Что такое VLA-модели

VLA (Vision-Language-Action) — это класс мультимодальных AI-моделей, которые принимают на вход изображения с камер робота и текстовую инструкцию на естественном языке, а на выходе напрямую генерируют команды для управления роботом. Без отдельных модулей восприятия, планирования и контроля — одна модель решает всё.

Представьте себе, как работает человеческий мозг. Вы видите кофейную чашку на столе (vision), слышите просьбу “подай, пожалуйста, кофе” (language), и ваша рука тянется к чашке, захватывает её и протягивает собеседнику (action). Три разные системы — зрительная, языковая и моторная — работают как единое целое. VLA-модели делают именно это для роботов.

До появления VLA робототехника была похожа на конвейер на фабрике: отдельный модуль компьютерного зрения распознавал объекты, отдельный планировщик строил траекторию, отдельный контроллер управлял моторами. Каждый этап добавлял ошибку и задержку. VLA заменяет этот трёхэтапный конвейер одной нейросетью — end-to-end, от пикселей к моторам.

Технологический прорыв случился в 2023 году, когда Google DeepMind представила RT-2 — первую модель, которая перенесла веса предобученной языковой модели (PaLI-X, 55 млрд параметров) в мир физических действий. Результат: робот стал лучше справляться с задачами, которые он никогда раньше не видел — скачком с 44% до 62% успешности на новых объектах. С тех пор сектор вырос в десятки раз: стартапы привлекают миллиарды, а оценки растут в геометрической прогрессии.

Как это работает

Три модуля — зрение, язык, действие — сливаются в единую нейросеть, которая превращает “возьми красный куб” в движение моторов.

Три модальности — одна модель

VLA-модели объединяют три потока данных через механизм cross-attention. Vision-энкодер (DINOV2, SigLIP) обрабатывает изображения с камер. LLM-бэкбон (Llama, PaLM, Gemini) кодирует текстовую инструкцию. Данные о состоянии робота (положение суставов, силы) интегрируются в единое представление. На выходе — команды для моторов.

Action Tokens: когда движение становится текстом

Ключевая инновация RT-2 — представление робот-действий как токенов, аналогичных текстовым. Непрерывные параметры (позиция, ориентация, состояние gripper) дискретизируются и кодируются как строки чисел. Модель генерирует их так же, как слова в предложении. Это позволяет использовать масштабные предобученные веса LLM и обучаться на смешанных данных — веб-данные плюс робот-траектории.

Flow Matching: следующий уровень

Модель π0 (pi-zero) от Physical Intelligence пошла дальше — вместо дискретизации использует flow matching, диффузионный подход для генерации плавных непрерывных траекторий. Результат: более естественные движения, лучшая работа с хрупкими предметами, генерация действий на высокой частоте. Это позволяет π0 складывать бельё, собирать коробки и готовить кофе — задачи, требующие точного контакта.

Сравнение: традиционная робототехника vs VLA

Ключевые VLA-модели

От RT-2 до GR00T N2 — как менялся ландшафт robot foundation models за три года.

Каждая из этих моделей решает фундаментальную проблему: как перевести визуальное восприятие и языковое понимание в физические действия. Но подходы различаются кардинально — от открытых академических разработок до закрытых коммерческих систем.

RT-2: первопроходец

RT-2, представленный Google DeepMind в 2023 году, стал первой моделью, доказавшей, что веса предобученной VLM можно адаптировать для управления роботом. Успешность на новых объектах выросла с 44% (RT-1) до 62%. Ограничение: робот может выполнять только те физические навыки, которые видел при обучении — pick, place, push.

OpenVLA: демократизация доступа

OpenVLA — полностью открытая модель на базе Llama-2 с 7 млрд параметров, обученная на 970K эпизодах из датасета Open X-Embodiment (27 роботов). Показывает 85% на OXE задачах и 74% после fine-tuning на Franka Panda. Для инвестора важно: открытые модели ускоряют эксперименты и снижают барьер входа.

π0: магия flow matching

Флагман Physical Intelligence использует диффузионный подход вместо дискретизации — генерирует плавные траектории, что позволяет работать с деформируемыми объектами: складывать бельё, мять тесто, мыть посуду. Успешность 73% на LIBERO-90. π0.6 (ноябрь 2025) добавил RL Tokens — после 15 минут автономного обучения робот достигает точности 1 мм.

Gemini Robotics 1.5: мышление перед действием

Базируясь на Gemini 2.0, эта модель “думает” перед действием — показывает процесс рассуждения. В более чем 2 раза превосходит другие VLA-модели по метрике generality. On-Device версия работает локально на роботе и адаптируется к новым задачам за 50-100 демонстраций.

GR00T N2: NVIDIA для гуманоидов

State-of-the-art модель от NVIDIA для целостного управления гуманоидным телом. Полностью открытая (Apache 2.0), что ускоряет разработку в экосистеме.

Ключевые игроки

Пять компаний, которые определяют будущее Physical AI — от “software brain” до гуманоидных роботов.

Финансирование: крупнейшие раунды

Инвестиционная картина

Physical AI стал лидером венчурной активности в 2025 году. Более 50% всех венчурных долларов ушло в AI — и значительная часть в робототехнику.

Рынок: цифры и прогнозы

Источники: ABI Research, GlobalData, MarketsandMarkets

Цена гуманоида падает

Ещё один важный тренд — снижение стоимости гуманоидных роботов с ~$160K в 2024 году до прогнозируемых <$40K к 2030-му. Это открывает массовый рынок и делает роботов экономически конкурентоспособными с человеческим трудом в развитых странах.

Почему это интересно инвестору

Пять инвестиционных тезисов, которые объясняют, почему крупнейшие инвесторы мира концентрируют капитал в Physical AI.

1. TAM измеряется триллионами

Глобальный рынок труда оценивается в десятки триллионов долларов. Даже частичная автоматизация — 1-2% — создаёт возможность для компаний с капитализацией в триллион. Сравнение: весь рынок cloud computing — ~$600B. Рынок труда — на порядок больше.

2. Дефицит рабочей силы ускоряется

В развитых странах население стареет, а рождаемость падает. В Японии уже не хватает рабочих рук для базовых задач. В США дефицит рабочей силы в логистике и производстве растёт каждый год. Роботы — не роскошь, а необходимость.

3. Software brain > hardware body

Как LLM изменили текст, VLA изменяют физический мир. Но ключевой инсайт — ПО имеет SaaS-маржинальность, железо — нет. Physical Intelligence и Skild AI продают “мозг”, а не робота — повторяемые лицензии с маржой 70-80%. Это как продавать Android вместо смартфонов.

4. Data moat защищает лидеров

Ранние игроки накапливают данные физических взаимодействий, которые невозможно синтезировать или купить. Physical Intelligence обучается на реальных траекториях манипуляций — каждый новый эпизод делает модель лучше. Это классический data network effect: больше данных → лучше модель → больше клиентов → ещё больше данных.

5. Bezos + SoftBank + NVIDIA = консенсус умных денег

Когда три крупнейших технологических инвестора концентрируют капитал в одном секторе — это сигнал. Джефф Безос инвестирует в Physical Intelligence (3 раунда), Figure AI, Skild AI. SoftBank вложил $1.4B в Skild AI. NVIDIA поддерживает всех ключевых игроков. Их due diligence — ваш due diligence.

Связь с Project Prometheus / Jeff Bezos

Project Prometheus — AI-компания Джеффа Безоса, запущенная в ноябре 2025 года с $6.2B+ капитала. Первый проект Безоса с операционной ролью со времён Amazon.

Project Prometheus — это не просто ещё один AI-стартап. Безос занял в нём операционную роль впервые с 2021 года. Компания в stealth mode фокусируется на “world models” — AI-моделях, понимающих физический мир: гравитацию, движение, причинно-следственные связи. ~120 сотрудников наняты из OpenAI, Anthropic, xAI, Nvidia, DeepMind.

Приобретение General Agents

В ноябре 2025 Prometheus приобрёл General Agents — стартап, основанный бывшим исследователем Google DeepMind Sherjil Ozair. Компания разрабатывала Video-Language-Action модель — технологию напрямую применимую к робототехнике. Это добавило VLA-экспертизу в экосистему Prometheus.

Философия: миры + действия

Project Prometheus и Physical Intelligence — две стороны одной медали. Prometheus создаёт world models (понимание физики мира), а Physical Intelligence — action models (преобразование понимания в движение). Вместе они формируют полный стек Physical AI: от симуляции до физического действия.

Безос как архитектор экосистемы

Безос участвует во всех ключевых раундах VLA-стартапов и одновременно строит собственную компанию в этом пространстве. Это не диверсификация — это стратегическое создание экосистемы. Илон Маск назвал Безоса “copycat” из-за сходства между Prometheus и xAI/Tesla Optimus — лучшего подтверждения конкурентности технологии не найти.

Риски

Честный разбор — без розовых очков. Каждая технология имеет ограничения, и VLA не исключение.

Выводы

Пять ключевых тейкауэя для инвестора, который дочитал до конца.

1. VLA — фундаментальная архитектура Physical AI
   Объединение зрения, языка и действий в единую end-to-end модель — определяющий технологический прорыв 2024-2026. Это не hype, это новая парадигма.
2. Скорость оценок беспрецедентна
   Physical Intelligence: $2.4B → $11B+ за 4 месяца. Figure AI: $39B за 3 года. Skild AI: $14B за 2.5 года. Такого не было даже в золотую эпоху SaaS.
3. Безос — центральная фигура экосистемы
   Участие во всех ключевых раундах + собственный Project Prometheus на $6.2B+ делают его архитектором Physical AI. Следите за его движениями — и за конкуренцией с Musk.
4. “Software brain” побеждает hardware
   Чистые software-игроки (PI, Skild) получают более высокие оценки и маржи, чем производители железа. Покупайте лопаты, а не золотодобытчиков.
5. Рынок труда — конечный TAM
   Глобальный рынок труда — десятки триллионов. Даже 1% автоматизации создаёт триллионную возможность. Цена гуманоида падает с $160K к $40K — точка перелома близка.