Точный поворот: как ИИ учится читать между строк

Система MIT с двумя модулями LLM сокращает объем демонстрационных данных в 5 раз и считывает намерения пользователя на 15% точнее — это последний сигнал о том, что точность ИИ вступила в новую эру.

26 июня MIT CSAIL опубликовал на конференции ICRA 2026 статью, которая коренным образом переосмысливает подход роботов к обучению у людей. Алгоритм называется Маска в реальной жизни — Маскированное обратное обучение с подкреплением — и оно делает нечто обманчиво простое, но чрезвычайно важное: оно учит робота Понимайте, что вы имеете в виду, а не только то, что вы говорите<р>.<р>

Подумайте вот о чём: вы говорите роботу: «Держись рядом». Что значит «рядом»? Рядом со столом? Рядом с вами? Рядом со стеной? Традиционные системы заставляют вас проговаривать каждую деталь — иначе они будут гадать, и гадать неправильно. Masked IRL решает эту проблему с помощью Двойная архитектура LLM который одновременно проясняет неоднозначность и фильтрует шум.

Искусственный интеллект годами учился видеть. Теперь он учится понимать — и скачок в точности измеряется в кратных значениях, а не в погрешностях.

Два LLM, один Precision Leap

Прорыв заключается не в одной модели, а в две модели работают согласованно, каждый из которых обрабатывает различный уровень неоднозначности:

Результат: робот, который не просто следует инструкциям — он считывает намерение. И цифры доказывают, что это работает на уровне, недоступном для традиционных методов.

Цифры — точность измерений, а не заявлений

50 демонстраций. Именно столько потребовалось, чтобы обучить настоящую роботизированную руку Franka Emika передавать предметы человеку — перемещаться вокруг ноутбуков, избегать пролитой жидкости, соблюдать безопасное расстояние — и всё это на основе предпочтений, которые пользователь никогда явно не указывал.</p>Робот научился понимать, чего хочет человек, понимая, что тот имеет в виду.

Эволюция точности — от зрения к пониманию и намерению

Masked IRL — это не единичный прорыв. Это последний этап в четко выраженной эволюционной траектории — точность ИИ нарастала на протяжении трех различных этапов:

На этой неделе появились еще два сигнала, подтверждающих реальность стадии "Намерение":

Фокусировка VLA (Нанкин, 26 июня): Модель воплощенного интеллекта, которая не просто выполняет задачи — она предсказывает намерение робота совершить собственное действие Перед выполнением, что повышает точность и стабильность в сложных промышленных и логистических сценариях.

Армстронг Про(Нанкин, 26 июня): Складской робот второго поколения от Zhiwang Future. Первый Armstrong подтвердил концепцию в ведущей китайской логистической компании. Версия Pro уже используется на складе компании из списка Fortune 500 — от проверки технологии до коммерческого внедрения всего за одно поколение.

Закономерность очевидна: каждая новая модель не просто "немного точнее". Это Категорически более осведомлены о том, что действительно важно — фильтрация шума, прогнозирование намерений, понимание неоднозначности. Точность накапливается, а не увеличивается.

Почему это меняет экосистему робототехники

Вот что на самом деле означает для отрасли уменьшение объема обучающих данных в 5 раз:

1. Скорость развертывания резко падает.Сегодня обучение робота новой задаче требует недель сбора демонстрационных данных и настройки параметров. Эффективность данных Masked IRL означает, что Задача, для выполнения которой раньше требовалось 250 демонстраций, теперь занимает 50 — и робот понимает ваши невысказанные предпочтения лучше, чем тот, который обучен на 250 явных предпочтениях. Узким местом больше не является алгоритм. Проблема в том, чтобы поместить робота в нужную ситуацию.

2. Взаимодействие человека и робота становится естественным.Современная парадигма требует точных, технических инструкций — «переместитесь на 30 см влево, затем повернитесь на 45°». В реальной жизни в маске вы можете говорить как человек: «Поставьте кофе рядом с моим ноутбуком, но не пролейте его». Робот сам догадывается о деталях.Именно это превращает роботов из инструментов в сотрудников.

3. Шум становится терпимым.В реальных условиях всё непредсказуемо — препятствия, изменяющаяся планировка, неточные данные с датчиков. Традиционные методы IRL резко ухудшаются при изменении условий. Механизм маскирования в Masked IRL делает робота Устойчивость к шуму окружающей среды, потому что оно приучено сосредотачиваться на важном и игнорировать все остальное. Это мост из лаборатории на производственный цех.