Оригинальный заголовок: (DeepSeek объединяется с Unitree: когда интеллект становится настолько дешевым, что его можно бездумно тратить)
Оригинальный автор: Beobating

Технологии действительно начинают менять мир обычно тогда, когда они становятся настолько дешевыми, что их можно бездумно тратить.

Недавно даже зарубежные СМИ начали учиться одному очень «китайскому интернетному» термину — линии отсечения.

31 июля обновление DeepSeek V4 Flash. На диаграмме в Artificial Analysis, где одновременно сравнивают уровень интеллекта моделей и стоимость использования, чем выше по вертикали, тем умнее модель; чем дальше вправо по горизонтали, тем выше стоимость вызова. Индекс интеллекта V4 Flash достиг 50 баллов — он уже вплотную примыкает к первой мировой группе. При этом средняя стоимость в одном цикле тестов составляет всего 3 цента. Этот пункт почти загнали в левый верхний угол системы координат. Модели дешевле него, как правило, по возможностям ему не дотягивают; модели умнее, наоборот, в целом заметно дороже.

Сейчас, если модель не превосходит DeepSeek достаточно сильно, всё труднее объяснить, почему она должна стоить в десятки раз дороже. В китайском интернете эту границу называют «линией казни». Через несколько дней Bloomberg, обсуждая ценовое давление китайских моделей на американские AI-компании, тоже прямо использовал в заголовке термин «Death Zone».

Начиная с V2 в 2024 году DeepSeek постоянно давил вниз стоимость одного «размышления» машины. Модель становилась способной выполнять всё более сложные задачи, но цена при этом не взлетала вместе со способностями. За последние два года индустрия больших моделей привыкла объяснять прогресс большими параметрами, более длинным контекстом и более высокими бенчмарками, а DeepSeek всё это время гнался за другим критерием: можно ли при той же интеллектуальности заплатить меньше.

На другой стороне Ханчжоу Ван Синсин уже много лет делает нечто похожее.

Во время аспирантуры он делал XDog и с самого начала не имел больших денег, которые можно было бы сжечь. Дорогую гидравлику было не потянуть — он занялся недорогими электромоторами; купить зрелое решение было не по карману — он сам рисовал платы управления, писал программы и собирал систему контроля. Многие технические решения, которые сегодня стали стандартными компонентами продуктов Unitree, изначально были продиктованы очень простым инженерным подходом: сначала не спрашивать, как обычно делают в отрасли, а сначала посмотреть, нет ли более дешёвого способа.

Позже Ван Синсин вспоминал, что в 2010 году, когда он делал двуногого робота, на всю механику ушло всего 200 юаней. Много лет спустя, когда его спросили, может ли Unitree ещё снижать себестоимость, он ответил: «Не сравнивайте нас по снижению издержек — мы можем продолжать сильно их уменьшать».

Одна компания снижает цену мышления, другая — цену действия. Долгое время, хотя обе были в Ханчжоу, они всё равно шли каждая своим путём.

До 6 августа.

Unitree Robotics объявила результаты стратегического размещения IPO на STAR Market: DeepSeek вложил 140,8 млн юаней в подписку на новые акции Unitree. Обнародованная сторонами схема сотрудничества тоже предельно прямолинейна: когда Unitree нужны услуги по обучению моделей и технические решения, в первую очередь рассматривается DeepSeek; когда DeepSeek нужны роботы и он изучает прикладные сценарии embodied AI, в первую очередь рассматривается Unitree.

Эти деньги на сегодняшнем рынке ИИ сами по себе не выглядят чем-то поразительным. По-настоящему интересно другое: впервые сошлись две кривые издержек людей, которые больше десяти лет пытались сделать дорогие технологии доступными почти за бесценок. И тут возник вопрос, куда более важный, чем «наконец-то большая модель получила тело в виде робота»:

Если стоимость мышления машины и стоимость действий машины одновременно продолжат снижаться, во что в конце концов превратится ИИ?

Ответ может быть не только в том, что «больше людей смогут себе это позволить».

Более глубокое изменение в том, что мы начинаем относиться к нему не так бережно.

Два демпингующих игрока

Самое похожее в Лян Вэньфэне и Ван Синсине — это их недоверие к дешёвому, полученному за счёт субсидий. Ценник, конечно, можно поменять за одну ночь, но бесплатный сыр всегда где-то даётся не бесплатно, и такая низкая цена обычно долго не живёт. Если вещь действительно хотят продавать дёшево в долгосрочной перспективе, в конце концов приходится возвращаться к инженерии и по одному разбирать те издержки, которые раньше казались естественными и неизбежными.

Наиболее типичный пример — DeepSeek-V2. После выхода модели в 2024 году индустрия больших моделей в Китае быстро оказалась втянута в ценовую войну; внешне это лучше всего было видно по ценам API, но то, что действительно позволило выдержать снижение цен, скрывалось внутри архитектуры модели. Общее число параметров V2 достигло 236 миллиардов, но на каждый токен реально активируются лишь 21 миллиард; по сравнению с предыдущим поколением затраты на обучение снизились на 42,5%, KV Cache — на 93,3%, а максимальная пропускная способность генерации выросла до 5,76 раза.

С V3 эта логика пошла ещё дальше. Модель стала больше, на официальное обучение ушло 2,788 млн GPU-часов H800, а DeepSeek дополнительно оптимизировал эффективность через смесь экспертов, обучение в низкой точности и оптимизацию коммуникаций.

Позже именно такая логика издержек стала даже определять сам продукт.

В мае этого года DeepSeek превратил изначальную скидку в 75% на V4-Pro в постоянную цену, а флагманский тариф тоже продолжил снижать. Лян Вэньфэн ранее объяснял принципы их ценообразования: устанавливать цену исходя из реальных затрат, не работать в долгосрочный минус и не гнаться за сверхприбылью.

У Ван Синсина понимание роботов почти такое же.

В интервью «Вечером» в 2025 году его спросили: если H1 сначала продавался за 90 тысяч долларов, а потом более гибкая упрощённая версия G1 подешевела до стартовой цены 99 тысяч юаней, то остаётся ли на этом вообще прибыль.

Ван Синсин ответил: «В коммерческой деятельности, безусловно, должна быть разумная коммерческая прибыль. Издержки всегда были KPI всего, что мы делаем; суть в том, чтобы зарабатывать деньги»

Дальше он тоже редко говорил ту самую банальную фразу: «Когда масштаб вырастет, поставщики сами снизят цены». Что на самом деле определяет нижний предел цены робота — это какой выбрать мотор, как сделать редуктор, сколько деталей нужно в одном суставе, можно ли ещё сильнее облегчить всю машину и какие компоненты обязательно нужно держать у себя.

У такого способа снижения издержек есть очень сильное ощущение индустриальной эпохи: растягивать каждую копейку пополам.

Плата на несколько сантиметров короче, в суставе на две детали меньше, жгут проложен иначе — по отдельности всё это не выглядит великим прорывом, но когда десятки таких изменений накладываются друг на друга, они в итоге напрямую влияют на цену.

Именно это и происходит с ценами Unitree в последние годы. В 2023 году вышел первый полноразмерный гуманоид H1; за весь год продали лишь 5 штук, средняя цена составила 593 400 юаней. В 2024 году на рынок вышел более компактный G1, продажи выросли до 410 штук, а средняя цена снизилась до 260 700 юаней. К первым девяти месяцам 2025 года продажи гуманоидных роботов достигли 3551 штуки, а средняя цена снова упала — до 167 600 юаней.

С каждым снижением цены новая волна покупателей приходит и к роботам. Оборудование за 500–600 тысяч юаней требует утверждения проекта в лаборатории, бюджета и объяснения, зачем именно его покупают; а устройство за несколько десятков тысяч юаней уже может попасть и в вузы, и в команды разработчиков, и в компании.

Многие технологии по-настоящему пересекают порог массового распространения именно в такие моменты. Из специального бюджета — в бюджет отдела, из бюджета отдела — в обычную закупку, а потом однажды люди уже не хотят считать каждый отдельный расход.

Дорогие технологии по природе подходят только для решения дорогих задач; как только цена падает, в их мир начинают попадать те мелкие вещи, которые раньше вообще не стоили технологического выхода на сцену.

Две кривые издержек наконец пересеклись

Сам Unitree уже делает world model и VLA, так что ценность DeepSeek не сводится просто к тому, чтобы «приделать роботу мозг». То, что действительно может состыковать эти две компании, — это самый дорогой на сегодня цикл обучения в embodied AI.

Этот цикл наполовину происходит в реальном мире. Робот действительно тянет руку, идёт, берёт предметы; человек или другие системы постоянно показывают ему пример, и накапливаются траектории успехов и неудач.

Другая половина происходит в вычислениях: данные очищаются, размечаются, отправляются в модель для обучения новой стратегии, а затем после вывода и проверки снова разворачиваются на робота. Машина уходит пробовать дальше и приносит новые данные, модель снова учится. Чем быстрее крутится этот цикл, тем большего мира касается робот.

Проблема в том, что дорого и там, и там. Настоящая машина дорогая, и команде трудно заставить сотни роботов день за днём падать и вставать в лаборатории; обучение и вывод тоже дорогие, и данные, ценность которых на первый взгляд неочевидна, трудно снова и снова прогонять через обучение и проверку.

Поэтому раньше эксперименты с роботами были настоящей роскошью. Роботов было всего несколько, и какие данные собирать сегодня, нужно было продумывать заранее; вычислительных мощностей было совсем мало, и стоило тщательно прикинуть на пальцах, стоит ли прогонять траекторию ещё раз. Чем дороже ресурсы, тем сильнее исследователи склоняются к задачам, которые выглядят наиболее ценными и имеют наибольшие шансы на успех.

Но реальный мир, как назло, устроен совсем иначе.

В чём разница между тем, чтобы поставить чашку в 3 сантиметрах от края стола или в 5 сантиметрах; откуда хвататься за полотенце, если оно наполовину мокрое; тянуть ли ещё сильнее, если ящик застрял, или сначала чуть отвести назад; как нужно менять положение руки, если в пластиковом пакете лежит одно яблоко или три. По отдельности ни одна из этих вещей не заслуживает пресс-конференции, и даже лаборатории трудно оправдать выделение под них отдельного проекта. Но как только робот входит в дом, ресторан, склад или офис, его мир и состоит из таких мелких, до раздражения обыденных проблем.

Если взглянуть на сотрудничество DeepSeek и Unitree под этим углом, логика становится намного понятнее.

Unitree опускает издержки на первой половине пути, чтобы в лаборатории, у команд разработчиков и в реальных сценариях появлялось больше настоящих роботов; DeepSeek давно решает проблему второй половины пути, делая обучение, вывод и проверку моделей всё дешевле и дешевле.

Большинство траекторий так и не превращаются в продукт, большинство экспериментов не попадают в новости; некоторые роботы сто раз подряд хватают чашку не так, а дорогие прогоняемые данные могут в итоге лишь доказать, что исходная идея вообще не работает.

Когда ресурсы дороги, всё это называют пустой тратой; когда стоимость становится достаточно низкой, это уже имеет право называться опытом.

Если телефон становится дешевле, это значит, что больше людей могут его купить; если робот становится дешевле, это ещё и значит, что у него самого появляется больше времени без какого-либо результата — чтобы целый день тренироваться в лаборатории, выполнять движения, которые в итоге вообще не пригодятся, заходить в ещё более странные среды и сталкиваться с ситуациями, о которых инженеры заранее не подумали.

Когда тело и интеллект одновременно дешевеют, первое, что получает embodied AI, — это больше права на ошибку.

Как люди научились растрачивать технологии

В истории человеческих технологий такое уже случалось много раз.

В 1865 году британский экономист Уильям Стэнли Джевонс, изучая паровые машины и уголь, обнаружил нечто противоречащее интуиции. Паровые машины становились всё эффективнее, на каждую выполненную работу требовалось всё меньше угля, но потребление угля в Британии не снижалось — наоборот, росло. Потому что как только паровая сила становилась дешевле, ею начинали делать и то, на что раньше жалели ресурсов, а уголь, сэкономленный за счёт эффективности, очень быстро съедался новыми потребностями.

Позже люди назвали это явление «парадоксом Джевонса».

За последние два года люди, использующие ИИ, в каком-то смысле уже прочувствовали обратную стадию этого процесса. Пока модели были дорогими, мы сначала научились экономить интеллект. Команды стартапов вслух обсуждают пользовательский опыт, а менеджеры продукта в голове всё равно держат таблицу цен на токены: даже если функция технически реализуема, её могут вырезать потому, что «по пять лишних прогонов модели на пользователя — это слишком дорого».

Но когда технология по-настоящему входит в жизнь, ей обычно приходится пройти ещё один рубеж: она становится настолько дешёвой, что мы начинаем использовать её для вещей не слишком важных.

Сегодня никому не придёт в голову перед тем, как включить свет в гостиной, считать, сколько экономической ценности произвёл этот час освещения; и никто не чувствует, что расточает великую интернет-инфраструктуру лишь потому, что его телефон в фоне отправил на несколько сетевых запросов больше.

У электричества и сети тоже есть стоимость, просто она уже настолько низка, что по каждой отдельной операции никто не считает, стоит ли её выполнять. Люди по отношению к этим вещам уже давно стали расточительными — и при этом не испытывают ни капли вины.

Если интеллект однажды сюда придёт, наши отношения с ИИ тоже изменятся. После совещания можно будет просто попросить модель навести порядок в заметках, после написания статьи — дать нескольким моделям по очереди поискать недостатки, если один агент не справился, просто переключиться на другие пути и попробовать снова; как говорится, хоть с косточкой, хоть без — бей три раза. Робот убирает со стола, в первый раз роняет чашку, во второй — промахивается рукой, в третий — слишком медлит, значит, попробуем в четвёртый.

Когда технология по-настоящему становится массовой, люди уже не считают с такой серьёзностью эффективность её использования — более того, человек даже может забыть, что вообще ей пользуется.

Когда мы перестанем считать эти расходы

В 1911 году британский математик и философ Уайтхед в «Введении в математику» написал такую фразу:

«Прогресс цивилизации заключается в постоянном расширении числа важных операций, которые мы можем выполнять, не думая о них».

Сегодняшний ИИ, очевидно, ещё не дошёл до этого. Мы по-прежнему спорим, какую задачу стоит решать самой дорогой моделью; разработчики всё ещё переключают поставщиков из-за разницы в несколько юаней на миллион токенов; а робототехническим компаниям приходится искать между шоурумом, лабораторией и фабрикой тот сценарий, который легче всего свести в баланс. У этой отрасли по-прежнему очень сильный привкус повседневной хозяйственной рутины.

А по-настоящему связало эти 140,8 млн юаней одна статья расходов, которую раньше в отраслевых обсуждениях почти не упоминали. Сколько на самом деле стоит одна ошибка машины?

Сегодня этот ответ всё ещё недостаточно дешёвый, поэтому каждую единицу данных из реального мира нужно тщательно собирать, каждый цикл обучения — перебирать и отбирать, а каждому роботу лучше как можно скорее найти работу, которая сможет окупить его существование.

Когда наступит день, когда интеллект действительно станет массовым, вероятно, не будет пресс-конференции, которая объявит о приходе новой эпохи. Мы просто постепенно заметим, что робот в углу склада целый день тренировался хватать коробки, триста раз провалился — и уже никто отдельно об этом не спрашивает; агент ради поиска ответа сам перепробовал десятки путей — и никто не смотрит с болью на счёт за токены; в лаборатории можно поставить ещё несколько роботов, и больше не нужно писать обоснование покупки на каждый из них.

Так что по-настоящему важная цена ИИ будущего — это, возможно, не сколько стоит миллион токенов и не сколько стоит гуманоидный робот, а момент, когда нам наконец станет лень это считать.

Когда от машины уже не жалко, что она подумает ещё несколько раз, пройдёт ещё несколько шагов и ещё несколько раз ошибётся, тогда интеллект действительно перестаёт быть дорогой способностью и становится инфраструктурой.

Технология по-настоящему начинает менять мир обычно тогда, когда становится достаточно дешёвой, чтобы её можно было тратить впустую.

DeepSeek делает мышление близким к этой цене, а Unitree делает тело близким к этой цене. Остальное — сделать так, чтобы у машины была достаточно дешёвая жизнь.

Настолько дёшево, что можно пробовать снова и снова, настолько дёшево, что можно бесконечно ошибаться, настолько дёшево, что те неудачи, которые сегодня кажутся бессмысленными, наконец станут достаточно многочисленными, чтобы сложиться в интеллект.

Ссылка на оригинал