Mô hình thế giới của Fei-Fei Li chính thức bắt đầu huấn luyện robot

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

Mô hình thế giới của Fei-Fei Li cuối cùng đã bắt đầu huấn luyện robot

30-07-2026 15:47:37 Nguồn: QbitAI

World Labs của Fei-Fei Li đã hoàn thiện một mảnh ghép quan trọng

henry đưa tin từ Oufeisi

QbitAI | Kênh chính thức QbitAI

World Labs của Fei-Fei Li đã hoàn thiện một mảnh ghép quan trọng.

Vừa mới đây, nhờ vào việc thâu tóm công ty robot SceniX, World Labs đã công bố một công cụ huấn luyện và đánh giá chiến lược robot hoàn toàn mới—

Real-to-sim-to-real (R2S2R).

Bộ công cụ này mở rộng bản đồ trí tuệ không gian của World Labs từ việc tạo ra các thế giới ảo có thể tương tác, tiến xa hơn đến việc huấn luyện, đánh giá và triển khai robot thực tế, đồng thời lần đầu tiên tạo ra một vòng lặp khép kín từ huấn luyện mô phỏng đến vận hành thực tế.

Xét về cấu trúc, R2S2R bao gồm hai phần: Real-to-Sim và Sim-to-Real.

Trong đó, Real-to-Sim chịu trách nhiệm đưa robot, cảm biến, vật thể và các quá trình tương tác từ thực tế vào mô phỏng, xây dựng các môi trường ảo đồng nhất với các tác vụ thực tế.

Sim-to-Real cho phép robot hoàn thành việc huấn luyện và đánh giá trong các môi trường ảo này, sau đó triển khai trực tiếp các chiến lược đã học trở lại thế giới thực.

Trên X, Fei-Fei Li cho biết các chiến lược được huấn luyện dựa trên phương pháp này, ngay cả khi chưa từng sử dụng dữ liệu thế giới thực, đã có thể vận hành tự chủ liên tục trong 1 giờ mà không cần sự can thiệp của con người.

Không chỉ vậy, R2S2R còn giúp việc đánh giá chiến lược robot trở nên dễ dàng mở rộng quy mô hơn.

Thông qua việc đồng bộ hóa quá trình vận hành của chiến lược trong mô phỏng và thực tế, các tình huống thành công, thất bại và điều kiện kích hoạt chúng trong thế giới thực đều có thể được tái hiện và phân tích trong thế giới ảo.

Có thể nói, R2S2R không chỉ tạo ra vòng lặp khép kín cho mô hình thế giới từ khâu tạo dựng thế giới đến huấn luyện, đánh giá và triển khai robot thực tế, mà còn thúc đẩy mảnh ghép quan trọng nhất trong phân loại ba phần về mô hình thế giới mà Fei-Fei Li từng đề xuất—

Trình mô phỏng (Simulator).

Trong cách phân loại kinh điển của bà, mô hình thế giới có thể đảm nhận ba chức năng: trình kết xuất (renderer) chịu trách nhiệm tạo ra quan sát, trình mô phỏng (simulator) chịu trách nhiệm mô phỏng trạng thái thế giới, và trình lập kế hoạch (planner) chịu trách nhiệm đưa ra hành động.

Và những gì R2S2R thực hiện chính là biến thế giới do World Labs tạo ra từ chỗ "trông có vẻ thực" trở thành một sân tập thực thụ mà robot có thể bước vào, tương tác và học hỏi.

Muốn mở rộng quy mô trí tuệ hiện thân (embodied AI), trước hết phải mở rộng quy mô thế giới học tập của robot

Vậy, tại sao cần mở rộng môi trường học tập của robot, và tại sao nhất thiết phải thực hiện trong mô phỏng?

Trong bài blog của mình, World Labs cho biết:

Nút thắt chính trong sự phát triển của robot hiện nay không còn chỉ nằm ở kiến trúc mô hình, mà là sự thiếu hụt các trải nghiệm và đánh giá có thể mở rộng quy mô.

Một mặt, vị trí vật thể, ánh sáng, thuộc tính vật lý và các quá trình tương tác trong thế giới thực luôn thay đổi không ngừng.

Để robot thực sự bước ra khỏi phòng thí nghiệm, cần phải bao phủ đủ các kịch bản phong phú và kiểm tra lặp đi lặp lại xem trong tình huống nào nó sẽ thành công, và ở đâu nó sẽ thất bại.

Mặt khác, không giống như dữ liệu internet dùng để huấn luyện các mô hình lớn, mỗi trải nghiệm của robot đều cần phải xảy ra trong thực tế.

Mỗi vòng thử nghiệm đều tiêu tốn phần cứng, cần con người thiết lập lại vật thể, khắc phục lỗi và bảo trì hệ thống. Ngay cả khi có lượng video khổng lồ từ con người, cũng rất khó để bao phủ một cách hệ thống các môi trường, thuộc tính vật thể, trạng thái robot và các điều kiện thất bại khác nhau.

Do đó, giá trị lớn nhất của mô phỏng không chỉ là "tiết kiệm chi phí thu thập dữ liệu", mà là khả năng chủ động tạo ra các tình huống đắt đỏ, nguy hiểm hoặc khó lặp lại trong thực tế, cho phép robot trải nghiệm thành công và thất bại nhiều lần.

Tuy nhiên, công nghệ mô phỏng trước đây vẫn tồn tại những nhược điểm rõ rệt.

Nó không chỉ đòi hỏi phải xây dựng môi trường riêng cho từng tác vụ thực tế, gây tốn kém và chậm chạp, mà còn thường tồn tại khoảng cách về thị giác, hình học và động lực học vật lý giữa mô phỏng và thực tế.

Quan trọng hơn, các chiến lược mà robot học được trong mô phỏng chưa chắc đã hiệu quả khi áp dụng vào thế giới thực; kết quả kiểm tra trong mô phỏng cũng chưa chắc phản ánh đúng hiệu suất thực tế.

Dựa trên bối cảnh đó, World Labs đã ra mắt công cụ mô phỏng R2S2R (Real-to-sim-to-real) để huấn luyện và đánh giá chiến lược robot.

Trong đó, Real-to-Sim chịu trách nhiệm tái tạo robot, cảm biến, vật thể và các quá trình tương tác từ thực tế thành một thế giới ảo đồng nhất với tác vụ. Không chỉ khôi phục diện mạo của thế giới, mà còn phải giữ lại tối đa các phản hồi vật lý và chuyển động khi robot tương tác với vật thể.

Sim-to-Real sử dụng những thế giới này để hoàn thành việc huấn luyện và đánh giá chiến lược, tìm ra các trạng thái mà mô hình dễ thất bại, và đánh giá xem hiệu suất trong mô phỏng có thể chuyển đổi sang phần cứng thực tế hay không.

Khi kết nối hai phần này lại, chúng tạo thành một vòng lặp khép kín: