23 сентября 2026 года компания Microsoft Research опубликовала сообщение под названием «Разгруженный вывод для реальной физической робототехники с искусственным интеллектом». Он учитывает, где следует выполнять логические выводы ИИ для физических задач робота, уделяя особое внимание переносу некоторых вычислений с робота. Сообщаемая оценка касается мобильных роботизированных манипуляций и репрезентативных моделей в трех областях: семантическое картирование и планирование, навигация и манипулирование.

Что охватывает оценка

Эти три области описывают различные виды работы в условиях оцениваемых мобильных манипуляций. Семантическое картирование и планирование, перемещение по среде и манипулирование — все это входит в объем, указанный в статье. Таким образом, полученные результаты относятся к этим рабочим нагрузкам. Предоставленная информация не подтверждает, что одни и те же результаты применимы к каждому роботу, модели или задаче.

Microsoft Research утверждает, что разгрузка физических выводов искусственного интеллекта улучшила время отклика, точность, срок службы батареи и стоимость оцениваемых рабочих нагрузок. Это заключение статьи о ее оценке. Для читателей, рассматривающих роботизированную систему, сравнение позволяет сразу увидеть несколько показателей: может ли робот вместить модели, насколько быстро он реагирует, насколько точно модели работают, а также что происходит с использованием батареи и стоимостью.

Ограничения встроенных вычислений

В статье сообщается, что некоторые небольшие графические процессоры не могут вместить стек мобильных манипуляций. Наличие достаточного количества памяти было не единственным фактором: на графических процессорах, которые могли выполнять стек, картографирование и планирование замедлялись на целых 383 процента по сравнению с A100. Эта цифра описывает максимальное замедление, указанное в оценке, а не универсальный результат для каждого устройства или рабочей нагрузки.

Что касается навигации, в статье сообщается о 30-процентном снижении своевременного обнаружения препятствий на более легких графических процессорах. В нем также говорится, что меньшие графические процессоры снизили точность моделей VLA на 50 процентов, хотя эти модели не замедлились значительно. Другими словами, представленное сравнение не приравнивает скорость выполнения к точности модели. Эти отдельные измерения помогают объяснить, почему оценка вычислительных возможностей робота требует внимания не только скорости работы модели.

Производительность и использование батареи

Простой выбор встроенного графического процессора большего размера также имеет свои издержки в описанном сравнении. В статье говорится, что более крупные встроенные графические процессоры, такие как Jetson Thor, разряжают батареи роботов до 160 процентов. Это результат, указанный для этого сравнения. Наряду с выводами о небольших графических процессорах, это указывает на противоречие между выполнением требовательных вычислений на роботе и энергопотреблением более крупного встроенного оборудования.

Разгрузка изменений, в которых происходит вывод. Microsoft Research утверждает, что это улучшило некоторые измеренные результаты оцениваемых рабочих нагрузок. Приведенные факты не дают общего правила того, как каждая роботизированная система должна разделять свои вычисления. Они поддерживают более узкий вывод: в статье сообщается о преимуществах рассмотренных рабочих нагрузок, а при сравнении также учитываются отклик, точность, время автономной работы и стоимость.

The Physical AI Toolchain

Microsoft Research описывает набор инструментов на основе Kubernetes для контейнеризации рабочих нагрузок робототехники и их разгрузки между роботизированными вычислениями, периферийными графическими процессорами и облаком. Здесь описывается инфраструктура, связанная с подходом, описанным в статье. Представленная здесь информация не устанавливает дополнительных возможностей, сведений о доступности или результатов, выходящих за рамки заявлений, заявленных в отношении набора инструментов и оценки.

В сообщении говорится, что Physical AI Toolchain добавил выгруженный физический вывод AI для роботов. Он также включает примеры проектов по разгрузке логических выводов SO-101 и UR10e. Эти названные проекты связывают описание инструментальной цепочки с конкретными примерами роботов в статье. Они конкретизируют описанную работу, не расширяя сообщаемые результаты за пределы оцененных рабочих нагрузок.

Как читать результаты

Сообщенные ограничения касаются различных частей системы. Некоторые графические процессоры меньшего размера не могли соответствовать стеку мобильных манипуляций; картографирование и планирование могут замедляться на графических процессорах с достаточным объемом памяти; своевременное обнаружение препятствий снижено на более легких графических процессорах; а точность модели VLA упала даже без существенного замедления. Между тем, в описанном сравнении более крупные встроенные графические процессоры были связаны с более высоким расходом заряда батареи. Вместе эти наблюдения создают контекст для интереса статьи к разгрузке умозаключений.

Основное утверждение по-прежнему связано с исследованием, описанным Microsoft Research: улучшение времени отклика, точности, срока службы батареи и стоимости оцениваемых рабочих нагрузок для манипулирования мобильными роботами. В публикации также описываются инструменты Kubernetes для перемещения контейнерных рабочих нагрузок между роботизированными вычислениями, периферийными графическими процессорами и облаком, а также примеры проектов для SO-101 и UR10e. Таковы конкретные выводы и детали реализации, представленные в предоставленном отчете.