Cựu nhân sự chủ chốt của NIO và Huawei gọi vốn hàng trăm triệu NDT cho startup mô hình thế giới cho robot

Tác giả | Kiều Ngọc Kiệt (Qiao Yujie)

Biên tập | Viên Tư Lạp (Yuan Silas)

Theo thông tin từ Hard, công ty mô hình thế giới trí tuệ hiện thân (Embodied AI) Nhật Miện Khai Vật (Công ty TNHH Robot Nhật Miện Bắc Kinh) gần đây đã hoàn thành hai vòng gọi vốn hạt giống liên tiếp với tổng số tiền lên tới hàng trăm triệu Nhân dân tệ. Các nhà đầu tư tham gia bao gồm Đỉnh Phong Khoa Sáng, Viễn Đồ Vị Lai, Baidu Ventures, WoYan Capital, Vũ Nhạc Phong Khoa Sáng và Vạn Lâm Quốc Tế. Đồng thời, một vòng gọi vốn mới cũng đang trong quá trình hoàn tất.

Nguồn vốn huy động trước đó chủ yếu được sử dụng cho việc nghiên cứu và lặp lại mô hình thế giới tự phát triển LaMPA, xây dựng hệ thống học tăng cường (Reinforcement Learning), cũng như hoàn thiện liên tục vòng lặp dữ liệu và năng lực bàn giao sản phẩm.

Nhật Miện Khai Vật được thành lập vào tháng 3 năm 2026, tập trung vào nghiên cứu mô hình nền tảng cho thế giới vật lý, với mục tiêu tạo ra các mô hình có khả năng hiểu thế giới vật lý, dự đoán thay đổi môi trường và điều khiển robot thực thi nhiệm vụ, giúp robot chuyển dịch dần từ năng lực trong một kịch bản đơn lẻ sang khả năng khái quát hóa đa kịch bản.

Đội ngũ sáng lập của Nhật Miện đều có nền tảng từ lĩnh vực lái xe tự động của Đại học Thanh Hoa, từng chủ trì việc nghiên cứu và triển khai các mô hình thế giới cho lái xe thông minh đầu tiên trong ngành, cũng như các công việc về học tăng cường hiện thân và bàn giao sản phẩm đầu tiên. Nhà sáng lập, Tiến sĩ Tiêu Trung Dương, từng chủ trì việc bàn giao mô hình thế giới cho các kịch bản tương tác phức tạp đầu tiên trong ngành lái xe thông minh, mô hình này đã được trang bị trên hơn 700.000 xe Nio. Phụ trách mô hình nền tảng của đội ngũ, Tiến sĩ Chung Nguyên Hâm – "Thiên tài thiếu niên Huawei", từng chủ trì thiết kế và sản xuất hàng loạt mô hình nền tảng thế giới cho lái xe thông minh thế hệ mới của Huawei. Phụ trách hậu huấn luyện và bàn giao mô hình, Tiến sĩ Vương Vân Long từ Nio Super Spark, từng phụ trách nghiên cứu thuật toán mô hình lớn và học tăng cường trên máy thật tại Agibot, đồng thời thúc đẩy việc triển khai dự án "robot đi làm" đầu tiên trong ngành. Phụ trách thị trường, Tiến sĩ Đới Á Kỳ, từng là đối tác của Vũ Nhạc Phong Khoa Sáng, chủ trì đầu tư hàng trăm triệu USD.

Khi robot bắt đầu tiến vào các kịch bản phức tạp, ngành công nghiệp ngày càng nhận ra rằng việc chỉ dựa vào học bắt chước (Imitation Learning) hoặc huấn luyện theo cấp độ nhiệm vụ là không đủ để hỗ trợ robot thực sự có khả năng khái quát hóa. Robot cần hiểu các quy luật vận hành của thế giới vật lý, từ đó dự đoán trạng thái tương lai và lập kế hoạch hành động. Đây cũng là lý do khiến mô hình thế giới trở thành hướng kỹ thuật quan trọng của trí tuệ hiện thân.

Hiện nay, nhiều nghiên cứu trong ngành tham chiếu theo lý thuyết JEPA do người đoạt giải Turing, cha đẻ của mạng thần kinh tích chập Yann LeCun đề xuất. Tư tưởng cốt lõi của lý thuyết này là để mô hình học các biểu diễn trừu tượng và bản chất hơn của thế giới vật lý, thay vì dừng lại ở việc tạo ra hình ảnh ở cấp độ pixel.

Tiêu Trung Dương chia sẻ với Hard rằng, JEPA cung cấp một khung lý thuyết, nhưng để robot thực sự được ứng dụng thực tế thì vẫn còn hai vấn đề then chốt cần giải đáp: thế giới vật lý nên được biểu diễn như thế nào và làm thế nào để mô hình học được mối quan hệ nhân quả giữa các biểu diễn này một cách hiệu quả.

Xoay quanh vấn đề này, Nhật Miện Khai Vật đã phát triển mô hình thế giới riêng mang tên LaMPA. Đổi mới cốt lõi đầu tiên của LaMPA nằm ở việc xây dựng một hệ thống biểu diễn ba lớp hướng tới thế giới vật lý.

Tiêu Trung Dương giải thích, lý do các mô hình ngôn ngữ lớn có thể hiểu được ngôn ngữ là vì chúng chuyển đổi ngôn ngữ tự nhiên thành các Token thống nhất. Robot cũng cần một "ngôn ngữ" có thể mô tả thế giới vật lý. LaMPA chia thông tin mà robot cần hiểu thành ba loại. Loại thứ nhất là biểu diễn môi trường (Environment), mô tả vị trí, mối quan hệ và cấu trúc không gian của các vật thể xung quanh; loại thứ hai là biểu diễn bản thể (Ego), mô tả trạng thái của chính robot, bao gồm vị trí khớp, tình trạng chịu lực, phản hồi cảm biến, v.v.; loại thứ ba là biểu diễn kinh nghiệm (Experience), dùng để tích lũy kiến thức tiên nghiệm hình thành trong quá trình robot thực thi nhiệm vụ lâu dài, bao gồm các thuộc tính cơ bản của vật thể và khả năng tương tác (Affordance), ví dụ như vị trí nào của vật thể có thể cầm nắm, trình tự thao tác thông thường cho các nhiệm vụ khác nhau, v.v.

Ba loại thông tin này cùng cấu thành không gian ẩn (Latent Space) để robot hiểu thế giới vật lý, sau đó được giao cho mô hình nền tảng học mối quan hệ nhân quả giữa ba loại này, từ đó dự đoán trạng thái tương lai và tạo ra các hành động điều khiển cho robot.

(Nguồn ảnh/Doanh nghiệp)

Ngoài phương thức biểu diễn, LaMPA cũng được thiết kế lại về kiến trúc mô hình nền tảng. Đội ngũ đã áp dụng cấu trúc khuếch tán khối (Block Diffusion) phù hợp hơn với việc huấn luyện mô hình thế giới, nhằm mục đích vừa đảm bảo hiệu quả suy luận, vừa nâng cao hiệu suất sử dụng dữ liệu và khả năng mở rộng của mô hình, đồng thời dự phòng không gian mở rộng đầy đủ cho việc huấn luyện quy mô lớn sau này.

Ngoài mô hình nền tảng, học tăng cường là mắt xích quan trọng để robot hoàn thành việc bàn giao kịch bản. Tiêu Trung Dương cho biết, hiện nay nhiều giải pháp học tăng cường phụ thuộc vào việc chấm điểm thủ công. Khi kịch bản thay đổi, ví dụ như ánh sáng, bố trí trạm làm việc hoặc nhiễu môi trường thay đổi, thường cần phải thu thập lại lượng lớn dữ liệu và thực hiện hậu huấn luyện lại, dẫn đến chu kỳ triển khai kéo dài.

Để giải quyết vấn đề này, Nhật Miện Khai Vật đã giới thiệu một bộ mô hình phần thưởng thế giới (World Reward Model) có khả năng khái quát hóa. Mô hình này xuất phát từ mô hình thế giới nền tảng, thông qua chưng cất và hậu huấn luyện, mô hình nền tảng có thể tiến hóa thành một mô hình chuyên trách việc "đánh giá", phán đoán đâu là thành công, đâu là thất bại, đóng vai trò như một "nhà phê bình" để cung cấp phản hồi ổn định và nhất quán cho học tăng cường. Điều này giúp mô hình tự động đánh giá chất lượng hành động, cắt giảm đáng kể chu kỳ hậu huấn luyện cho các kịch bản mới, đẩy nhanh hiệu suất triển khai trong môi trường công nghiệp.

Theo tìm hiểu, công ty hiện đã đạt được hợp tác chiến lược với Viễn Đồ Vị Lai, sẽ tiến vào kịch bản lắp ráp công nghiệp có độ chính xác cao là sản xuất máy chủ. Công ty dự định bắt đầu từ toàn bộ quy trình sản xuất máy chủ, dần dần mở rộng sang các công đoạn tiền kỳ và hậu kỳ, nhằm đạt được việc triển khai quy mô toàn kịch bản trên các dây chuyền sản xuất.

(Nguồn ảnh/Doanh nghiệp)

Về dữ liệu, Nhật Miện áp dụng chiến lược "tự thu thập + crowdsourcing + tăng cường bằng mô hình": một mặt, tự xây dựng hệ thống thu thập dữ liệu đồng hành để tích lũy dữ liệu thao tác tinh vi toàn phương thức có rào cản kịch bản; mặt khác, thông qua nền tảng crowdsourcing dữ liệu để lấy dữ liệu thô chất lượng cao, đa kịch bản nhằm mở rộng phân phối dữ liệu và giảm chi phí thu thập; trong giai đoạn chuẩn bị dữ liệu, sử dụng tăng cường dữ liệu dựa trên mô hình thế giới (LCM) để nâng cao hơn nữa hiệu suất sử dụng dữ liệu.

Trong năm tới, Nhật Miện Khai Vật sẽ tập trung thông suốt vòng lặp dữ liệu từ khảo sát kịch bản, huấn luyện mô hình, triển khai tại hiện trường đến phản hồi vận hành, nhằm hiện thực hóa việc lặp lại mô hình liên tục.

Về lâu dài, công ty hy vọng sẽ không ngừng nâng cao năng lực mở rộng (Scaling) xoay quanh bốn phương diện: mô hình, dữ liệu, bàn giao và mô hình kinh doanh, giúp toàn bộ giải pháp có thể nhanh chóng sao chép sang nhiều kịch bản công nghiệp và ngành nghề khác.

Dưới đây là trích đoạn trao đổi giữa Hard và nhà sáng lập Nhật Miện Khai Vật, Tiêu Trung Dương:

Hard: Làm thế nào để hiểu mối quan hệ giữa mô hình thế giới LaMPA của Nhật Miện và JEPA?

Tiêu Trung Dương: JEPA là một hệ thống lý thuyết nền tảng được đề xuất từ khá sớm, trong đó có rất nhiều điểm đáng để chúng ta học hỏi và tiếp thu. Đặc biệt là mô tả về cấu trúc latent (không gian ẩn), chúng tôi rất tán đồng. Nó nhấn mạnh rằng mô hình nên tập trung vào các đặc trưng bản chất của sự vật thay vì bị dẫn dắt bởi các thông tin ở cấp độ pixel hay chi tiết, điều này rất quan trọng đối với sự phát triển của mô hình thế giới.

Nói một cách nghiêm túc, mô hình thế giới của Nhật Miện là sự mở rộng thêm trên nền tảng hệ thống lý thuyết này. Tuy nhiên, chúng tôi không chọn một khung lý thuyết nào đó rồi mới thực hiện kỹ thuật, mà xuất phát từ câu hỏi "một mô hình thế giới nguyên bản nên được xây dựng như thế nào" để khám phá phương pháp phù hợp. JEPA đã đề xuất một hướng đi quan trọng, đó là mô hình cần học một không gian ẩn (latent space) có khả năng trừu tượng cao hơn. Nhưng nó chưa trả lời sâu hơn: không gian ẩn này nên được xây dựng như thế nào. Ngoài ra, JEPA cũng không giới hạn mô hình nên sử dụng kiến trúc nền tảng nào để hiểu và dự đoán trạng thái tương lai. Do đó, dựa trên sự hiểu biết của chính mình về mô hình thế giới, chúng tôi đã khám phá ra một mô hình mẫu phù hợp hơn cho sự phát triển quy mô lớn.

Hard: Hợp tác với Viễn Đồ đang tiến triển rất nhanh, tại sao có thể thúc đẩy việc triển khai từ mô hình vào kịch bản công nghiệp nhanh như vậy?

Tiêu Trung Dương: Tôi nghĩ nguyên nhân chủ yếu có vài điểm. Đầu tiên là bản thân mô hình. Mô hình thế giới và hệ thống hậu huấn luyện của chúng tôi có khả năng khái quát hóa khá tốt, có thể thích ứng nhanh chóng với các kịch bản mới.

Thứ hai là tư duy sản phẩm hóa, chúng tôi rất coi trọng sản phẩm hóa ngay từ khi khởi nghiệp. Khách hàng công nghiệp không cần robot thay thế một công đoạn nào đó, mà cần một giải pháp hoàn chỉnh có thể triển khai nhanh chóng và vận hành liên tục. Chúng tôi hy vọng khách hàng sau khi bước vào kịch bản mới không cần phụ thuộc vào kỹ sư của chúng tôi túc trực lâu dài, mà có thể hoàn thành triển khai thông qua một lượng nhỏ hậu huấn luyện. Như vậy, thứ được bàn giao không chỉ là thiết bị tự động hóa, mà là những "công nhân silicon" có khả năng học tập liên tục và thích ứng nhanh với các vị trí công việc khác nhau.

Do đó, thứ chúng tôi cung cấp không chỉ là mô hình, mà là một bộ sản phẩm tiêu chuẩn hóa, bao gồm mô hình, phần cứng, hệ thống huấn luyện và Workflow Agent mà chúng tôi đề xuất. Nó chịu trách nhiệm kết nối mô hình với quy trình sản xuất thực tế, giúp robot có thể phối hợp làm việc với thiết bị, nhân sự và nhịp độ sản xuất hiện có của nhà máy.

Hợp tác với Viễn Đồ cũng không chỉ là quan hệ khách hàng. Viễn Đồ cung cấp cho chúng tôi các kịch bản sản xuất có độ chính xác cao như lắp ráp máy chủ để kiểm chứng giải pháp; đồng thời, hai bên cũng cùng nhau mài giũa các giải pháp cấp ngành xoay quanh các nhu cầu và công đoạn chung của việc lắp ráp và kiểm tra, hy vọng có thể sao chép năng lực này sang nhiều kịch bản sản xuất hơn.

Hard: Nhật Miện trước đó đã công bố bộ dữ liệu thao tác chuyên nghiệp xúc giác toàn lòng bàn tay hai tay từ nhiều kịch bản đầu tiên trên thế giới là PalmDex. Việc mở nguồn bộ dữ liệu này xuất phát từ những cân nhắc nào?

Tiêu Trung Dương: Lý do chúng tôi quan tâm đến xúc giác toàn lòng bàn tay là vì chúng tôi cho rằng sự hiểu biết về lực và xúc giác là nền tảng của thao tác tinh vi, mà thao tác tinh vi lại là hướng đi đau đầu nhất nhưng cũng có giá trị nhất của trí tuệ hiện thân hiện nay. Ngoài ra, chúng tôi cho rằng sự phát triển của mô hình thế giới cuối cùng sẽ không phụ thuộc vào dữ liệu của một công ty nào đó, mà phụ thuộc vào hệ sinh thái dữ liệu của toàn ngành. So với số lượng dữ liệu, chúng tôi quan tâm hơn đến phân phối dữ liệu. Nếu mô hình chỉ học một loại kịch bản, dù dữ liệu có nhiều đến đâu thì khả năng khái quát hóa cũng sẽ bị hạn chế; thứ thực sự có giá trị là dữ liệu bao phủ các kịch bản và nhiệm vụ khác nhau như công nghiệp, gia đình, thương mại, cùng nhau cấu thành nên một phân phối dữ liệu phong phú.

Việc mở nguồn PalmDex cũng dựa trên suy nghĩ như vậy. Chúng tôi hy vọng xây dựng một nền tảng dữ liệu mở để chính phủ, khách hàng, công ty thu thập dữ liệu và thậm chí là các nhà phát triển cá nhân đều có thể trở thành bên cung cấp dữ liệu, tham gia vào việc xây dựng toàn bộ hệ sinh thái dữ liệu.

Thứ hai, một trong những năng lực cốt lõi nhất của nền tảng này thực chất là khả năng khám phá giá trị và định giá dữ liệu. Là một công ty mô hình, chúng tôi biết rõ mô hình hiện đang cần nhất loại dữ liệu nào, dữ liệu nào đã đầy đủ, dữ liệu nào vẫn còn khan hiếm. Đối với những dữ liệu thực sự khan hiếm và có giá trị cao, cần phải đưa ra sự khích lệ hợp lý hơn để nhiều nguồn lực xã hội sẵn sàng tham gia thu thập dữ liệu liên tục. Chỉ khi hình thành được cơ chế cung cấp dữ liệu thị trường hóa như vậy, mới có thể thực sự hiện thực hóa việc mở rộng liên tục quy mô và phân phối dữ liệu, cuối cùng thúc đẩy mô hình thế giới không ngừng lặp lại và khái quát hóa.