Figure и Nscale запланировали AI-кластер до 100 000 GPU для гуманоидных роботов

Вычислительный контракт с горизонтом 2027 года

Nscale и Figure подписали многолетнее стратегическое соглашение о вычислительной инфраструктуре для моделей Helix и гуманоидной робототехники. Партнёры говорят о потенциальном развёртывании NVIDIA Vera Rubin с масштабом до 100 000 GPU. Первые ускорители планируется вводить со второй половины 2027 года на площадке в Barstow, штат Техас. Начальное обязательство по compute составляет $3,5 млрд, а намерение расширить его — более $6 млрд.

Формулировки здесь важны: 100 000 GPU — потенциальный верхний масштаб, а не уже поставленный парк. Аналогично сумма свыше $6 млрд описана как намерение масштабирования, тогда как $3,5 млрд названы initial commitment. Анонс не раскрывает количество GPU первой очереди, график достижения максимума, цену отдельного ускорителя или условия, при которых дополнительная мощность будет заказана.

Nscale становится не просто поставщиком cloud

По соглашению Nscale должна стать preferred compute provider для Figure и получить долю в компании. Кроме облачной платформы Nscale связывает в одном предложении энергоснабжение, data center и orchestration layer, а инфраструктура NVIDIA должна поддерживать путь от обучения моделей до их развёртывания. Отдельно стороны собираются изучить возможность применения гуманоидов в цепочке поставок самой Nscale.

Это сближает экономику робототехники с frontier AI labs: развитие физической машины всё сильнее зависит от крупного центра обучения, долгосрочного доступа к электроэнергии и поставок нового поколения ускорителей. Но соглашение ещё не показывает, насколько дополнительный compute улучшит конкретные показатели робота — успешность захвата, скорость освоения нового навыка, безопасность рядом с человеком или стоимость выполненной операции.

Зачем Helix столько вычислений

Figure описывает Helix как Vision-Language-Action model, которая объединяет восприятие, понимание языка и непрерывное управление верхней частью тела гуманоидного робота. Архитектура разделяет более медленный System 2 для семантического понимания и быстрый System 1 для моторного контроля. System 2 работает на частоте 7–9 Hz, а System 1 выдаёт действия на 200 Hz, включая кисти, пальцы, торс и голову.

Опубликованная версия Helix использует 7B open-weight VLM в System 2 и 80M transformer в System 1. Figure сообщает примерно о 500 часах teleoperated training data и одной совокупности весов без task-specific fine-tuning. На борту робота два маломощных embedded GPU разделяют высокоуровневое планирование и real-time control. Таким образом, будущий внешний кластер нужен не для каждого движения в момент эксплуатации, а прежде всего для развития и масштабирования моделей, тогда как критический цикл управления остаётся локальным.

Замкнутый цикл physical AI

В совместном описании партнёры формируют цепочку: модели Figure обучаются на Vera Rubin в AI cloud Nscale, проверяются в NVIDIA Isaac Sim и затем работают на NVIDIA GPU внутри роботов. Такой цикл должен связывать data collection, simulation, training и deployment. Чем больше роботов действует в реальной среде, тем больше потенциальных данных возвращается в обучение, а улучшенная модель способна расширять набор выполняемых задач.

Однако наличие вычислительного flywheel само по себе не гарантирует качественных данных. Teleoperation может плохо покрывать редкие ситуации, simulator — отличаться от физической среды, а метрика обучения — не отражать риск контакта с человеком. Масштаб кластера повышает скорость экспериментов, но одновременно увеличивает цену неверно выбранной цели. Для robotics важны не только training loss и количество параметров, но и воспроизводимые испытания безопасности на реальном hardware. Эти испытания в финансовом анонсе не опубликованы.

Что уже показано, а что только обещано

Figure ранее показала Helix в задачах работы с незнакомыми бытовыми предметами и координации двух роботов. Компания утверждает, что одна модель может управлять двумя машинами с одинаковыми весами, выполнять языковые команды и манипулировать тысячами ранее не встречавшихся объектов. Это результаты самой Figure, а не независимый benchmark, и они относятся к существующей демонстрации Helix, а не к будущей инфраструктуре Nscale.

Новая сделка подтверждает серьёзность намерения масштабировать обучение, но между подписанным партнёрством и работающим кластером остаются поставка Vera Rubin, строительство площадки, электроэнергия, сеть, охлаждение и ввод первой очереди. Поскольку начало deployment назначено только на вторую половину 2027 года, ближайшие проверяемые вехи — фактическая поставка ускорителей, заявленная доступная мощность, запуск training workloads и публикация результатов следующего поколения Helix.

Почему это важно

Соглашение показывает, что универсальная гуманоидная робототехника начинает конкурировать за тот же инфраструктурный ресурс, что и большие языковые и мультимодальные модели. Figure прямо называет данные и compute основными ограничителями своего замысла. Если planned cluster будет введён, компания получит возможность проводить существенно больше циклов обучения и симуляции, не отдавая ключевую часть дорожной карты случайной spot-capacity.

Главный вопрос теперь не в красивой цифре 100 000, а в отдаче на единицу ресурса. Публичная оценка потребует сопоставить compute с устойчивым ростом автономности, долей успешных заданий, числом вмешательств оператора, безопасностью и стоимостью полезной работы. Пока официальные источники подтверждают соглашение, финансовые ориентиры и техническую основу Helix, но не доказывают, что увеличение GPU автоматически приведёт гуманоидов в каждый дом. Это задача будущих измерений, а не факт текущего анонса.