Узким местом физического ИИ остаются данные с сенсоров, а не архитектурные ограничения моделей — именно поэтому большинство проектов застревает на стадии прототипов. Опрос более чем 700 инженеров и практиков, опубликованный IEEE Spectrum, Wiley и Voxel51, показал: хотя 78% команд извлекают измеримую пользу из компьютерного зрения и прикладного ИИ, 74% заявляют об остром недофинансировании операционных пайплайнов работы с данными.
Результаты исследования четко обозначают ключевой водораздел: команды, успешно выводящие физические системы в эксплуатацию, тратят почти втрое больше времени на курацию, очистку и валидацию данных, чем те, кто годами не может выйти за пределы тестов. Аутсайдеры все еще живут иллюзией, будто масштабирование параметров модели способно компенсировать зашумленные показания датчиков.
Пока индустрия смещает фокус с текстовых LLM на многомерные физические данные — включая мультимодальные видеопотоки, облака точек LiDAR и пространственную телеметрию, — метод сбора датасетов в лоб доказывает свою неэффективность. Инженерные отделы регулярно сжигают бюджеты на разметку гигантских неотфильтрованных массивов данных, только чтобы выбросить большую их часть после обучения. Без надежных специализированных пайплайнов обработки пространственных данных автономные системы так и останутся дорогими лабораторными экспериментами, неспособными работать в реальном мире.