Роботов обучают прямо на заводе: метод «покажи и поправь» от Reimagine Robotics

Робота нужно программировать неделями. Или можно просто показать ему, как работать, и поправить, когда ошибётся?

Прим. ред.: «144 раза» вычислили мы из данных компании, это не официальная цифра источника.

Сотрудников двадцать — по данным профиля компании в LinkedIn. Основали её в апреле 2025 года Джонатан Шольц, Олег Сушков, Ахил Раджу и Миша Денил. Шольц семь лет возглавлял Applied Robotics в лондонском офисе Google DeepMind.

Название обещает не меньше, чем решение: Reimagine происходит от идеи перепридумать роль робота на заводе. Пока это не презентации со слайдами. Компания зарабатывает на двух классах задач — ночное обслуживание серийных 3D-печатей и подготовка старых жёстких дисков к переработке.

Как устроен процесс обучения

Классическая схема внедрения робота выглядит так: интегратор неделями программирует траектории, хваты и последовательности операций. Любая переналадка линии снова тянет за собой программиста.

Основатель компании описывает обратный порядок: рабочий показывает задачу, робот пытается её повторить, ошибку исправляют на месте. Никаких специалистов по коду на линии. Этот принцип в компании называют «обезьянка видит, обезьянка делает».

Внутри такие демонстрации называют «уроками». Урок можно проиграть на реальной детали, а можно показать на похожей заготовке — робот пробует и ждёт реакции. Если действие верное, сотрудник подтверждает; если нет — показывает заново. Такой диалог ведёт навык к повторяемости, не требуя ни строчки кода.

В индустрии это пост-обучение (post-training, то есть дообучение после базовой модели): черновую способность доводят до надёжного продукта. Разница в том, где это происходит. Многие лаборатории — в лаборатории. Reimagine — в поле, на реальной работе, руками того, кто эту работу делает.

Усвоенный навык синхронизируется на весь парк роботов. Знание одного рабочего превращается в способность всей очереди машин.

Метод наследует тому, что сделало большие языковые модели удобными: сначала широкий базовый слой, потом небольшая донастройка под конкретную задачу. Только здесь носителем демонстрации становится не набор текстов, а движения и захваты реального манипулятора. Поэтому команда из DeepMind здесь не случайность: Applied Robotics в Лондоне десятилетие решала именно задачу моста между обучением и физикой. Когда симуляция, инструменты и реальная среда расходятся, преимущество получает тот, кто умеет чинить разрыв инженером прямо на полу.

Что происходит на полу цеха

Первым клиентом оказалось производство пластиковых изделий на заказ. Роботы всю ночь обслуживали 3D-принтеры: снимали печатную платформу, нажимали фиксаторы, управляли кнопками. Команда заказчика сама через платформу добавила этапы мойки, отверждения и сушки — без программиста.

Второй проект — возврат ценных материалов из отработавших жёстких дисков. Здесь собрана ячейка из трёх роботов, работающих вместе с людьми. В процессе команда обнаружила, что новый навык можно проверить за десять минут вместо дня. Это меняет ритм работы: идеи проверяют почти сразу, не дожидаясь цикла программирования.

Формулировка Шольца: робот приходит с позицией нового сотрудника — «чем помочь?» Рабочий показывает, поправляет, идёт дальше. Доля ручного труда не исчезает, она меняет роль: человек остаётся учителем, а не оператором клавиатуры.

Почему это совпало с волной финансирования

Скорость рынка подтверждается деньгами. 15 июля Walden Robotics вышел из стелса с $300 млн посевного раунда и оценкой $1,1 млрд — роботы компании уже работают на заводе Toyota в Северной Америке. Proception, стартап из Y Combinator, привлёк $11 млн на разработку кистей для гуманоидных роботов. GENISOM делает ставку на серийные платформы для массового производства.

Каждая из этих компаний отвечает на один и тот же вопрос: как масштабировать робототехнику, если обучение стоит дороже железа?

Инвесторы уже платят за скорость развёртывания. Парадокс в том, что железо дешевеет, а программирование не успевает: каждая новая задача требует новых недель специалиста. Поэтому оценки летят вверх там, где процесс обучения сжимается с недель до минут. Walden получил почти $1,1 млрд ещё до первых публичных клиентов — рынок покупает путь, а не продажи. Reimagine движется по той же логике, но ставит в центр не демо, а заводской пол. Для ранней стадии это нетипичная ставка — и именно она делает историю примечательной.

Ответ начинает складываться общий. Не «универсальный робот», а система, которую можно быстро обучить под конкретную задачу. Не программирование как услуга, а навык как продукт. Как мы писали в июльском сравнении гуманоидных роботов: железо всё меньше отличает компании друг от друга, счёт идёт за данные и способы обучения.

Что уходит из моды

Традиционная интеграция трещит по швам. Каждая переналадка — неделя работы специалиста. Каждая новая задача — новый проект. Пока индустрия ждала «универсального программиста», среда ушла вперёд.

Дорогая телеоперация тоже не панацея: оператор стоит дорого, масштабирование сложное, а задержка дистанционного управления остаётся проблемой для быстрых операций. Reimagine занимает нишу между ними: работник сам становится инструктором.

Отдельно замечают и симуляцию. Цифровой двойник переносит обучение в виртуальный цех, но реальные трения — замятие, скольжение, неожиданный зазор — остаются за бортом. Reimagine разворачивает школу прямо в точке сбора этих трений. Симуляторы от этого не исчезают, но перестают быть обязательным этапом подготовки.

Индустриальные роботы, запертые в предзаданных сценариях, остаются. Их доля будет падать там, где процессы меняются часто.

Чего не хватает для широкого внедрения

Честно о рисках. Компания не раскрывает ни сумму раунда, ни точную производительность. Публичные кейсы пока — пластик и разборка дисков. Это не литейный цех, не сборка двигателя и не пищевое производство со строгими нормами.

Один показанный сценарий не равен надёжности на тысяче повторов. Синхронизация навыков между роботами звучит красиво, но данные о переносе умений между средами скупы. Генерализация — главный камень преткновения для всего поля робототехники.

Есть и вопросы к плотности повторов. Один сценарий из пресс-релиза не гарантирует тысяч стабильных циклов: устойчивость к вариациям деталей и освещения остаётся полем проверок. Плюс безопасность работы рядом с человеком: пока нормы под такие сценарии дообучения на линии только формируются, работать придётся с оглядкой на регламенты.

Есть и управленческий вопрос. Обучение на рабочем месте передаёт владение процессом сотруднику. Это перераспределение ответственности, а не просто техническая фича. Не каждое производство готово доверить обучение машины тому, кто нажимает кнопки.

Требование к данным тоже выше, чем кажется. Для устойчивого навыка нужна плотная обратная связь: какие попытки верные, какие нет и почему. Это уже не инженерный проект, а система сбора размеченных примеров. Компании, у которых такого трубопровода нет, останутся на стадии демонстраций.

Сценариев может быть много, но конечный поворот прост: если обучение на рабочем месте заработает в масштабе, деньги потекут не в интеграцию, а в данные и навык.

Кто выиграет от перехода к обучению

Если подход работает, рынок интеграции робототехники переструктурируется. Покупатель роботов начнёт платить не за часы программирования, а за скорость обучения и за данные навыков.

Фабрика станет средой, где рабочие обучают машины, а производитель платформы зарабатывает на каждом новом развёртывании. Сравнение с модельными компаниями из других секторов не выдерживает: в робототехнике такой сдвиг несёт ещё и аппаратный риск.

Выгоднее всего будет тем, кто уже строит данные о навыках: чем больше производств распознает задачу, тем дешевле следующее развёртывание. Ценность переходит от кастомной инженерии к библиотеке обучающих примеров — и эта библиотека станет частью конкурентного барьера.

Среди проигравших — классические интеграторы, где цена складывается из часов. Чем быстрее обучение, тем меньше часов можно продать. Им придётся переключаться на аудит, обучение операторов и гарантию качества — ровно то, что уже происходит в ИТ-интеграции вокруг больших моделей.

Меньше всего переживают производители железа: для них Reimagine — канал продаж, а не конкурент. Роботы, которые годами собирали пыль на стенде, получают ценность быстрее, чем конкуренты успевают написать техническое задание. Продавать манипулятор вместе с обучением — выигрыш для обеих сторон.

Симуляционные платформы тоже под давлением: если навык рождается за десять минут на реальной линии, платить за дорогой цифровой двойник готовы меньше. Правда, ниша не исчезает — симуляция остаётся нужной для опасных операций и предобучения парка.

Интеграторы при этом переживут трансформацию ролей: их работа сдвинется с писания траекторий к аудиту и обучению команд. Пока рынок маленький, но именно такие маленькие сдвиги часто превращаются в структуру отрасли на годы.

Именно в этом месте сейчас главный конкурентный разрыв. Тот, кто делает обучение дешёвым, меняет правила игры быстрее, чем тот, кто делает корпус красивее.

Итог короткий и ясный: ставка Reimagine на обучение на рабочем месте отражает общее движение рынка от программирования к навыку. Скорость проверки нового умения и синхронизация умений по всему парку машин — это именно те метрики, за которыми стоит следить в следующие кварталы. Если темп сохранится, разрыв между демонстрацией и заводским контуром станет главной точкой конкуренции в новой волне производственной робототехники.