Đột phá từ Galaxy AI: Robot học kỹ năng chỉ qua video người thật, Tesla phải dè chừng

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

Lần đầu tiên trên thế giới! Khung làm việc mới của Galbot chỉ cần video từ con người là có thể triển khai, Tesla cũng phải "đứng ngồi không yên".

16-07-2026 18:51:10 Nguồn: QbitAI

Còn có thể giúp robot vừa làm vừa học.

Tác giả: Lộ Vũ, từ QbitAI.

QbitAI | Kênh chính thức QbitAI.

Cuối cùng, xu hướng "học đến đâu dùng đến đó" cũng đã thổi vào lĩnh vực trí tuệ hiện thân (Embodied AI).

Nếu nói về những thay đổi quan trọng nhất của các mô hình lớn trong hai năm qua, thì đó chính là việc ngày càng ít phụ thuộc vào việc "chốt hạ" bằng tiền huấn luyện (pre-training), mà một phần năng lực bắt đầu được để dành đến giai đoạn suy luận (inference) mới thực hiện.

OpenAI o1 là như vậy, DeepSeek-R1 cũng tương tự. Năng lực suy luận của mô hình được nâng cao nhờ vào quá trình tự cải thiện liên tục trong khi ứng dụng.

Nhưng robot thì khác, nó phải đối mặt với thế giới vật lý phức tạp hơn nhiều so với văn bản, bất kỳ một phán đoán sai lầm nào cũng có thể làm hỏng đối tượng cần thao tác. Việc để robot tiến hóa ngay trong quá trình triển khai giống như các mô hình lớn là điều chưa ai trong ngành làm được.

Cho đến hôm nay, con đường này lần đầu tiên đã được Galbot khai thông.

Link video: https://mp.weixin.qq.com/s/Lwo6w_HjR3cYM7ZxbZahXQ

Vừa mới đây, Galbot đã chính thức công bố WAM-TTT (World-Action Model Test-Time Training) – khung làm việc hậu huấn luyện (post-training) tại thời điểm kiểm thử đầu tiên trên thế giới dành cho mô hình trí tuệ hiện thân.

Đây là lần đầu tiên mô hình Test-Time Training (TTT) được chuyển đổi từ lĩnh vực NLP và các mô hình ngôn ngữ lớn sang điều khiển robot trong thế giới vật lý.

Nói một cách dễ hiểu là: Robot có thể "học xong vào làm việc ngay".

Tuy nhiên, việc học ở đây không phải là học các động tác cụ thể, không phải bắt robot xem một video là học được ngay kỹ năng mới, mà WAM-TTT tập trung vào việc giúp robot tiêu hóa và thấu hiểu nhiệm vụ hiện tại.

Nó cho phép robot hiểu rõ thông tin bối cảnh thông qua video minh họa của con người, sau đó ghi những thông tin này vào bộ nhớ tạm thời, rồi kết hợp với năng lực hành động sẵn có để hoàn thành nhiệm vụ.

Cách này vừa có thể thích nghi với môi trường mới, vừa đảm bảo không làm mất đi năng lực vốn có, từ đó hiện thực hóa việc học liên tục sau khi triển khai.

Kể từ đây, trí tuệ hiện thân đã có thể mở ra kỷ nguyên hậu huấn luyện của riêng mình.

Khung làm việc hậu huấn luyện tại thời điểm kiểm thử cho trí tuệ hiện thân đầu tiên trên thế giới.

Cần biết rằng, toàn bộ ngành công nghiệp trí tuệ hiện thân ở giai đoạn hiện tại đều đang bị hạn chế bởi cùng một điểm nghẽn cốt lõi.

Một con robot học được cách bê thùng trong sân tập với độ chính xác và tỷ lệ thành công tối đa. Nhưng chỉ cần thay đổi môi trường hoặc thay đổi loại thùng, nó lập tức "bó tay".

Cùng một kỹ năng, lúc huấn luyện thì tinh thông, lúc triển khai thì thất bại, đây chính là điều mà giới học thuật thường gọi là sự suy giảm khả năng tổng quát hóa khi triển khai vào môi trường thực tế.

Phiền phức hơn nữa là mỗi khi khách hàng thay đổi điểm triển khai mới, họ đều phải thu thập lại dữ liệu và điều chỉnh lại mô hình. Toàn bộ quy trình này vừa đắt đỏ vừa chậm chạp, khiến trí tuệ hiện thân không thể triển khai quy mô lớn.

WAM-TTT chính là giải pháp cho vấn đề này.

Theo giới thiệu chính thức, đây là một khung làm việc TTT nhẹ, dựa trên video thực tế do con người quay và hoàn tất việc huấn luyện thích ứng ngay trong giai đoạn suy luận. Nó có chi phí thấp, khả năng tổng quát hóa mạnh và lần đầu tiên giải quyết một cách hệ thống bài toán khó của ngành là triển khai hiệu quả, quy mô lớn trên nhiều bối cảnh khác nhau.

Năng lực của nó có thể tóm gọn trong một câu:

WAM-TTT không cần tiền huấn luyện lại, cũng không cần lượng lớn dữ liệu quỹ đạo robot hay gắn nhãn hành động của con người, vẫn có thể giúp robot nhanh chóng thích nghi với bối cảnh và nhiệm vụ mới trong giai đoạn triển khai.

Nghe có vẻ hơi trừu tượng, hãy thử dùng ví dụ về một đầu bếp để so sánh.

Nếu chúng ta coi robot là một đầu bếp đã tốt nghiệp, ngay từ ngày xuất xưởng, nó đã sở hữu những kỹ năng cơ bản vững chắc học được từ giai đoạn tiền huấn luyện. Bây giờ khách hàng bước vào bếp, muốn đầu bếp làm một món chưa từng nấu và đưa cho nó xem video hướng dẫn.

Thông thường, các đầu bếp robot sẽ bắt chước học theo từng khung hình, nhưng WAM-TTT thì khác, nó sẽ ghi lại yêu cầu của khách hàng vào một tờ giấy ghi chú, sau đó vận dụng kỹ năng nấu nướng sẵn có của mình để nấu món ăn đó theo tờ ghi chú.

Tờ ghi chú này chính là cơ chế cốt lõi của WAM-TTT, một đơn vị lưu trữ tham số nhỏ độc lập gọi là fast-weight memory (bộ nhớ trọng số nhanh).

Cụ thể, nền tảng của WAM-TTT là một mô hình hành động thế giới (World Action Model - WAM) đã được tiền huấn luyện.

Bên trong bao gồm hai phần là chuyên gia video và chuyên gia hành động; phần trước chịu trách nhiệm hiểu những gì đang xảy ra trong khung hình hiện tại, phần sau chịu trách nhiệm tạo ra các hành động robot tương ứng. Hai phần này duy trì liên lạc thông qua cơ chế chú ý chung (joint attention).

Cần lưu ý rằng, trong toàn bộ quy trình của WAM-TTT, trọng số chính của WAM luôn được giữ đóng băng và không cập nhật theo quá trình học, mọi thao tác học tập đều chỉ được thực hiện trong mô-đun bộ nhớ đã đề cập ở trên.