Xem 200.000 giờ video con người làm việc, robot Riemann-1.0 chính thức 'ngộ' ra cách vận hành

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

19/07/2026 16:32:36 Nguồn: QbitAI

Riemann Dynamics chính thức ra mắt Riemann-1.0

Ngay lúc này, vị trí dẫn đầu của RoboCasa-365 – "bài kiểm tra việc nhà" được giới robot công nhận là khó nhất – đã đổi chủ.

Kỷ lục mới đạt 62,6%, cao hơn 8,4 điểm phần trăm so với SOTA trước đó.

Cần biết rằng, hầu hết các mô hình trên bảng xếp hạng này vẫn đang chật vật ở mức dưới 50%.

Thú vị hơn nữa, cái tên vừa lên ngôi này trước đó gần như chưa ai nghe tới: Riemann-1.0, từ Riemann Dynamics.

Tìm hiểu mới biết, đây là màn chào sân của họ. Mô hình này vừa được chính thức công bố tại WAIC 2026.

Điểm số không nói lên tất cả, nên tôi đã tìm xem video thực tế của nó.

Vừa nhấp vào một bản demo robot dọn bàn ăn, tôi chỉ có thể nói rằng: bảng xếp hạng không hề nói dối.

Chiếc thìa nằm mỏng dính trên mặt bàn cũng được gắp lên dễ dàng; bát còn thừa canh thì biết đổ đi trước khi dọn; xong việc còn tiện tay lau sạch bàn.

Link video: https://mp.weixin.qq.com/s/KIBoK4IAklhdmU21fCIyVg

(Thôi xong, chắc sau này mẹ tôi sẽ đổi câu cửa miệng thành: Đến robot còn biết việc hơn con đấy~)

Tìm hiểu sâu hơn, đứng sau Riemann Dynamics chính là Kunlun Wanwei – đây là công ty con được Kunlun Wanwei thành lập chuyên biệt cho lĩnh vực trí tuệ hiện thân (Embodied AI).

Một gương mặt mới, tại sao vừa ra mắt đã đứng đầu?

Câu trả lời nằm trong "thực đơn" của nó: Trong 232.000 giờ dữ liệu huấn luyện, phần lớn không phải là dữ liệu robot, mà là video của con người.

Đúng vậy, đó là các video góc nhìn thứ nhất cảnh người nấu ăn, gấp quần áo và dọn dẹp bàn ghế.

Chế tạo não bộ cho robot, ngành công nghiệp đã đạt được sự đồng thuận mới

Tại sao lại là "video của con người"? Điều này bắt nguồn từ cuộc tranh luận về lộ trình phát triển đã kéo dài hơn một năm trong lĩnh vực trí tuệ hiện thân.

VLA và mô hình thế giới (World Model), đâu mới là tương lai của robot? Ngành công nghiệp từng chia thành hai phe rõ rệt.

Mỗi phe đều có ưu và nhược điểm riêng, để mọi người dễ so sánh, tôi đã đặt một biểu đồ do AI tạo ra ở đây:

△ Hình ảnh do AI tạo ra

Tóm tắt đơn giản là: VLA thuộc "phái trực giác", nhanh nhưng dễ "lật kèo"; còn mô hình thế giới thuộc "phái suy ngẫm", ổn định nhưng lại chậm và đắt đỏ.

Tranh cãi mãi, mọi người nhận ra: Thôi bỏ đi, đã mỗi bên có ưu nhược điểm riêng, chi bằng kết hợp để bù trừ cho nhau?

Thế là, hai lộ trình bắt đầu hợp nhất.

Tháng 6 năm nay, Phòng thí nghiệm Robot của NVIDIA tại Seattle đã công bố một bài tổng quan dài, với nhận định cốt lõi là:

World Action Model (WAM - Mô hình hành động thế giới) đã từ một nhánh nhỏ trong nghiên cứu VLA, nhanh chóng phát triển thành lộ trình chính thứ hai của mô hình nền tảng robot, và thế hệ mô hình nền tảng robot tiếp theo rất có khả năng là sự kết hợp của cả hai.

△ Nguồn ảnh: Blog kỹ thuật chính thức của NVIDIA

Tại ICML 2026, nhiều bài báo, bao gồm cả của nhóm LeCun, cũng đang nỗ lực theo cùng một hướng:

Học mô hình thế giới hành động tiềm ẩn từ các video thực tế (in-the-wild videos) khổng lồ không được gắn nhãn.

△ Nguồn ảnh: Trang web chính thức của ICML

Khi đặt các công trình này lại với nhau, một mô hình huấn luyện đang được ngày càng nhiều đội ngũ kiểm chứng đã lộ diện:

Đầu tiên, sử dụng video thế giới mở quy mô lớn để tiền huấn luyện, giúp mô hình quan sát cách con người tương tác với thế giới vật lý để tích lũy trực giác vật lý; sau đó dùng một lượng nhỏ dữ liệu robot thực tế để căn chỉnh hành động, chuyển đổi trực giác thành tín hiệu điều khiển có thể thực thi.

Điều này giải thích tại sao thế hệ não bộ robot tiếp theo đều nhắm vào "video của con người".

Đối với robot, cuộc sống hàng ngày của con người chính là một chuỗi trình diễn thao tác không ngừng nghỉ. Trong những video góc nhìn thứ nhất về việc nấu ăn, gấp quần áo, dọn dẹp phòng ốc, ẩn chứa toàn bộ bí mật về cách con người cảm nhận môi trường, lập kế hoạch hành động và xử lý các tình huống bất ngờ.