Đối thoại cùng CEO Om AI Triệu Thiên Thành: Kiên trì với tương lai 'AI vật lý' đa phương thức

Một mô hình đa phương thức chưa từng xem qua dữ liệu giám sát, nhưng lại hiểu về giám sát hơn cả những "lão tướng" là các mô hình nhỏ đã được huấn luyện nhiều năm trên dữ liệu này. Đây không phải là phim khoa học viễn tưởng, mà là một sự kiện "vô tình cắm liễu liễu lại xanh" của Om AI (Liên Hợp) vào năm 2023, đồng thời cũng là cột mốc quan trọng khiến CEO kiêm Giám đốc khoa học, Tiến sĩ Triệu Thiên Thành (Zhao Tiancheng), càng tin tưởng rằng "phương thức huấn luyện đa phương thức có thể mang lại khả năng tổng quát hóa cho thế giới vật lý mở". Khi đó, ngành công nghiệp AI đang theo đuổi AI tạo sinh với trọng tâm là các mô hình ngôn ngữ lớn.

Ba năm sau, mô hình đa phương thức này đã tiến hóa thành VLX — dòng mô hình đa phương thức dạng luồng (streaming) trên thiết bị đầu cuối (edge) đầu tiên trên thế giới dành cho AI vật lý. Lần đầu tiên giới thiệu kiến trúc mô hình hoàn toàn mới mang tên "đa phương thức dạng luồng nguyên bản trên thiết bị đầu cuối", thông qua kiến trúc được thiết kế ngay từ Ngày 1 cho các ràng buộc về năng lực tính toán tại biên, mô hình VLX lần đầu tiên thiết lập được vòng lặp khép kín hoàn chỉnh của AI vật lý trên thiết bị đầu cuối, bao gồm "nhận thức liên tục + định vị chính xác + ra quyết định hành động".

Sơ đồ tổng quan VLX

Không còn nghi ngờ gì nữa, tại thời điểm mùa hè năm 2026, sức nóng của ngành công nghiệp AI đã bắt đầu chuyển dịch từ AI kỹ thuật số sang AI vật lý. Khác với AI kỹ thuật số của năm 2023, mặc dù AI vật lý đang rất "hot" nhưng ngành công nghiệp vẫn chưa hội tụ, nhiều lộ trình cùng tồn tại và còn cách xa việc ứng dụng thực tế: VLA lấy ngôn ngữ làm trung tâm, tạo video lấy pixel làm trung tâm, mô phỏng lấy cấu trúc 3D làm trung tâm, JEPA lấy biểu diễn thị giác làm trung tâm... Sự lựa chọn của ngành đối với hai lộ trình khái niệm chủ đạo nhất là VLA và mô hình thế giới vẫn còn đang dao động: là thay thế, cùng tồn tại, hay là hợp nhất?

Ngay khi ngành công nghiệp còn đang tranh cãi đâu là câu trả lời cuối cùng cho AI vật lý, dòng mô hình VLX của Om AI đã hoàn thành vòng lặp thương mại khép kín của AI vật lý từ thử nghiệm mô phỏng đến triển khai công nghiệp. Bằng cách trang bị cho robot, máy bay không người lái, thiết bị đeo, camera an ninh, AI PC và nhiều loại thiết bị đầu cuối vật lý khác một "tiểu não" nhận thức tự chủ và một "đại não" nhận thức quyết định, các thiết bị này đã thực hiện bước nhảy vọt từ "thực thi lệnh thụ động" sang "thích ứng chủ động với bối cảnh".

Sơ đồ kiến trúc VLX

Đây không phải là ngẫu nhiên, mà là kết quả tất yếu sau nhiều năm tập trung bền bỉ của Om AI.

Năm 2019, khi Tiến sĩ Triệu Thiên Thành tốt nghiệp Viện Công nghệ Ngôn ngữ tại CMU, lý lịch của ông đã đủ rực rỡ: người hướng dẫn tại phòng thí nghiệm, Maxine Eskenazi, là người tiên phong trong hệ thống đối thoại, từng tạo ra tác nhân thông minh đối thoại thực dụng đầu tiên trên thế giới vào những năm 90; còn bản thân ông là người tạo ra hệ thống thế hệ thứ ba của phòng thí nghiệm, năm 2016 đã tiên phong sử dụng mạng thần kinh để cải tạo hệ thống vốn đã tồn tại 20 năm thành mô hình tạo sinh đầu cuối (end-to-end). Khi đó, việc bước chân vào giới học thuật làm giáo sư hoặc gia nhập các tập đoàn lớn gần như là điều nằm trong tầm tay.

Nhưng ông đã chọn con đường thứ ba — khởi nghiệp. Hơn nữa, đó là một con đường mà vào thời điểm đó gần như không ai hiểu: không làm mô hình lớn thuần văn bản, không chạy theo cơn sốt AI tạo sinh, mà kiên trì theo đuổi "thị giác + ngôn ngữ" đa phương thức dạng luồng. Ngay cả hiện tại, đây cũng không phải là lộ trình kỹ thuật chủ đạo. Câu chuyện chủ đạo của ngành là "trích xuất khung hình ngoại tuyến": video được cắt ra từng khung hình một để xử lý như hình ảnh, suy luận mang tính hàng loạt, rời rạc và hỏi-đáp. Còn điều mà Triệu Thiên Thành muốn làm ngay từ đầu là "dạng luồng": video liên tục chảy vào mô hình như dòng nước, AI luôn luôn quan sát mà không cần đợi người đặt câu hỏi.

Ưu thế tốc độ suy luận Flow

Đây là nhận định của riêng Triệu Thiên Thành. Trong thời gian ở CMU, ông đã trải qua dự án tác nhân thông minh đa phương thức trị giá 1 tỷ USD của Yahoo, "Điều đó khiến tôi nhận ra giá trị trần của đa phương thức cao hơn rất nhiều, nó thực sự khiến bạn cảm thấy đây là một sinh vật sống, chứ không chỉ là một hệ thống đối thoại". Sau khi về nước, ông không chạy theo làn sóng các mô hình đối thoại tạo sinh đang nở rộ tại các công ty AI trong nước, mà kiên định hợp nhất thị giác và ngôn ngữ, "Đây là hai phương thức chính, bao phủ ít nhất 90% thông tin vật lý".

Trong 5 năm qua, từ tạo văn bản đến tạo ảnh, từ VLA đến mô hình thế giới, đường đua AI đã thay đổi 3-4 lần những "ngôi sao sáng". Năm 2023, khi mô hình ngôn ngữ bùng nổ, có người từng kéo ông lại hỏi: "Trước đây chẳng phải anh cũng làm mô hình ngôn ngữ sao, tại sao không ra làm?". Mỗi vòng xoáy, đều có vốn và đồng nghiệp khuyên ông "chuyển hướng cho nhanh kiếm tiền".

"Thứ chúng tôi làm, trước khi AI vật lý xuất hiện, chưa bao giờ là thứ hot nhất", Triệu Thiên Thành thẳng thắn thừa nhận, "Luôn có những thứ hot hơn bày ra trước mắt". Trong đội ngũ cũng có những cộng sự dao động niềm tin, có người rời đi, nhưng nhiều cộng sự cốt cán vẫn ở lại. Những người ở lại, ngày này qua ngày khác, vẫn luôn tập trung vào hai điểm "V và L" để liên tục tạo ra sản phẩm.

Năm năm sau, hôm nay, ngành AI đang hô hào phải từ "đám mây" trở về "mặt đất", phải đi sâu vào công nghiệp và thực sự tạo ra giá trị, AI vật lý trở thành khái niệm hot nhất: nửa đầu năm 2026, chỉ riêng quý 1, lĩnh vực AI vật lý toàn cầu đã huy động được hơn 6,4 tỷ USD; AI vật lý cũng bắt đầu triển khai đa kịch bản, nâng cấp thông minh robot công nghiệp, phổ cập quy mô lớn NOA đô thị trong xe tự lái... Nhưng trong làn sóng AI vật lý này, dòng mô hình VLX là một trong số ít các mô hình đa phương thức dạng luồng chạy trên thiết bị đầu cuối. Nó trả lời cho một câu hỏi căn bản: AI của thế giới vật lý rốt cuộc cần kiến trúc gì?

Dòng mô hình VLX là một trong số ít công ty đã chạy thông suốt cả ba vòng lặp: vòng lặp mô hình, giúp Flow+Seek+Go của VLX tự thành một khối trong nhận thức - định vị - hành động, không phải là ba mô hình độc lập mà là ba tầng năng lực không thể tách rời trên cùng một luồng video; vòng lặp dữ liệu, cho phép hàng triệu camera, máy bay không người lái, robot và các kịch bản kinh doanh thực tế khác liên tục phản hồi dữ liệu về thiết bị đầu cuối, nuôi dưỡng sự lặp lại của mô hình; vòng lặp thương mại, hoàn thành PMF (Product-Market Fit), doanh thu công ty đạt đơn vị hàng trăm triệu.

Định nghĩa ba tầng của VLX

Khi đường cong nhu cầu của ngành và đường cong tích lũy công nghệ giao nhau vào năm 2026, một cuộc "hội ngộ hai chiều giữa chủ nghĩa dài hạn và điểm uốn công nghiệp" đã chính thức diễn ra. Và khi AI vật lý cuối cùng cũng bước từ "giai đoạn thổi phồng khái niệm" sang "giai đoạn kiểm chứng kịch bản", Triệu Thiên Thành và đội ngũ của ông lại tỏ ra bình thản. Đây không phải là câu chuyện của một kẻ chạy theo thời thế, mà là một mẫu hình kinh doanh về khả năng phán đoán, sự kiên định và một nhận định "ngược dòng" đã được kiểm chứng bằng nhiều năm nỗ lực.

Dưới đây là cuộc đối thoại giữa 36Kr và Triệu Thiên Thành, nội dung đã được biên tập:

Tiến sĩ Triệu Thiên Thành, CEO kiêm Giám đốc khoa học của Om AI

Bản chất của AI vật lý: phương thức, ngữ nghĩa, hình học, dự đoán và ra quyết định

36Kr: Năm nay AI vật lý rất hot, mô hình thế giới là lộ trình kỹ thuật hot nhất trong đó, nhưng lại chia thành nhiều phe phái với những ý kiến trái chiều, ông nhìn nhận thế nào?

Triệu Thiên Thành: Bản thân AI vật lý là một chủ đề rất vĩ mô. Từ góc độ mô hình, bất kể lộ trình nào, điểm mấu chốt nằm ở việc làm cho nó có thể hiểu được thế giới, đây không phải là một việc đơn lẻ. Giống như bài blog gần đây của Lý Phi Phi (Fei-Fei Li), nói về ba lộ trình mà bà ấy hiểu, và cuối cùng ba lộ trình này có thể sẽ hợp nhất lại với nhau, chứ không phải là ba thứ rời rạc.

Theo định nghĩa của chúng tôi, AI vật lý ít nhất phải có 4 năng lực bắt buộc: thứ nhất, mô hình phải nhận biết được nội dung bên trong nó, tức là thông tin ngữ nghĩa; thứ hai, phải nhận biết được không gian hình học của nó, biết hình dạng 3D như thế nào; thứ ba, nó có thể thực hiện ra quyết định và điều khiển hành động; thứ tư, trên cơ sở ba yếu tố trên, nó có thể dự đoán tương lai.

Tại sao mô hình chúng tôi công bố lần này gọi là VLX, vì X đại diện cho những khả năng vô hạn, ít nhất là bao gồm 4 năng lực đã nói ở trên. Cách nói phổ biến trên mạng hiện nay rằng VLA đã chết, mô hình thế giới đã đến, vẫn mang tính chất thổi phồng là chính. Bởi vì ba phương thức VLA làm sao có thể lỗi thời? Thị giác - Ngôn ngữ - Hành động về mặt khái niệm là không bao giờ lỗi thời, nhưng phương pháp bên dưới chắc chắn sẽ liên tục thay đổi, việc gắn phương pháp với khái niệm bản thân nó đã là một hành vi sai lầm. Vì vậy, triết lý của chúng tôi không phải nhìn bề ngoài mà nhìn vào bản chất, bản chất chính là 4 phương thức cốt lõi vừa đề cập, giải quyết được 4 năng lực là ngữ nghĩa, không gian hình học, lập kế hoạch nhận thức và dự đoán, thì AI vật lý sẽ đến.

AI vật lý bản thân nó là một việc đa chiều, ví dụ như dự đoán cũng chỉ là một chiều trong đó, nhưng chiều này quả thực trước đây ít người làm và độ khó khá cao. Dự đoán hình ảnh tương lai sẽ phát triển như thế nào, từ đó trở thành mô hình thế giới, đây là việc đang có độ hot hiện nay, nhưng việc này thực ra cũng là năng lực mới được xây dựng trên các năng lực cơ bản như ngữ nghĩa và hình học.

36Kr: Nguyên lý cơ bản (First Principles) của AI vật lý nên là gì?

Triệu Thiên Thành: Nguyên lý cơ bản của AI vật lý, bản chất phải xem là làm việc gì. Om AI muốn làm một tác nhân thông minh vật lý có thể nhận thức, ra quyết định và thực thi trong thế giới vật lý. Tôi hy vọng máy bay không người lái, chó robot, robot, v.v., các thiết bị đầu cuối vật lý này sẽ rất thông minh, các thiết bị có thể tương tác với nhau, có thể hoàn thành nhiệm vụ. Điều quan trọng nhất thực ra là xem để đạt được mục tiêu này thì rốt cuộc thiếu năng lực gì. Hiện tại tương tác ngôn ngữ ngày càng tốt, cơ bản sẽ không gây ra vấn đề gì, nhưng chỉ cần liên quan đến môi trường mở, liệu nó có thể tự điều hướng, có thể thao tác khéo léo và tương tác với các vật thể khác nhau hay không, những việc này trước đây gần như không thể.

Ví dụ, trong kịch bản tương tác vật lý, thiết bị đầu cuối có yêu cầu rất cao về tính thời gian thực, thiết bị cần có trung tâm ra quyết định để nó ra quyết định nhanh chóng. Thông qua trung tâm thị giác, tiếp nhận thông tin bên ngoài theo thời gian thực, sau đó thông qua trung tâm ra quyết định để tự chủ quyết định lúc này lúc này nên làm gì, ví dụ như nên mở cửa hay nói chuyện, v.v.

Vì vậy, AI vật lý hiện nay giống như một tòa nhà, chỉ có khung nhưng còn thiếu rất nhiều viên gạch, cần các đội ngũ khác nhau hoặc các doanh nghiệp khác nhau cùng góp sức để hình thành hệ thống AI vật lý hoàn chỉnh. Chỉ dựa vào một mô hình để giải quyết tất cả AI vật lý, tôi nghĩ không thực tế, cũng không phù hợp với nguyên lý cơ bản. Bộ não con người cũng được phân khu, mô hình ngôn ngữ hiện nay mạnh như vậy, đến tầng ứng dụng cũng được phân khu, AI vật lý phức tạp hơn, nên càng cần sự phối hợp sinh thái công nghiệp để hoàn thành việc này.

Sự khác biệt giữa AI đám mây và AI thiết bị đầu cuối

36Kr: Theo ông, ở tầng phương pháp, nút thắt lớn nhất trong quá trình triển khai AI vật lý của các lộ trình khác nhau là gì?

Triệu Thiên Thành: Mô hình thế giới hoặc các mô hình đám mây khác có giá trị rất lớn, chỉ là khi đến hồi kết, khi AI vật lý được ứng dụng rộng rãi, chắc chắn sẽ có trí tuệ tại biên (edge) rất mạnh, đây là điều chúng tôi tin tưởng. Bởi vì thế giới vật lý vốn dĩ cần tương tác và sẽ mang lại nhiều hậu quả nghiêm trọng. Viết sai một chữ một dòng code không sao, nhưng robot đột nhiên bị treo máy không di chuyển hoặc ngã xuống, hậu quả rất nghiêm trọng, giống như lái xe thông minh vậy, không thể đang lái xe mà đột nhiên mất kiểm soát, điều này là không thể tưởng tượng được. Nhiều thiết bị đầu cuối vật lý sau này sẽ đi vào cuộc sống trở thành một người bạn đồng hành, nếu tất cả đều do một bộ não điều khiển thì cũng khá đáng sợ, giống như nhân vật phản diện trong phim khoa học viễn tưởng, chỉ cần kiểm soát một AI, tất cả thiết bị đầu cuối đều trở thành công cụ khống chế con người.

Vì vậy, chúng tôi hy vọng đó là trí tuệ phân tán, giống như con người, mỗi bộ não đều độc lập, tự chủ. Nhưng cốt lõi nằm ở chỗ ngoài mô hình đám mây, mỗi thiết bị đầu cuối AI vật lý đều sở hữu trí tuệ phân tán, và có khả năng phản hồi nhanh chóng, an toàn tại chỗ, đây mới là một kết cục ổn định hơn. Đây cũng là lý do tại sao chúng tôi cho rằng thiết bị đầu cuối có giá trị.

AI vật lý đang ở kỷ Cambri, đa phương thức dạng luồng là năng lực nền tảng quan trọng nhất của Om AI.