Robot hình người tại Mỹ vẫn chưa chín muồi: Tại sao doanh nghiệp Trung Quốc cứ phải là 'bản sao'?

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

25-07-2026 20:24:27 Nguồn: QbitAI

Đây là thời đại hoàng kim của lĩnh vực robot.

“Kể cả Physical Intelligence, các công ty hàng đầu về trí tuệ hiện thân (embodied AI) tại Bắc Mỹ hiện nay vẫn còn một khoảng cách khá xa mới đạt đến độ chín muồi. Toàn bộ lĩnh vực này vẫn chưa xuất hiện những công trình mang tính nền tảng thực sự.”

“Thứ mà Trung Quốc thực sự dẫn đầu chính là phần cứng robot. Mỹ cũng chưa có lời giải hoàn hảo, vậy tại sao các công ty Trung Quốc phải vội vàng tự gọi mình là ‘XX phiên bản Trung Quốc’?”

Đây là hai nhận định gây bất ngờ nhất mà QbitAI nghe được sau vài ngày trao đổi tại Sydney khi tham dự RSS 2026.

Nhưng nói đi cũng phải nói lại, đó là chuyện của phần sau.

Khi vừa đặt chân đến hội trường RSS, câu hỏi đầu tiên nảy ra trong đầu chúng tôi lại là một vấn đề khác:

Tại sao mô hình thế giới (world model) đã sốt ở trong nước gần nửa năm nay, mà khi đến hội nghị đỉnh cao về robot, mọi người vẫn đang thảo luận về VLA?

Đây là “cảm nhận đầu tiên” của chúng tôi khi tham gia sự kiện trực tiếp.

Trong lịch trình ngày thứ Hai, mô hình thế giới vẫn phải xếp chung với chủ đề bộ nhớ, tạo thành một phiên thảo luận kéo dài 45 phút.

Đến thứ Ba, các báo cáo liên quan đến học bắt chước (imitation learning) và VLA được xếp dày đặc từ sau 3 giờ chiều đến tận tối muộn, chiếm trọn nửa sau của buổi chiều.

Thú thật, điều này khá khó hiểu.

Bởi lẽ ở trong nước, quan điểm “VLA đã chết, mô hình thế giới mới là chân lý” đã được lan truyền qua vài vòng rồi.

Mô hình thế giới cũng được ngày càng nhiều công ty đưa vào lộ trình công nghệ, được xem là lời giải mới cho trí tuệ hiện thân.

Thậm chí, có chút mỉa mai khi nói rằng, năm nay bất kỳ công ty trí tuệ hiện thân nào có tin gọi vốn, về cơ bản đều đang làm mô hình thế giới.

Đến đây, câu hỏi đặt ra là:

Tại sao tại hội nghị đỉnh cao về robot, mọi người vẫn cứ VLA, VLA? Chẳng lẽ thực sự có độ trễ nửa năm giữa trong nước và quốc tế?

Sau khi trao đổi với nhiều sinh viên và giảng viên, chúng tôi nhận ra lý do là chu kỳ phản biện của các hội nghị đỉnh cao đã không còn theo kịp tốc độ lặp lại (iteration) của lĩnh vực AI.

Ví dụ, RSS 2026 chốt hạn nộp bài vào ngày 30 tháng 1, công bố kết quả vào ngày 27 tháng 4 và tổ chức sự kiện trực tiếp vào ngày 13 tháng 7.

Từ lúc chốt hạn đến khi diễn ra hội nghị đã trôi qua gần 5 tháng rưỡi.

Nếu tính thêm vài tháng từ khi lên ý tưởng đến thực nghiệm và viết bài, thì những thành quả xuất hiện tại hội trường hôm nay thường đã được khởi động từ nửa năm hoặc thậm chí một năm trước.

Do đó, các bài báo tại hội nghị đỉnh cao hiện nay giống như những lát cắt công nghệ của một khoảng thời gian trước đó, chứ khó lòng trở thành những từ khóa nóng hổi của ngành trong vài tuần gần đây.

Tất nhiên, điều này không có nghĩa là các bài báo không quan trọng, vì bất kỳ nghiên cứu nào cũng phải đứng trên vai người đi trước.

Về các bài báo đạt giải tại RSS năm nay, QbitAI đã ghi lại trong bài viết "Công bố 3 bài báo xuất sắc nhất tại hội nghị robot RSS! 708 bài gửi về, chỉ 8 bài lọt vào chung kết", nên ở đây sẽ không nhắc lại nữa.

Thay vì tóm tắt lại các bài báo, chúng tôi muốn chia sẻ những điều chỉ có thể xảy ra khi gặp mặt trực tiếp.

Chủ tịch chương trình hội nghị RSS 2026, Matei Ciocarlie, đã đặt câu hỏi trong phần khai mạc:

Tại sao chúng ta phải đến đây? Tại sao không chỉ đăng bài lên arXiv, đăng video lên X (Twitter) rồi kết thúc?

Câu trả lời của ông nằm ở một từ: connection (kết nối).

Điều thực sự quan trọng của hội nghị không chỉ là các báo cáo trên sân khấu, mà còn là những cuộc trò chuyện, thảo luận và tương tác trực tiếp giữa người với người.

Trong thời gian diễn ra RSS, QbitAI không chỉ trò chuyện với các sinh viên, nhà nghiên cứu và doanh nhân tại hiện trường, mà còn phối hợp với OpenDriveLab của Đại học Hồng Kông, YuanCe Future và Noitom Robotics để tổ chức các hoạt động bên lề.

Ngoài ra, các công ty như Xinghaitu, Zibianliang, Qianxun, Agibot... cũng mở rộng các cuộc trao đổi sang những buổi "after hours" và tiệc tối sau khi hội nghị chính kết thúc.

Có thể nói, chính trong những kết nối trực tiếp này, chúng tôi đã nghe được những nhận định khác biệt so với các câu chuyện đang hot trong nước:

Một người được phỏng vấn từ nhóm của Sergey Levine thẳng thắn cho biết: Kể cả PI, các công ty trí tuệ hiện thân ngày nay vẫn còn một khoảng cách khá xa mới đạt đến độ chín muồi, và toàn bộ lĩnh vực này vẫn chưa xuất hiện công trình mà ông cho là nền tảng. Ông cho rằng trí tuệ hiện thân của Trung Quốc có lợi thế lớn về phần cứng, nhưng không hiểu tại sao các công ty Trung Quốc lại tự gọi mình là "XX phiên bản Trung Quốc".

Thực tập sinh của Physical Intelligence cho rằng: VLA và mô hình thế giới không hề xung đột, có thể kết hợp cả hai. Các nhiệm vụ khác nhau cần cả hai khả năng là suy luận ngôn ngữ và dự đoán video; còn về việc liệu mô hình thế giới có thể dự đoán hậu quả hành động như quảng cáo hay không, anh đặt câu hỏi ngược lại: "Bạn đã thực sự thấy nó làm được điều đó chưa?"

Tác giả chính của EgoVerse, Simar Kareer, cho rằng: Thứ mà lĩnh vực robot thiếu chưa chắc đã là dữ liệu, mà thứ thực sự tạo ra khoảng cách giữa các mô hình còn nằm ở cách sàng lọc, phân bổ và sắp xếp dữ liệu.