Đừng bắt AI 'làm thợ' quá sớm: Mô hình Orca của BAAI tập trung dạy AI hiểu sự thay đổi của thế giới

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

08-07-2026 17:08:31 Nguồn: QbitAI

Đứng đầu bảng xếp hạng bài báo hàng tháng trên Hugging Face

Yun Zhong, đưa tin từ Aofeisi

QbitAI | Kênh chính thức QbitAI

AI ngày nay đã rất giỏi trong việc "đầu ra" (output).

Tuy nhiên, đằng sau những khả năng đó vẫn tồn tại một vấn đề cốt lõi hơn: Liệu mô hình thực sự đang học một kiểu đầu ra nào đó, hay nó đã hiểu được cách trạng thái thế giới vận động?

Báo cáo kỹ thuật "Orca: The World is in Your Mind" do nhóm RoboBrain Orca thuộc Viện Nghiên cứu Trí tuệ Nhân tạo Bắc Kinh (BAAI) công bố chính là nỗ lực nhằm khám phá vấn đề này.

Trang chủ dự án: https://orca-wm.github.io Báo cáo kỹ thuật: https://arxiv.org/abs/2606.30534

Sau khi ra mắt, RoboBrain Orca đã nhanh chóng thu hút sự chú ý của cộng đồng nghiên cứu quốc tế.

Nhiều nhà nghiên cứu tập trung thảo luận vào khía cạnh "mô hình thế giới biểu diễn đa phương thức thực thụ":

Orca không chỉ đơn thuần ghép nối văn bản, hình ảnh, video và hành động lại với nhau, mà cố gắng học các trạng thái chung và quy luật tiến hóa đằng sau chúng trong một không gian tiềm ẩn (latent space) thế giới thống nhất.

Một số ý kiến cho rằng, Orca gần với hình thái của các mô hình thế giới tổng quát thời kỳ đầu, tức là học cách thế giới thay đổi trước, sau đó mới đọc các biểu diễn thế giới này vào các tác vụ hiểu, dự đoán và hành động.

△ Orca khơi dậy thảo luận trong cộng đồng nghiên cứu quốc tế: Từ biểu diễn đa phương thức, mô hình hóa trạng thái thế giới, đến khả năng hình thành các mô hình thế giới tổng quát thời kỳ đầu.

Đồng thời, Orca cũng đã lọt vào bảng xếp hạng hàng tháng của Daily Papers và liên tục nhận được sự quan tâm trên các cộng đồng như Hugging Face, X.

Có thể thấy, mô hình thế giới đang trở thành một hướng đi quan trọng được quan tâm liên tục trong giai đoạn tiếp theo của nghiên cứu AI.

△ Đứng đầu bảng xếp hạng bài báo hàng tháng trên HF

Từ dự đoán Next token, Frame, Action sang dự đoán Next-State

RoboBrain Orca không phải là một mô hình ngôn ngữ lớn biết trò chuyện hơn, cũng không phải là một mô hình tạo video thuần túy theo đuổi sự chân thực về thị giác, và càng không phải là một mô hình chiến lược hành động chỉ dành cho robot.

Nó muốn đi theo một con đường nền tảng hơn:

Để mô hình học biểu diễn trạng thái thế giới thống nhất trước, sau đó mới đọc ra khả năng hiểu, dự đoán và hành động từ biểu diễn đó.

Nói cách khác, Orca tập trung vào: Thế giới hiện tại đang ở trạng thái nào, và trạng thái đó sẽ chuyển sang trạng thái khác như thế nào dưới sự tiến hóa tự nhiên, điều kiện sự kiện hoặc sự can thiệp từ bên ngoài.

Đây chính là Next-State Prediction (Dự đoán trạng thái tiếp theo) mà Orca Team đang khám phá.

"Chúng ta sẽ không bắt một đứa trẻ 3 tuổi vào nhà máy và vặn ốc vít trong 100.000 giờ." Đây là một phép ẩn dụ mà Orca Team đã sử dụng khi giải thích về công trình này.

Câu nói này không chỉ nói về robot, mà còn nói về tình trạng chung của nhiều mô hình AI ngày nay: mô hình ngôn ngữ được huấn luyện để dự đoán từ tiếp theo, mô hình video được huấn luyện để tạo khung hình tiếp theo, và mô hình hiện thân (embodied model) được huấn luyện để bắt chước hành động tiếp theo.

Chúng trông có vẻ có nhiệm vụ khác nhau, nhưng logic cơ bản lại rất giống nhau — ngay từ đầu đã đặt mô hình vào một vị trí công việc cụ thể, bắt nó luyện tập lặp đi lặp lại xung quanh một kiểu đầu ra nào đó.

Con đường này tất nhiên hiệu quả, nhưng vấn đề là, một mô hình chưa hiểu về thế giới liệu có thực sự tiến tới sự tổng quát chỉ bằng cách "vặn ốc vít" hay không?

Nhận định của nhóm Orca là: Thứ tự có lẽ cần phải đảo ngược lại. Đừng vội bắt mô hình học "bước tiếp theo phải di chuyển thế nào", hãy để nó tham gia một lớp "giáo dục phổ thông" về thế giới trước đã.

Tận dụng tín hiệu thế giới đa phương thức để học tốt biểu diễn thế giới; sau đó mới thực hiện tốt mọi tác vụ.

Đây cũng là triết lý cốt lõi của Orca: The World is in Your Mind (Thế giới nằm trong tâm trí bạn).

RoboBrain Orca học cách thế giới thay đổi như thế nào?

Trước khi biết nói, con người đã có thể học về thế giới khách quan thông qua quan sát, ví dụ như gió thổi lá rơi; trong quá trình trưởng thành, con người còn có thể cảm nhận và hiểu các sự kiện cụ thể thông qua một câu nói hay một cuốn sách hướng dẫn.

Orca trừu tượng hóa chúng thành hai loại phương thức học bổ sung cho nhau: học vô thức và học có ý thức.

Loại thứ nhất là học vô thức.

Mô hình học các thay đổi trạng thái tự nhiên, dày đặc từ video liên tục mà không phụ thuộc vào nhãn ngôn ngữ tường minh.

Ví dụ như cách một vật thể di chuyển, cách tay tiếp xúc với vật thể, và cách bối cảnh tiến hóa theo thời gian. Loại học tập này tương ứng với lượng lớn quan sát liên tục trong thế giới thực, giúp mô hình nắm bắt các động lực tự nhiên.

△ Hình ảnh do AI tạo ra