Robot đánh bóng bàn gây sốt tại WRC: Startup Trung Quốc trình làng giải pháp toàn diện cho robot hình người

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

26/08/2026 11:02:34 Nguồn: QbitAI

Kỹ năng điêu luyện, khán đài chật kín người

Ting Yu, đưa tin từ Aofei Temple, QbitAI | Kênh chính thức QbitAI

Robot cũng bắt đầu chơi bóng bàn rồi!

Lần này, bàn bóng bàn được mang trực tiếp đến hiện trường Hội nghị Robot Thế giới (WRC).

Trước gian hàng của HyperPower (Chao Wei Dong Li), một robot hình người kích thước thật đang chăm chú nhìn quả bóng bàn bay tới, vung vợt, xoay người, rồi nhanh chóng điều chỉnh động tác dựa trên điểm rơi của bóng.

Sau vài lượt đánh, xung quanh gian hàng nhanh chóng chật kín khán giả.

Bên cạnh bàn bóng bàn, một hệ thống lớn hơn cũng được trưng bày.

Đó là robot hình người kích thước thật KAI Bot, bàn tay khéo léo độ tự do cao KAI Hand, thiết bị thu thập dữ liệu KAI Halo, KAI World Model, cùng với KAI Embodied AI Infra bao phủ toàn bộ quy trình dữ liệu và huấn luyện.

Từ phần cứng, mô hình cho đến thu thập dữ liệu và hạ tầng (Infra), toàn bộ hệ thống trí tuệ nhân tạo hiện thân (Embodied AI) full-stack này đều đã được mang đến hiện trường.

Cách bố trí này dễ khiến người ta liên tưởng đến Figure. Là một trong những công ty trí tuệ nhân tạo hiện thân có định giá cao nhất thế giới, Figure gần như là ngôi sao được chú ý nhất trong làn sóng robot hình người hiện nay.

Điều thực sự giúp họ nhận được sự công nhận từ giới đầu tư không chỉ là việc chế tạo ra một robot hình người, mà là việc đặt cược đồng thời vào phần cứng (body), mô hình và các kịch bản thực tế.

Tự chế tạo robot, tự huấn luyện mô hình Helix, sau đó đưa robot vào nhà máy BMW để dữ liệu từ các tác vụ thực tế quay trở lại mô hình, Figure đã thông suốt toàn bộ chuỗi full-stack từ phần cứng, mô hình cho đến kịch bản thực tế và vòng lặp dữ liệu.

Tương tự, HyperPower cũng đang đi theo con đường full-stack.

Công ty Trung Quốc mới thành lập khoảng một năm này đã đưa toàn bộ máy móc, bàn tay khéo léo, thiết bị thu thập dữ liệu, mô hình thế giới và hạ tầng huấn luyện lên bàn cân.

Nhưng tại sao những mảnh ghép này bắt buộc phải tồn tại cùng lúc, và làm thế nào để chúng thực sự khớp nối thành một hệ thống tiến hóa liên tục?

Câu trả lời nằm chính trong lộ trình full-stack mà HyperPower đã lựa chọn.

Trong lĩnh vực hiện thân, lộ trình full-stack đang dần trở thành sự đồng thuận.

Vài năm qua, cách dễ nhất để robot hình người gây chú ý là thực hiện một động tác đủ mãn nhãn.

Biết chạy, biết nhảy, biết gấp quần áo, chỉ cần một đoạn video vài chục giây là có thể thu hút lưu lượng truy cập.

Nhưng hiện tại, mọi người không còn chỉ xem các bản Demo nữa.

Việc robot hoàn thành một tác vụ chỉ chứng minh rằng tác vụ đó đã được thực hiện. Liệu nó có thể tái hiện ổn định trong các môi trường khác nhau, trên các phần cứng khác nhau hay không mới là yếu tố quyết định liệu nó có cơ hội trở thành sản phẩm hay không.

Nhìn ra toàn cầu, dù xuất phát điểm khác nhau, các "ông lớn" đều đang hoàn thiện năng lực full-stack của mình.

Figure bắt đầu từ "phần cứng + mô hình lớn", vừa tự nghiên cứu mô hình Helix VLA, vừa đưa robot vào nhà máy BMW để tích lũy kinh nghiệm trong các tác vụ thực tế, sau đó phản hồi dữ liệu ngược lại cho mô hình.

"Lá bài tẩy" của Tesla Optimus chính là năng lực tích hợp theo chiều dọc của Tesla.

Kinh nghiệm thuật toán tích lũy từ FSD, chuỗi cung ứng trưởng thành, cộng với kịch bản ứng dụng thực tế từ chính nhà máy của họ, cho phép Tesla thúc đẩy đồng thời việc nghiên cứu phần cứng, huấn luyện mô hình và sản xuất quy mô lớn.

Physical Intelligence (π) xuất phát từ phía mô hình, tập trung vào các mô hình nền tảng hiện thân đa năng, cố gắng để cùng một mô hình có thể thích ứng với các robot khác nhau, cung cấp năng lực vận hành đa năng cho các phần cứng có hình thái khác biệt.

Lộ trình mỗi bên một khác, nhưng mục tiêu ngày càng thống nhất: kết nối phần cứng, mô hình, dữ liệu và kịch bản thực tế vào cùng một chuỗi lặp.

Còn lựa chọn của HyperPower là đồng thời triển khai phần cứng, mô hình lớn hiện thân, thu thập dữ liệu chất lượng cao và hạ tầng nền tảng.

Đồng sáng lập HyperPower, Giáo sư Luo Ping tại Khoa Khoa học Dữ liệu và Máy tính, Đại học Hồng Kông, có một cách giải thích rất trực quan về điều này:

Người dùng của mô hình ngôn ngữ là người bình thường, còn người dùng của "bộ não lớn và nhỏ" trong trí tuệ hiện thân chính là robot.

Hai loại mô hình này đối mặt với những phản hồi hoàn toàn khác nhau. Mô hình ngôn ngữ xuất ra Token, trong khi mô hình hiện thân lại xuất ra động tác tiếp theo của robot. Một sai sót không chỉ là câu trả lời không chính xác, mà còn có thể dẫn đến thất bại trong việc cầm nắm, va chạm hoặc mất thăng bằng.

Điều này cũng quyết định rằng trí tuệ hiện thân không thể chỉ học từ dữ liệu Internet. Mô hình cần dữ liệu hành động từ thế giới thực, đồng thời cần được huấn luyện và kiểm chứng lặp đi lặp lại trên chính phần cứng robot.

Dữ liệu đi vào mô hình, mô hình điều khiển phần cứng, kết quả sau khi phần cứng thực thi lại quay trở lại hệ thống huấn luyện. Thiếu bất kỳ mắt xích nào, vòng lặp sẽ bị đứt gãy.

Từ góc độ này, full-stack không phải là doanh nghiệp muốn mở rộng kinh doanh, mà là yêu cầu tất yếu khi trí tuệ hiện thân bước vào thế giới thực.

Phần cứng, mô hình, dữ liệu, làm thế nào để khớp nối thành một vòng lặp khép kín?

Năng lực full-stack của HyperPower cuối cùng cần phải được hiện thực hóa trên các sản phẩm cụ thể.