Sóng não: Chìa khóa đột phá tiếp theo cho AI vật lý?

Tiền tuyến của AI vật lý (physical AI) chính là một ván cờ Jenga trong một nhà kho ở San Leandro, California.

Nhà kho đó thuộc về Encord, một công ty chuyên xây dựng các công cụ dữ liệu được sử dụng để huấn luyện các mô hình AI. Andrew Ceja là một "pilot" (phi công) — thuật ngữ công ty dùng để chỉ các chuyên gia huấn luyện robot — và anh đang cẩn thận rút từng khối gỗ từ một tòa tháp chông chênh trong khi đeo một chiếc tai nghe có gắn camera để theo dõi những gì anh nhìn thấy. Bản thân việc này khá phổ biến trong quá trình thu thập dữ liệu huấn luyện robot, nhưng chiếc tai nghe này còn bao gồm các cảm biến đo sóng não của anh khi anh tỉ mỉ tháo dỡ tòa tháp gỗ.

Encord là một trong số ít nhưng ngày càng tăng các công ty khởi nghiệp tin rằng rào cản thực sự tiếp theo đối với robot hình người và robot kho bãi sẽ không phải là kiến trúc mô hình, mà là sự khan hiếm dữ liệu huấn luyện vật lý trong thế giới thực. Thay vì chỉ giúp các công ty robot quản lý dữ liệu họ đang có, Encord đang xây dựng một mô hình kinh doanh xoay quanh việc sản xuất ra những dữ liệu mà họ còn thiếu.

Chiếc tai nghe đo sóng não mà Ceja đang đeo được chế tạo bởi Zander Labs, một công ty khởi nghiệp về khoa học thần kinh của Đức. Họ tin rằng việc đo lường hoạt động não bộ — để suy luận ra các trạng thái tinh thần như lỗi sai, ý định và sự ngạc nhiên — có thể tạo ra một tập dữ liệu hữu ích hơn để huấn luyện các mô hình. Công việc của Encord với Zander hiện đang là một đợt thử nghiệm; Encord cho biết mục tiêu là xây dựng một tập dữ liệu ban đầu được gắn nhãn bằng sóng não, chạy thử qua các mô hình robot của khách hàng và đánh giá xem liệu nó có thực sự cải thiện hiệu suất hay không trước khi quyết định mở rộng quy mô.

Lucas Gehrke, một nhà khoa học thần kinh tại Zander đang giám sát công việc này, cho biết lượng hoạt động não bộ được sử dụng tại bất kỳ thời điểm nào trong một nhiệm vụ nhất định sẽ cung cấp manh mối cho các nhà xây dựng mô hình, giúp họ xác định khi nào cần triển khai các mô hình đòi hỏi nỗ lực cao nhất.

Đây là "điểm nóng" (bleeding edge) của nỗ lực giải quyết nút thắt cổ chai về dữ liệu robot, theo lời Vineeth Velmurugan, trưởng bộ phận học máy robot của Encord. Là một cựu nhân viên tại phòng thí nghiệm robot của OpenAI và Berkshire Grey, công ty tự động hóa kho bãi, Velmurugan đã gia nhập Encord để xây dựng đội ngũ tạo dữ liệu nội bộ cho công ty.

Encord được thành lập để giúp các công ty xây dựng ứng dụng thị giác máy tính (machine-vision) chú thích dữ liệu và đánh giá mô hình. Khi khách hàng của họ — Velmurugan cho biết họ làm việc với nhiều công ty robot hàng đầu nhưng ông không được phép nêu tên — bắt đầu áp dụng học máy đầu cuối (end-to-end learning) vào các tác vụ thao tác robot, các giám đốc điều hành nhận ra rằng họ sẽ phải tự sản xuất dữ liệu huấn luyện thay vì chỉ đơn thuần quản lý nó. "Dữ liệu đó đơn giản là không tồn tại," Velmurugan nói.

Canh bạc rằng AI tạo sinh (generative AI) có thể làm cho robot những gì nó đã làm cho chatbot vẫn đang đâm sầm vào cùng một bức tường. Các mô hình ngôn ngữ lớn (LLM) được xây dựng dựa trên văn bản của toàn bộ internet và hơn thế nữa. Việc tìm kiếm các nguyên liệu thô tương tự để dạy cho mạng thần kinh về thao tác vật lý là một thách thức: các công ty xe tự lái tự thu thập dữ liệu, nhưng rất khó để mở rộng quy mô. Huấn luyện từ video có thể hiệu quả, nhưng nó thiếu độ trung thực của dữ liệu thế giới thực. Velmurugan cho biết sẽ cần một tập dữ liệu lớn gấp khoảng 5 lần kho video của YouTube để tạo ra đột biến — một quy mô giúp giải thích tại sao việc tạo dữ liệu đã trở thành một ngành kinh doanh chứ không chỉ là một vấn đề nghiên cứu.

Đáp ứng nhu cầu dữ liệu lấy người làm trung tâm (egocentric data)

Các công ty đang xây dựng "bộ não" cho robot hiện đang chuyển sang hai nguồn chính: Video "egocentric" (góc nhìn thứ nhất) được thu thập bởi công nhân đeo camera, thường được tăng cường bằng các góc máy bổ sung và các số liệu khác, và thu thập dữ liệu từ robot được vận hành từ xa. Encord thực hiện cả hai, lấy dữ liệu egocentric từ một số nhà máy trên toàn cầu và sử dụng cơ sở tại San Leandro để thử nghiệm các phương thức mới, như sóng não, hoặc thu thập các tập dữ liệu về các kỹ năng cụ thể để tinh chỉnh (fine-tuning).

Khi TechCrunch ghé thăm, các phi công đang sử dụng các giàn máy leader-follower — các cánh tay robot được ghép nối, một cái được điều khiển trực tiếp bởi người vận hành và một cái bắt chước các chuyển động đó — để tạo dữ liệu về các tác vụ như rót cà phê từ bình vào cốc (rất dễ sánh) và xếp chip poker. "Mọi công ty robot hình người đều đã yêu cầu chúng tôi thực hiện những phần việc này," Velmurugan nói.

Các kệ lưu trữ chứa đầy những thùng hoa giả trong bình, sách, rau củ bằng nhựa, khay và xẻng vệ sinh cho mèo, các bó dây điện — đây là những mặt hàng thương mại dùng để huấn luyện các thiết bị thao tác cho các công việc gia đình.

Tại một trong những trạm này, một phi công khác là Sofia Infante đang điều khiển các cánh tay robot để cắm và rút cáp ethernet từ phía sau máy chủ — loại công việc mà các nhà vận hành trung tâm dữ liệu rất muốn tự động hóa, nếu chỉ cần robot có thể thao tác với độ chính xác yêu cầu. Khi trực tiếp ngồi vào bảng điều khiển, tôi đã hiểu tại sao điều đó vẫn còn nằm ngoài tầm với: Kìm gắp kém linh hoạt hơn nhiều so với ngón tay người và thiếu các bậc tự do mà chúng ta thường coi là hiển nhiên ở cánh tay mình.

Một phương thức dữ liệu mới khác mà Encord đang phát triển sử dụng một bộ cảm biến đeo vào cẳng tay để phát hiện các tín hiệu điện trong cơ bắp. Video quay bàn tay người thao tác với đồ vật thường không ghi lại được toàn bộ bàn tay, nhưng Velmurugan hy vọng sẽ xây dựng được hình ảnh 3D về vị trí bàn tay tại bất kỳ thời điểm nào dựa trên các cảm biến cánh tay, từ đó tạo ra sự hiểu biết mạnh mẽ hơn cho các mô hình.

Các tập dữ liệu của Encord được chú thích bằng các mô tả vật lý về nội dung của mỗi video — "tay phải siết chặt bu lông" — để hỗ trợ các mô hình dựa trên LLM hiểu được những gì đang xảy ra. Velmurugan ước tính loại chú thích chuyên sâu này có giá trị gấp 100 lần so với "dữ liệu egocentric rác" để huấn luyện các tác vụ cụ thể, và chi phí sản xuất chỉ đắt hơn 20 lần, đây là một sự đánh đổi hợp lý trên lý thuyết.

Nhưng "đắt hơn 20 lần" vẫn là một khoản tiền thực sự, và đó chính là vấn đề: việc cạo văn bản từ internet, cách mà các nhà sản xuất LLM xây dựng mô hình của họ bằng cách lấy dữ liệu từ Stack Overflow và phần còn lại của web, gần như không tốn kém gì đối với các phòng thí nghiệm tiên phong. Việc tạo ra dữ liệu huấn luyện vật lý thì không như vậy, và đó là giới hạn của sự so sánh giữa AI vật lý và LLM. Loại dữ liệu này phải được sản xuất chứ không chỉ đơn thuần là thu thập, và điều đó làm thay đổi nền kinh tế của việc xây dựng các mô hình này.

Velmurugan cho biết tiến bộ đang được thực hiện — với khả năng quan sát các chương trình trên toàn ngành của Encord, ông có thể thấy cả các công ty khởi nghiệp và các phòng thí nghiệm tiên phong đều đang tìm ra những gì hiệu quả và những gì không để cải thiện các mô hình AI vật lý. Góc nhìn đó — đứng giữa nhiều công ty robot cùng một lúc — cũng là một phần trong chiến lược chào hàng của Encord. Họ có thể phát hiện ra kỹ thuật dữ liệu nào đang trở nên phổ biến trên toàn ngành trước khi bất kỳ khách hàng đơn lẻ nào nhận ra.

Điều đó sẽ giúp hàng chục phi công tại cơ sở của Encord luôn bận rộn. Cả Infante và Ceja đều là một phần của lực lượng lao động đang phát triển, những người đang xây dựng các khối nền tảng cho mạng thần kinh; trước đây họ từng làm việc tại Scale, một công ty chú thích dữ liệu AI khác, trước khi gia nhập Encord.

Ceja từng làm việc tại một công ty quản lý chất thải, nơi niềm đam mê công nghệ đã đưa anh đến vị trí phụ trách việc giữ cho máy phân loại rác bằng robot hoạt động tốt. Giờ đây, khi tòa tháp Jenga đổ xuống, anh nói rằng mình thích thử thách giải quyết các nhiệm vụ huấn luyện cho robot — "Mỗi ngày đều là một điều mới mẻ!"

Khi bạn mua hàng thông qua các liên kết trong bài viết của chúng tôi, chúng tôi có thể nhận được một khoản hoa hồng nhỏ. Điều này không ảnh hưởng đến tính độc lập trong biên tập của chúng tôi.