SigmaZ AI huy động thành công hàng triệu USD để phát triển video tương tác thời gian thực bằng mô hình khuếch tán

Gần đây, SigmaZ AI, một công ty chuyên về tạo video tương tác thời gian thực dựa trên các Mô hình Ngôn ngữ Khuếch tán (Diffusion Language Models - DLM), đã huy động được vài triệu đô la trong vòng gọi vốn do BlueRun Ventures dẫn đầu, với sự tham gia của nhiều tổ chức khác.

SigmaZ AI, một phòng thí nghiệm trí tuệ tương tác, tập trung vào lĩnh vực tương tác hình ảnh AI. Sử dụng Diffusion-LM, công ty tạo ra các "hình ảnh sống động" kết hợp giữa Pixel và Code — có khả năng tương tác thời gian thực và sửa đổi ngay lập tức — khác biệt hoàn toàn so với video truyền thống vốn bị khóa ở dạng pixel. Sản phẩm chủ lực của họ, Tap8, sắp được ra mắt chính thức, biến video tương tác thành giao diện kết nối giữa con người và AI.

SigmaZ AI được đồng sáng lập bởi William Yang Bolin, một doanh nhân khởi nghiệp liên tiếp tại Cambridge sinh năm 2003, và Derek Law, cựu trưởng nhóm đào tạo mã nguồn hình ảnh cho các mô hình chủ lực của Amazon AGI Lab (London).

BlueRun Ventures cho biết sự phát triển không ngừng của công nghệ AI đang thúc đẩy các phương tiện truyền thông chuyển dịch từ "xem được" sang "tương tác được", đẩy nhanh quá trình định hình lại việc sản xuất và tiêu thụ nội dung. SigmaZ AI là một đội ngũ khởi nghiệp liên tiếp với góc nhìn thực tế về nhu cầu người dùng và năng lực mô hình, cùng khả năng đánh giá rõ ràng về lộ trình hội tụ Pixel-Code — mở ra một con đường mới để nội dung tương tác thời gian thực tiếp cận đại chúng. Nội dung tương tác thời gian thực đang trở thành một hình thức truyền thông mới quan trọng trong kỷ nguyên AI, và BlueRun sẽ tiếp tục theo dõi cũng như hỗ trợ sự phát triển kỹ thuật và đưa sản phẩm vào thực tế của hướng đi này.

Dưới đây là phần giới thiệu về các điểm nổi bật về kỹ thuật và tiến độ của dự án, được biên tập và tổng hợp từ "Crossing". Mời bạn theo dõi:

Hãy tưởng tượng bạn đang trong một cuộc họp video với AI. Tất nhiên, bạn muốn nhìn thấy khuôn mặt. Biểu cảm, cử chỉ, ánh mắt, cảm xúc — những thông tin có độ hỗn loạn (entropy) cao và mơ hồ này được thể hiện tốt nhất qua các pixel.

Nhưng nếu AI đang giải thích báo cáo thu nhập của một công ty, bạn có lẽ không muốn nó cầm một tờ giấy và đọc các con số vào camera. Bạn muốn chia sẻ màn hình. Biểu đồ phải là biểu đồ, con số phải là những con số có thể đọc được, nút bấm phải có thể nhấp vào, sản phẩm 3D phải có thể xoay được, các quy trình phải có thể mở rộng, và khi có thay đổi, hệ thống phải biết chính xác đối tượng nào đã thay đổi.

Hai loại thông tin này về cơ bản thuộc về các phương thức (modalities) khác nhau.

Pixel vượt trội trong việc thể hiện diện mạo; Code vượt trội trong việc thể hiện cấu trúc.

Cái trước xử lý "thế giới trông như thế nào"; cái sau xử lý "thế giới có gì, các sự vật liên quan với nhau ra sao và tôi có thể làm gì với chúng".

Nhìn lại hai năm qua, trí tưởng tượng của AI đã bị giới hạn bởi "khung chat". Dù là gõ phím hay nói chuyện, tương tác vẫn chỉ dừng lại ở định dạng hỏi-đáp truyền thống.

Trong thực tế, phần lớn sự tò mò của con người không thể chuyển đổi chính xác thành văn bản. Khi xem đánh giá tai nghe, chúng ta muốn nhìn trực tiếp cấu trúc bên trong, thay vì đọc mô tả về nó. Khi theo dõi các video tập luyện, chúng ta muốn biết ngay lập tức, không chậm trễ, liệu tư thế của mình có đúng hay không...

Nội dung lẽ ra phải là hình ảnh lại bị mô hình ép buộc thông qua văn bản. Nhưng thông tin vốn đã tồn tại trong hình ảnh — việc chuyển đổi nó thành các câu lệnh (prompt/văn bản) rồi chuyển ngược lại chính là một bước đường vòng.

Đằng sau điều này là một vấn đề cơ bản bị bỏ quên: khoảng cách ngày càng lớn giữa con người và AI không nằm ở trí thông minh, mà ở "băng thông thông tin".

Một tập hợp các con số minh họa rõ nét khoảng cách băng thông này: người trưởng thành đọc thầm với tốc độ khoảng 5 token mỗi giây, trong khi các mô hình tiên tiến hiện nay xuất dữ liệu ở mức 300 token mỗi giây.

Mỗi cải tiến về lưu lượng xử lý của mô hình đều làm nới rộng đáng kể khoảng cách giữa con người và AI.

Một người đọc tập trung đang chậm hơn khoảng 60 lần so với một mô hình đơn lẻ; với mười tác nhân (agent) chạy song song, khoảng cách này trở thành 600 lần.

Theo quan điểm của SigmaZ AI, để thu hẹp khoảng cách này, thứ thực sự cần thay thế không phải là mô hình — mà là giao diện giữa mô hình và con người.

Ngay từ tháng 5 năm nay, thành viên sáng lập OpenAI, Andrej Karpathy, đã viết trên X: khoảng một phần ba khả năng tính toán của não bộ dành cho thị giác, biến nó thành một siêu xa lộ mười làn cho thông tin đi vào não; đầu ra của AI sẽ tiến hóa từ văn bản thuần túy, sang markdown, sang HTML, và cuối cùng đạt đến video tương tác do mô hình tạo ra.

Trên lộ trình mô hình tương tác hình ảnh AI này, thay vì cách tiếp cận thuần Pixel, SigmaZ AI đã chọn con đường "lai giữa pixel và code": hình ảnh vẫn xuất hiện dưới dạng video, hoạt ảnh hoặc cảnh quay, nhưng đằng sau chúng không chỉ là các pixel — mà còn có một cấu trúc nội dung nền tảng có thể hiểu, sửa đổi và cập nhật liên tục.

Hiện tại, các khám phá về video tương tác và mô hình thế giới chủ yếu tập trung quanh "công cụ trò chơi" (game engines) và "huấn luyện mô phỏng robot", phục vụ các nhà phát triển và các doanh nghiệp công nghiệp cụ thể — còn rất xa so với màn hình điện thoại của người bình thường.

Kịch bản dịch vụ mà SigmaZ AI lựa chọn: đưa video tương tác vào các trường hợp sử dụng hàng ngày — xây dựng một nền tảng đa năng.

Điều này có nghĩa là ngưỡng yêu cầu của SigmaZ AI đã tăng từ "chúng ta có thể xây dựng một bản demo không" lên thành những đột phá kỹ thuật thực tế khắt khe — phản hồi phải đủ nhanh, chất lượng tạo ra phải đủ ổn định, chi phí suy luận phải bền vững cho việc sử dụng tần suất cao.

Để đạt được đột phá kỹ thuật này, đội ngũ SigmaZ AI đã bắt đầu từ cơ sở hạ tầng, thực hiện ba đặt cược kỹ thuật cốt lõi. Ba đặt cược này đan xen vào nhau, tạo thành hào kỹ thuật và bánh đà công nghệ của công ty.

Thứ nhất, chuyển đổi phương tiện tạo nội dung từ "Pixel" sang "Kết hợp Code-Pixel" — với sự phân công lao động rõ ràng. Code xử lý cấu trúc, quan hệ nhân quả, tương tác và trạng thái; khuếch tán Pixel xử lý kết cấu, chi tiết và nội dung thế giới mở có độ hỗn loạn cao.

Các mô hình video thuần Pixel xuất ra các luồng pixel; một khi đã tạo xong, hình ảnh sẽ bị khóa. SigmaZ AI cho phép các mô hình xuất ra mã frontend có thể thực thi, từ đó hiển thị thành hình ảnh. Tương tác tự nó là một phần của phương tiện, không phải là một tính năng bổ sung được gắn thêm vào video.

Thứ hai, từ Test-Time Scaling (mở rộng quy mô thời gian kiểm thử) đến tự tiến hóa: một mô hình đa phương thức có khả năng tự cải thiện đệ quy được hướng dẫn bởi thị giác.

Ở cấp độ mô hình, SigmaZ AI đạt được sự tự tiến hóa. Một hạn chế thường bị chỉ trích của các Mô hình Ngôn ngữ Khuếch tán là trần trí tuệ của việc tạo nội dung trong một lần duy nhất: khi đối mặt với các tác vụ mã nguồn hình ảnh phức tạp, các mô hình gặp khó khăn trong việc đảm bảo cấu trúc, logic và hiệu ứng hình ảnh cùng lúc. Cách tiếp cận của SigmaZ AI bắt đầu với Test-Time Scaling, cho phép mô hình suy nghĩ nhiều hơn, thử nghiệm nhiều hơn và sai sót nhiều hơn trên một tác vụ duy nhất.

Bước thứ hai là Training-Time Internalization (nội hóa trong thời gian huấn luyện). SigmaZ AI chuyển đổi các phê bình, chỉnh sửa và quỹ đạo tối ưu từ quá trình suy luận này trở lại thành các tín hiệu huấn luyện, chắt lọc chúng vào trọng số mô hình — vì vậy, những gì mất năm vòng thử sai để học lần này, mô hình thế hệ tiếp theo có thể làm đúng ngay từ lần đầu tiên.

Cuối cùng, SigmaZ AI cũng đang theo đuổi Evaluator Evolution (sự tiến hóa của bộ đánh giá). Từ góc độ kỹ thuật, bản thân việc đánh giá cũng cần được đào tạo lại và tiến hóa liên tục. Vì vậy, SigmaZ AI đã thiết kế một lớp "meta-evaluator" để hiệu chuẩn liên tục. Một tác nhân "meta-evaluator" chuyên giám sát sự khác biệt giữa các tác nhân đánh giá và điểm số của chuyên gia con người, tự động chạy các thử nghiệm và hiệu chuẩn lại các tiêu chí chấm điểm cho đến khi nó khớp chặt chẽ hơn với đánh giá của con người; đồng thời, một tác nhân "meta-coding" khác phân tích hàng loạt phản hồi của bộ đánh giá, xác định các lỗi hệ thống mà các tác nhân lập trình lặp lại, đề xuất sửa lỗi và cho phép triển khai sau khi vượt qua kiểm thử ngược (backtesting).

Ba vòng lặp này (Test-Time Scaling, Training-Time Internalization, Evaluator Evolution) kết nối với nhau để hình thành sự tự tiến hóa thực sự của mô hình: suy luận tạo ra kinh nghiệm; kinh nghiệm kết tinh thành năng lực; các tiêu chuẩn đánh giá không ngừng tiến hóa sẽ quyết định hướng đi mà mô hình thế hệ tiếp theo cần tăng cường.

Đằng sau các tiêu chuẩn đánh giá của SigmaZ AI là một mạng lưới chuyên gia theo yêu cầu được tích lũy trong vài năm, với số lượng khoảng 1.000 người. Những chuyên gia này đều đến từ các trường đại học thuộc top 200 QS, bao phủ 9 lĩnh vực dọc, 75% có bằng thạc sĩ và 25% có bằng tiến sĩ. Hơn nữa, họ không chỉ chấm điểm — vai trò quan trọng hơn của họ là "hiệu chuẩn các mô hình đánh giá tự động". Hiện tại, SigmaZ AI đạt được độ nhất quán giữa các người đánh giá (inter-annotator consistency) từ 0,67 đến 0,91.

Phương pháp này đã được phát triển thành một bài báo khoa học bởi CTO Derek Law của SigmaZ AI với tư cách là tác giả chính: Vision-Guided Iterative Refinement for Frontend Code Generation (Tinh chỉnh lặp lại dựa trên thị giác cho việc tạo mã frontend), được công bố tại Hội thảo RSI của ICLR 2026.

Thứ ba, xây dựng lại ngăn xếp mô hình cho việc tạo nội dung thời gian thực: Diffusion-LM với quy trình hậu huấn luyện (post-training) toàn diện.