HomeBody управляет гуманоидом Unitree G1 через GPT-6 Astra

Система отвечает на вопрос, на который индустрия робототехники потратила миллиарды долларов: нужна ли вообще отдельная обученная модель «зрение–язык–действие» (VLA) между умной моделью и моторами. Для многих задач, судя по результатам, она уже не обязательна. Но тут есть ряд серьезных оговорок.

Как устроена система

Классический стек выглядит так: языковая модель планирует, VLA-политика переводит план в движения, низкоуровневый контроллер крутит моторы. HomeBody убирает средний слой. GPT-6 Astra вызывает библиотеку из пяти готовых навыков — навигация, взять предмет, положить, открыть ящик, достать из ящика. 

Робот сам исследует помещение и строит его цифрового двойника в NVIDIA Isaac Sim по данным собственных камер, SLAM-карты и положений суставов. Эта пространственная память позволяет помнить, где лежат предметы, даже когда они вне поля зрения. Мелкие промахи исправляются визуальным сервоуправлением и ограниченными локальными повторами, без нового обращения к модели.

Перцепция и планирование движений работают на ноутбуке Razer Blade с RTX 4090, а сама Astra — удаленно в облаке OpenAI. Авторы работы давно работают на стыке компьютерной графики, симуляции движений и робототехники, так что это вполне логичный шаг развития идеи.

Почему это сделали именно сейчас

GPT-6 Astra вышла 3–4 сентября, и OpenAI позиционирует ее как модель с сильным компьютерным зрением и пространственным мышлением. HomeBody выглядит одной из первых серьезных проверок этих заявлений на физическом железе. Раньше модель уже засветилась в любительских тестах на вождение и сборку мебели IKEA, но гуманоид в незнакомом доме — задача сложнее. И ближе к тому, что индустрия называет восстанием ИИ embodied AI.

Слабые места

Самое важное ограничение — цифры. На странице проекта нет ни процента успешных попыток, ни числа прогонов, ни времени выполнения задач. Есть только демонстрации и описание архитектуры. Для исследовательской публикации этого достаточно, а для вывода «VLA больше не нужны» — маловато. Авторы сами называют узкие места: паузы между действиями из-за задержки Astra, перегрев сервоприводов пальцев, время и стоимость API на построение цифрового двойника.

Для сравнения, Figure заявила 17 сентября, что ее Helix 2.5 без адаптации под конкретную среду обобщается на 30 незнакомых домов, а успешность выросла с 9% до 56% благодаря претрейну на датасете Index — с HomeBody их разделяет около десяти дней.

Что это значит

Дальше рынок, вероятно, расколется. В медленных бытовых сценариях выигрывает связка «фундаментальная модель плюс библиотека навыков». Она дешевле в разработке и сразу получает прирост от каждой новой версии модели. В быстрых и задачах вроде сборки на конвейере или ловли предметов VLA-политики никуда не денутся. 

Самое неудобное в этой ситуации — это то, что OpenAI на этой неделе приостановила свои самые мощные модели из-за непредсказуемых действий агентов. А доверять модели такого класса физическое тело в чужом доме выглядит смелым решением. Терминатор, к счастью, начинался не с уборки кухни, а Skynet — с оборонного контракта, так что до восстания машин путь пока неблизкий. Но вопрос безопасности embodied-агентов, подозреваю, скоро станет таким же острым, каким несколько лет назад стал вопрос песочниц для языковых моделей.