Робот обучается в симуляции миллион эпизодов. В виртуальном мире он схватывает объект с точностью 99%. Настоящий — роняет. Первый контакт — и симуляция перестаёт быть правдой.
Это не частный сбой. Это структурное ограничение всей современной парадигмы обучения роботов.
Монреальский стартап Uncharted Dynamics привлёк многомиллионный посевной раунд от K2VC, чтобы построить «physics ground truth» (физически достоверные данные) — слой высокоточной физической симуляции, который должен закрыть разрыв между виртуальным и реальным.
Если они правы, узкое место робототехники смещается с количества данных к их физической достоверности.
Проблема известна каждому, кто пытался перенести обученную политику с симулятора на реальное железо. Исследователи из MIT, NVIDIA и Stanford называют это sim-to-real gap (разрывом между симуляцией и реальностью) — и в 2026 году этот разрыв остаётся главным ограничением индустриального внедрения embodied AI.
Три компонента — и три причины, почему политика не работает за пределами симулятора. Визуальный: рендер симулятора отличается от реальной камеры. Физический: контактная динамика, трение, деформация — симуляторы их аппроксимируют. Динамический: реальные актуаторы имеют задержки и податливость, которых нет в модели.
Физический граунд-тру: что это и почему это нужно
Данные, в которых причина, а не корреляция
Большинство современных симуляторов — MuJoCo, PyBullet, Isaac Sim — решают задачу кинематики твёрдых тел. Они знают, где находится объект. Они не знают, почему он там оказался.
Uncharted Dynamics строит мульти-телесный солвер иного класса — high-fidelity multi-body dynamics solver (мульти-телесный солвер физики высокого разрешения), который вычисляет не только положение, но и всю причинно-следственную цепочку: как сила прошла через систему, как эволюционировал контакт, как изменилось состояние материала.
Результат — Physics-Augmented Data (физически обогащённые данные). Наборы данных, дополненные физическими метками, которые камера не видит и сенсор не собирает в масштабе: полные 6-DoF (шестистепенные) контактные усилия, обратная связь по деформации, характеристики трения, отклик материала.
CEO Uncharted Dynamics Zhewen He формулирует жёстко: масштаб требует физически точного фундамента. Чем больше данных, крупнее модель и мощнее вычисления — тем отчётливей физическая недостоверность данных становится сдерживающим ограничением.
«Больше данных, крупнее модели и мощнее вычисления могут усилить способности только если данные физически состоятельны.»— Zhewen He, CEO Uncharted Dynamics
Подход компании принципиально отличается от domain randomization (рандомизации параметров) — стандартного приёма, когда параметры симуляции случайно варьируются в надежде, что политика обобщится на реальность. Domain randomization не решает проблему — она её маскирует, размывая физику вместо того, чтобы её точно моделировать.
Размер рынка: инфраструктурный слой, которого не хватало
Май 2026 года стал рекордным для embodied AI в Китае и глобально. Три компании — Lumos Robotics, Vbot и канадский Uncharted Dynamics — привлекли сотни миллионов долларов в течение одной недели. Общий объём инвестиций в инфраструктуру embodied AI за первый-второй кварталы 2026 превысил показатели всего 2025 года.
Интерес инвесторов к physics ground truth — часть более широкого тренда. После бума foundation models (фундаментальных моделей) для робототехники (Google RT-2, Figure Helix, Scout AI Fury) рынок понял: модель без физически достоверных данных — как LLM без интернета. Она может быть большой. Она не может быть точной.
По данным Yicai, сделка стартапа — одна из первых посевных инвестиций в «физический слой» стека embodied AI. K2VC, фонд с портфелем в глубоких технологиях, сделал ставку на то, что физическая симуляция станет таким же критическим слоем инфраструктуры, каким стали GPU для AI.
Почему это сейчас: триггеры 2026 года
2026 год стал переломным для sim-to-real по нескольким причинам. Первая: гуманоидные роботы вышли на конвейеры. Agibot G2 работает на реальной линии сборки планшетов — 310 единиц в час, успешность 99,9%. Figure Helix-02 выполняет восьмичасовые смены на сортировке. Boston Dynamics Atlas стал корпоративным продуктом.
Вторая: понимание, что современные симуляторы не справляются с контактно-богатыми задачами. Исследования 2025–2026 годов (включая работу He et al. на PMLR и проект Phys2Real на arXiv) показывают: zero-shot перенос (перенос без дообучения) из симуляции в реальность даёт 0–30% успешности для манипуляционных задач. Даже с domain randomization — 40–70%. Для промышленного использования требуется 500–2000 реальных демонстраций.
Третья: Nvidia, KUKA и Siemens одновременно объявили об Automation 2.0 (автоматизации второго поколения) и physical AI (физическом ИИ) как стратегическом направлении. Рынок перешёл от риторики к развёртыванию — и сразу упёрся в ограничения симуляционной инфраструктуры.
Uncharted Dynamics появилась в нужный момент. Компания основана в марте 2026 года, базируется в Монреале и фокусируется на проблемных режимах, с которыми не справляются массовые инструменты: деформация, жёстко-мягкое сопряжение, мягкий контакт, манипуляции с насыщенным контактом.
Ограничения: почему physics ground truth не серебряная пуля
Даже идеальный физический солвер не решит всех проблем sim-to-real. Остаются визуальный разрыв (симулятор выглядит иначе, чем реальность) и динамический разрыв (реальные актуаторы имеют задержки, тепловой дрейф, люфт).
Вторая проблема — масштабирование. Высокоточная физическая симуляция на несколько порядков дороже стандартной. Компания не раскрывает стоимость одного прогона своего солвера, но эксперты оценивают рост вычислительных затрат в 10–50× по сравнению со стандартными симуляторами.
Третье ограничение — данные. Physics-Augmented Data требуют валидации на реальных физических экспериментах. Чем сложнее сценарий — тем дороже валидация. Для мягких материалов, жидкостей, гранулированных сред точная физическая симуляция остаётся вычислительно недоступной.
Четвёртое — каналы сбыта. Uncharted Dynamics продаёт не робота, а инфраструктуру. Её клиенты — не производственные инженеры, а исследовательские лаборатории и научные группы. Это медленный цикл продаж с длинным сроком выхода на доход.
🟢 Валидация на контактно-богатой задаче в промышленности (сборка, вставка) с успешностью >90%
🟡 Первый крупный клиент из топ-10 мировых робототехнических R&D-центров
🔴 Если массовые инструменты (Nvidia Isaac Sim, MuJoCo) встроят сопоставимую физическую точность до конца 2027 — рыночное окно закроется
🟢 Открытый бенчмарк Physics-Augmented Data — стартап обещает выпустить эталонный датасет для сравнения солверов
Сценарий: что должно сложиться
Успех компании зависит от трёх условий. Первое: физическая точность солвера должна быть воспроизводимо выше, чем у существующих симуляторов, на задачах деформации и мягкого контакта. Второе: компания должна найти соответствие продукта рынку не как «поставщик данных», а как платформа — иначе юнит-экономика не сойдётся. Третье: рынок должен признать, что качество физических данных — такой же критический параметр для embodied AI, как количество параметров для LLM.
В базовом сценарии (вероятность ~55%) стартап занимает нишу физического солвера для исследовательских лабораторий и премиальных R&D-подразделений — рынок в $50–100 млн к 2029 году. В оптимистичном (~20%) — физический эталон становится стандартным слоем в пайплайне обучения роботов, и компания вырастает в инфраструктурный бизнес на $0,5–1 млрд. В пессимистичном (~25%) — конкуренты (Nvidia с Isaac Sim, Google с MuJoCo 3.0) закрывают разрыв быстрее, и Uncharted Dynamics остаётся академическим проектом.
Исследовательский ландшафт: кто ещё решает sim-to-real
Стартап не первый, кто пытается закрыть разрыв между симуляцией и реальностью. Но его подход принципиально отличается от того, что делают конкуренты.
NVIDIA Isaac Lab — самый прямой аналог. Платформа предоставляет инструменты для физически корректной симуляции на GPU, включая деформацию мягких тел и контактную динамику. Однако Isaac Sim остаётся генерализованным движком — он оптимизирован для визуальной достоверности, а не для того, чтобы каждая коллизия была физически точной.
Google DeepMind использует MuJoCo — лёгкий симулятор с акцентом на скорость, а не на точность контактов. Инструмент стал стандартом для исследований благодаря производительности, но его модель мягкого контакта даёт сбои именно в задачах с микронными зазорами — там, где разница в микронах решает успех схвата.
Академические работы 2025–2026 годов — Phys2Real (arXiv 2510.11689), HIB (PMLR 2026), AGILE (arXiv 2603.20147) — предлагают гибридные подходы: комбинацию симуляции высокого разрешения с онлайн-адаптацией на реальных данных. Они показывают, что даже несовершенная физическая модель в сочетании с VLM-коррекцией может дать 100% успешности против 79% у domain randomization. Но эти решения остаются исследовательскими прототипами.
Коммерческий довод компании в том, что физическая достоверность должна быть слоем инфраструктуры, а не исследовательским пайплайном. Солвер монреальского стартапа не требует от разработчика настройки параметров физики под каждую задачу — он вычисляет эталонные данные автоматически. Это коммерческий аргумент, который отличает компанию от академических проектов: продаётся не алгоритм, а слой, на котором строятся все остальные алгоритмы.
Что дальше
Физическая достоверность симуляции — последний некритичный элемент стека embodied AI. Данные есть. Модели есть. Вычисления есть. Нет только гарантии, что то, чему робот научился в виртуальном мире, сработает в реальном.
Единственный способ закрыть этот разрыв — не больше данных, а лучшая физика.
