Исследователи Apple опубликовали новую работу по робототехнике с провокационным тезисом: роботу может не требоваться специально созданный «мозг», чтобы быть полезным. Система под названием AMP1 — сокращение от Agentic Manipulation Policies — позволяет универсальным ИИ-моделям управлять роботами-манипуляторами путем написания и выполнения кода на Python. По данным исследования, она превзошла специализированные роботизированные политики в задачах манипуляции как в симуляции, так и в реальных испытаниях.

Статья под названием «On Agentic Manipulation Policies» (arXiv:2611.09892) была опубликована в ноябре 2026 года. Код и симуляционные данные выпущены в открытый доступ, что позволяет другим лабораториям напрямую проверить эти утверждения.

Как работает AMP1

AMP1 работает по принципу zero-shot. Базовая модель не проходит дообучение под конкретного робота или задачу, и фреймворку не требуется библиотека демонстраций. В исследовании описывается работа AMP1 в нескольких конфигурациях: с одной рукой, с двумя руками (бимануальная) и мобильные платформы. Поддержка различного оборудования без переобучения — это именно та гибкость, которой часто не хватает специализированным системам.

Фреймворк также может адаптировать свою стратегию в реальном времени, в том числе использовать инструменты и выполнять поиски по мере необходимости.

Результаты

В симуляции команда протестировала AMP1 на бенчмарке RoboLab-120. В паре с моделью Gemini 4 Argon AMP1 достиг показателя успеха 85,6%. С моделью Claude Opus 5.5 результат составил 82,8%. Для сравнения: модель NVIDIA Astranomy набрала 74,8% на том же бенчмарке. Поскольку AMP1 работал в режиме zero-shot, эти сравнения противопоставляют универсальное рассуждение специализированным политикам, созданным специально для задач физического воплощения.

По данным исследования, AMP1 также показал лучшие результаты на других бенчмарках: 95,2% на LIBERO-PRO и 100% на robosuite.

Работа в реальных условиях оценивалась в 108 испытаниях на трех установках с роботизированными руками Franka. AMP1 выполнил 104 из них с показателем успеха 96,3%, тогда как базовые системы завершили 49 и 30 испытаний соответственно. В статье также сообщается, что AMP1 сократил количество операционных сбоев в 15–20 раз по сравнению с ведущими базовыми моделями — это улучшение во многом объясняется более эффективным восстановлением после ошибок.

Команда и более широкий контекст

Среди авторов исследования — исследователи Apple Чен Чен (Chen Chen) и Омид Багерие (Omid Bagherieh). Работа вышла вслед за системой Apple HALO для навигации гуманоидных роботов, также представленной в ноябре 2026 года, — две релиза в области робототехники от Apple за один месяц.

Специализированные категории, с которыми сравнивался AMP1, включают модели vision-language-action (VLA) и world-action модели (WAM). VLA получают то, что видит робот, вместе с текстовой инструкцией, и выдают физические действия. WAM добавляют обученную модель поведения окружающего мира. Оба типа создаются специально для задач физического воплощения и обычно зависят от больших объемов данных обучения, специфичных для роботов.

AMP1 использует иной подход. Вместо создания «роботомозга» с нуля он заимствует рассуждения крупных универсальных моделей и дает им возможность действовать через код. Это противопоставление определяет значимость работы: если универсальные модели могут сравняться со специализированными политиками без обучения под конкретные задачи, то большие объемы специфичных для роботов обучающих данных, лежащие в основе VLA и WAM, могут не быть обязательным условием для эффективной манипуляции.

Что это означает

Результаты сопровождаются оговорками, отмеченными в публикации: AMP1 зависит от сторонних моделей, таких как Gemini 4 Argon и Claude Opus 5.5, поэтому его производительность отчасти зависит от систем, которые Apple не контролирует. С другой стороны, открытый доступ к коду и симуляционным данным означает, что другие исследовательские лаборатории могут самостоятельно проверить эти утверждения — что делает независимое воспроизведение наиболее очевидным следующим шагом для проверки заявленных в работе цифр.

Первоначально эта статья была опубликована изданием CryptoBriefing, редактор — Диего Альмада Лопес.