Компания Anthropic провела обновлённый эксперимент Project Fetch, в котором сравнила способность своих языковых моделей и людей без опыта в робототехнике управлять «робопсом».

В первой фазе проекта в августе 2025 года сотрудники компании, разделённые на команды с доступом к модели Claude Opus 4.1 и без него, выполняли серию задач: подключение к сенсорам робота, управление через контроллер, написание программ для автономного движения и разработка системы отслеживания объекта. Команда с доступом к ИИ заметно опережала другую по скорости и эффективности выполнения задач.

Однако даже тогда модель не могла полностью автономно управлять роботом и сталкивалась с базовыми инженерными задачами, такими как подключение к системе управления.

Во второй фазе эксперимента исследователи проверили более новую модель Claude Opus 4.7 в условиях частичной автономии. В отличие от первой версии, модель уже самостоятельно генерировала программные решения для управления роботом, а участие человека ограничивалось подключением ноутбука, вводом стартового запроса и подтверждением команд.

Результаты оказались значительно более выраженными: Claude Opus 4.7 выполнял задачи минимум в 10 раз быстрее любой команды людей из первой фазы. Если учитывать только задачи, которые решались обеими человеческими группами, ускорение достигало более чем 37 раз по сравнению с командами без ИИ и более 18 раз по сравнению с командами, работавшими вместе с Claude.

Источник: Anthropic

Модель демонстрировала способность быстро выбирать архитектуру решения для взаимодействия с сенсорами робота и генерировала эффективный код с первого почти всегда. При этом объём сгенерированного кода оказался почти в десять раз меньше, чем у команд, работавших с участием ИИ в первой фазе.

Вместе с этим исследователи подчёркивают, что речь не идёт о решённой задаче робототехники. Модель всё ещё испытывает трудности с точным управлением движением робота при выполнении задачи «fetch» — возврата мяча в заданную зону. В частности, система иногда использовала неоптимальные алгоритмы распознавания объектов и не всегда обеспечивала стабильное управление траекторией движения.

Эксперимент также показывает, что улучшения не были результатом целевой оптимизации именно под робототехнику. По оценке Anthropic, рост эффективности связан с общим масштабированием моделей, а не с узкоспециализированной разработкой.

Авторы отмечают важную динамику, которую уже наблюдали ранее в других областях: сначала модели усиливают идеи человека, затем человек помогает модели, и на следующем этапе модель начинает самостоятельно выполнять задачи в новой среде. Подобная траектория уже наблюдалась в программировании и кибербезопасности, а теперь начинает проявляться в физическом взаимодействии с реальными объектами.

Источник: Anthropic

При этом исследователи подчёркивают ограничение: текущие модели пока что не способны стабильно реализовывать сложные замкнутые системы управления, где требуется постоянная корректировка действий на основе обратной связи от среды — то, что люди выполняют интуитивно при ручном управлении роботом.

Несмотря на это, результаты Project Fetch указывают на формирование раннего этапа «агентного ИИ в физическом мире», где языковые модели начинают использовать готовые аппаратные инструменты так же, как ранее научились работать с программными средами.

В Anthropic считают, что следующий шаг развития будет связан не только с улучшением скорости выполнения задач, но и с возможностью моделей самостоятельно проектировать более специализированные системы управления для роботов. Пока это направление остаётся ограниченным, но быстрый рост возможностей моделей показывает, что переход к более автономному взаимодействию с физическим миром уже перестал быть исключительно теоретическим сценарием.