Harvard, Berkeley и NVIDIA ищут Scaling Law для роботов: +37,4 пункта на пяти бенчмарках

Команда исследователей из Harvard, UC Berkeley и NVIDIA опубликовала работу, в которой ищет закономерности масштабирования для роботов. По данным китайского издания Jiqizhixin, на пяти бенчмарках новый подход в среднем на 37,4 пункта превосходит сильные базовые решения. Медиа сразу повесили на работу ярлык «o1-момента» для робототехники. Такая метафора понятна всем, кто следил за языковыми моделями: после периода «больше данных и больше параметров» в LLM появилась новая ось роста. Похоже, что роботы подошли к похожему рубежу.

Почему роботам тесно в обычном скейлинге

Последние годы эмбодиед-ИИ развивался по знакомому сценарию. Собирали всё больше данных телеуправления, строили всё более крупные модели, и VLA (vision-language-action) вместе с WAM (world action models) в лабораториях регулярно сдвигали потолок возможностей. Но в реальном развёртывании упираются в другое. Стоит сменить платформу или рабочую среду, и встаёт вопрос: сколько людей, данных и GPU-часов придётся вложить заново? Тысячи часов демонстраций, собранных под одного робота, на другого переезжают плохо.

Это самая дорогая часть робототехники. Модель в демо выглядит впечатляюще, а на складе или заводе её приходится донастраивать месяцами. Поэтому работа, которая претендует на новый способ масштабирования, а не просто на ещё один прирост на бенчмарке, попадает в больное место отрасли.

Что известно о результате

Ключевые факты, которые подтверждаются публикацией:

• авторы: Harvard, UC Berkeley и NVIDIA, то есть академия плюс производитель железа для робототехники;
• тема: исследование законов масштабирования для роботов;
• проверка: пять бенчмарков;
• результат: в среднем +37,4 пункта к сильным базовым решениям;
• контекст сравнения: класс VLA- и WAM-моделей, которые сегодня считаются передовыми в embodied AI.

Средний выигрыш по пяти тестам в 37,4 пункта необычно велик. В робототехнике новые методы обычно добавляют несколько процентов, а двузначные скачки появляются, когда меняется сама постановка задачи или распределение вычислений. Сравнение с o1 как раз на это намекает: в LLM эффект дало не наращивание обучающей выборки, а то, что модель получила возможность тратить больше вычислений на сам процесс решения. Для роботов, где ошибка действия стоит дороже ошибки в тексте, такой сдвиг мог бы быть особенно заметным.

Роль NVIDIA и вопрос стоимости

Участие NVIDIA здесь закономерно. Компания строит вокруг робототехники отдельное направление: симуляторы, базовые модели для гуманоидов и инфраструктуру обучения. Если выяснится, что качество роботов растёт предсказуемо при увеличении вычислений на определённом этапе, это означает дополнительный спрос на GPU и в обучении, и в инференсе. Когда робот «думает» дольше, нагрузка переезжает ближе к самому устройству или к краевым серверам.

Обратная сторона очевидна. Чем больше вычислений уходит на каждое решение, тем жёстче ограничения по задержке и энергопотреблению. Робот на конвейере не может размышлять секундами над каждым движением. Как авторы решают эту проблему, станет понятно по полной статье и по воспроизводимости результатов независимыми группами.

Что смотреть командам, которые строят роботов

Практический вывод для компаний, которые внедряют VLA-модели, такой. Оценивайте не только качество на одной платформе, но и стоимость переноса на другую: сколько данных и GPU-часов нужно, чтобы довести успех задачи до прежнего уровня. Если новая работа показывает, что рост возможен без нового сбора демонстраций под каждого робота, бюджеты на телеуправление могут пересматриваться.

Стоит также заглянуть в сами бенчмарки и проверить, насколько они близки к вашим сценариям. Двузначный средний прирост на академических тестах пока не гарантирует такого же эффекта в цеху. Но как сигнал о том, что направление масштабирования в робототехнике сменилось, эта публикация заслуживает внимательного чтения.