Люди навчають роботів замінювати людську працю. Що станеться, коли навчання завершиться?
Студент-медик у Нігерії закінчує зміну в лікарні. Вдома він закріплює iPhone на лобі й знімає, як виконує звичайні побутові справи. Складає білизну, застеляє ліжко, миє посуд і готує. Це не контент для соцмереж. Це дані для навчання роботів.
Ця деталь звучить майже надто ідеально для історії про майбутнє праці, але дуже точно показує, де фізичний ШІ перебуває зараз. Великі мовні моделі виросли у світі, який людство вже оцифрувало: книги, код, форуми, зображення, відео й документація. У роботів такої переваги немає. Інтернет може пояснити, що таке стілець або як скласти сорочку. Але в ньому набагато менше корисних для машин даних про силу хвату, рух зап’ястка чи ті крихітні корекції, які людина робить, коли тканина вислизає з рук або заїдає шухляда.
Тож одна з найфутуристичніших індустрій у світі сьогодні робить напрочуд старомодну річ: платить людям, щоб ті показували машинам, як люди рухаються у фізичному світі.
Інтернет навчив ШІ говорити. Фізичний світ складніший.
Цей дефіцит даних давно очевидний для дослідників робототехніки. Проєкт Google DeepMind Open X-Embodiment об’єднав дані від 22 типів роботів і понад 20 дослідницьких установ. Разом вони створили понад мільйон епізодів для навчання роботів на сотнях навичок і завдань. Суть не в тому, що мільйон демонстрацій розв’язав проблему робототехніки. Навпаки: навіть для збору такого обсягу корисних даних про фізичну взаємодію знадобилася співпраця в масштабі, який одній лабораторії було б важко відтворити.
Це допомагає зрозуміти появу нового ринку праці. Замість того щоб покладатися лише на демонстрації, створені роботами, компанії фіксують те, що люди вже вміють робити.
Люди, які навчають роботів
MIT Technology Review розповів про Micro1 — компанію з Пало-Альто, яка залучає людей у понад 50 країнах для запису реальних дій, що використовуються в навчанні роботів. Один з учасників у Нігерії, студент-медик, записує побутові завдання вдома й заробляє близько $15 на годину. На відео — максимально буденні речі: складання одягу, готування, прибирання, переміщення предметів. Саме в цьому й суть. Те, що люди роблять майже не замислюючись, роботам досі потрібно показувати.
Та сама тенденція з’являється і на робочих місцях. The Guardian описав працівників фабрик в Індії, які носять камери на голові під час шиття, роботи з інструментами та виконання виробничих операцій. За даними видання, на деяких фабриках працівникам не доплачували за такі записи. У матеріалі також згадується індійська компанія EgoLab, яка називає Tesla одним зі своїх великих клієнтів. Окремо Tesla наймає у США операторів зі збору даних: вони одягають костюми для захоплення рухів і VR-обладнання та виконують рухи для навчання Optimus.
Оплата за таку роботу дуже різна. Частина завдань схожа на професійний motion capture і відповідно оплачується. Інші більше нагадують глобальну гіг-економіку. Але найцікавіше тут не погодинна ставка. А те, що саме компанії купують.
У м’язової пам’яті з’явилася ціна.
Крихітна корекція руху, коли склянка починає вислизати з руки, — це дані. Картон і кераміку ви тримаєте по-різному — і це теж дані. Інстинктивне бажання сповільнитися, коли річ здається крихкою, — дані. Навіть кут долоні змінюється, коли шухляда виявляється важчою, ніж очікувалося.
Люди рідко описують такі рішення, бо майже не помічають, що їх приймають. Робототехніка змушує нас побачити, скільки інтелекту насправді приховано у «простій» фізичній роботі.
Демонстрації людей можуть бути лише початковою точкою
Очевидне заперечення: усе це звучить надзвичайно дорого. Якщо майбутнім гуманоїдним роботам доведеться тисячі разів спостерігати, як людина виконує кожне окреме завдання, така модель просто не зійдеться економічно.
Але індустрія рухається не в цьому напрямку.
Практичніший підхід — використовувати людські демонстрації як стартові дані, а потім масштабувати їх за допомогою симуляцій і синтетичних даних. NVIDIA Isaac GR00T 1.7, наприклад, використовував близько 32 000 годин реальних демонстрацій і відео від першої особи. До цього NVIDIA додала приблизно 8 000 годин симульованих демонстрацій і прогонів.
Дослідники також перевіряють, наскільки мало людських даних може бути достатньо, щоб модель навчилася переносити навичку на інших роботів і в нові середовища. У 2026 році дослідження HumanEgo показало середній результат 92,5% успішних виконань у чотирьох тестових завданнях після використання 30 хвилин відео від першої особи на кожне завдання. Це результат у контрольованому дослідницькому середовищі, а не доказ того, що 30 хвилин відео можуть навчити комерційного гуманоїда будь-якої роботи. Але він показує ймовірний механізм масштабування: люди дають приклади, програмне забезпечення створює навколо них більше навчального досвіду, а модель вчиться застосовувати навичку ширше.
Якщо цей цикл продовжить покращуватися, зміниться головне обмеження. Питання вже буде не «Чи зможемо ми записати достатньо людських демонстрацій?», а «Наскільки швидко модель зможе перетворити обмежену кількість людських прикладів на надійну поведінку у фізичному світі?
І саме тут прогнози починають звучати майже сюрреалістично.
Десять мільярдів роботів, один мільярд чи значно менше?
Ілон Маск озвучував найагресивніші публічні прогнози. У 2024 році він заявив, що до 2040 року у світі може бути щонайменше 10 мільярдів гуманоїдних роботів, а вартість одного становитиме близько $20 000–25 000. Він також неодноразово говорив, що Optimus потенційно може стати одним із найбільших бізнесів Tesla.
Це не означає, що 10 мільярдів роботів варто сприймати як базовий сценарій. Інші оцінки набагато скромніші.
Morgan Stanley бачить шлях до понад одного мільярда гуманоїдних роботів до 2050 року. За цим прогнозом, до середини 2030-х поширення буде відносно повільним, а потім прискориться. Аналітики очікують, що більшість таких роботів працюватимуть у промислових і комерційних середовищах, а не вдома.
Goldman Sachs дає ще консервативнішу оцінку. У своєму прогнозі компанія оцінила, що ринок гуманоїдних роботів може сягнути $38 млрд до 2035 року, а лише за цей рік буде відвантажено близько 1,4 млн таких роботів.
Ці цифри побудовані на різних методологіях і часових горизонтах, тому було б неправильно ставити їх поруч як взаємовиключні відповіді. Важливіший сам розкид. Залежно від припущень, гуманоїди можуть стати однією з найбільших технологічних платформ в історії або ще довго залишатися значно вужчою промисловою категорією, ніж обіцяє хайп.
Реальність 2026 року десь між демонстраційними прототипами й фантазіями про масовий ринок. Boston Dynamics ще не розгорнула Atlas у великих масштабах, а Hyundai планує вийти на виробничу потужність 30 000 гуманоїдних роботів на рік до 2028-го. Це серйозна виробнича амбіція, але до світу з мільярдами гуманоїдів усе ще кілька порядків.
Робоапокаліпсис, найімовірніше, не станеться за одну ніч
Але це не означає, що нічого не відбувається.
BMW добре показує, як виглядає ця рання стадія. На заводі в Спартанбурзі гуманоїдні роботи Figure 02 брали участь у десятимісячному виробничому пілоті. За даними BMW, система була залучена до виробництва понад 30 000 BMW X3, перемістила більш як 90 000 компонентів, напрацювала близько 1 250 годин і зробила приблизно 1,2 млн кроків. Після цього BMW розширила тестування гуманоїдів на завод у Лейпцигу.
Це не універсальний робот, який замінює людину в будь-якій ситуації. Це робот, який виконує корисну роботу в структурованому промисловому середовищі.
І це принципова різниця.
Фабрики простіші за домівки. Передбачувана виробнича комірка — значно легше середовище, ніж кухня з домашніми тваринами, дітьми, безладом, мокрими поверхнями, предметами, що постійно змінюються, і нескінченними винятками. Склади, виробничі лінії та повторювані логістичні процеси мають чіткіші обмеження, зрозуміліші межі безпеки й простіший для вимірювання ROI.
Гуманоїдам не потрібно стати універсально компетентними, щоб набути економічної ваги. Їм достатньо навчитися надійно виконувати значущий набір завдань.
Що тоді буде з роботою?
У цьому місці дискусія зазвичай занадто швидко перескакує від «роботи стають досконалішими» до «роботи для людей більше не буде».
Нинішні прогнози ринку праці не підтверджують такого простого висновку. Звіт World Economic Forum Future of Jobs 2025 прогнозує, що технологічні, демографічні та економічні зміни створять 170 млн робочих місць і витіснять 92 млн до 2030 року — тобто чистий приріст становитиме 78 млн ролей. International Labour Organization також застерігає від прирівнювання впливу ШІ до зникнення професій: її дослідження генеративного ШІ показує, що для багатьох професій трансформація ймовірніша за повну заміну.
Але є важливе уточнення: досі більшість дискусій про працю стосувалися програмного ШІ.
Письмо, програмування, аналітика, підтримка клієнтів, адміністративна робота й дизайн стали очевидними цілями автоматизації, бо генеративний ШІ живе в комп’ютері. Фізичний ШІ змінює рівняння. Він приносить автоматизацію в професії, які раніше здавалися захищеними з простої причини: комусь потрібно було діяти у фізичному світі. Підняти предмет, пройти через простір, скористатися інструментом або відреагувати на непередбачувану ситуацію.
Це не означає автоматичного масового безробіття. Але може означати зовсім інший тип стрибка продуктивності.
Одна людина, яка працює разом із програмними агентами та фізичними роботами, потенційно зможе виробляти набагато більше, ніж сьогодні. Частина професій зникне або розпадеться на менші завдання. Інші змістяться в бік нагляду й роботи з винятковими ситуаціями. З’являться й нові ролі навколо впровадження, безпеки, даних, координації, обслуговування та відповідальності за системи.
Тому корисніше запитати не «Чи залишиться в людей цінність?», а «Які людські якості стануть рідкіснішими й дорожчими, коли саме виконання роботи подешевшає?»
Цінність зміщується від виконання до рішень
Роками ми заспокоювали себе тим, що фізична праця залишиться людською, бо машинам бракує спритності. Коли гуманоїди почали ставати кращими, аргумент змістився до творчості, емпатії та здатності судити. Але й це може виявитися надто простим поясненням.
Стійкіша перевага може бути в іншому: вирішувати, що саме варто робити; розуміти, коли правила більше не працюють; брати відповідальність і розв’язувати конфліктні цілі. Довіра й проєктування систем також можуть стати важливішими. Не тому, що машини ніколи не зможуть опанувати ці навички, а тому, що кожен новий рівень автоматизації створює нові рівні координації та відповідальності.
Є в цьому й певна іронія. Перш ніж роботи зменшать цінність окремих видів людської праці, вони можуть змусити нас нарешті побачити, наскільки складною ця праця була завжди.
Людина, яка складає тканину, поповнює полицю або працює з інструментом, постійно приймає крихітні рішення про сприйняття й контроль рухів. Поки хтось не спробував навчити робота того самого, значна частина цих знань залишалася економічно невидимою.
Тепер компанії записують, маркують і продають ці знання.
Можливо, саме наше покоління навчить машини фізичного світу
В Allmatics ми не будуємо гуманоїдних роботів. І саме тому можемо говорити про цю тему без спроб удавати, що займаємося тим, чим не займаємося.
Ми працюємо з технологіями, які безпосередньо оточують цей зсув: AI/ML, embedded-системами, IoT, підключеними пристроями, хмарною інфраструктурою та ПЗ, що взаємодіє з фізичним світом. У таких проєктах, як ReadU6, AI та NLP є лише частиною ширшого продукту, до якого також входять кастомне embedded-обладнання, IoT, web/mobile-рішення та обробка даних у реальному часі. Цінність такого продукту не в тому, що він «AI-powered», а в тому, що інтелект має працювати як частина фізичної, підключеної системи.
Гуманоїдна робототехніка піднімає цю системну проблему на зовсім інший рівень.
Коли програмне забезпечення починає діяти у фізичному світі, якість моделі стає лише однією частиною архітектури. Важливі сенсори, зв’язок і затримки. Так само важливі вибір між локальними та хмарними обчисленнями, оновлення, спостережуваність системи, безпека, сценарії відмов і те, хто відповідає за неправильні рішення.
Чатбот може вигадати неправильну відповідь. Фізична система може перемістити не той предмет, докласти забагато сили або відмовити в найгірший момент.
Саме тому наступна хвиля ШІ може бути не стільки про те, щоб додати модель у кожен продукт. Складніше завдання — проєктувати системи, яким можна довіряти, коли ШІ отримує можливість діяти.
Командам, які створюють підключені продукти з ШІ, варто визначити ці межі ще на етапі Product Discovery, перш ніж вони перетворяться на жорсткі обмеження в продакшені.
Ми, можливо, навчаємо машини ставати дедалі спроможнішими, але поки що щиро віримо: робота з людьми, яким не байдуже, має реальну цінність.
Для Allmatics це означає дуже персональний підхід, пряму комунікацію й команду, яка глибоко занурюється в продукти, над якими працює.
Тож поки роботи не захопили світ, ми тут — створюємо програмні продукти разом із людьми й для людей. Якщо у вас є ідея, яку варто втілити, давайте поговоримо.
Найдивніша частина роботичної революції
Можливо, найцікавіше в гуманоїдних роботах не те, що машини стають більше схожими на людей. А те, що, навчаючи їх, ми самі починаємо помічати, скільки людського інтелекту існує поза мовою.
Першій хвилі ШІ ми віддали продукти нашого розуму: тексти, код, зображення, документи й розмови. Фізичному ШІ ми починаємо віддавати поведінку наших тіл.
У буквальному сенсі ми створюємо датасет самих себе.
Це не дає відповіді, чи буде у світі через десятиліття один мільйон гуманоїдів або десять мільярдів. І не каже нам, які професії зникнуть, а які нові з’являться замість них.
Але одне питання після цього стає важко ігнорувати.
Що станеться, коли машини навчаться достатньо, просто спостерігаючи за нами?