает, а напротив — вредна. Особенно если эти данные плохо описывают реальные пространства, физику объектов, взаимодействие света и материалов.

В классических задачах ИИ — вроде распознавания текстов или десятков тысяч 2D-картинок — такой подход сработал. Но робот на складе или хирургический ассистент — это не чат-бот, который листает интернет. Физический ИИ сталкивается с реальным миром: навигация, освещение, формы, размеры, опасности.

Сегодня в отрасли меняется подход: уходят от принципа «максимум сырых данных», переходят к «малому, но идеально подобранному набору». Например, компания NVIDIA создала свой уникальный набор физического ИИ — это 15 Тб траекторий и сценариев, а не просто фотоданных из интернета. Это решает самую большую проблему: обычные ИИ ошибаются не просто в деталях, а могут привести к аварии, порче техники и даже к травмам людей.

На практике это работает так: представьте автоматический погрузчик, который ошибётся с размерами палеты из-за плохого датасета, или робота-хирурга, принимающего гнущийся инструмент за твёрдую ткань — потому что никто не показал ему разницу. В физическом ИИ цена ошибки — поломки и человеческие жизни.

Лидеры отрасли переходят к трём принципам. Первый: чётко определять метрики качества — точность глубины, разнообразие освещения, реалистичность динамики. Второй: в разработке датасетов участвуют не только ИТ-шники, но и настоящие инженеры, фотограмметристы и профессионалы, знающие реальные риски и редкие случаи. Третий: вся система работы с данными замыкается в цикл — ошибки на тестах тут же становятся задачами для обучения. Такой подход резко повышает надёжность и адаптивность роботов.

В ближайшие годы физический ИИ выйдет за пределы лабораторий — в склады, больницы, стройки. Те, кто будет использовать «ширпотребные» данные, быстро отстанут: решение — создавать точные, насыщенные разметкой наборы данных. Это позволит не только повысить безопасность, но и сильно упростить внедрение новых роботов в различных условиях.

Новая гонка искусственного интеллекта — не про количество, а про качество. Кто первым это поймёт — выиграет и рынок, и доверие пользователей.