# Семь уроков физического ИИ: как Waymo создала безопасный беспилотник Источник: https://www.youtube.com/watch?v=Gp4zrV3-6N8 Канал: Y Combinator Опубликовано: 03.08.2026 --- ## 🚗 Семь уроков физического ИИ: как Waymo прошла путь от демо до миллисекунд безопасности [[JUMP:00:07]] Развитие искусственного интеллекта долгое время концентрировалось в цифровой среде, однако сейчас индустрия переходит к физическому миру. Как отметил согенеральный директор Waymo Дмитрий Долгов на Startup School 2026, автономное вождение стало первым масштабным применением ИИ в физическом пространстве. Путь компании от первого эксперимента до флота, совершающего полмиллиона поездок в неделю, занял полтора десятилетия и потребовал переосмысления фундаментальных принципов разработки. --- ## 🚧 1. Разрыв между демонстрацией и реальным продуктом [[JUMP:06:52]] Создание работающего демо — это в лучшем случае один процент от общего объёма работы. Настоящие трудности начинаются при попытке обеспечить много «девяток» надежности. * **Исторический контекст:** Свои первые амбициозные цели — проехать 100 000 миль по 10 маршрутам без вмешательства человека — команда выполнила всего за полтора года (еще в 2010 году, задолго до современных прорывов в глубоком обучении). * **Иллюзия успеха:** Тогда казалось, что задача решена полностью, ведь система справлялась с днем, ночью, пешеходами и стройками. * **Реальность масштабирования:** На превращение технологии в работающий сервис ушло еще около десяти лет, а на масштабирование до полумиллиона поездок в неделю — еще пять. На сегодняшний день транспортные средства компании проехали более 200 миллионов полностью автономных миль в 15 городах США. * **Экспонента надежности:** Каждая новая «девятка» в проценте надежности требует примерно в 10 раз больше усилий. Демонстрации требуют минимум усилий, тогда как длинный хвост редких сценариев становится основной проблемой. --- ## 📉 2. Выбор правильной технологической кривой [[JUMP:14:17]] Разные технологические подходы имеют кривую «производительность против усилий», которая на ранних этапах дает крутой подъем, но затем неизбежно платообразно выполаживается. * **Риск тупиковых решений:** Ошибка многих стартапов заключается в выборе технологий, дающих быстрый ранний старт, но упирающихся в технологический потолок задолго до достижения требуемых продуктом показателей. * **Аппаратная избыточность:** Если для систем помощи водителю достаточно слабых сенсоров, то для полной автономности требуется сверхчеловеческое восприятие. * **Многоуровневые датчики:** По мнению Долгова, Waymo использует комбинацию камер, лидаров и радаров. Камеры обеспечивают высокое разрешение и цвет, лидары строят точную 3D-структуру, а активные датчики вроде радаров и лидаров отлично видят в кромешной темноте, при слепящем закате или сквозь песчаные бури. * **Отказоустойчивость:** Наличие нескольких модальностей датчиков гарантирует, что даже при блокировании одного из сенсоров (например, веткой дерева) автомобиль сможет безопасно вернуться в парк. При этом аппаратное обеспечение эволюционирует: шестое поколение оборудования Waymo стало значительно проще и дешевле предыдущих. --- ## 🌊 3. Оседлать каждую технологическую волну [[JUMP:21:07]] Индустрия ИИ развивается стремительно, и разработчики должны быть готовы перестраивать систему под новые технологические волны. * **Эволюция архитектуры:** Компания внедряла свёрточные нейросети для компьютерного зрения в 2013 году, трансформеры для прогнозирования поведения и планирования в 2017 году, а сегодня использует мультимодальные языковые модели (VLM) и фронтирные мировые модели. * **Сложность интеграции:** Самое сложное — перенести передовые исследования в продакшн без регрессий и замедления масштабирования продукта. Новое технологическое решение должно не просто давать прирост возможностей, но и упрощать стек, снижая фрагментацию. * **Фондовая модель Waymo:** Результатом этой философии стала мультимодальная модель мира, действий и языка. Она объединяет кодировщик сенсорных данных, модель мира (понимающую физику и динамику), модель действий и языковое выравнивание для решения редких семантических задач. * **Система 1 и Система 2:** Быстрый путь отвечает за мгновенные инстинктивные решения за миллисекунды (экстренное торможение при появлении пешехода), а медленный путь задействует глубокое семантическое рассуждение для сложных контекстуальных ситуаций (например, объезд горящего автомобиля на обочине). --- ## 🧠 4. Горький урок по-прежнему побеждает [[JUMP:30:09]] В сфере искусственного интеллекта неизменно подтверждается «горький урок» Ричарда Саттона, сформулированный в 2019 году: методы, масштабируемые за счет вычислительной мощности и данных, всегда превосходят подходы, основанные на заложенных инженерами человеческих знаниях. * **Масштабирование моделей:** Ставка на высокоемкие модели позволяет получить лучшие законы масштабирования с последующей дистилляцией в более эффективные модели для работы в реальном времени. * **Структура против масштаба:** Структура, которая борется с масштабом, всегда проигрывает, а структура, которая направляет масштаб, выигрывает. Базовые черные ящики «от конца до конца» (end-to-end) дают быстрый прогресс на старте, но для критически важных физических систем этого недостаточно. * **Структурно-дополненный подход:** Waymo использует гибридный подход — дополняет обученные эмбеддинги материализованными структурированными представлениями (правила дорожного движения, законы физики). Это позволяет проверять корректность и безопасность в режиме реального времени на борту автомобиля. --- ## 🎮 5. Необходимость качественного симулятора [[JUMP:36:41]] Для создания и безопасного развертывания физического ИИ критически необходим крупномасштабный, высокоточный и реалистичный симулятор. * **Открытый и закрытый контур:** В отличие от пассивного обучения в открытом контуре, закрытый контур позволяет агенту совершать действия, оценивать их влияние на окружающий мир и корректировать поведение. * **Симулятор как сложная модель:** Построение качественного симулятора сопоставимо по сложности с созданием самого агента. Он должен моделировать не только поведение участников дорожного движения, но и физику сенсоров. * **Синтетические сценарии:** Используя наработки в области генеративных моделей, компания может тестировать систему в чисто синтетических редких ситуациях, которые никогда не встречались в реальном мире — например, приземление самолета на автостраду, слон на перекрестке или прогулка динозавра. --- ## 🔄 6. Построение экосистемы и цикла обратной связи [[JUMP:41:36]] Для эффективной работы над проектом такой сложности требуется не просто отдельная модель, а целая экосистема из трех взаимосвязанных элементов: 1. **Агент (Agent):** непосредственно водитель, управляющий автомобилем. 2. **Симулятор (Simulator):** виртуальная среда для обучения. 3. **Критический судья (Critic):** компонент, который строго оценивает производительность агента и указывает направления для улучшений. Эксплуатация агента в реальном мире генерирует данные, которые делают симулятор реалистичнее; симулятор создает сложные пограничные случаи для критика и агента, после чего цикл повторяется, ускоряя прогресс. --- ## 📊 7. Метрики и оценки как главное конкурентное преимущество [[JUMP:43:09]] Модель сегодня становится доступной базовой возможностью, тогда как качественные метрики и система оценки образуют стратегический ров компании. * **Определение успеха:** Если невозможно количественно определить понятие «достаточно хорошо», разработка превращается в бесконечную доработку демонстрации. * **Система готовности:** Для физического ИИ оценка должна охватывать все уровни системы — от физического до поведенческого. Безопасность и метрики позволяют постепенно завоевывать доверие клиентов, регуляторов и общества. * **Невоспроизводимость опыта:** Алгоритмы можно скопировать, а модели — утечь в сеть, но сотни миллионов миль полностью автономных поездок, подтвержденных публичными аудитами и доказательной базой, практически невозможно воспроизвести. По словам Дмитрия Долгова, накопленные данные подтверждают высокую эффективность технологии: на участках работы компании Waymo демонстрирует примерно в 17 раз меньшее количество аварий с серьезными травмами по сравнению с человеческими водителями. Происходящий сегодня сдвиг показывает, что если последнее десятилетие прошло под знаком цифрового ИИ, то следующее десятилетие будет посвящено физическому миру.