Початок ери фізичного ІІ: інвестиції понад $10 млрд свідчать про зсув у бік застосувань ІІ у реальному світі

У березні 2026 року AMI Labs, заснована під керівництвом Янна Лекуна, лауреата премії Тюрінга та колишнього головного науковця з штучного інтелекту у Meta, оголосила про завершення сід-фінансування на суму 1,03 млрд доларів США.

Майже одночасно:

• World Labs, заснована Фей-Фей Лі, завершила новий раунд фінансування на суму близько 1 млрд доларів США
• Google DeepMind випустила модель світу Genie 3
• Tesla продовжує розгортання робота-андроїда Optimus на заводі

Ці події не відбуваються ізольовано, а разом вказують на більш чітку тенденцію: ШІ переходить від «розуміння цифрового світу» до «розуміння та впливу на фізичний світ».

Якщо 2024 рік був періодом розширення великих мовних моделей, а 2025 рік — періодом експериментів з агентами, то 2026 рік, суть оповіді в Сіліконовій долині, зміщується до більш фундаментального питання: чи зможе ШІ справді зрозуміти, «як працює світ», і виконувати завдання в реальному світі?

Це не просто зміна технічного напрямку, а означає, що ланцюжок цінностей галузі переписується з нуля. Протягом останніх двох років основна боротьба в сфері ШІ зосереджувалася на кількох високобар’єрних етапах — моделях, обчислювальних потужностях та центрах обробки даних; але коли ШІ почав справді входити у фізичний світ, конкуренція вже не обмежується рівнем моделей, а одночасно розширюється на апаратне забезпечення, системну інтеграцію, збір даних, симуляційні середовища, координацію ланцюжка поставок та реальне застосування. Іншими словами, Physical AI не приносить окремих проривів, а цілісну перебудову інфраструктурної системи.

Саме через це ця хвиля змін для китайськомовного світу, зокрема для китайських підприємців, інженерів та інвесторів, може бути не лише новою хвилею технологічного ентузіазму, а й рідкісним структурним вікном можливостей. У відмінність від попереднього раунду, який домінували великі моделі та суперкапітал, Physical AI природно залежить від комплексних навичок: потрібно розуміти алгоритми та володіти інженерією; вміти забезпечувати системну координацію та глибоко погружатися у виробництво, ланцюжок поставок та промислові сценарії. Команди, що поєднують глибину технологій, здатність до взаємодії з апаратним забезпеченням та розуміння промислових реалій Китаю та США, мають більше шансів зайняти ключову позицію в цьому новому циклі.

Іншими словами, Physical AI — це не просто нова історія, яку розповідають у Сіліконовій долині, а й, ймовірно, найважливіший квиток для китайців у наступній глобальній зміні технологічної інфраструктури.

За останні три роки великі мовні моделі (LLM) майже повністю домінували у розвитку ШІ, їхня основна парадигма ґрунтується на прогнозуванні наступного токена на основі величезних обсягів текстових даних. Однак межі цієї парадигми поступово проявляються: вона може «описувати» фізичний світ, але не має виконавчого розуміння; не володіє здатністю моделювати причинно-наслідкові зв’язки та фізичні обмеження; також обмежено ефективна у неперервному прийнятті рішень та виконанні довгострокових завдань.

Тому група, яку представляє Ян Лекун, почала просувати інший підхід: World Model (модель світу) — передбачення «станів», а не «текстів». Основна відмінність між ними полягає в тому, що LLM вивчає текст і видає вихід у формі мови, залишаючись на рівні «пізнання та вираження», тоді як модель світу моделює стан фізичного світу, безпосередньо орієнтуючись на замкнений цикл «відчуття — прийняття рішення — виконання».

Це не єдине судження Лекуна. У першому кварталі 2026 року напрямок світових моделей майже одночасно зазнав кількох ключових досягнень: AMI Labs зосередилася на архітектурі JEPA, чітко обравши довгострокову стратегію «спочатку дослідження, потім продукт»; World Labs вийшла з позиції «просторової інтелігентності», намагаючись дати ШІ справжнє розуміння стосунків, перекриттів та фізичних обмежень у тривимірному світі; Google DeepMind за допомогою Genie 3 просувала створення динамічних середовищ із можливістю реального взаємодії та використовувала їх для навчання агентів.

Три компанії мають різні шляхи, але вони вказують на одну й ту ж тенденцію: наступний стрибок ШІ — це не просто генерація кращого тексту, а більш точне моделювання світу та виконання дій в ньому.

Моделі світу вирішують проблему «мозку» — як ШІ розуміє фізичний світ. Але інша половина битви для Physical AI не менш запекла: хто створить «тіло»?

Ринок людиноподібних роботів у 2026 році повністю перейшов від «лабораторних демонстрацій» до етапу «масового виробництва на заводах». Кілька ключових цифр:

Tesla Optimus Gen 3: понад 1000 одиниць вже розгорнуто на Gigafactory у Техасі та на заводі у Фрімонті для виконання завдань з обробки та збирання деталей. Це найбільше у світовій історії розгортання людиноподібних роботів на заводі. Tesla будує спеціалізований завод у Giga Texas з річною потужністю 10 мільйонів одиниць, ціль — знизити вартість однієї одиниці до 20 000 доларів США — два роки тому середня ціна на ринку становила 5–250 000 доларів США.

Boston Dynamics Atlas: версія Atlas для CES 2026, зріст 6,2 фута, 56 ступенів свободи, здатна піднімати вантаж до 110 фунтів. Ще більш зацікавлює її «душа» — Boston Dynamics оголосила про співпрацю з Google DeepMind щодо інтеграції передових базових моделей у Atlas. Весь річний виробничий потенціал 2026 року вже заброньовано Hyundai та Google DeepMind, а завод потужністю 30 000 одиниць на рік перебуває у плануванні.

Рисунок 03: Figure AI здійснила збір 1 млрд доларів США при оцінці в 39 млрд доларів США. Під час 11-місячного пілотного проекту Figure 02 на заводі BMW у Спартанбурзі було задіяно у виробництві понад 30 000 автомобілів BMW X3, переміщено понад 90 000 деталей та накопичено 1250 годин роботи. Figure 03 отримала повну модернізацію на основі цього: оснащена 48+ ступенями свободи та власною платформою Helix AI.

Mind Robotics: у березні оголосила про фінансування в розмірі 500 мільйонів доларів США, зосереджуючись на промисловому розгортанні AI-роботів.

Але в цій боротьбі за обладнання з’являється недооцінений елемент: ліпкий рука (Dexterous Hand).

Ноги робота-андроїда вирішують проблему руху, тулуб — проблему навантаження, але саме руки визначають, чи зможе робот працювати в складних умовах. Наприклад, в Tesla Optimus вартість рук становить 17% від загальної вартості — близько 9500 доларів США — і є найдорожчим окремим компонентом.

Складність роботизованої руки полягає у фундаментальному протиріччі: простір пальців занадто малий, щоб розмістити великий двигун; маленькі двигуни мають недостатній крутний момент, тому потрібні редуктори з високим передаточним числом для підсилення сили; а високе передаточне число редуктора призводить до інерційних спотворень, втрати силової віддачі та механічного зношування — ці три проблеми фізично «отруюють» процес навчання ШІ.

Нова хвиля компаній намагається подолати цей обмеження. Деякі використовують осьову магнітну архітектуру двигуна, щоб зменшити передаточне число з 288:1 до 15:1, забезпечуючи повністю зворотньо приводну гнучку руку; інші синхронізують дизайн рукавиць для збору даних, щоб дані людських дій могли без втрат передаватися на робототехнічне обладнання. Ці, на перший погляд, невеликі інновації в апаратному забезпеченні можуть стати одним із найважливіших інфраструктурних елементів усього екосистеми Physical AI.

Кожна технологічна хвиля приносить своїх «продавців лопат».

У епоху великих моделей NVIDIA стала найбільшим受益ником завдяки GPU та екосистемі CUDA; у епоху Physical AI її роль продовжує розвиватися — вона не просто надає обчислювальну потужність, а намагається створити цілу інфраструктуру для ери роботів.

На конференції GTC у березні 2026 року NVIDIA представила цілий набір платформних можливостей, заснованих на Physical AI: візуально-мовну-рухову модель Isaac GR00T для людиноподібних роботів, серію Cosmos для генерації масштабних синтетичних даних, а також інструменти для навчання, оцінки та розгортання (наприклад, Isaac Lab та OSMO). Ці можливості — не окремі інструменти, а поступово формують цілісну систему розробки та функціонування.

Кілька компаній-робототехніків, включаючи Boston Dynamics, Caterpillar, Franka Robotics, LG та NEURA Robotics, вже створили наступне покоління систем на платформі NVIDIA.

Його стратегія також дуже чітка:

Не брати безпосередньої участи у кінцевому продукті, а стати базовим стандартом для всієї галузі.

Якщо Physical AI — це місто, яке будують, то NVIDIA одночасно забезпечує цементом, арматурою та електромережею.

У світі великих мовних моделей інтернет надає майже нескінченну кількість текстових даних. Але у Physical AI виникає більш фундаментальна проблема:

Дані про маніпуляції у реальному світі надзвичайно обмежені.

Це робить дані одним із найважливіших і найбільш дефіцитних ресурсів усього ланцюга поставок.

Наразі індустрія активно досліджує три шляхи.

Шлях на основі реальних даних. На прикладі Physical Intelligence, її модель π0 навчена на більше ніж 10 000 годинах реальних даних роботизованих операцій, охоплюючи різноманітні форми роботів та типи завдань, здатна виконувати складні операції (наприклад, складання одягу, збірка картонних коробок). Її відкрите джерело суттєво надає галузі «базову підготовлену платформу для керування».

Шлях синтетичних даних. Google DeepMind Genie 3 та NVIDIA Cosmos намагаються генерувати велику кількість симуляційних середовищ за допомогою моделей світу, навчатися у віртуальному світі, а потім переносити це на реальний світ. Основним викликом цього підходу є розрив sim-to-real, але зі зростанням точності симуляцій цей розрив поступово зменшується.

Шлях людського дистанційного керування. За допомогою пристроїв, таких як данні-перетворювальні рукавички, людські дії безпосередньо відображаються на робототехнічній системі. Цей підхід забезпечує найвищу якість даних, але все ще має обмеження щодо витрат і масштабованості.

Tesla намагається дотримуватися змішаного підходу: постійно збирати дані про дії людей за допомогою відео з заводів і використовувати їх для навчання Optimus виконанню рухів.

У довгостроковій перспективі конкурентна боротьба Physical AI, ймовірно, не буде залежати від того, чия модель найкраща, а від того, хто має найбільше та найякісніші дані про взаємодію з фізичним світом. Коли колесо даних почне працювати, його бар’єри будуть зростати експоненційно.

Цифри не обманюють. Ось ключові фінансові події в галузі Physical AI за першим кварталом 2026 року:

[Шар світових моделей]

· AMI Labs (LeCun) — $1,03 млрд у посівному раунді, оцінка $3,5 млрд

· World Labs (Лі Фейфей) — новий раунд інвестування на $1 млрд, Autodesk інвестує $200 млн

[Шар базової моделі]

· Фізична інтелігентність — проводяться переговори щодо нового раунду на $1 млрд, оцінка перевищить $11 млрд

· RLWRLD — $41 млн у розширенні сіменного раунду

[Цілі роботи-андроїди]

· Figure AI — раніше зібрав $1 млрд за оцінкою $39 млрд (2025)

· Mind Robotics — 500 мільйонів доларів США, промислове розгортання

· Galaxea — 434 мільйони доларів США, серія B, унікорн

· Humanoid — $290 млн у посівному раунді, відразу унікорн

· Генеративна біоніка — €70 мільйонів у сідлі

[Інфраструктура та інструменти]

· NVIDIA — постійні інвестиції у платформи Isaac GR00T / Cosmos

· RoboForce — 52 мільйони доларів США, платформа фізичної штучної інтелігенції для робочої сили

Тільки зазначені відкриті дані, Q1 перевищив 6,4 млрд доларів США. Це не включає внутрішні інвестиції таких великих компаній, як Tesla, Hyundai/Boston Dynamics, Google DeepMind.

Напрямок капіталу свідчить про одне: Physical AI вийшов за межі етапу «доказ концепції» і перейшов до етапу «будівництва інфраструктури». Інвестори більше не запитують «чи працюють роботи», а запитують: «яка інфраструктура дозволить найшвидше масштабувати роботів».

Звичайно, у Сіліконовій долині завжди були бульбашки. Перед лицем ентузіазму щодо Physical AI варто задати кілька спокійних питань:

Демо ≠ розгортання. Як підтвердили експерти на Давосі 2026: розрив між чудовим демонстраційним прикладом та системою, яка працює без помилок 10 000 разів поспіль, набагато більший, ніж це стверджують рекламні матеріали. Figure 02 дійсно брав участь у виробництві 30 000 автомобілів на заводі BMW, але він виконував відносно стандартизовані операції з переміщення деталей, а не точну збірку.

Sim-to-real залишається складною задачею. Точність світових моделей зростає, але довгий хвіст складності фізичного світу — зміни освітлення, відмінності матеріалів, непередбачувані зіткнення — залишаються найбільшим викликом для підходу на основі синтетичних даних.

Бізнес-модель ще не працює. Лекун сам сказав, що AMI Labs у перший рік зосереджувалася лише на дослідженнях. World Labs намагається використовувати модель «безкоштовно + платно». Physical Intelligence відкрила вихідний код основної моделі. Зараз дохід цих компаній майже нульовий, і капітал ставить на монополію парадигми через 3–5 років.

Білий носоріг безпеки та регулювання. Коли тисячі роботів з автономним прийняттям рішень увійдуть на заводи або навіть у домашній побут, хто несе відповідальність за аварії? Наразі глобальна регуляторна рамка для Physical AI майже повністю відсутня.

Але саме ці питання свідчать про те, що ми перебуваємо на початку технологічного переломного моменту, а не на вершині інфляційного піку. Кожна справжня зміна парадигми — інтернет, смартфони, хмарні обчислення — на початковому етапі супроводжувалася фазою «демо значно краще за продукт». Ключова відмінність полягає в тому: чи реалізуються справжні технологічні досягнення, а не лише покращуються презентації.

Від архітектури JEPA Лекуна до реального генерування світу Genie 3, від універсальності π0 з 68 завданнями до масштабного розгортання Optimus на рівні тисяч заводів — прогрес у Q1 2026 року — це реальні інженерні досягнення, а не пусті обіцянки.

Physical AI — це не новий напрямок, а скоріше одна з кінцевих форм AI.

Коли ШІ переходить від «розуміння світу» до «входження у світ», переписуються не лише межі можливостей моделей, а й способи розподілу праці та цінностей. Майбутня конкуренція буде відбуватися не лише в параметрах моделей та кластерах обчислювальних потужностей, а й у робототехніці, маніпуляторах, зборі даних, симуляційних системах, промислових сценаріях та здатності організації ланцюжків постачання.

Також саме через це цей цикл особливо важливий для китайців.

Одним із найглибших досягнень китайців за останні двадцять років завжди було не просто технічна спеціалізація, а здатність поєднувати передові технології, інженерну реалізацію, виробництво обладнання та міжрегіональну промислову координацію. Будь то підприємець, інженер, інвестор чи організатор промислових ресурсів — хто зможе використати цей перехід від цифрового інтелекту до фізичного інтелекту, той отримає можливість не просто брати участь у тренді, а стати його невід’ємною частиною на деяких ключових рівнях.

У 2026 році Physical AI, ймовірно, ще далеко не дозріла; але саме через те, що вона на початковій стадії, вікно можливостей тільки відкривається. Для китайців це може бути не ще один цикл «відсталих участь», а новий початок, що надає більше можливостей для глибокого входження в інфраструктурний, платформений та ключовий компонентний рівні.

Цей матеріал зі сторінки WeChat «Guilu Jun» (ID: gh_1faae33d0655), автор: Guilu Jun