Моделі та платформи ШІ
Оновлення Amap для роботизованих систем з втіленою штучною інтелектом
Додайте Unite.AI до бажаних джерел у Google
Amap, підрозділ Alibaba, що займається картографуванням та послугами з локалізації, оприлюднив повний оновлення ABot, системи втіленої штучної інтелектом, яку вони будують для керування роботами, а не водіями. Оголошено 22 липня 2026 року, оновлення включає п’ять нових моделей, що охоплюють навігацію, маніпуляцію, розуміння, довготривалу пам’ять та контроль руху, і Amap стверджує, що комбінований стек займає перші місця у 17 бенчмарках.
То, що компанія випустила, – це набір моделей і дослідницьких робіт, а не робот з ціною або клієнтом. Ця відмінність має значення. Випуск описує можливості, виміряні за бенчмарками, а не машину, що працює на зміні десь з її втручаннями, зареєстрованими. Стек призначений для того, щоб бути агностичним до тіла, підключаючись до гуманоїдних, чотириногих і колісних роботів через заміні можливостей, так що одна “мозок” може, у принципі, керувати різним апаратним забезпеченням – тією ж амбіцією, що проходить через весь робототехнічний рух.
Що додає оновлення
Навігація – це частина, найближча до основної діяльності Amap, і її модель, ABot-N1, відображає це. Вона поєднує повільний модуль для планування маршруту з швидким, який видає команди руху, і додає те, що команда називає “ланцюгом думок на рівні пікселів”, який пов’язує те, що бачить камера, з письмовим rozumінням, так що рішення можна простежити. Amap стверджує, що ABot-N1 може перетнути місто, використовуючи звичайні навігаційні карти, з успішністю 92,9% на відкритому повітрі; робота повідомляє про 95,4% у складних внутрішніх сценах і про 35% зростання у досягненні пунктів інтересу, до 77,3%.
Маніпуляція – це складніше, і це те, на що ABot-M0.5 націлений: багатокроковий процес руху до об’єкта та обробки його, наприклад, отримання води з диспенсера через кімнату. Замість виконання руху та захоплення як однієї послідовності, він розділяє їх на два потоки дій, і додає метод навчання, який Amap називає “самовідновленням мрії”, який дозволяє моделі продовжувати діяти з шумними візуальними передбаченнями, а не зупинятися на малих помилках. На тестовому наборі RoboCasa-365 Amap повідомляє про перемогу над попередньою найкращою системою на 20,4% у складних завданнях і на 10,6% у базових.
Дві інші моделі утворюють рішення. ABot-ER побудований для розуміння того, як об’єкти, простори та завдання пов’язані, а не тільки розпізнавання того, що знаходиться в кадрі; Amap стверджує, що він займає перше місце на бенчмарку Embodied Arena 2D-EQA. ABot-AgentOS знаходиться над контролерами та обробляє планування, використання інструментів, виконання та верифікацію, з довготривалою пам’яттю, яка може вивчати з невдалих спроб. П’ята модель, ABot-C0, перетворює ці рішення у рух для чотириногих роботів. Разом, рішення та агентські шари націлені на ту частину втіленої штучної інтелектом, яка заважає більшості систем: не один захоплення, а впорядкування багатьох кроків у довге завдання без втрати нитки.
Бенчмарки, а не розгортання
Amap поставив на стіл більше, ніж більшість запусків роботів. Він оприлюднив роботи для навігаційних, маніпуляційних, агентських та рухових моделей на arXiv і випустив код та тестові набори, що є більш перевіреним, ніж відрізана та прискорена демонстраційна стрічка. Зовнішні дослідники можуть, у принципі, повторити роботу.
Цифри все ще несуть звичайну зірочку. Це результати команди, і кілька бенчмарків – це ті, які Amap ввела поряд з моделями: ABot-N1 поставляється з новими тестами пункту призначення та пунктів інтересу, і система агента оцінюється за бенчмарком, який визначається тією ж роботою. Жодна незалежна лабораторія не відтворила цифри, і жодна з моделей не прибуває з реальним розгортанням – жодного розміру флоту, жодного часу безперервної роботи, жодної частоти втручання, що показує, як часто людина повинна була взяти на себе керування. Ця прогалина відокремлює результат бенчмарка від “року розгортання”, який такі конкуренти, як AgiBot, почали заявляти.
Єдиним фізичним якорем є чотириногий робот-провідник, який Amap сказав у квітні 2026 року, що відправить на 北京 E-Town 半馬拉松. Це демонстрація, а не розгортання: один робот у сценарному середовищі говорить мало про те, як стек витримує довгу хвосту реального середовища.
Чому компанія карт створює роботизовані мозки
Amap керує однією з найбільших платформ навігації в Китаї, і її ставка полягає в тому, що дані про картографування та пункти інтересу, що стоять за цією службою, є головним стартом для просторового розуміння, необхідного роботам для руху у фізичному світі. Компанія створила підрозділ втіленої інтелектом у січні 2026 року і випустила свої перші базові моделі навігації та маніпуляції, ABot-N0 та ABot-M0, через кілька тижнів; липневе оновлення – це друга генерація цієї роботи.
Вона потрапляє у зайняте поле. Китайські розробники, новіші гуманоїдні учасники та виробники коботів, які обладнують роботів загальними штучними інтелектами, всі переслідують ту ж саму міжтілову основну модель шару, і Китай вкладає державні та приватні гроші у втілену інтелектом та моделі під нею. Тест, з яким вони стикаються, – це той, який Amap ще не відповів: чи може стек, який займає перші місця у бенчмарках, керувати роботом, який виконує корисну роботу, без нагляду, на підлозі, яку ніхто не впорядкував заздалегідь. Amap показав першу половину. Друга половина все ще є заявою.
