Khi các mô hình AI dần bão hòa, đâu là chìa khóa thành bại của Physical AI?

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

10/08/2026 17:20:50 Nguồn: QbitAI

Điểm nghẽn mới của Physical AI đã xuất hiện

Jessica, đưa tin từ trụ sở QbitAI

QbitAI | Kênh thông tin chính thức QbitAI

Một điểm nghẽn mới của Physical AI đã xuất hiện.

Trong hơn một năm qua, VLA, mô hình thế giới (world model), mô hình nền tảng (foundation model), vòng lặp dữ liệu (data closed-loop)... gần như là những từ khóa được các công ty hàng đầu về lái xe thông minh và trí tuệ hiện thân (embodied AI) nhắc đến thường xuyên.

Ngày càng nhiều công ty AI bắt đầu thử nghiệm đưa các mô hình vào thế giới thực, giúp máy móc có khả năng hiểu môi trường, dự đoán thay đổi và thực thi hành động.

Dù các lộ trình kỹ thuật khác nhau có trọng tâm riêng, nhưng khi đi sâu vào tầng kỹ thuật cơ sở, các vấn đề cốt lõi lại ngày càng trở nên tương đồng—

Đó là làm thế nào để AI thu thập dữ liệu từ thế giới thực, làm thế nào để hình thành sự hiểu biết về môi trường, chuyển hóa sự hiểu biết đó thành hành động, và làm thế nào để tiếp tục học hỏi dựa trên kết quả của hành động đó.

Vấn đề này không phải mới xuất hiện gần đây.

Và khi các lộ trình dần hội tụ, những điểm nghẽn thực sự cũng bắt đầu lộ diện.

Lộ trình Physical AI hội tụ, làm lộ rõ "lớp đứt gãy"

Kể từ khi lái xe thông minh trỗi dậy đến nay, đối tượng nghiên cứu đã trải qua nhiều thay đổi. Tóm lược đơn giản có thể chia thành ba giai đoạn:

Các hệ thống lái xe thời kỳ đầu là những hệ thống phần mềm có tính mô-đun hóa cao. Bộ phận nhận diện chịu trách nhiệm xác định phương tiện, đường sá và người đi bộ; bộ phận dự đoán chịu trách nhiệm suy luận chuyển động của các chủ thể giao thông khác; còn quy hoạch và điều khiển sẽ quyết định hành động cụ thể của xe.

Mỗi mô-đun giải quyết một vấn đề tương đối rõ ràng và sở hữu các chỉ số đánh giá tương đối độc lập.

Sau khi các mô hình end-to-end (đầu cuối) trở nên phổ biến, ngành công nghiệp bắt đầu giảm bớt các quy tắc thủ công và giao diện mô-đun, cho phép mô hình tạo ra quỹ đạo hoặc tín hiệu điều khiển trực tiếp từ dữ liệu đầu vào của cảm biến.

△ Hình ảnh được tạo bởi AI

Cho đến khi cơn sốt Physical AI càn quét, nó đã thúc đẩy đối tượng nghiên cứu tiến thêm một bước.

Với mục tiêu này, ngành công nghiệp dần phân hóa thành các biểu hiện kỹ thuật chính thống khác nhau, hiện tại đã hội tụ thành hai đường hướng rõ ràng và một đường hướng ẩn.

Trong hai đường hướng rõ ràng, thứ nhất là VLA (Vision-Language-Action), kết hợp thông tin thị giác, hiểu ngữ nghĩa và tạo hành động vào cùng một hệ thống mô hình, giúp AI nhìn thấy môi trường, hiểu bối cảnh và trực tiếp đưa ra hành động. Cả Li Auto và Xpeng đều đang đặt cược vào lộ trình này.

Đường hướng rõ ràng thứ hai lấy mô hình thế giới làm cốt lõi, tập trung tìm hiểu cách môi trường thay đổi theo thời gian và hành động.

Mô hình thế giới tham gia vào các khâu như tạo bối cảnh, mô phỏng vòng lặp kín, sản xuất dữ liệu và đánh giá mô hình, vừa có thể giúp mô hình học các quy luật tiến hóa của thế giới vật lý, vừa có thể cung cấp môi trường huấn luyện và kiểm chứng cho các mô hình hành động khác.

△ Hình ảnh được tạo bởi AI

Huawei WEWA và NIO NWM đều là những đại diện tiêu biểu cho lộ trình mô hình thế giới.

Ngoài VLA và mô hình thế giới, còn có một đường hướng ẩn là nền tảng Physical AI (Physical AI foundation).

Mô hình nền tảng thông qua việc tiền huấn luyện trên dữ liệu thế giới vật lý quy mô lớn để học hỏi sự thay đổi của môi trường, mối quan hệ giữa các vật thể và quy luật vận hành của thế giới, sau đó thích ứng với các nhiệm vụ khác nhau thông qua phương pháp ít mẫu (few-shot) hoặc hậu huấn luyện (post-training).

△ Hình ảnh được tạo bởi AI

Nói một cách chính xác, mô hình nền tảng không song song với VLA hay mô hình thế giới, mà là đích đến chung của hai đường hướng rõ ràng nêu trên.

Ranh giới giữa hai đường hướng rõ ràng đang mờ dần một cách rõ rệt, mối quan hệ giữa chúng đã chuyển từ lựa chọn lộ trình sang sự phối hợp năng lực.

△ Hình ảnh được tạo bởi AI

Tuy nhiên, nhìn vào thực trạng hiện nay, việc tích hợp chúng hoàn toàn không phải là điều dễ dàng.

Hiện tại, ngành công nghiệp đã sở hữu hầu hết các thành phần kỹ thuật trong chuỗi này, tuy nhiên giữa các khâu vẫn tồn tại vài lớp "đứt gãy".

Lớp "đứt gãy" đầu tiên xảy ra giữa mô hình và dữ liệu.

Physical AI cần lượng dữ liệu thực khổng lồ, nhưng việc mở rộng quy mô dữ liệu không tự động tạo ra sự hiểu biết về thế giới. Mô hình cần học hỏi các mối quan hệ không gian, sự thay đổi thời gian, quy luật hành vi và hậu quả của hành động từ chính dữ liệu đó.