Есть одна разновидность роботов, которая уже много лет ездит рядом с нами, но мы почему-то редко воспринимаем её как робототехнику.
Автомобиль-беспилотник.
У него нет рук. Нет головы. Он не пытается выглядеть человеком. Но технически задача очень похожа на ту, которую сейчас решают создатели гуманоидов: машина должна видеть физический мир, понимать происходящее, принимать решения и управлять собственным телом.
Причём автомобиль вроде бы получил невероятно удобное тело. Четыре колеса. Никаких пальцев. Никаких лестниц. Не нужно складывать носки и определять, насколько сильно сжимать яйцо.
Казалось бы, после всего, что мы недавно обсуждали про роботические кисти и домашние кухни, автономный автомобиль должен быть почти халтурой.
Просто едь по дороге.
Именно эту «простую» задачу инженеры пытаются окончательно решить уже несколько десятилетий.
В 2004 году лучший беспилотник проехал 12 километров и умер
История отлично показывает, насколько быстро прогресс способен поменять наше представление о невозможном.
13 марта 2004 года DARPA устроила первый Grand Challenge. Автономные машины должны были самостоятельно пройти примерно 142 мили по пустынной трассе между Калифорнией и Невадой.
Приз — миллион долларов.
Пятнадцать финалистов стартовали.
До финиша не добрался никто.
Лучший результат составил около 7,5 мили, то есть примерно 12 километров. После этого машина Carnegie Mellon застряла. Остальные участники закончили ещё раньше.
На первый взгляд — полный провал.
Через полтора года DARPA повторила соревнование.
Теперь маршрут был 132 мили. Пять автомобилей добрались до финиша, а победивший Stanford Stanley прошёл дистанцию за 6 часов 53 минуты.
То есть за восемнадцать месяцев отрасль прыгнула от:
двенадцать километров — уже достижение
до:
автономная машина проехала всю пустыню.
А в 2007 году DARPA усложнила задачу ещё сильнее.
Теперь машинам дали перекрёстки и других участников движения
Urban Challenge проходил уже в искусственной городской среде.
Автомобили должны были самостоятельно перестраиваться, парковаться, соблюдать очередность проезда перекрёстков, обгонять и взаимодействовать с другим транспортом.
Шесть машин закончили дистанцию.
DARPA называет этот момент первым случаем, когда автономные автомобили успешно взаимодействовали с управляемыми людьми машинами в подобной городской обстановке.
Именно из сообщества, выросшего вокруг этих соревнований, потом вышло немало людей, сыгравших важную роль в современном беспилотном транспорте. DARPA прямо отмечает, что участники Grand Challenge позже работали над технологиями автономного вождения для Google, Uber и автопроизводителей.
Казалось, оставалось совсем немного.
Машина уже ездит по городу.
Что ещё нужно?
Оказалось — почти всё.
Потому что полигон имеет неприятное отличие от настоящего города
На полигоне организатор знает, что произойдёт.
Можно сделать сложный сценарий, но это всё равно сценарий.
Настоящая дорога никому ничего не обещала.
Перед машиной перестраивается водитель, который вспомнил про нужный поворот уже после того, как его проехал. Пешеход идёт вдоль тротуара и внезапно разворачивается. Ремонтники нарисовали временную разметку поверх старой. Светофор частично закрыт грузовиком, регулировщик машет рукой, велосипедист объезжает яму, а пакет из супермаркета летит через дорогу.
Человек смотрит на всё это и зачастую даже не замечает, какой объём интерпретации выполняет каждую секунду.
Беспилотник должен превратить тот же хаос в данные.
Сначала надо вообще увидеть мир
Современный автономный автомобиль использует камеры, радары, а многие системы — ещё и лидары.
Каждый сенсор даёт немного разную картину.
Камера великолепно различает цвет, разметку, светофоры и визуальные признаки объектов. Но ей мешают темнота, ослепляющий свет, дождь и грязь.
Радар отлично измеряет расстояния и скорости, но видит окружающий мир совсем не как камера.
Лидар строит подробную трёхмерную геометрию, зато увеличивает стоимость и сложность системы.
Waymo, например, в шестом поколении своего автономного комплекса сознательно сохраняет мультимодальную систему: камеры, imaging radar и lidar работают вместе. Компания объясняет это необходимостью надёжно воспринимать редкие дорожные события и не зависеть от одного типа сенсоров.
На этой стадии автомобиль ещё ничего не решил.
Он всего лишь пытается ответить:
что вокруг меня находится?
Потом появляется вопрос похуже: что эти объекты собираются делать?
Вот человек возле перехода.
Он будет переходить?
Или ждёт такси?
Смотрит в телефон.
Но это вообще что-нибудь значит?
Перед вами автомобиль включил поворотник. Он действительно перестроится или водитель забыл выключить его два километра назад?
У обочины стоит машина. Через секунду откроется дверь?
Ребёнок рядом с мячом. Нужно ли заранее снижать скорость?
Автономному автомобилю недостаточно увидеть фотографию настоящего.
Ему нужно постоянно предсказывать ближайшее будущее.
И вероятность ошибки невозможно убрать полностью, потому что другие участники дороги сами зачастую не знают, что сделают через пять секунд.
Человек решает это невероятно странным способом
Мы читаем намерения друг друга.
Не идеально, конечно. Если бы идеально — аварий не существовало бы.
Но водитель видит, как другая машина слегка сместилась внутри полосы, и думает:
Сейчас полезет ко мне.
Формально поворотник ещё не включён.
Никакого правила не произошло.
Просто накопленный опыт говорит: лучше оставить расстояние.
Именно таких неявных ситуаций на дороге миллионы. Их невозможно полностью перечислить в инструкции:
ЕСЛИ автомобиль находится на 17 сантиметров ближе к левой границе полосы И водитель немного повернул голову...Поэтому современное автономное вождение неизбежно стало большой задачей машинного обучения.
И всё равно недостаточно правильно предсказать окружающих
Допустим, беспилотник понял:
машина впереди, скорее всего, перестроится вправо.
Теперь нужно решить:
снизить скорость;
сохранить её;
перестроиться;
дать машине войти;
проехать первым.
Каждое действие влияет на других участников движения.
Если беспилотник ведёт себя слишком осторожно, он может остановить половину города.
Если слишком агрессивно — появляются уже другие проблемы.
Поэтому хороший автономный автомобиль должен не только быть безопасным. Он должен вести себя понятно для людей.
Если человек на четырёхполосной дороге останавливается каждый раз, когда кто-нибудь появляется возле тротуара, остальные водители довольно быстро начинают делать с ним нехорошие вещи.
Роботу тоже приходится учиться социальной норме дорожного движения.
Причём правила не всегда решают ситуацию
Красный свет?
Стоим.
Кажется просто.
А теперь на перекрёстке полицейский показывает ехать.
Нужно нарушить сигнал светофора и выполнить указание регулировщика.
Перед машиной сплошная линия, но полосу перекрыл строительный автомобиль. Что делать?
Объехать через запрещённую разметку?
Ждать три часа?
Человеческое движение забито ситуациями, где буквальное следование одному правилу противоречит здравому смыслу или другому правилу.
И это очень напоминает проблемы первых экспертных систем, о которых мы недавно говорили: реальный мир постоянно производит исключения быстрее, чем программист способен их перечислять.
Есть красивое выражение — long tail
Длинный хвост редких ситуаций.
99,9% поездки может быть совершенно обычной.
Полоса.
Светофор.
Машина впереди.
Поворот.
Но беспилотник должен быть готов ещё и к 0,1%, где происходит какая-нибудь дичь.
Матрас упал с грузовика.
Лошадь вышла на дорогу.
Человек катит холодильник через проезжую часть.
Грузовик перевозит негабаритный груз необычной формы.
Светофор погас.
После аварии полицейские перенаправляют движение жестами.
И самое неприятное: невозможно однажды составить финальный список редких случаев и сказать:
Всё. Интернет дороги пройден на 100%.
Waymo прямо называет «one-in-a-million events» одной из причин, почему её система продолжает использовать набор разных сенсоров и накапливать огромный объём реальных поездок.
Поэтому автономному автомобилю нужны миллионы километров опыта
А лучше сотни миллионов.
В июне 2026 года Waymo сообщила, что её анализ безопасности охватывает уже более 220 миллионов полностью автономных миль до конца марта 2026 года. Компания сравнивает результаты со статистикой человеческих водителей в тех же географических областях и сообщает о 94% меньшем числе аварий с тяжёлыми или смертельными травмами и 82% меньшем числе аварий с любыми зарегистрированными травмами.
Здесь важно не превратить корпоративную статистику в религию. Методики сравнений имеют значение, города отличаются, а NHTSA отдельно предупреждает, что данные разных компаний нельзя механически сравнивать по количеству зарегистрированных аварий: разные операторы имеют разный парк, пробег и возможности телеметрии.
Но масштаб уже показывает главное.
Это давно не несколько экспериментальных автомобилей.
Waymo фактически превратила беспилотник в обычное такси
В 2025 году компания выполнила около 15 миллионов поездок, более чем втрое увеличив годовой объём. К февралю 2026-го Waymo сообщала уже более чем о 400 тысячах полностью автономных поездок в неделю и планировала приблизиться к миллиону еженедельных поездок к концу года.
Весной компания открыла сервис для всех желающих в Майами и Орландо. Летом начала готовить полностью автономные операции ещё в нескольких городах, а 25 августа объявила о подготовке будущего запуска в Мюнхене.
То есть в 2004 году машина не смогла закончить маршрут по пустыне.
Через двадцать два года люди вызывают машину без водителя обычным приложением.
Прогресс огромный.
Но есть занятный нюанс.
Мы всё ещё очень далеко от автомобиля, который способен ездить вообще везде
Здесь полезно вспомнить уровни автоматизации SAE.
На уровне 2 система может одновременно управлять рулём и скоростью, но человек всё равно обязан постоянно следить за дорогой. NHTSA подчёркивает это отдельно: водитель остаётся ответственным за управление.
Уровень 4 уже другой. Машина способна полностью вести себя сама без участия человека, но только внутри определённой области и условий эксплуатации.
Именно так в основном работают сегодняшние роботакси.
Они не говорят:
Я автомобиль уровня Бога, еду куда угодно.
Они говорят:
Я умею автономно работать здесь.
В этих городах.
На этих дорогах.
При предусмотренных системой условиях.
Уровень 5 — полноценная автоматизация практически везде, где способен ездить человек, — остаётся куда более далёкой целью.
Геозона на самом деле очень умный инженерный компромисс
Если нельзя решить весь мир, решаем кусок мира.
Есть конкретный город.
Карты.
Известная дорожная инфраструктура.
Местные правила.
Накопленные данные.
Машина постепенно учится работать именно здесь.
Потом добавляем следующий город.
Waymo использует довольно осторожную схему запуска: сначала собирает картографические данные, затем ездит со специалистами, валидирует поведение и только после этого переходит к поездкам без человека. Так компания, например, описывает подготовку Мюнхена, где публичный коммерческий запуск предполагается не раньше конца 2027 года.
Это гораздо менее романтично, чем:
автономный интеллект понял дороги.
Зато работает.
Tesla выбрала несколько другую философию
Waymo строит специализированный автономный сервис с собственным набором камер, радаров и лидаров.
Tesla много лет делает ставку прежде всего на компьютерное зрение и массовый парк серийных автомобилей, из которого можно собирать огромное количество данных.
К августу 2026 года компания уже предлагает Robotaxi в нескольких городах Техаса и Флориды, начиная с Model Y; отдельный Cybercab Tesla обещает вывести позже. )
Но здесь особенно важно не смешивать разные продукты Tesla.
Обычные системы помощи водителю и полностью автономный сервис — не одно и то же.
NHTSA специально разделяет Level 2 ADAS, где водитель обязан постоянно контролировать дорогу, и ADS уровней 3–5, где в определённых условиях сама система выполняет динамическую задачу вождения.
Слово «сам едет» в бытовом разговоре способно скрывать очень разные уровни ответственности.
И человек за рулём создаёт отдельную проблему автоматизации
Представьте систему, которая ездит самостоятельно 99,9% времени, но в редком сложном случае говорит:
Сергей, срочно бери руль!
Звучит разумно.
Только Сергей последние сорок минут смотрел YouTube, думал о работе и вообще мысленно находился в соседней области.
За две секунды ему нужно:
понять положение машины;
найти угрозу;
оценить скорость окружающих;
выбрать действие;
вмешаться.
Это чрезвычайно плохой интерфейс.
Человеку сложно оставаться готовым мгновенно спасти автоматику, которая обычно ничего от него не требует.
Именно поэтому переходные уровни автономности в каком-то смысле психологически сложнее крайних вариантов.
Либо ты управляешь.
Либо машина.
Режим:
почти всегда машина, но иногда внезапно ты
требует очень аккуратной работы с вниманием водителя.
Беспилотник ещё и обязан понимать то, чего человек не видит
Есть обратная сторона.
Машина может обладать сенсорными преимуществами.
Радар измеряет скорость объектов очень точно.
Лидар строит расстояния.
Камеры смотрят во все стороны и не устают.
Автомобиль не выпил вчера вечером, не поссорился с женой, не пишет сообщение в мессенджере и не засыпает после двенадцатичасовой смены.
Именно поэтому идея автономного вождения имеет такой огромный потенциал безопасности.
Waymo в своей текущей статистике связывает значительную часть преимущества с отсутствием типичных человеческих факторов вроде усталости, отвлечения и опьянения.
Компьютеру не нужно стать идеальным.
Ему нужно в среднем ошибаться реже нас.
А планка здесь, если посмотреть статистику аварий, не такая уж недостижимая.
Правда, люди удивительно терпимы к человеческим ошибкам и нетерпимы к машинным
В городе произошло пять тысяч аварий с людьми.
Новость?
Обычно нет.
Автономная машина попала в одну необычную аварию.
Видео разлетается по интернету.
И это психологически понятно.
Мы привыкли, что человек может ошибиться.
Машина продаётся именно как решение человеческой ошибки, поэтому к ней автоматически предъявляется более высокий стандарт.
Кроме того, одна программная проблема потенциально способна существовать сразу во всём парке машин. Ошибка одного человека остаётся ошибкой одного человека. Ошибка алгоритма может потребовать изменения системы у тысяч автомобилей.
Поэтому регуляторы требуют от операторов ADS сообщать об определённых авариях, а NHTSA использует эти данные для поиска потенциальных дефектов и дальнейших расследований.
Но есть и огромное преимущество: машина может учиться на чужих ошибках
Человеческий водитель попал в редкую ситуацию.
Получил опыт.
В основном опыт остаётся у него.
Другой человек завтра повторит ту же ошибку.
У роботизированного парка может работать иначе.
Один автомобиль встретил необычную конфигурацию ремонта дороги. Ситуацию проанализировали. Обновили систему. Потенциально весь флот получил новый навык.
Это тот же маховик данных, о котором мы говорили применительно к Physical AI и домашним роботам.
Чем больше машин работает, тем больше они видят.
Чем больше видят — тем больше крайних случаев можно изучать.
Чем лучше система — тем больше её можно разворачивать.
И именно поэтому сотни миллионов автономных миль так важны не только как рекламная цифра.
Это огромный датасет физического мира.
Но нельзя учиться всем ошибкам на настоящих людях
Поэтому беспилотники массово используют симуляции.
Реальную поездку можно взять как основу, а затем искусственно менять условия.
Что будет, если пешеход вышел на секунду раньше?
Если встречная машина ехала быстрее?
Если начался дождь?
Если справа появился велосипедист?
Одна редкая ситуация превращается в тысячи виртуальных вариантов.
Это очень похоже на то, как сейчас обучают гуманоидов: дорогое и опасное физическое обучение дополняют цифровым миром, где машину можно ошибочно столкнуть с виртуальным объектом сколько угодно раз.
Автономные автомобили в каком-то смысле стали первой огромной индустрией Physical AI задолго до того, как этот термин стал модным.
Самое сложное в беспилотнике — не повернуть руль
Автоматически держать полосу мы научились давно.
Автоматически тормозить — тоже.
Разгоняться — проще простого.
Механическое управление автомобилем намного легче роботической кисти.
Трудность находится в другом:
понять, что происходит вокруг, и выбрать разумное действие среди бесконечного числа ситуаций.
Именно поэтому переход от адаптивного круиз-контроля к настоящему роботакси занял столько времени.
Руль тот же.
Тормоза те же.
Мотор тот же.
Изменился мозг.
Есть замечательная аналогия с домашним роботом
Мы только что разбирали, почему Figure может тысячи раз перекладывать деталь на BMW, но посудомойка дома становится гораздо более сложной задачей.
С автономной машиной произошло ровно то же самое.
Пустынная трасса:
едем.
Шоссе с хорошей разметкой:
сложнее, но понятно.
Город:
уже интересно.
Центр города во время ремонта, дождя, футбольного матча и приезда пожарной машины:
добро пожаловать в реальность.
Поэтому главный враг Physical AI — вовсе не движение.
Главный враг — вариативность мира.
И именно беспилотники показывают, как долго может длиться последний процент
В 2005 году машина автономно прошла 132 мили.
Можно было посмотреть и сказать:
Всё. Осталось чуть-чуть.
Прошло больше двадцати лет.
Сегодня автономные такси действительно перевозят сотни тысяч пассажиров каждую неделю, но всё ещё расширяются город за городом, постепенно валидируя новые территории.
Последние несколько процентов задачи оказались настолько огромными, что внутри них поместилась целая индустрия.
Это хороший холодный душ и для нынешних прогнозов по гуманоидам.
Когда нам показывают робота, который пять раз успешно загрузил посудомойку, это ещё не значит:
через два года он будет в каждом доме.
История автономных автомобилей отлично показывает расстояние между:
машина смогла
и
машине можно доверить это каждый день без человека.
Но беспилотники одновременно дают гуманоидной робототехнике повод для оптимизма
Потому что двадцать лет назад ситуация тоже выглядела комично.
Миллион долларов.
Лучшие команды.
Двенадцать километров.
Финиш никто не увидел.
Сегодня Waymo выполняет сотни тысяч полностью автономных поездок еженедельно, а Tesla разворачивает собственный Robotaxi в нескольких американских городах.
То, что выглядело лабораторным развлечением, стало коммерческим сервисом.
Не за два года.
Не совсем так, как представляли ранние энтузиасты.
Но стало.
И это, пожалуй, одна из наиболее полезных историй для понимания нынешней робототехники.
Иногда технология действительно работает. Просто календарь у неё другой
Нам хочется линейного прогресса.
Сегодня робот взял чашку.
Завтра моет посуду.
Послезавтра убирает квартиру.
Через год:
Робби, приготовь завтрак.
Реальная инженерия выглядит иначе.
Сегодня получилось.
Полгода исправляем исключения.
Затем обнаружили новую проблему.
Ещё год меняем сенсоры.
Потом система наконец хороша в одном городе.
Теперь повторяем всё в городе, где зимой снег.
Снаружи кажется:
ну чего они там копаются?
А внутри решается миллион маленьких причин, по которым реальный мир отказался соответствовать презентации.
Я поэтому люблю следить за беспилотниками именно как за роботами
Они уже прошли значительную часть дороги, которую гуманоиды начинают проходить сейчас.
От эффектной демонстрации.
К реальному объекту.
От полигона.
К ограниченной рабочей среде.
От неё — к тысячам пользователей.
А дальше начинается постепенное расширение области, где машине действительно можно доверять.
Такие истории про реальные ИИ-системы, роботов и автоматизацию я регулярно собираю ещё и в GPT-Лаборатории — без ежедневного пересказа очередного пресс-релиза про «революцию уже завтра»: Telegram, ВК и MAX.
Потому что беспилотный автомобиль даёт хороший способ отличать прогресс от шоу.
Не спрашивать:
Он один раз проехал сам?
А смотреть:
сколько миллионов километров проехал;
сколько людей реально перевёз;
сколько разных ситуаций выдержал;
как часто человеку приходится спасать систему;
что происходит после ошибки.
Именно по этим скучным показателям однажды станет понятно, что очередной робот действительно готов.
А полностью автономный автомобиль, возможно, вообще никогда не станет «умнее человека во всём»
Ему это и не нужно.
Он не обязан понимать стихи.
Не обязан знать историю Рима.
Не должен объяснять квантовую механику.
Ему нужно очень хорошо понимать небольшой кусок физической реальности:
дорогу;
участников движения;
правила;
опасности;
последствия собственного действия.
Но этот «небольшой кусок» оказался настолько сложным, что потребовал двадцати лет, миллиардов долларов, огромных вычислений, новых сенсоров и сотен миллионов километров опыта.
И вот это, пожалуй, лучший ответ на вопрос, почему робототехника развивается медленнее чат-ботов.
Слова живут внутри компьютера.
На дороге одна неверная гипотеза может весить две тонны и ехать 70 километров в час.
Поэтому настоящий прорыв случился не тогда, когда автомобиль впервые сам повернул руль.
И даже не тогда, когда впервые прошёл автономный маршрут.
Он происходит сейчас — когда человек открывает приложение, вызывает машину, садится на заднее сиденье и через несколько минут перестаёт смотреть, что она делает.
Потому что высшая стадия развития робота выглядит не так:
«Смотрите, он умеет!»
А значительно скучнее:
«Да знаю. Я на нём вчера на работу ездил».
