无题
无题
Richardsonslug: gumanoyid-robot-lovkaya-ruka-morozhenoe
transid: humanoid-robot-dexterous-hand-ice-cream-business
title: Робот Sharpa в DQ самостоятельно делает мороженое за 55 шагов, пост‑мoney 22 млрд ₽. Ловкая рука — ключ к монетизации embodied AI
date: 2026-04-18 09:30:00
categories: [Инвестиции]
tags: [гуманоид, ловкаярука, воплощенныйИИ, продуктовинв, хардтек]
description: Робот Sharpa в DQ сам делает мороженое за 55 шагов, пост‑мoney 22 млрд ₽. Ловкая рука — ключ к монетизации embodied AI
keywords: ловкая рука, гуманоидный робот, воплощённый интеллект, Sharpa, Hesai Tech, продуктовые инвестиции
top: false
recommend: true
Робот Sharpa в DQ самостоятельно делает мороженое за 55 шагов, пост‑мoney 22 млрд ₽. Ловкая рука — ключ к монетизации embodied AI
В магазине DQ на улице Уцзянлу в Шанхае стоит робот, который выполняет, на первый взгляд, глупую работу.
Он берёт чашку из стерилизатора, берёт бумажный стакан, ставит его под дозатор мороженого, посыпает крошками Орео, перемешивает, очищает край стакана и переворачивает чашку вверх дном — проверяя фирменный трюк DQ «перевернуть чашку без пролива». Всего 55 шагов, всё делается автономно, сотрудник рядом даже не палец не поднимает.
Сотрудник готовит одну порцию за 2–3 минуты. Роботу нужно около 6 минут.
Он медленнее в два раза, но никто его не подгоняет.
Потому что DQ и компания Sharpa, стоящая за этим роботом, вообще не думают о скорости. Их интересует лишь одно: данные.
В конце статьи я расскажу три способа, как обычный человек может заработать на этом.
Это не понижение уровня, а повышение квалификации
Большинство людей, увидев эту новость, думают: «Компания со стобillion‑долларовой оценкой работает в мороженой лавке? Это явно перебор».
Такие суждения показывают, что человек не понял конкурентную логику embodied AI.
Обычные «роботы» в ресторанах — это просто подносы на колёсах: они везут тарелки, ездят туда‑сюда. Это самая низкая степень свободы — чистый транспорт. Им не нужны руки, достаточно двигаться, избегать препятствий и прибыть в пункт назначения. Техническая сложность стремится к нулю, ровно как и любой защитный ров.
Sharpa пошла другим путём: она зашла в кухню, использовала обычное оборудование, те же ингредиенты и глобальные стандарты, и полностью автоматизировала весь процесс от начала до конца.
Основатель Sharpa Ли Ифань однажды сказал жёстко: «Если у человека‑робота с десятками степеней свободы, зрением и силовым контролем в итоге остаётся только задача, которую может выполнить обычный манипулятор — подача кофе, — то его стоимость никогда не оправдана».
Смысл здесь: робот не должен заставлять среду подстраиваться под себя, не должен выполнять 9 из 10 шагов, оставляя последний на человека. Это не создание производительности, а просто поиск лёгкой работы для робота.
Поэтому сценарий с DQ сложен именно потому, что 55 шагов тесно связаны: стакан может деформироваться, мороженое меняет твёрдость в зависимости от температуры, три добавления выглядят почти одинаково на камере, а малейшее отклонение приводит к полному провалу.
А именно эти неудачи Sharpa и хочет собрать.
Настоящий барьер — не чипы, а «шишки» от падений
Главный барьер embodied AI — не обучение по видеозаписям. Покажи GPT сто раз, как делают мороженое, он всё равно не узнает, с каким силой нужно держать стакан. В видео нет тактильной обратной связи, нет данных о силе, нет информации о том, как исправлять ошибки после неудачи.
Ты видишь, как человек поднимает руку на определённую высоту, но не знаешь, с каким усилием сжать стакан, чтобы не сплющить его, не понимаешь, почему пролилось: из‑за неверного угла подачи или слишком быстрого перемешивания, не знаешь, как изменение угла скребка на два градуса влияет на результат.
Эта информация появляется только тогда, когда робот пробует, ошибается, корректирует и снова пробует в реальных условиях. Эти «данные о неудачах» обучают модель, и в следующей попытке она делает меньше ошибок.
Sharpa отрабатывала этот процесс в DQ меньше пяти месяцев. В лаборатории показатели успеха высоки, но они не имеют значения. Настоящий экзамен — это непредвиденные ситуации в реальном магазине: часы пик, поток людей, температура оборудования, variations in ингредиенты.
Сегодня в DQ отрабатываются движения захвата, ложки, перемешивания и переливания. Завтра те же навыки можно перенести на складские роботы в магазинах, на сервис в отелях, даже на домашнюю уборку. Если для каждого нового сценария придётся начинать с нуля и набирать сто тысяч часов обучения, то такой бизнес — одноразовый проект без коммерческой ценности.
Вот истинная цель Sharpa: использовать одну точку DQ как фундамент для переносимой базы данных ловкой манипуляции.
Оценка 220 млрд ₽ — дороже, чем у бывшего работодателя
Sharpa основана в конце 2024 года, то есть существует меньше двух лет. Недавно объявлен новый раунд финансирования на сумму более 4,5 млрд ¥ (≈ 585 млрд ₽), а пост‑мoney оценка достигла 22
