Гуманоїд на кухні та короткий шлях Стенфорда: керувати роботом без моделей дій

У вересні 2026 року лабораторія TML Стенфордського університету представила HomeBody (серед авторів є й дослідник із Калтеху) — дослідницьку систему, яка передає керування людиноподібним роботом безпосередньо передовій моделі зору та мови. Як описано на сторінці проєкту і як повідомило видання The Decoder 27 вересня, підхід оминає проміжний шар, який зазвичай займає навчена модель дій (VLA). Натомість модель OpenAI — на сторінці Стенфорда вона називається "GPT Astra", у The Decoder — "GPT-6 Astra" — напряму викликає бібліотеку з п'яти наявних рухових навичок і координує навігацію мапою, захоплення й розміщення предметів, відкривання шухляд і захоплення предмета з відкритої шухляди.

Перш ніж діяти, Unitree G1 досліджує простір навколо й за допомогою процесу real2sim відтворює його цифрового двійника в Nvidia Isaac Sim, зберігаючи тривимірне положення предметів у просторовій пам'яті. Ця внутрішня мапа дає йому змогу знаходити предмети, навіть коли вони виходять із безпосереднього поля зору. Бортові обчислення виконує ноутбук з однією відеокартою RTX 4090: він керує рукою та кистю з частотою 250 Гц і оновлює політику AMO з частотою 50 Гц; до моделі OpenAI натомість звертаються через API. У якісній демонстрації, оприлюдненій дослідниками, робот за загальним запитом прибрав кухню, якої ніколи раніше не бачив, без спеціального навчання під цю обстановку.

Утім, система має обмеження, типові для ще незрілих технологій. Автори зазначають, що "затримка міркувань GPT Astra створює паузи між навичками" і що загальна тривалість завдань "обмежена також досяжністю гуманоїда, його маніпуляційними можливостями та витривалістю обладнання" (переклад наш), особливо згадуючи перегрів сервоприводів пальців. Крім того, відтворення обстановки потребує часу на підготовку й пов'язане з витратами на API, які не названо. На момент перевірки код в офіційному репозиторії GitHub ще не опублікований, ліцензію не вказано, пов'язаної статті на arXiv немає, і незрозуміло, чи повторювали випробування більш ніж на одній кухні. Статистики щодо частки успішних спроб чи кількості випробувань немає; цифра 95%, що ширеться в мережі, до HomeBody не стосується: схоже, вона походить зі сторонньої оцінки роботизованих маніпуляторів I2RT YAM, яку ми не змогли перевірити за першоджерелом.

Оминути проміжний переклад у рухи й покластися безпосередньо на передовий інтелект — захопливий експеримент, але він нагадує, що фізика має інший темп, ніж чисті обчислення. Якщо рух мусить завмирати в очікуванні відповіді моделі через API, плавність жесту поки лишається далекою метою. — Olya