sejournal.io

Вот перефразированная новость на русском языке:

Компания Nvidia может выступить финансовым гарантом на сумму около 250 миллиардов долларов для OpenAI в рамках строительства дата-центра для искусственного интеллекта в американском штате Огайо. Об этом пишет The Wall Street Journal со ссылкой на источники, знакомые с ходом переговоров.

По информации издания, речь идет об аренде центра мощностью 10 гигаватт на юге штата. Проект курирует японский холдинг SoftBank через свое подразделение SB Energy. Основатель банка Масаёси Сон оценил возможную стоимость проекта примерно в 500 миллиардов долларов.

Гарантия Nvidia должна снизить риски для кредиторов, которые будут финансировать аренду и строительство инфраструктуры. Если OpenAI или сам проект не смогут расплатиться по обязательствам, часть рисков ляжет на компанию-гаранта.

При этом гарантия на 250 миллиардов долларов не будет распространяться на чипы Nvidia, установленные внутри объекта. Отдельно стороны обсуждают покупку процессоров OpenAI на сумму до 350 миллиардов долларов.

Издание также отмечает, что доступ к мощностям объекта фактически контролируется правительством США, а министр торговли Говард Лутник участвует в их распределении. Журналисты подчеркивают, что переговоры находятся на ранней стадии и могут быть прерваны. По данным Bloomberg, условия финансирования также могут измениться. В Reuters добавили, что Nvidia, OpenAI и SoftBank не предоставили комментариев.

Финансовая гарантия такого масштаба может стать серьезным условным обязательством для Nvidia. Согласно отчету компании за квартал, завершившийся 26 апреля 2026 года, ее совокупные активы составляли 259,5 миллиарда долларов, акционерный капитал — 195,5 миллиарда, денежные средства и их эквиваленты — 13,2 миллиарда, а рыночные долговые бумаги — 37,1 миллиарда долларов.

Потенциальная сделка усиливает дискуссию о круговом финансировании в сфере ИИ. В такой схеме производители чипов, облачные провайдеры и разработчики ИИ поддерживают спрос друг друга через инвестиции, гарантии, аренду мощностей и долгосрочные контракты.

Для OpenAI возможная гарантия Nvidia может упростить доступ к инфраструктуре и снизить зависимость от мощностей Microsoft, Amazon и Oracle. Для Nvidia — закрепить долгосрочный спрос на свои ускорители, но одновременно расширить свою роль: компания выступит не только поставщиком оборудования, но и финансовым участником инфраструктурных проектов.

Bloomberg отдельно указал на этот риск в контексте уже существующих сделок Nvidia. Компания инвестировала в облачного провайдера CoreWeave, который использует ее графические процессоры (GPU), а затем заключила соглашение о выкупе невостребованных мощностей CoreWeave.

Напомним, в сентябре 2025 года Nvidia и OpenAI подписали меморандум о стратегическом партнерстве с общим объемом инвестиций до 100 миллиардов долларов. Партнерство должно было дополнить инфраструктурные проекты OpenAI с Microsoft, Oracle, SoftBank и участниками проекта Stargate.

В феврале 2026 года OpenAI снизила долгосрочный план расходов на 800 миллиардов долларов после сообщений о проблемах с проектом Stargate. В марте инвесторы разочаровались в SoftBank из-за ее агрессивной ставки на компанию Сэма Альтмана.

Вот перефразированная новость на русском языке:

В ходе технического эксперимента компании Nvidia точность модели Cosmos 3 Nano в тесте с выбором правильного ответа из четырёх вариантов выросла с 54,41% до 93,35% менее чем за сутки. Основные этапы дообучения выполнил ИИ-агент Codex, действовавший по заранее подготовленным инструкциям с использованием инструментария TAO.

Результат был получен на специализированном наборе данных Woven Traffic Safety от компании Woven by Toyota. Этот датасет содержит видеозаписи дорожных ситуаций и вопросы с четырьмя вариантами ответов. Для обучения и проверки модели использовалось более 8000 примеров.

Без дополнительной адаптации модель Cosmos 3 Nano правильно отвечала на 54,41% вопросов. Затем разработчики поручили агенту Codex оценить базовую модель и провести её дообучение с помощью метода LoRA.

Агент выбрал подходящую инструкцию Cosmos-reason, проверил аннотации датасета и обнаружил, что отсутствует параметр частоты кадров. После исправления конфигурации он загрузил веса модели, подготовил настройки и запустил обучающий контейнер.

Метод LoRA не изменяет все параметры модели, а обучает лишь небольшие дополнительные адаптеры. По расчётам Nvidia, в этом эксперименте такой подход потребовал примерно в семь раз меньше графического процессорного времени, чем полное дообучение Cosmos 3 Nano.

Один цикл обучения с помощью LoRA занял около 30 минут на восьми ускорителях NVIDIA A100 с 80 ГБ памяти. Точность модели после этого выросла до 87,14%.

Вторым запросом разработчики запустили инструмент TAO AutoML для подбора оптимальной скорости обучения, размера пакета, параметров LoRA и других настроек. Система провела 43 параллельных испытания. Лучший результат, полученный с помощью байесовской оптимизации, составил 93,35%. Этот этап занял 19,5 часа на нескольких узлах A100 в облачной инфраструктуре Oracle.

В ходе эксперимента агент Codex не ограничивался анализом результатов. Он выбирал рабочий процесс, проверял данные, исправлял конфигурацию, запускал контейнеры и сравнивал показатели. При этом автономность агента оставалась ограниченной — он действовал строго по заранее подготовленным инструкциям.

Показатель 93,35% отражает точность ответов на проверочной части одного исследовательского датасета. Он не оценивает безопасность автономного вождения и не подтверждает способность модели принимать решения в реальном времени.

Напомним, что в июне исследователи Nvidia, Университета Карнеги-Меллона и Калифорнийского университета в Беркли представили фреймворк ENPIRE, который позволяет ИИ-агентам для программирования улучшать алгоритмы управления роботами на реальном оборудовании.

Вот перефразированная новость на русском языке:

В рамках технического эксперимента компании Nvidia точность модели Cosmos 3 Nano в тесте с выбором правильного ответа из четырёх вариантов выросла с 54,41% до 93,35% менее чем за сутки. Все ключевые этапы дообучения выполнил ИИ-агент под названием Codex, действовавший по заранее подготовленным инструкциям с использованием инструментария TAO.

Тестирование проводилось на специализированном наборе данных Woven Traffic Safety от компании Woven by Toyota. Этот датасет включает видеозаписи дорожных ситуаций и вопросы с четырьмя вариантами ответов. Для обучения и проверки модели было задействовано более 8000 примеров.

Изначально, без дополнительной настройки, Cosmos 3 Nano дала правильные ответы лишь в 54,41% случаев. Затем разработчики поручили агенту Codex оценить базовую модель и провести её дообучение с помощью метода LoRA.

Агент выбрал подходящую инструкцию Cosmos-reason, проверил аннотации данных и обнаружил, что в конфигурации отсутствует параметр частоты кадров. После исправления этой ошибки он загрузил веса модели, подготовил необходимые настройки и запустил обучающий контейнер.

Метод LoRA не изменяет все параметры модели, а обучает лишь небольшие дополнительные адаптеры. По оценкам Nvidia, такой подход потребовал примерно в семь раз меньше вычислительных ресурсов GPU, чем полное дообучение Cosmos 3 Nano.

Один цикл обучения LoRA занял около 30 минут на восьми ускорителях NVIDIA A100 с 80 ГБ памяти. В результате точность модели повысилась до 87,14%.

На втором этапе разработчики с помощью специального запроса запустили инструмент TAO AutoML для подбора оптимальной скорости обучения, размера пакета данных, параметров LoRA и других настроек. Система провела 43 параллельных испытания. Лучший результат, достигнутый с использованием байесовской оптимизации, составил 93,35%. Этот этап длился 19,5 часов на нескольких узлах A100 в облачной инфраструктуре Oracle.

В ходе эксперимента Codex не только анализировал результаты. Он самостоятельно выбирал рабочий процесс, проверял данные, исправлял конфигурацию, запускал контейнеры и сравнивал полученные метрики. При этом автономность агента была ограниченной — он действовал строго по заранее подготовленным инструкциям.

Стоит отметить, что показатель точности в 93,35% относится только к проверочной части одного исследовательского датасета. Он не характеризует безопасность систем автономного вождения и не доказывает способность модели принимать решения в реальном времени.

Напомним, что в июне исследователи из Nvidia, Университета Карнеги-Меллона и Калифорнийского университета в Беркли представили фреймворк ENPIRE. Эта система позволяет ИИ-агентам, предназначенным для программирования, улучшать алгоритмы управления роботами на реальном оборудовании.

В техническом эксперименте Nvidia точность модели Cosmos 3 Nano в тесте с выбором одного из четырёх вариантов ответа увеличилась с 54,41% до 93,35% менее чем за сутки. Основные этапы дообучения выполнил ИИ-агент Codex, следуя заранее подготовленным инструкциям TAO.

Результат был получен на специализированном датасете Woven Traffic Safety от компании Woven by Toyota. Он включает видеоролики дорожных ситуаций и вопросы с четырьмя вариантами ответов. Для обучения и проверки использовалось более 8000 примеров.

Без дополнительной настройки Cosmos 3 Nano правильно ответила на 54,41% вопросов. Затем разработчики поручили Codex оценить базовую модель и провести дообучение с помощью метода LoRA.

Агент выбрал специализированную инструкцию Cosmos-reason, проверил аннотации датасета и обнаружил, что отсутствует параметр частоты кадров. После исправления конфигурации он загрузил веса модели, подготовил настройки и запустил обучающий контейнер.

LoRA не изменяет все параметры модели, а обучает лишь небольшие дополнительные адаптеры. По расчётам Nvidia, в этом эксперименте метод потребовал примерно в семь раз меньше GPU-часов, чем полное дообучение Cosmos 3 Nano.

Один прогон LoRA занял около 30 минут на восьми ускорителях NVIDIA A100 с 80 ГБ памяти. Точность выросла до 87,14%.

Вторым запросом разработчики запустили TAO AutoML для подбора скорости обучения, размера пакета, параметров LoRA и других настроек. Система провела 43 параллельных испытания. Лучший результат с байесовской оптимизацией составил 93,35%. Этот этап занял 19,5 часа на нескольких узлах A100 в Oracle Cloud Infrastructure.

Codex в эксперименте не ограничивался анализом результатов. Он выбирал рабочий процесс, проверял данные, исправлял конфигурацию, запускал контейнеры и сравнивал метрики. Автономность агента оставалась ограниченной — он действовал по заранее подготовленным инструкциям.

Показатель 93,35% отражает точность ответов в проверочной части одного исследовательского датасета. Он не измеряет безопасность автономного вождения и не подтверждает способность модели принимать решения в реальном времени.

Напомним, в июне исследователи Nvidia, Университета Карнеги-Меллона и Калифорнийского университета в Беркли представили ENPIRE — фреймворк, который позволяет ИИ-агентам для программирования улучшать политики управления роботами на реальном оборудовании.

Финская компания Nokia представила платформу AI-RAN, созданную на базе технологий Nvidia для использования в мобильных сетях. Пилотные запуски запланированы на конец 2026 года, а коммерческие поставки начнутся в 2027-м.

AI-RAN объединяет функции сети радиодоступа и вычисления на основе искусственного интеллекта в единой инфраструктуре. Nokia называет это решение первой коммерческой платформой такого рода с изначально встроенными возможностями ИИ. Оно поможет операторам эффективнее использовать существующие частоты и оборудование, а также быстрее внедрять новые функции без необходимости полной замены инфраструктуры.

В основе платформы — программное обеспечение Nokia anyRAN и платформа Nvidia Aerial AI-RAN. Решение поддерживает сети 4G и 5G, а в будущем позволит перейти к 6G через программные обновления.

По заявлению компании, тесты показали рост спектральной эффективности более чем на 20%. Nokia планирует достичь 50% к 2027 году и свыше 100% — к 2028-му.

«Мы внедряем Nvidia CUDA и искусственный интеллект в базовые станции, превращая RAN в ИИ-компьютер планетарного масштаба», — отметил глава Nvidia Дженсен Хуанг.

Nokia также переходит на подписную модель. Операторы смогут получать доступ к новым ИИ-алгоритмам, инструментам оптимизации сети и улучшениям производительности через обновления ПО, не дожидаясь следующей замены оборудования.

Ранее Nokia и оператор Taiwan Mobile расширили сотрудничество по модернизации сети на Тайване. Финская компания установит оборудование AirScale и ИИ-системы для автоматизации, прогнозного обслуживания, управления трафиком и энергопотреблением.

Напомним, в октябре 2025 года Nvidia объявила о новых деталях партнерства с Nokia. Компания приобретет 2,9% акций финского телеком-гиганта за $1 млрд и начнет совместную разработку оборудования для мобильных сетей следующего поколения.

Финская компания Nokia представила платформу AI-RAN, созданную на базе технологий Nvidia для мобильных сетей. Пилотные запуски запланированы на конец 2026 года, а коммерческие поставки начнутся в 2027-м.

AI-RAN объединяет функции сети радиодоступа и вычисления на основе искусственного интеллекта (ИИ) на единой инфраструктуре. Nokia называет эту разработку первой коммерческой платформой для таких сетей с изначально встроенными возможностями ИИ. Решение позволит операторам повысить эффективность использования существующих частот и оборудования, а также быстрее внедрять новые функции без необходимости полной замены инфраструктуры.

В основе платформы лежат программное обеспечение Nokia anyRAN и платформа Nvidia Aerial AI-RAN. Она поддерживает стандарты 4G и 5G, а в будущем, благодаря обновлениям ПО, обеспечит переход к 6G.

По данным компании, тесты показали рост спектральной эффективности более чем на 20%. В Nokia рассчитывают достичь 50% к 2027 году и более 100% — к 2028-му.

«Мы внедряем Nvidia CUDA и искусственный интеллект в базовые станции, превращая RAN в ИИ-компьютер планетарного масштаба», — заявил глава Nvidia Дженсен Хуанг.

Nokia также перейдет на подписную модель. Операторы смогут получать доступ к новым ИИ-алгоритмам, инструментам оптимизации сети и улучшениям производительности через обновления ПО, не дожидаясь следующего цикла замены оборудования.

Ранее Nokia и оператор Taiwan Mobile расширили партнерство по модернизации сети на Тайване. Финская компания внедрит оборудование AirScale и ИИ-системы для автоматизации, прогнозного обслуживания, управления трафиком и энергопотреблением.

Напомним, в октябре 2025 года Nvidia объявила о новых деталях партнерства с Nokia. Компания приобретет 2,9% акций финского телеком-гиганта за $1 млрд и начнет совместную разработку оборудования для мобильных сетей следующего поколения.

Финская компания Nokia представила платформу AI-RAN, созданную на основе технологий Nvidia для мобильных сетей. Пробные запуски запланированы на конец 2026 года, а коммерческие поставки начнутся в 2027-м.

AI-RAN объединяет работу сети радиодоступа и вычисления с использованием искусственного интеллекта на единой инфраструктуре. Nokia называет своё решение первой коммерческой платформой такого рода, изначально оснащённой встроенными ИИ-функциями. Она позволит операторам повысить эффективность использования уже имеющихся частот и оборудования, а также быстрее внедрять новые возможности без полной замены инфраструктуры.

В основе платформы лежат ПО Nokia anyRAN и платформа Nvidia Aerial AI-RAN. Система поддерживает 4G и 5G, а в будущем через программные обновления обеспечит переход к 6G.

Согласно данным компании, тесты показали рост спектральной эффективности более чем на 20%. В Nokia ожидают достичь 50% к 2027 году и более 100% — к 2028-му.

«Мы внедряем Nvidia CUDA и искусственный интеллект в базовые станции, превращая RAN в ИИ-компьютер планетарного масштаба», — заявил глава Nvidia Дженсен Хуанг.

Nokia также переходит на подписную модель. Операторы смогут получать доступ к новым ИИ-алгоритмам, средствам оптимизации сети и улучшениям производительности через обновления ПО, не дожидаясь следующего цикла замены оборудования.

Ранее Nokia и оператор Taiwan Mobile расширили партнёрство по модернизации сети на Тайване. Финская компания внедрит оборудование AirScale и ИИ-системы для автоматизации, прогнозного обслуживания, управления трафиком и энергопотреблением.

Напомним, в октябре 2025 года Nvidia объявила о новых деталях сотрудничества с Nokia. Компания приобретёт 2,9% акций финского телеком-гиганта за $1 млрд и начнёт совместную разработку оборудования для мобильных сетей следующего поколения.

Компания Nvidia выложила в открытый доступ код и инструменты для обучения своей разработки — Ising Decoder ColorCode 1 Fast. Этот ИИ-модуль сперва обрабатывает сигналы об ошибках, а затем передаёт их декодеру Chromobius.

В ходе симуляции такая связка снизила частоту логических ошибок в 347,7 раза, а обработку ускорила в 7,3 раза по сравнению с работой одного Chromobius. Тестирование проводилось на модели квантовой памяти с кодовым расстоянием 31 и уровнем физических ошибок 0,3%. Важно, что испытания шли на синтетических данных, а не на реальном квантовом процессоре.

Сама нейросеть Ising Decoder ColorCode 1 Fast — это 17-слойная трёхмерная свёрточная сеть примерно на 2,9 миллиона параметров. Её поле охвата равно 13, а для обучения использовались массивы данных размером 13 × 13 × 19.

Модель не является самостоятельным декодером, а выступает как предварительный этап: она анализирует локальные ошибки, уменьшает их количество и передаёт оставшуюся разреженную карту классическому декодеру Chromobius.

Цветовые коды приблизились к работе в реальном времени

Квантовая коррекция ошибок нужна, чтобы объединять нестабильные физические кубиты в более надёжные логические. Декодер анализирует результаты контрольных замеров и решает, какие сбои нужно исправить.

Обычно для хранения квантовой информации используют поверхностные коды — у них выше порог ошибок и их проще декодировать. Цветовые коды позволяют эффективнее выполнять некоторые логические операции, но их сигналы об ошибках сложнее обрабатывать. Как отмечают в Nvidia, именно отсутствие быстрых и точных декодеров долго мешало применять такие коды в реальном времени.

Ising Decoder ColorCode 1 Fast призван снизить нагрузку на основной алгоритм. Авторы исследования утверждают, что преимущество связки с Chromobius растёт по мере увеличения кодового расстояния.

При этом сравнение скорости проводилось на разном оборудовании: нейросеть запускали на Nvidia DGX GB300, а Chromobius — на процессоре Grace Neoverse-V2. Так что ускорение в 7,3 раза связано не только с разницей в алгоритмах, но и с использованием GPU вместо CPU.

Nvidia уже выложила фреймворк и рецепты обучения в открытый репозиторий под лицензией Apache 2.0.

Семейство открытых моделей Ising компания представила ещё в апреле. В него входят инструменты для калибровки квантовых процессоров и коррекции ошибок.

Напомним, что в июне IBM обновила свою дорожную карту и заявила, что создаст первый в мире крупномасштабный отказоустойчивый квантовый компьютер к 2029 году.

Компания Nvidia выложила в открытый доступ код и инструменты для обучения нейросети Ising Decoder ColorCode 1 Fast. Этот ИИ-модуль занимается предварительной обработкой сигналов об ошибках, после чего передаёт их декодеру Chromobius.

В ходе симуляции такая связка показала снижение частоты логических ошибок в 347,7 раза, а скорость обработки выросла в 7,3 раза по сравнению с использованием только Chromobius. Тестирование проводилось на модели квантовой памяти с кодовым расстоянием 31 и физической частотой ошибок 0,3%. Важно отметить, что испытания шли на синтетических данных, а не на реальном квантовом процессоре.

Сама нейросеть Ising Decoder ColorCode 1 Fast представляет собой 17-слойную трёхмерную свёрточную сеть с примерно 2,9 миллиона параметров. Её поле охвата составляет 13, а обучение велось на входных массивах размером 13 × 13 × 19.

Эта модель не является самостоятельным декодером, а служит предварительным этапом. Она анализирует локальные сигналы об ошибках, сокращает их число и передаёт оставшуюся разреженную карту классическому декодеру Chromobius.

Цветовые коды становятся ближе к работе в реальном времени

Квантовая коррекция ошибок позволяет объединять нестабильные физические кубиты в более надёжные логические. Декодер анализирует результаты контрольных измерений и определяет, какие сбои нужно исправить.

Для хранения квантовой информации часто применяются поверхностные коды — у них сравнительно высокий порог ошибок, и их легче декодировать. Цветовые коды позволяют эффективнее выполнять некоторые логические операции, но их сигналы об ошибках обрабатывать сложнее. По словам Nvidia, отсутствие быстрых и точных декодеров долгое время мешало использовать такие коды в реальном времени.

Ising Decoder ColorCode 1 Fast призван снизить нагрузку на основной алгоритм. Авторы исследования утверждают, что преимущество связки с Chromobius растёт по мере увеличения кодового расстояния.

При этом сравнение скорости проводилось на разном оборудовании: нейросеть работала на Nvidia DGX GB300, а Chromobius — на процессоре Grace Neoverse-V2. Таким образом, ускорение в 7,3 раза объясняется не только разницей в алгоритмах, но и использованием GPU вместо CPU.

Nvidia уже выложила фреймворк и рецепты обучения в открытый репозиторий под лицензией Apache 2.0.

Семейство открытых моделей Ising компания представила ещё в апреле. Оно включает инструменты для калибровки квантовых процессоров и коррекции ошибок.

Напомним, что в июне IBM обновила свою дорожную карту, согласно которой компания планирует создать первый в мире крупномасштабный отказоустойчивый квантовый компьютер к 2029 году.

Вот перефразированная версия новости на русском языке:

Nvidia, Университет Карнеги-Меллон и Калифорнийский университет в Беркли представили ENPIRE — систему, которая позволяет ИИ-агентам самостоятельно улучшать алгоритмы управления роботами на реальном оборудовании.

Работа построена по замкнутому циклу: робот выполняет задачу, среда автоматически оценивает результат и возвращается в исходное положение, а ИИ-агент анализирует ошибки, переписывает код и запускает новую серию тестов.

Как устроен ENPIRE

Обучение на реальных роботах — дорогой и медленный процесс. После неудачи нужно вручную восстанавливать сцену, проверять результат и корректировать алгоритм. ENPIRE автоматизирует этот процесс, перенося подход AutoResearch в физический мир. Система состоит из четырёх модулей:

— Environment — автоматический сброс сцены, проверка результата, логирование и безопасность.
— Policy Improvement — улучшение политики управления.
— Rollout — тестирование на одном или нескольких роботах.
— Evolution — анализ логов, поиск идей в литературе, изменение инфраструктуры и исправление кода.

После начальной настройки цикл может работать без участия человека. Агент анализирует видео, траектории и функцию награды, выдвигает гипотезы, меняет код и тестирует его на роботе.

Зачем нужны автоматическая проверка и сброс

Ключевая особенность — автоматизация проверки результата и возврата сцены в исходное состояние. Например, в задаче с кабельной стяжкой система использует детектор, сегментационную модель и две камеры, чтобы определить успех без ручной разметки. Автоматический сброс позволяет проводить множество попыток подряд без участия человека.

На первом этапе человек помогает создать постоянные инструменты (процедуру сброса и функцию награды), после чего агент берёт на себя дальнейшее улучшение.

Результаты экспериментов

Систему тестировали на нескольких задачах: толкание T-образного объекта (Push-T), вставка штырей в отверстия диаметром 4 мм (Pin Insertion), установка GPU и работа с кабельной стяжкой. В реальных задачах манипуляции система справлялась в 99% случаев, если агенту давали до восьми попыток с учётом предыдущих ошибок.

В качестве агентов сравнивали Codex на GPT-5.5, Claude Code на Opus 4.7 и Kimi Code на Kimi K2.6. Тестирование проходило в бенчмарке AutoEnvBench. ENPIRE также превзошёл системы GR00T от Nvidia и CaP-X в симуляторе бытовых задач RoboCasa.

Масштабирование на восемь роботов

Nvidia провела эксперимент с восемью роботизированными станциями, каждая из которых имела свой компьютер и ИИ-агента. Станции обменивались результатами через Git, что ускорило обучение. Переход от одного робота к восьми сократил время освоения Push-T с пяти до двух часов, а Pin Insertion — с 90 до 40 минут.

Ограничения

Авторы отмечают, что масштабирование не решает всех проблем. Когда агенты читают логи, пишут код или ждут ответа языковой модели, роботы простаивают. С ростом числа роботов увеличивается нагрузка на GPU, но снижается средняя загрузка самих роботов. Также растёт расход токенов из-за чтения логов и координации между агентами.

ENPIRE пока протестирован на ограниченном наборе задач и не означает, что роботы могут самостоятельно осваивать произвольные навыки без инженерной подготовки.

Напомним, в июне Nvidia представила Isaac GR00T Reference Humanoid Robot — референс-дизайн для разработки навыков гуманоидных роботов, а Unitree показала «первого в мире готового к серийному производству» пилотируемого робота.