Claude Opus 4.7 став оператором робопса: деталі експерименту Anthropic

Claude Opus 4.7 виконав інженерні задачі на роботі у фізичному середовищі до 37 разів швидше за людей, але не зміг завершити фінальний тест автономного керування в реальному часі. Такий результат показав експеримент Anthropic із підключенням моделі до комерційного робопса.

Claude навчився самостійно працювати з робопсом

Компанія Anthropic представила результати другої фази експерименту Project Fetch, у межах якого модель Claude Opus 4.7 навчилася працювати з чотириногим роботом.

Під час тестування система без участі людини виконувала завдання з підключення до сенсорів, програмування та навігації робота, перевершивши результати співробітників Anthropic.

У першій фазі Project Fetch (серпень 2025 року) співробітників без досвіду в робототехніці поділили на дві команди: одна використовувала Claude, інша працювала без ШІ, покладаючись на власні знання та пошук інформації.

Результати показали, що команда з Claude працювала ефективніше. Водночас модель попереднього покоління — Claude Opus 4.1 — не змогла повністю виконати завдання та зупинялася на етапі підключення до робота.

У новому тестуванні Anthropic підключила ноутбук із Claude Code безпосередньо до робота. Людина лише запускала початковий запит і підтверджувала окремі команди.

Що зміг зробити Claude Opus 4.7

Модель виконала низку технічних завдань:

• підключення до камер і сенсорів робота;
• налаштування доступу до даних LiDAR;
• написання програмного забезпечення для керування;
• створення системи відстеження маршруту;
• інтеграція компонентів у єдину систему.

За даними Anthropic, у завданнях, які хоча б одна команда людей виконала під час першої фази експерименту, Claude Opus 4.7 показав результат щонайменше у 10 разів швидше.

Якщо враховувати чотири завдання, які виконали обидві людські команди, модель була більш ніж у 37 разів швидшою за команду без ШІ та майже у 19 разів швидшою за команду з ШІ-асистентом.

Також у компанії зазначили, що модель створила майже у 10 разів менше програмного коду, ніж люди, при цьому досягнувши зіставних або кращих результатів.

Де модель не впоралася

Claude не зміг завершити фінальне завдання експерименту — автономно повернути м’яч у стартову позицію за допомогою робопса.

Модель правильно визначила положення м’яча та розташувала робота для виконання завдання, однак не впоралася з точним керуванням у режимі реального часу.

У Anthropic пояснили, що складність пов’язана із замкненим циклом керування (closed-loop control) — системою, яка потребує безперервного аналізу зворотного зв’язку та корекції рухів.

Трансформація агента: від цифрового помічника до оператора

Цей кейс відображає поступовий перехід великих мовних моделей до взаємодії з фізичними системами.

Як зазначають аналітики ETFocus, прогрес Claude у робототехнічних задачах не був окремою спеціалізацією моделі. Це результат загального масштабування LLM, які поступово набувають агентних властивостей.

Системи переходять від ролі інструментів для генерації тексту та коду до виконання багатокрокових дій у зовнішніх середовищах, включно з фізичними пристроями.

Водночас експеримент показує і поточні обмеження технології. Найскладнішими залишаються задачі реального часу із замкненим циклом керування, де критичними є швидкість реакції та точність фізичної взаємодії.

Саме в таких сценаріях людський контроль поки зберігає перевагу над ШІ-системами.

Розвиток цифрової інфраструктури та нові підходи до автоматизації також активно впроваджуються у фінансовому секторі — зокрема в експериментах із цифровими валютами та маржинальними розрахунками, як у проєкті HKEX та e-HKD: Революція маржинальних платежів у Гонконзі.