Лекция 13. AI в логистике и транспорте¶
Лекция 13 · ~75 мин · 41 слайдов
Hook¶
Здравствуйте. Прежде чем мы с вами скажем первое слово про AI в логистике — посмотрите сюда.
[пауза 3 секунды]
Три заголовка деловой прессы за восемнадцать месяцев. Три картинки, которые изменили наше понимание о том, где автономные транспортные системы работают, а где нет.
[указываю на левую панель]
Декабрь 2024. General Motors закрывает Cruise после восьми лет инвестиций. Десять миллиардов долларов операционных убытков. Менее пятисот миллионов выручки за всю историю. На каждый доллар выручки — двадцать долларов сожжённого капитала. Причина — единичный инцидент 2 октября 2023 года в Сан-Франциско.
[центральная панель]
Март 2026. Waymo. Пятьсот тысяч платных поездок в неделю. Три тысячи шестьдесят семь машин. Десять с лишним городов США. За девятнадцать месяцев — рост в десять раз. И при этом — компания не отчитывается о прибыльности на одну поездку публично.
[правая панель]
Февраль 2026. Tesla Robotaxi в Остине. Запущена 22 июня 2025 года. Четырнадцать ДТП за восемь месяцев. Около восьмисот тысяч платных миль. Первая публичная статистика по стеку только-зрение, без лидара и без HD-карты.
[пауза, понизить голос]
Три картинки ставят один вопрос.
Почему Waymo выжила, Cruise разорилась, а Tesla только начинает?
[пауза 2 секунды]
Если бы дело было только в технологии — все три используют похожие сенсорные стеки. Если бы только в капитале — у Cruise было десять миллиардов GM, у Waymo — практически бесконечный капитал Alphabet. Если бы только в регулировании — обе работали в одних городах с одним DMV.
Дело в среде и в дисциплине того, что мы с вами сегодня будем называть областью штатной эксплуатации — ODD. Это главная мысль лекции, к которой я буду возвращаться следующий час с четвертью.
[Переход на s02]
Cover¶
Лекция тринадцатая. AI в логистике и транспорте. Часть третьего модуля курса.
Сегодня — где AI работает в этой отрасли, где не работает, и как инженер должен решать. Три цели: назвать пять уровней лестницы среды; критически оценить вендорское «наш автономный транспорт заменит X процентов водителей»; описать регуляторный ландшафт и сформулировать критерии «AI не нужен или не работает».
[Переход на s03]
Маршрут лекции¶
Маршрут — пять разделов.
Первый — контролируемая среда: склад, порт, рельсы. Где AI работает зрело.
Второй — полуструктурированная магистраль. Aurora первая коммерческая, КамАЗ на М-11, серия банкротств на двадцать миллиардов.
Третий — городская улица robotaxi и последняя миля. Waymo выжил, Cruise разорилась, Tesla только начинает.
Четвёртый — чёрный лебедь и рамка решения. Где AI слеп по определению.
Пятый — замыкание и мост к лекции четырнадцать.
Лекция тяжёлая. Более половины — про провалы. Это намеренно.
[Переход на s04]
Десять аббревиатур¶
Десять аббревиатур, без которых дальше не пройти. Они будут повторяться весь час.
SAE J3016 — стандарт, шесть уровней автомобильной автономии от нулевого до пятого. Главные для нас — L3 «можно оторвать глаза от дороги» и L4 «беспилотный в определённой области».
ODD — Operational Design Domain. Область штатной эксплуатации. Формальное описание условий, при которых система проектировалась работать. Самое важное инженерное понятие лекции.
AV — Autonomous Vehicle. AMR — Autonomous Mobile Robot, складской.
OR — Operations Research. Операционные исследования. Математическая оптимизация: линейное программирование, задача коммивояжёра, задача маршрутизации. Это не AI в современном смысле, и для чётко поставленных задач часто лучше.
HD-карта — детальная карта дороги, точность около десяти сантиметров. Tesla отказалась, остальные используют.
EOQ — Economic Order Quantity. Оптимальный размер заказа, формула 1913 года, три параметра, работает.
TSP и VRP — задача коммивояжёра и задача маршрутизации транспортных средств.
HITL, HOOL, HOTL — человек в петле, на петле, вне петли. Три уровня участия человека.
Запомните ODD и OR — два ключевых слова лекции.
[Переход на s05]
Keystone: лестница среды¶
Ключевой слайд лекции. Я буду возвращаться к этой лестнице весь следующий час.
[указываю на лестницу]
Уровень первый — контролируемая среда. Склад, порт, депо. Освещение известно, геометрия фиксирована. AI здесь работает зрело. Symbotic, Amazon, KONUX.
Уровень второй — магистраль. Известное направление, HD-карта возможна. Aurora Даллас–Хьюстон мая 2025. КамАЗ-54901 на М-11. Двадцать миллиардов сожжено на тех, кто не выжил.
Уровень третий — городская улица robotaxi. Пешеходы, велосипедисты, эмерджентность. Waymo выжил, Cruise разорилась, Tesla только начинает. Разница не алгоритмическая — это дисциплина ODD.
Уровень четвёртый — последняя миля. Тротуар, кампусы, дрон. Starship на кампусах. Zipline сто миллионов миль в Африке. Узкие ниши.
[пауза, медленнее]
Уровень пятый — чрезвычайная ситуация. Чёрный лебедь. Хуситы 2024. Ever Given 2021. COVID 2020. На этом уровне ML слеп по определению. Инструменты — не AI. Диспетчеры-люди. Сценарное планирование. Операционные исследования. Классические формулы.
Эта лестница — главный предиктор успеха AI. Каждый раздел сегодня — мотивированный спуск по этой оси.
[Переход на s06]
Раздел 1 divider¶
Раздел первый из пяти. Контролируемая среда: склад, порт, рельсы.
Уровень, где AI работает зрело. Разберём, где границы этого «зрело».
[Переход на s07]
Symbotic + Walmart¶
Канонический пример складской интеграции 2024–2025 — Symbotic с Walmart. В январе 2025 года Walmart обязался развернуть Symbotic для четырёхсот центров ускоренной выдачи. Бэклог в более чем пять миллиардов долларов. Это четыре годовые выручки Symbotic вперёд — экстраординарный сигнал.
Что Symbotic делает технически. Полная складская автоматизация — формирование паллет, разбор, отбор, сортировка. Под капотом — классические промышленные роботы плюс мобильные платформы плюс компьютерное зрение для распознавания артикулов. Это не одна модель машинного обучения, а интегрированная система, где ML — для распознавания, а основная управляющая логика детерминированная.
Главный риск — капитальная интенсивность. Один центр Symbotic — десятки миллионов на установку. Малые ритейлеры не могут позволить. Альтернатива для малой компании — традиционный ручной отбор с минимальной автоматизацией.
Второй риск — привязка к одному вендору. Walmart, инвестируя миллиарды в Symbotic, получает долгосрочную зависимость. Классический OEM-lock-in. Урок для инженера — спрашивать про exit strategy при долгосрочном контракте.
[Переход на s08]
Amazon Robotics¶
Amazon выбрала другую стратегию — не покупать у вендора, а строить внутри. В июне 2025 года Amazon заявила о превышении одного миллиона роботов в собственной сети.
Четыре главные модели. Sparrow — отборщик с вакуумным захватом и зрением. Sequoia — мобильное хранение, контейнер едет к рабочему месту. Proteus — полностью автономный мобильный робот, работает в одном пространстве с людьми. Vulcan — самая интересная: добавлен тактильный сенсор в дополнение к зрению.
Урок мульти-модального стека. Только-зрение работает для типичных объектов. Для гибких упаковок, прозрачных бутылок — нужна тактильная информация. Индустрия движется от только-зрения к слиянию нескольких сенсоров.
Сравнение — тысяча к одному. На один автономный автомобиль Waymo приходится примерно тысяча складских роботов в мире. AI в логистике 2026 массово развёрнут на складе, не на дороге.
[Переход на s09]
AMR Locus + GreyOrange¶
AMR — категория складской роботизации, где робот перемещается по полу в кооперации с человеком-отборщиком.
Locus Robotics — более пяти миллиардов операций отбора. Робот следует за отборщиком, тот кладёт товар в корзину, робот везёт на упаковку. GreyOrange Butler работает иначе: стеллаж сам перемещается к рабочему месту. Geek+ — китайский аналог.
Важно — AMR не plug-and-play. Требует интеграции с системой управления складом, обучения персонала.
И вот здесь первый failure-bucket уровня один — давление на работника. Профсоюзы в Великобритании и США 2023–2024 годов подняли тревогу: после внедрения AMR темп человека-отборщика навязан роботом. Робот ждёт у стеллажа — отборщик не может задержаться. Аналогично пушбэку, который мы с вами обсуждали в лекции одиннадцать — Toyota Jidoka, AI augments worker, не replaces. Если робот командует — это уже не augmentation. Эту границу профсоюзы фиксируют, и инженер должен её понимать заранее.
[Переход на s10]
Port automation¶
Портовая автоматизация — следующая категория. Полностью автоматизированные терминалы существуют. Maasvlakte II в Роттердаме. Long Beach LBCT. Yangshan в Шанхае. Вендоры — ABB Marine, Konecranes, ZPMC.
Технология работает. Контейнер автоматически разгружается, едет на тележке, складируется автоматически.
Но в октябре 2024 года произошла забастовка ILA — International Longshoremen's Association. Главное требование — остановить дальнейшую автоматизацию портов Восточного побережья. Компромисс достигнут, но новые автоматизированные терминалы заморожены.
Технология готова. Экономически выгодна. Но трудовая политика блокирует.
Это важный урок: технологическая готовность не равно adoption. Maasvlakte II работает с 2015 года, Yangshan с 2017. Та же технология, разные результаты по континентам. Adoption зависит от среды в широком смысле — не только физической, но и социальной.
[Переход на s11]
KONUX rail + границы уровня 1¶
Завершаем уровень один. KONUX — прогностическое обслуживание стрелочных переводов на Deutsche Bahn. Сенсоры вибрации и температуры, ML предсказывает, когда стрелка потребует обслуживания. Зрелый сценарий применения, экономия миллионов евро в год.
Теперь границы уровня один. Три ключевых.
Первая. Хайп гуманоидов. Tesla Optimus, Figure 02, UBTech Walker S1. К 2026 году — все на стадии пилотов на десятках единиц, не промышленной эксплуатации. Когда вендор показывает красивое видео — спрашивайте: сколько единиц, в каких условиях, какая статистика отказов.
Вторая. Капитальная интенсивность. Десятки миллионов на установку.
Третья. Миф «lights-out warehouse». Полностью безлюдный склад для широкого ассортимента — миф. Существующая технология работает для узких категорий. Реальный broad-SKU склад требует человека для краевых случаев.
[Переход на s12]
Failure-matrix Раздел 1¶
Заключаем раздел один четырьмя границами.
Первая — капитальная интенсивность, десятки миллионов на установку. Малые игроки выпадают.
Вторая — OEM-lock-in, долгосрочная зависимость от одного вендора.
Третья — миф полностью безлюдного склада, для широкого ассортимента не реализуем.
Четвёртая — сезонный сдвиг распределения. Чёрная пятница, Рождество. Каталог наполняется новыми категориями. Vision-классификатор ошибается чаще. Модель обучена на типичном распределении, пиковое — за её пределами.
Это границы уровня один. AI работает зрело — но границы реальны.
[Переход на s13]
Раздел 2 divider¶
Раздел второй из пяти. Полуструктурированная магистраль.
Ступень выше по лестнице. Погода, скорость, эмерджентные ситуации. Здесь история стартапов брутальная.
[Переход на s14]
Aurora Dallas-Houston¶
Aurora Innovation — первая компания в США, которая запустила полностью беспилотную коммерческую грузоперевозку на магистрали. Первое мая 2025 года. Маршрут Даллас–Хьюстон, около двухсот сорока миль трассы I-45.
Парк к концу 2025 года — около десяти машин. Платформа PACCAR Peterbilt плюс программный стек Aurora Driver. Расширение в 2026 году — Fort Worth–El Paso, Phoenix.
Главное, что отличает Aurora от тех, кто не выжил — crawl-walk-run. Сначала ползёшь, потом идёшь, потом бежишь.
Crawl — многолетние тесты с оператором безопасности 2018–2024 годов. Миллиарды километров симуляции, десятки миллионов на дорогах.
Walk — Даллас–Хьюстон с оператором безопасности 2023–2024.
Run — беспилотный коммерческий запуск мая 2025 на единичном маршруте, отработанном годами. Не «driverless по всей сети» — один маршрут.
Это инженерная дисциплина. Aurora не обещает «заменим X процентов водителей». Не расширяет ODD агрессивно. Каждый новый маршрут требует обширной валидации.
[пауза]
Запомните: десять машин. Не миллион, не сотня тысяч — десять. Это и есть survivor pattern на уровне два. Все остальные обещали тысячи и не дошли. Aurora обещала десять и доехала.
[Переход на s15]
Mobileye + КамАЗ¶
Параллельно с Aurora — две другие магистральные программы.
Mobileye — отделение от Intel в 2022 году, public NASDAQ. SuperVision — стек только на камерах, без лидара. Около трёхсот тысяч потребительских машин к 2025. Chauffeur — следующий уровень, L3 eyes-off. Запуск на премиум-европейских моделях: Polestar 4, Audi Q6 e-tron, Volkswagen Touareg.
Другая бизнес-модель, чем Aurora. Aurora — десять грузовиков L4 на одном маршруте. Mobileye — миллион пассажирских машин L3. Разные ставки, разные клиенты, одна общая среда — магистраль.
Российский контекст. КамАЗ-54901 со стеком Cognitive Pilot работает на М-11 «Нева» с июня 2023 года. К концу 2024 — шестьдесят семь единиц, из них около десяти в коммерческой эксплуатации. План 2025 — сто единиц, расширение на М-12 и ЦКАД.
Российская модель — государственный пилот в рамках экспериментального правового режима ЭПР. Специальный правовой каркас. М-11 — специально выделенная магистраль. Российский survivor pattern: не самый передовой технически, но crawl-walk-run, государственная поддержка, без overpromise.
Cognitive Pilot также делает автономные комбайны — пятьсот девяносто тысяч тонн зерновых на ста тридцати тысячах гектаров. Другая среда — поле — но та же логика контролируемой среды плюс crawl-walk-run.
[Переход на s16]
UPS ORION fundamental¶
Один из самых важных слайдов лекции. Запомните цифры.
UPS ORION. Сто миллионов миль экономии в год для всего парка. Десять миллионов галлонов топлива. Триста-четыреста миллионов долларов экономии в год. Парк UPS — около ста двадцати пяти тысяч машин.
[пауза]
А теперь — что под капотом.
ORION — это операционные исследования. Целочисленное программирование плюс эвристики плюс VRP. Не глубокое обучение. Не reinforcement learning. Не генеративный AI. Инструменты — Gurobi, CPLEX, Google OR-Tools. Алгоритмы датируются 1950–60-ми годами.
[медленно, подчеркнуть]
Повторю. Сто миллионов миль экономии в год. Триста-четыреста миллионов долларов. Без machine learning. Классическая математика 1950-х.
Это канонический анти-хайп пример. Чётко поставленная задача оптимизации решается через классическую математику лучше, чем через ML. Дешевле, объяснимее, надёжнее.
Три вопроса вендору ML-маршрутизации.
Первый. Какое сравнение с базовой линией OR? Если не показывает базу Gurobi или OR-Tools — красный флаг.
Второй. Какой ваш VRP-решатель? Если «сквозное глубокое обучение» — спросите про объяснимость и краевые случаи. Сквозное RL для VRP — активная область исследований, не продакшен на 2026 год.
Третий. Стационарный спрос или нет? При стационарном — EOQ плюс страховой запас плюс ABC-анализ работают не хуже ML. Формулы 1913 года.
[пауза]
Унесите с собой. UPS экономит триста миллионов в год без machine learning. Когда вендор говорит «наш AI оптимизирует на двадцать пять процентов» — спросите про сравнение с OR-базой.
[Переход на s17]
AV-bankruptcy timeline¶
Теперь самая тяжёлая часть. Пять точек на одной хронологии.
Март 2020 — Starsky Robotics. Первая волна жертв. Стефан Зельц-Аксмахер пишет эссе «Конец Starsky Robotics». Цитата: «Контролируемое машинное обучение не оправдывает ажиотажа. У разрыва симуляция-к-реальности есть очень реальные пределы.» Признание от первого лица от основателя.
Октябрь 2022 — Argo AI. Самый крупный провал. Семь миллиардов сожжено за пять лет. Ford — более пяти миллиардов, VW — два и шесть десятых. 26 октября 2022 Ford объявил свертывание. Две тысячи с лишним инженеров уволено. Ford списал два миллиарда семьсот плюс восемьсот двадцать семь миллионов убытка.
Урок. Даже когда два OEM с практически бесконечным капиталом одновременно решают, что «L4-беспилотник везде» слишком крупно — проект мгновенно разваливается.
Март 2023 — Embark Trucks. Шестнадцать месяцев от SPAC-IPO до банкротства. SPAC-таргет был пять и шестнадцать сотых миллиарда. К марту 2023 — двести тридцать уволено. Канонический SPAC-крах в одной компании.
2023 — Waymo Via. Alphabet закрыла собственное направление грузоперевозок. Если даже Alphabet не нашёл прибыльную модель — структурный сигнал, что индустрия не работает по удельной экономике на эту дату.
Январь 2024 — TuSimple. Делистинг с Nasdaq. Передача активов в китайские структуры. Девяносто один процент акционерной стоимости утрачено.
Общий паттерн. Капитальная интенсивность без выручки. Один-семь миллиардов сожжено до первого коммерческого доллара. Пузырь SPAC. Разрыв симуляция-к-реальности. Перевозчики хотели выделенные полосы плюс оператор безопасности, не полную автономию.
[Переход на s18]
Cumulative $20B+¶
Суммарная картина. Argo — семь миллиардов. Cruise — десять. TuSimple — около миллиарда плюс IPO. Embark — триста миллионов. Starsky — около двухсот. Waymo Via — Alphabet не раскрывает.
Суммарно более двадцати миллиардов долларов только на тех, кто не выжил, с 2017 по 2024. Если расширить — до пятидесяти миллиардов.
Сравните с лекцией одиннадцать. Там девяносто пять процентов GenAI-пилотов не доходят до продакшена. Median pilot — десятки или сотни тысяч долларов. В автономном транспорте провайдер — это компания, сжёгшая один-десять миллиардов. AV-индустрия в тысячи раз дороже на единичный failure.
Из тридцати с лишним серьёзных AV-стартапов 2015–2020 выжили три-четыре. Survivor consolidation десять к одному.
Lesson. Когда оцениваете AV-стартап как работодателя — спрашивайте не «технически крутая технология», а «работает ли бизнес-модель? сколько капитала к выручке? есть ли survivor pattern?»
Этот слайд не аргумент против AV в целом. Survivors работают — Aurora, Waymo, Apollo Go. Просто их меньше, чем казалось в 2018–2020.
[Переход на s19]
Survivor consolidation¶
Из тридцати с лишним — выжили три-четыре. Кто и почему?
Waymo — patient capital Alphabet, crawl-walk-run, Sun-Belt-only ODD.
Aurora — crawl-walk-run, один маршрут, десять машин.
Mobileye — не делает L4 robotaxi вообще. Остаётся в ADAS плюс L3 на премиум-OEM. Узкая ставка — узкая выживаемость.
Apollo Go — дочерняя Baidu, patient capital, китайский рынок.
Что общее?
Первое — patient capital parent. Материнская корпорация готова ждать десять-пятнадцать лет. Argo не имела — Ford и VW потребовали возврата на пятилетнем горизонте. Embark, TuSimple — после SPAC public market потребовал квартальной выручки.
Второе — дисциплина ODD. Все остаются в узком районе эксплуатации.
Третье — отсутствие overpromise. Никто не обещал «миллион автомобилей к следующему году».
Четвёртое — уважение к регулятору. Все инвестируют в прозрачность.
Запомните эти четыре признака. Это survivor pattern, и мы увидим его ещё раз в разделе три.
[Переход на s20]
Trucker shortage false framing¶
Часто на встречах вы услышите аргумент: «Беспилотные грузовики решат дефицит дальнобойщиков». Давайте разберём математически.
Цифры по ATA. Пиковый дефицит — семьдесят восемь тысяч водителей в 2022 году. Около шестидесяти тысяч на 2023 — снижение после пандемии.
Парк Aurora на коммерческих маршрутах — около десяти машин. Цель — несколько десятков к 2027 году.
[пауза, медленно]
Семьдесят восемь тысяч дефицит. Десять машин. Математика не работает.
Что реально работает против дефицита? Структурные меры. Политика рекрутинга. Программы для иностранных водителей. Переподготовка ветеранов. Заработная плата. Условия труда.
Lesson для инженера. Когда вендор использует macro-аргумент типа «решим дефицит работников» — проверяйте арифметику. Если развёртывание не масштабируется до уровня проблемы — это маркетинговый аргумент, не инженерный. Дефицит дальнобойщиков — структурная проблема трудового рынка. Решается политикой, а не AV.
[Переход на s21]
Highway failure matrix¶
Заключаем раздел два четырьмя причинами провала AV-trucking стартапов.
Первая — капитальная интенсивность без выручки.
Вторая — регуляторная неопределённость. NHTSA SGO плюс правовая мозаика по штатам.
Третья — SPAC-крах 2021–2023.
Четвёртая — разрыв симуляция-к-реальности. Самая фундаментальная — техническая причина, на которую остальные накладываются.
[Переход на s22]
Starsky sim-to-real¶
Перед переходом к городу — одна цитата.
Март 2020 года. Стефан Зельц-Аксмахер, основатель Starsky Robotics, пишет эссе «Конец Starsky Robotics». Дословно:
[медленно, как читая]
«Контролируемое машинное обучение не оправдывает своего ажиотажа. У разрыва симуляция-к-реальности есть очень реальные пределы.»
[пауза]
Первый человек в индустрии, кто открыто признал, что ML не делает того, что обещали. Не журналист — основатель и CEO компании, которая закрылась. Откровенный post-mortem.
Когда вы будете читать оптимистичные прогнозы об автономном вождении — возвращайтесь к этой цитате. Зельц-Аксмахер написал её в марте 2020 и предсказал всё, что произойдёт с Argo, Embark, TuSimple в 2022–2024.
Это эссе — обязательное чтение для каждого инженера AV.
[Переход на s23]
Раздел 3 divider¶
Раздел третий из пяти. Городская улица robotaxi и последняя миля.
Ещё ступень выше. Пешеходы, велосипедисты, эмерджентность. Здесь — самый дорогой провал в истории robotaxi.
[Переход на s24]
Waymo survivor¶
Waymo — канонический выживший robotaxi.
Март 2026. Пятьсот тысяч платных поездок в неделю. Три тысячи шестьдесят семь машин пятого поколения. Десять с лишним городов: Феникс, Сан-Франциско, Лос-Анджелес, Остин, Атланта, Майами, Даллас, Хьюстон, Сан-Антонио, Орландо. За 2025 год — четырнадцать миллионов поездок.
Рост в десять раз за девятнадцать месяцев.
Стек. Все сенсоры без компромиссов. HD-карта с точностью около десяти сантиметров. Лидар — основной 3D-сенсор. Камеры. Радар для надёжности в плохую погоду. Удалённые операторы — человек в петле в краевых случаях. Они не управляют дистанционно, а дают совет; машина исполняет сама.
И формальное обоснование безопасности — регуляторно проверяемый документ.
Что Waymo не публикует — прибыльность на одну поездку. Это означает либо «всё ещё отрицательная», либо «не раскрывается». Любой скептик считает первое. Операционный масштаб впечатляет, но удельная экономика ещё не доказана.
Survivor pattern Waymo. Crawl-walk-run. Patient capital Alphabet. Узкое расширение ODD. Не overpromise. Уважение к среде. Это не алгоритмическое превосходство. Cruise использовала похожий стек, но нарушила ODD-дисциплину и обанкротилась. Об этом — через несколько слайдов.
[Переход на s25]
China robotaxi¶
Параллельно с Waymo — в Китае три крупных игрока.
Apollo Go (Baidu). Лидер по абсолютным объёмам. Двести сорок миллионов автономных километров глобально. Более семнадцати миллионов заказов в двадцати двух городах. Больше Waymo по кумулятиву.
Pony.ai. Триста машин седьмого поколения, цель — тысяча к концу 2025 года. Единственная с лицензией коммерческой беспилотной эксплуатации во всех четырёх городах первого уровня: Пекин, Шанхай, Гуанчжоу, Шэньчжэнь. Подробнее на следующем слайде.
WeRide. Публично на Nasdaq. Q3 2025 — выручка тридцать пять и три десятых миллиона юаней. Плюс семьсот шестьдесят один процент год к году.
Прогноз Goldman Sachs — китайский robotaxi-рынок к 2035 году оценивается в сорок семь миллиардов долларов. Рост в семьсот раз. Bull-case сценарий, относиться скептически.
И ещё. К 2026 году индустрия robotaxi разделилась на два не-перекрывающихся рынка. Западный — Waymo, Tesla, Aurora. Китайский — Apollo Go, Pony.ai, WeRide. Геополитическая характеристика, стоит учитывать при планировании карьеры.
[Переход на s26]
Pony.ai unit economics¶
Одна деталь, которую в коммерческой прессе часто путают.
В ноябре 2025 года в Гуанчжоу — это первый город — Pony.ai впервые достигла положительной операционной прибыли на машину. Первый публично подтверждённый случай позитивной удельной экономики во всей robotaxi-индустрии.
В феврале 2026 года в Шэньчжэне — это второй город — повторение паттерна. Триста тридцать восемь юаней дневной чистой выручки на машину. Двадцать три заказа в день. Данные SEC 6-K.
[пауза, медленно]
Запомните последовательность. Гуанчжоу первый. Шэньчжэнь второй. Не наоборот.
Что означают. Удельная экономика на машину в отдельных городах стала положительной. Машина приносит больше, чем стоит её эксплуатация.
Что не означают. Не означают, что Pony.ai как компания прибыльна. Расходы на R&D, маркетинг — не покрыты двумя городами.
Важный milestone — первый сигнал, что robotaxi может выйти из режима венчурного жжения. Но не магическая пилюля. Чтобы стать прибыльной — нужно повторить в десяти городах одновременно со снижением R&D.
Урок. Всегда требуйте удельную экономику на машину. «Общий рост выручки» — красный флаг.
[Переход на s27]
Tesla Robotaxi Austin¶
Tesla Robotaxi — отдельная история. Философская ставка Илона Маска на стек только-зрение, без лидара и без HD-карты.
22 июня 2025 — старт в Остине. Около десяти машин Model Y. К маю 2026 — около семисот тысяч платных миль. Четырнадцать ДТП к февралю 2026.
Главный вопрос. Можно ли сравнить эту статистику с Waymo?
Ответ — нет, методологически нельзя.
[медленно]
Корректное сравнение требует учёта пробега. Waymo на пятистах тысячах поездок в неделю пробегает в десятки тысяч раз больше миль. На миллион миль Waymo показывает значительно более низкий уровень аварий, чем человек. По Tesla выборка слишком мала. Четырнадцать инцидентов на семьсот тысяч миль — широкий доверительный интервал. Нельзя категорично заключить «безопаснее или менее безопасно».
Чтобы сделать статистически валидное сравнение — нужно несколько миллионов миль в каждой группе. Tesla этого пока не имеет.
Урок — anti-confirmation-bias. Аварии на миллион миль — правильная метрика. Абсолютное число — обманчивая. «Tesla имеет меньше ДТП, чем Waymo» — категорически неверная рамка без нормировки на пробег.
Tesla может оказаться правой в долгосрочной перспективе. Но на сегодня — статистических доказательств недостаточно, и инженер должен держать вопрос открытым.
[Переход на s28]
Last-mile¶
Уровень четыре — последняя миля. AI в узких нишах.
Starship. Девять миллионов автономных доставок. Более двух тысяч семисот роботов. Шестьдесят с лишним университетских кампусов в США. Работает на кампусах — полу-контролируемая среда. Не масштабируется в плотной городской среде: снег, вандализм, передача пакета без человека невозможна.
Coco Robotics. Более тысячи роботов в Лос-Анджелесе. Расширение: Даллас, Майами, Хельсинки, Чикаго.
Zipline. Самая впечатляющая история. Сто миллионов автономных миль. Два миллиона коммерческих доставок. Двадцать два миллиона доз вакцин в Африке кумулятивно. Семь и шесть десятых миллиарда оценка.
Где Zipline работает — медицинская доставка в Африке. Сильная эмоциональная мотивация. Узкий ODD. Регуляторная открытость.
Где дрон-доставка не работает — плотный американский или европейский город. Жалобы на шум. Ограничения FAA. Передача пакета в десятиэтажное здание — нерешённая проблема.
Nuro — разворот. До 2024 — B2C delivery. В 2024 — exit B2C, разворот к лицензированию стека OEM. Lesson — B2C delivery не прибылен в американском городском контексте. Даже well-funded стартап выходит, когда удельная экономика не работает.
[Переход на s29]
Cruise centerpiece¶
Это центральный кейс лекции. Cruise GM exit собирает все уроки в одном месте.
[медленно, серьёзный тон]
В 2016 году GM приобрела Cruise. 2018–2023 — extensive funding. Август 2023 — DMV выдало Cruise лицензию на коммерческий robotaxi.
Второго октября 2023 года — инцидент в downtown SF. Около половины десятого вечера. Пешеход — женщина тридцати лет — переходила дорогу на зелёный. Лексус под управлением человека — не Cruise — проехал на красный, ударил её, отбросив под Cruise robotaxi.
Cruise зарегистрировал столкновение менее чем за секунду. Но вместо немедленной остановки предпринял манёвр уклонения — параллельную парковку к обочине. И протащил пострадавшую около двадцати футов.
[пауза]
Серьёзные травмы. Длительная госпитализация.
Двадцать четвёртого октября DMV отозвал лицензию. Важно: не за сам инцидент. Cruise при первом запросе предоставила частичное видео, обрывавшееся до манёвра уклонения. Полное видео — только после специфического запроса.
Это «misrepresentation», введение в заблуждение, которое DMV процитировал как причину. Cruise могла бы пережить сам инцидент. Cover-up она пережить не могла.
Дальше — массовые увольнения. Декабрь 2024 — GM объявляет полный exit. Десять с лишним миллиардов убытков. Менее пятисот миллионов выручки. Двадцать к одному.
Четыре уровня провала.
Первый — технический. Стек увидел пешехода. Но Decide-логика дала «pull over» — в контексте «пешеход под машиной» катастрофа. Провал второй стадии OODA-цикла из лекции девять.
Второй — бизнес-модель. Капитальная интенсивность без выручки.
Третий — регуляторный и доверие. Нарушение прозрачности. Доверие — это prerequisite, одно нарушение уничтожило восемь лет работы.
Четвёртый — культурный. GM-Cruise гибридная культура. SF-стартап vs Detroit-OEM. Hardware-OEM, делающая разворот в software-platform — анти-паттерн. GE Predix, IBM Watson, Foxconn Wisconsin — те же сюжет.
[пауза]
Lesson. Когда работаете в технологической компании с регуляторным взаимодействием — прозрачность с регулятором не PR-вопрос. Структурный survival-вопрос. Один dragging incident плюс trust violation убивают миллиардо-долларовую программу. Это lesson инженерной этики.
[Переход на s30]
Uber Tempe 2018¶
[тихо, серьёзно]
Самая тяжёлая часть лекции. Самый важный кейс по безопасности в AV-индустрии.
Восемнадцатое марта 2018 года, около десяти вечера, Темпе, Аризона. Погибла Элейн Хёрцберг, сорок девять лет. Первая жертва беспилотного автомобиля в истории. Пересекала дорогу с велосипедом вне пешеходного перехода. Uber Volvo XC90, сорок миль в час.
Что произошло технически. Камера обнаружила пешехода пять и шесть десятых секунды до удара. Восприятие сработало. Но классификатор не классифицировал объект как пешехода — Хёрцберг вне перехода и с велосипедом, вне-распределения для тренировочных данных. Модель видела «что-то», но не понимала, что это пешеход.
Намеренное отключение AEB. Uber отключил заводское автоматическое экстренное торможение намеренно, чтобы избежать конфликтующих вмешательств. Когда стек Uber провалил классификацию, заводское AEB тоже не сработало.
Оператор безопасности смотрела телешоу Hulu. Не следила за дорогой.
Отчёт NTSB: «Деактивация AEB увеличила риски». И: «Недостаточная культура безопасности Uber».
[пауза]
Четыре урока.
Первый — ODD критичен. Расширять выборку до полного распределения, включая краевые случаи.
Второй — никогда не отключать заводские системы безопасности. Если ваш стек конфликтует — поднимайте его качество, не отключайте заводское.
Третий — внимание оператора безопасности ненадёжно. Водители теряют бдительность за десять-пятнадцать минут. Структурная характеристика человеческого внимания. Один оператор — недостаточно.
Четвёртый — культура безопасности значит. Не алгоритмы, а инженерная культура определяет профиль безопасности.
Этот кейс стал фундаментом для NHTSA Standing General Order. Институциональное наследие от смерти Элейн Хёрцберг.
[Переход на s31]
Tesla Autopilot NHTSA¶
Tesla Autopilot — самая масштабная история по безопасности в AV. К октябрю 2025 — в базе NHTSA шестьдесят пять сообщений, пятьдесят четыре подтверждённых смертельных случая.
Расследование EA22002. Открыто NHTSA в 2022. Выявило тринадцать смертельных аварий с паттерном предсказуемого неправильного использования.
Если пользователь использует продукт способом, который дизайнер мог предвидеть — это структурная проблема дизайна, не индивидуальная вина. Паттерн: водители используют Autopilot, чтобы спать. Читать. Выполнять не-водительские задачи.
Расширение 2024 — аварии в пониженной видимости. Засветка от солнца. Припаркованные аварийные автомобили — мигалки сбивают восприятие. Новое расследование 2025 — примерно на двух миллионах девятистах тысячах Tesla.
Четыре урока.
Первый — наименование значит. «Autopilot» приглашает к избыточному доверию. В реальности — L2 ADAS, требующий внимания сто процентов времени.
Второй — мониторинг водителя обязателен.
Третий — краевые случаи в восприятии. Сдвиг распределения в реальных условиях.
Четвёртый — только-зрение без HD-карты пока стадия исследования для L4. Подход Waymo доказан. Стек Tesla — нет.
Урок. Когда Tesla публикует «Autopilot безопаснее водителя» — проверяйте знаменатель. Tesla сравнивает «милю в Autopilot» с человеческими смертельными случаями на всех милях, не на сравнимых хайвейных. Сравнение яблок с апельсинами.
[Переход на s32]
Urban failure matrix¶
Заключаем раздел три четырьмя уроками.
Первый — дисциплина ODD критична. Cruise.
Второй — мониторинг водителя обязателен. Tesla, тринадцать смертельных аварий.
Третий — наименование значит. «Autopilot» приглашает к избыточному доверию.
Четвёртый — hardware-OEM не равно software-platform. Cruise, GE Predix, IBM Watson, Foxconn Wisconsin — структурный анти-паттерн.
Эти четыре урока применимы за пределами AV — в любой AI-системе, критичной к безопасности.
[Переход на s33]
Раздел 4 divider¶
Раздел четвёртый из пяти. Чёрный лебедь и рамка решения.
Самая верхняя ступень. Здесь AI слеп по определению. И здесь — самая важная окупаемость лекции.
[Переход на s34]
Houthi Red Sea¶
Хуситы в Красном море — канонический чёрный лебедь для логистики 2020-х.
Хуситы начали атаковать контейнеровозы в конце ноября 2023. К февралю 2024, за два месяца, контейнерный трафик через Красное море упал на девяносто процентов.
Числа. Ежедневный транзит — четыре миллиона метрических тонн до кризиса, один и семь десятых после. Минус пятьдесят семь с половиной процентов.
Через Красное море шло около пятнадцати процентов мировой морской торговли, тридцать процентов глобального контейнерного трафика. Шиппинг компании перенаправляли через мыс Доброй Надежды — плюс тридцать процентов транзитного времени. J.P. Morgan оценил снижение эффективной глобальной контейнерной мощности на девять процентов.
Что произошло технически. Модели прогноза спроса, обученные на 2018–2023, не имели никакого сигнала про хуситские атаки. Не плохо обученная модель. Это была полная смена распределения. Модель обучилась на распределении, которое перестало существовать.
Точно-в-срок цепочки сломались. Компании, оптимизированные на минимальный запас, оказались в дефиците.
Что не работало. Прогноз спроса ML — полностью out-of-distribution. Решатели оптимизации — нет данных о новых транзитных временах. Отслеживание в реальном времени — данных хватало, но это симптом, не причина.
Что работало. Человеческие диспетчеры в exception-командах Maersk, MSC, CMA CGM. Реальные решения о перенаправлении делали люди, не модели. Сценарное планирование — компании с pre-built сценариями могли быстро ответить.
[пауза]
Главный pedagogical point. ML по определению слеп на out-of-distribution событиях. Это не «AI плохо обучена» — это структурная характеристика любого supervised ML. На уровне пять правильные инструменты — диспетчеры-люди, сценарное планирование, OR. Не ML.
[Переход на s35]
Suez Ever Given¶
Ever Given — второй канонический пример. Март 2021. Контейнеровоз размером с Empire State Building заблокировал Суэцкий канал на шесть дней.
Двенадцать процентов мировой торговли проходит через Суэц. Девять и шесть десятых миллиарда долларов грузов удержано.
Главный point. AI не имела роли. Совсем.
Что случилось — физика плюс ошибка лоцмана. Сильный боковой ветер. Корабль высоко загружен — большая парусность. Лоцман не справился с компенсацией. Сел на мель.
Что разблокировало — дноуглубительные работы. Буксиры. Высокая вода. Инжиниринг, не AI.
Когда вендор говорит «наш AI помог бы предотвратить Suez» — спросите как. Прогноз ветра — уже делают метеослужбы. Coordination лоцмана и судна — коммуникация. Анализ нагрузки — статика.
Иногда правильный ответ — не AI. Иногда правильный ответ — лучшая инженерия. Лучшие лоцманы. Лучшее обучение. Лучшие протоколы загрузки. Лучшие буксиры наготове.
Один из самых важных уроков лекции. Когда задача физическая — инструмент физический. Когда задача оптимизация в-распределении — операционные исследования. ML занимает узкую категорию задач, где данные есть, распределение стационарное, ROI измеряется.
[Переход на s36]
COVID 2020¶
Третий чёрный лебедь — COVID 2020.
Март 2020. Одновременное потрясение спроса и предложения. Спрос на туалетную бумагу, маски, дезинфектанты — в десять-двадцать раз. Спрос на авиабилеты — минус восемьдесят-девяносто процентов. Поставщики в Китае закрывались.
ML прогноз спроса полностью провалился. Модели на 2015–2019 видели стационарное распределение. Март 2020 вышел за пределы любого предыдущего сигнала.
Что сломалось структурно. Точно-в-срок — доминирующая философия логистики последние тридцать лет. Минимизировать запасы. Это оптимально в стационарной среде. В нестационарной — хрупко. Компании с нулевым буфером оказались в дефиците. Точно-в-срок плюс ML прогноз = хрупкая система.
Что спасло. Человеческие exception-команды. Reroute контейнеров вручную. Договорённости с альтернативными поставщиками. Временный отказ от точно-в-срок.
Lesson. Точно-в-срок плюс ML — оптимально в-распределении, хрупко на чёрных лебедях. Резильентность требует избыточности. Это противоречит классической оптимизации, и менеджмент должен сознательно инвестировать в резильентность.
После COVID Maersk, Walmart, Apple начали серьёзно инвестировать в сценарное планирование. Pre-build сценарии для major disruption. Когда событие случается — у вас уже есть готовый сценарий.
[Переход на s37]
Trucker shortage structural¶
Дефицит дальнобойщиков — важный негативный кейс, где AI не решает проблему.
Семьдесят восемь тысяч пиковая оценка 2022. Около шестидесяти тысяч на 2023. Проблема структурная, не технологическая. Зарплата, скорректированная на инфляцию, не выросла существенно за десятилетия. Условия труда — много времени вдали от дома. Средний возраст водителя около пятидесяти лет, молодёжь не идёт.
Что работает. Политика. Программы для иностранных водителей. Переподготовка ветеранов. Зарплата. Условия труда.
Что не решает. AV-развёртывания на 2026. Aurora — около десяти машин. К концу десятилетия — может быть несколько тысяч. Но семидесяти восьми тысяч — нет.
[пауза]
Lesson. Когда вендор использует macro-аргумент «решим дефицит работников» — проверяйте арифметику. Если развёртывание не масштабируется до уровня проблемы — это маркетинг. Правильный ответ — не покупать AV-стек. Правильный ответ — policy-уровневые меры.
AI может улучшить производительность существующих водителей — лучшие маршруты, ассистенты. UPS делает это. Но AI не заменяет водителей в количестве, достаточном для структурного дефицита.
[Переход на s38]
Decision framework¶
Центральная окупаемость лекции. Семь критериев — AI или не AI. Пять структурных предикторов плюс два anti-hype фильтра.
[медленно, чётко]
Первый. Среда контролируемая? Склад, порт, рельсы — да. Уровень один. Symbotic, Amazon, KONUX. Если городская улица или магистраль — следующий критерий.
Второй. Задача — чётко поставленная оптимизация? Задача коммивояжёра, маршрутизации, расписаний. Если да — операционные исследования. Gurobi, CPLEX, OR-Tools лучше, дешевле, объяснимее, чем RL или ML. UPS ORION — канонический пример.
Третий. Спрос стационарный? Если предсказуем по сезонам — EOQ, страховой запас, ABC-анализ. Формулы 1913 года. Работают.
Урок — аудит запасов. Какой процент SKU реально требует ML? Часто менее двадцати процентов.
Четвёртый. Критично для безопасности с регуляторным аудитом? FDA, FAA, IMO, ICAO. Если да — правиловой подход плюс человек в петле. Чёрный ящик ML не работает в регулируемых отраслях.
Пятый. Событие в-распределении? Ежедневные операции в нормальном спросе — ML-скоринг. Чёрный лебедь — диспетчер-человек плюс сценарное планирование. Не ML.
Шестой. Послужной список в промышленной эксплуатации шесть месяцев и больше? Это первый anti-hype фильтр. Три референса с задокументированными метриками — продукт обоснован. Vendor-демо без публичных метрик — REJECT по умолчанию. Девяносто пять процентов GenAI-пилотов не доходят до прода.
Седьмой. Базовая линия и контрфактуальное сравнение явно сформулированы? Это второй anti-hype фильтр. Конкретная baseline в тех же единицах — manual picking, OR-Tools, EOQ. Если поставщик говорит «лучше, чем у конкурентов» без чисел — REJECT. Без базовой линии любой процент — маркетинг.
[пауза]
Применение.
Складская роботизация Symbotic — критерий первый «да». AI применим.
UPS ORION — критерий второй «да». OR, не ML.
Прогноз спроса в кризис хуситов — критерий пятый «нет». Диспетчер-человек.
FDA-регулируемая холодовая фарма — критерий четвёртый «да». Правиловой плюс HITL.
Сезонные запасы ритейлера — критерий третий частично. Гибрид EOQ плюс точечный ML.
Vendor-pitch «GenAI агент сам распланирует цепочку поставок» — критерии шестой и седьмой обычно «нет». REJECT.
Это не «всегда AI» или «никогда AI». Фреймворк решения, который разбивает нагрузку на категории, и для каждой определяет правильный инструмент. Главная окупаемость лекции тринадцать. Унесите с собой.
[Переход на s39]
Alternative toolkit¶
Альтернативный toolkit. Шесть классов инструментов как альтернативы AI.
Первое — операционные исследования. Gurobi, CPLEX коммерческие. Google OR-Tools открытый. UPS ORION — канонический proof.
Второе — классические запасы. EOQ, страховой запас, ABC-анализ. Формулы 1913 года. Актуальны для большой доли SKU.
Третье — сценарное планирование. Не software — методология. Shell с 1970-х. Pre-build сценарии: «Что если Красное море закрыто?» Когда событие случается — у вас есть готовый сценарий.
Четвёртое — правиловое зрение. OpenCV открытый. HALCON и Cognex коммерческие. Инспекция бутылок на пивоварне — пример из лекции одиннадцать.
Пятое — гибридное зрение плюс обработка сигналов. Инспекция повреждений контейнеров — зрение плюс ультразвук плюс радар.
Шестое — человек в петле. Регуляторный аудит и чрезвычайные события. Maersk exception teams перенаправляли через мыс Доброй Надежды — HITL в действии.
Главное. Инженер-логист, который знает только AI — неполный инженер. Полный toolkit — шесть инструментов. AI — один из шести.
Lesson. Когда выходите на работу — первая ставка на классические инструменты: OR плюс EOQ плюс правиловой. Если они не работают — тогда добавляйте ML. Не наоборот. Предложения вендоров часто пытаются продать AI там, где OR-Tools достаточно.
Вторая главная окупаемость лекции. Унесите с собой.
[Переход на s40]
Q&A + семь вопросов вендору¶
Последний содержательный слайд. Семь вопросов, которые вы зададите любому вендору логистического AI.
Первый. Какое сравнение с базовой линией OR — Google OR-Tools, Gurobi, CPLEX? Если «не делали такого сравнения» — красный флаг.
Второй. Какой ваш ODD, и как валидируется новое расширение? Cruise dragging incident — провал именно ODD-дисциплины.
Третий. Какой ваш стек мониторинга водителя? Tesla EA22002, тринадцать смертельных аварий с предсказуемым неправильным использованием.
Четвёртый. Какое отношение километров в симуляции к километрам на дорогах? Разрыв симуляция-к-реальности у Starsky — главная причина провала. Миллионы в симуляции и ноль на дорогах — серьёзный красный флаг.
Пятый. Какая частота ошибок на сезонных сдвигах распределения? Чёрная пятница, Рождество. Как часто переобучается модель?
Шестой. Какие сертификации? FDA Part 11, ATEX, ISO 26262, NHTSA SGO. Регуляторный аудит обязателен.
Седьмой. Какова удельная экономика? На машину, на маршрут, на тонну. Pony.ai первая с положительной операционной прибылью на машину — Гуанчжоу ноябрь 2025 первый, Шэньчжэнь февраль 2026 второй. Если вендор не публикует удельную экономику — либо «всё ещё отрицательно», либо «не раскрывается». Скептик считает первое.
[пауза]
Семь вопросов носите с собой. Вторая практическая часть инструментария.
А теперь — несколько минут на ваши вопросы.
[Q&A пауза — 2-3 минуты]
[Переход на s41]
Closing hero + bridge к Лекции 14¶
[сменить тон на закрывающий]
Заключительный слайд.
Сегодня мы с вами прошли пять уровней лестницы среды. Один — склад, AI зрело. Два — магистраль, Aurora первая коммерческая, двадцать миллиардов сожжено. Три — городская улица, Waymo выжил, Cruise разорилась. Четыре — последняя миля, узкие ниши. Пять — чёрный лебедь, AI слеп, инструменты — диспетчеры-люди и сценарное планирование.
[медленно]
Survivors уважают среду. Остаются в узком ODD. Не overpromise. Cruise vs Waymo — обоим тот же стек. Waymo выжил, потому что был осторожен в расширении. Lesson инженерного смирения. Дисциплина, прозрачность с регулятором, приоритет безопасности.
Мост к лекции четырнадцать. На следующей лекции — телекоммуникации, сетевая инфраструктура, кибербез. Другая среда — cyber вместо physical. У этой среды будет своё устройство, которое следующая лекция раскроет на собственных основаниях.
Что переносится — семь критериев AI/не AI: среда, тип задачи, профиль спроса, регуляторная среда, in-distribution событие, послужной список вендора и явная базовая линия. Cyber-окружение имеет всё это, и тот же скептический навык применим. Конкретные telecom-инструменты — другие, но логика разбора предложения вендора — одна.
Конкретные инструменты будут другими. Навык — тот же.
Главное: главный предиктор успеха AI в логистике — структурированность среды, а не амбиция стека и не объём капитала.
Спасибо.