Физический ИИ, который управляет роботами и промышленным оборудованием в реальной среде, сталкивается с проблемой иерархии. На вершине OpenAI и Google разрабатывают масштабируемые мультимодальные базовые модели. Посередине Nvidia создает платформы и инструменты для разработки физического ИИ.
Существует и третья группа: производители вроде Hitachi и немецкой Siemens. Они утверждают, что машины не смогут ориентироваться в физическом мире без глубокого понимания его основ.
Эта идея переходит от стратегических обсуждений к реальным внедрениям на производстве, как рассказала Hitachi в недавнем интервью Nikkei Asia.
Почему физическому ИИ требуется нечто большее, чем сильная модель
Косукэ Янай, заместитель директора Центра инноваций в технологиях искусственного интеллекта Hitachi, прямо объясняет разницу между рабочим физическим ИИ и чисто теоретическим. По его словам Nikkei, внедрение физического ИИ в общество невозможно без системного подхода, начинающегося с базовых знаний о физике и промышленном оборудовании.
Hitachi предлагает свой подход: компания накопила огромный объем таких знаний за десятилетия создания железных дорог, энергетической инфраструктуры и систем промышленного управления. У нее есть технологии симуляции тепловых потоков жидкостей и газов, а также инструменты обработки сигналов для мониторинга состояния оборудования. Янай называет это инженерной основой, на которой строится глубокое понимание конструкции продуктов и логики управления.
От идеи к практике: Daikin и JR East
Общая архитектура физического ИИ от Hitachi — Интегрированная модель инфраструктуры мира (IWIM), которая представляет собой систему смеси экспертов, объединяющую специализированные модели, симуляторы и наборы данных, — пока на стадии проверки концепции. Однако два реальных проекта показывают эффективность базового подхода.
Вместе с Daikin Industries Hitachi внедрила ИИ-систему для диагностики неисправностей в оборудовании по производству коммерческих кондиционеров. Система обучена на записях обслуживания, инструкциях и чертежах конструкции, и теперь она определяет, какой компонент выходит из строя при обнаружении сбоя. Раньше такая интуиция была только у опытных инженеров.
С East Japan Railway (JR East) Hitachi разработала ИИ, который выявляет корень проблемы в устройствах управления трафиком токийского метро и помогает операторам составлять план действий. В сети, где задержки влияют на миллионы поездок ежедневно, ускорение диагностики дает ощутимый эффект.
Направления исследований: сокращение времени разработки
Продвижение физического ИИ Hitachi отражено и в научных публикациях. В декабре 2025 года компания представила результаты двух проектов на конференции ASE 2025 — ведущем форуме по инженерии ПО. Они решают ключевую проблему промышленного ИИ: затраты времени на написание и адаптацию управляющего ПО.
В автомобилестроении Hitachi и дочерняя Astemo создали систему на базе генерации, дополненной поиском (RAG), которая автоматически генерирует скрипты интеграционных тестов для электронных блоков управления автомобилями (ECU). Она использует данные об API оборудования и знания инженеров с производства. В пилотном тесте многоядерных ECU время на интеграционные тесты сократилось на 43% по сравнению с ручной работой.
В логистике разработана технология управления вариабельностью, которая разбивает ПО для управления роботами на переиспользуемые модули на базе роботизированной операционной системы (ROS). Заранее анализируя переменные среды и требования операций в разных складах, система позволяет адаптировать рабочие процессы под новые товары или планировки без переписывания кода с нуля.
Безопасность как неотъемлемая часть конструкции
Общая черта всех разработок физического ИИ в Hitachi — акцент на барьеры безопасности, встроенные в сам дизайн системы, а не добавленные постфактум. Янай рассказал Nikkei, что компания интегрирует технологии управления и надежности из проектов социальной инфраструктуры, чтобы выводы ИИ не выходили за рамки параметров, одобренных людьми.
Сюда входит проверка входных данных для отсева неподходящих для обучения, верификация выходов для предотвращения опасных действий машин и мониторинг самой модели ИИ на аномалии в реальном времени.
Это принципиально важно. Системы физического ИИ терпят сбои в реальном мире, а не в песочнице. Риски для ИИ, управляющего сигнализацией на железной дороге или фабричными роботами, несопоставимы с чат-ботами.
Инфраструктура на уровне амбиций
В инфраструктуре Hitachi Vantara, подразделение по данным и цифровым решениям, становится ранним пользователем серверов NVIDIA RTX PRO на базе GPU RTX PRO 6000 Blackwell Server Edition. Эти машины ускоряют задачи агентного и физического ИИ. Их сочетают с платформой iQ для создания цифровых двойников — виртуальных копий физических систем, симулирующих колебания сети или движения роботов в большом масштабе.
Концепция IWIM соединяет открытую платформу Nvidia Cosmos для физического ИИ с японскими большими языковыми моделями и визуальными языковыми моделями через протокол контекста модели (MCP). Это каркас для объединения моделей, симуляторов и промышленных данных, необходимых физическому ИИ.
Гонка в физическом ИИ далека от финиша. Но позиция Hitachi — что экспертиза в области и операционные данные так же критичны, как архитектура моделей, — набирает вес. Особенно когда партнеры вроде Daikin и JR East показывают реальную ценность такого подхода на практике.