Ant Group ra mắt LingBot-VA 2.0: Mô hình hành động thế giới thực đầu tiên cho robot

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

10/07/2026 11:28:59 Nguồn: QbitAI

Ngày 10 tháng 7, Ant Lingbo đã ra mắt LingBot-VA 2.0, mô hình hành động thế giới nguyên bản (embodied-native) đầu tiên trong ngành. Sự ra đời của mô hình này đánh dấu bước chuyển mình quan trọng của các mô hình nền tảng robot: từ việc "xây dựng dựa trên các mô hình thế giới kỹ thuật số" sang "thiết kế hướng tới thế giới vật lý nguyên bản". Nó đại diện cho một lựa chọn lộ trình then chốt trong sự phát triển của trí tuệ hiện thân (embodied AI): "bộ não" của robot không còn dựa vào việc "ghép nối" các khả năng từ mô hình thế giới kỹ thuật số, mà được thiết kế nguyên bản ngay từ đầu, xuất phát từ những nhu cầu sơ khai như tương tác với môi trường, mô hình hóa động lực học, dự đoán nhân quả và thực thi thời gian thực.

Nhờ kiến trúc nguyên bản dành cho trí tuệ hiện thân, LingBot-VA 2.0 đã thể hiện tốc độ thực thi và khả năng tổng quát hóa vượt trội trong các bài kiểm tra trên máy thật. Lấy ví dụ từ video dưới đây, robot có thể hoàn thành nhiều lượt đối kháng ngẫu nhiên với con người mà không cần dựa vào bất kỳ thiết bị quay phim bên ngoài nào.

Từ đầu năm nay, việc làm thế nào để kết hợp mô hình thế giới (world model) với trí tuệ hiện thân luôn là tâm điểm chú ý của các bên. Để đạt được mục tiêu, xuất phát từ nhu cầu "điều khiển thực thi" trong thế giới vật lý, cần có "khả năng dự đoán" liên tục tuân thủ các quy luật nhân quả. Robot phải đối mặt với một thế giới thực biến đổi không ngừng; nó không chỉ cần phản ứng với tình huống hiện tại mà còn phải hiểu được một hành động sẽ gây ra những thay đổi gì cho môi trường, từ đó quyết định hành động tiếp theo. Lộ trình chủ đạo của ngành hiện nay phần lớn vẫn dựa vào các mô hình tạo video vốn dành cho sáng tạo nội dung kỹ thuật số, sau đó tinh chỉnh (fine-tuning) để thích ứng với các tác vụ điều khiển robot.

Tuy nhiên, sáng tạo nội dung và điều khiển robot có xuất phát điểm khác nhau: sáng tạo nội dung chú trọng vào chất lượng hình ảnh và tính sáng tạo, trong khi điều khiển robot lại ưu tiên hiệu suất thực thi và tính hợp lý của dự đoán. Những khác biệt này dẫn đến việc các mô hình video thế giới kỹ thuật số và mô hình hành động video thế giới vật lý có trọng tâm năng lực khác nhau ngay từ khâu thiết kế. Việc cưỡng ép "tinh chỉnh" để biến cái trước thành cái sau sẽ dẫn đến các tác dụng phụ như quên kiến thức cũ và giảm khả năng tổng quát hóa.

LingBot-VA 2.0 chọn cách đối mặt trực diện với vấn đề và khám phá một con đường khó khăn hơn: tiền huấn luyện từ đầu dựa trên kiến trúc tự hồi quy (autoregressive), xây dựng mô hình nền tảng nguyên bản thông qua bốn thiết kế cốt lõi.

Đầu tiên, mô hình giới thiệu Tokenizer thị giác-hành động ngữ nghĩa như một bộ mã hóa thị giác hoàn toàn mới. Trong quá trình nén thị giác, nó bổ sung sự căn chỉnh giữa thông tin ngữ nghĩa và hành động, giúp mô hình dễ dàng chuyển đổi "hiểu chỉ dẫn" thành "hoàn thành hành động" trong quá trình huấn luyện sau đó, từ đó hỗ trợ việc tuân thủ chỉ dẫn và nâng cao độ chính xác của hành động. Thứ hai, mô hình áp dụng mô hình tiền huấn luyện nhân quả nghiêm ngặt, cho phép mô hình sử dụng kiến trúc tự hồi quy ngay từ khi bắt đầu huấn luyện, đảm bảo dự đoán thị giác và tạo hành động hoàn toàn tuân theo trình tự thời gian một chiều. Thứ ba, giới thiệu kiến trúc MoE (Mixture of Experts) để mở rộng dung lượng mô hình mà không làm giảm hiệu suất suy luận, tạo sự cân bằng giữa hiệu năng và tốc độ. Cuối cùng, thông qua cơ chế suy luận bất đồng bộ được tăng cường, mô hình đạt được khả năng điều khiển vòng lặp kín thời gian thực, dự đoán trạng thái tương lai trong khi robot đang thực hiện hành động và liên tục hiệu chỉnh quyết định tiếp theo dựa trên các quan sát thực tế mới nhất. Dựa trên những thiết kế này, đối với vấn đề hiệu suất thực thi thấp mà các mô hình thế giới hiện thân thường gặp phải, LingBot-VA 2.0 đã đưa ra lời giải với hiệu suất suy luận thời gian thực 150Hz trên một card đồ họa.

Từ góc độ "làm việc", robot cần "nhìn rõ hơn", "suy nghĩ thấu đáo hơn" và "làm việc gọn gàng hơn". Tuần này, Ant Lingbo đã liên tiếp phát hành và mở mã nguồn nhiều mô hình, bao gồm: LingBot-Vision và LingBot-Depth 2.0 hướng tới nhận thức không gian, mô hình hành động LingBot-VLA 2.0 hướng tới "một não nhiều máy", LingBot-World 2.0 hướng tới tương tác thời gian thực và mô hình nền tảng tạo video LingBot-Video hướng tới hiệu suất suy luận cao hơn. Các mô hình trên đại diện cho nỗ lực không ngừng của Ant Lingbo trong việc khám phá các khả năng phân khúc cần thiết cho trí tuệ hiện thân nguyên bản, và LingBot-VA 2.0 với tư cách là tác phẩm tổng hợp đã đóng vai trò là dấu ấn kết thúc, đồng thời chính thức mở ra giai đoạn mới cho trí tuệ hiện thân nguyên bản.

CEO Chu Hưng của Ant Lingbo cho biết, một mặt Lingbo sẽ tiếp tục khám phá những giới hạn mới của trí tuệ hiện thân, mặt khác sẽ đẩy nhanh việc xây dựng hệ sinh thái công nghệ và hệ sinh thái kịch bản mở, hỗ trợ robot nhanh chóng tiến vào các kịch bản công nghiệp.

Được biết, Ant Lingbo sẽ trưng bày toàn diện khả năng của các kịch bản ứng dụng "bộ não toàn diện 2.0" tại Hội nghị Trí tuệ Nhân tạo Thế giới (WAIC) 2026 diễn ra từ ngày 17 đến 20 tháng 7. Khán giả có thể đến Trung tâm Triển lãm Thế giới Thượng Hải (gian hàng H3-B302, H1-C701) để trải nghiệm trực tiếp.

Bài viết này do Ant Lingbo cung cấp, QbitAI được ủy quyền đăng tải lại, quan điểm thuộc về tác giả gốc.

Bản quyền thuộc về tác giả, không được phép sao chép hoặc sử dụng dưới mọi hình thức khi chưa được ủy quyền, mọi hành vi vi phạm sẽ bị xử lý theo pháp luật.