Khi AI bước vào thế giới vật lý: Mô hình thế giới còn thiếu mảnh ghép nào?

Trước sự kiện, chúng tôi đã đặt câu hỏi: "Mô hình thế giới (world model) đã 'chín muồi' đến mức nào?"

Sau ba bài thuyết trình và một phiên thảo luận, câu hỏi đó càng trở nên khó trả lời một cách đơn giản. Bởi lẽ, dù ai cũng nhắc đến "mô hình thế giới", các diễn giả lại đang theo đuổi những vấn đề hoàn toàn khác biệt: một số tập trung vào việc xây dựng môi trường để robot có thể huấn luyện và thất bại nhiều lần, số khác tập trung vào việc dự đoán các trạng thái tương lai sau khi thực hiện hành động, và những người khác lại quan tâm đến cách các mô hình thế giới có thể tạo thành vòng lặp khép kín với các mô hình hành động, học tăng cường (reinforcement learning) và dữ liệu thực tế. Các phương pháp kỹ thuật vẫn đang phân hóa. Ngành công nghiệp vẫn chưa đạt được sự đồng thuận về cách định nghĩa mô hình thế giới, cách xây dựng chúng, hay thậm chí là thế nào mới được coi là "hoàn thiện".

Tuy nhiên, có một xu hướng đang trở nên rõ ràng hơn bao giờ hết: biên giới tiếp theo của AI chính là thế giới vật lý.

Vào ngày 18 tháng 7, Yunqi Capital đã hợp tác với NICE Academic tổ chức sự kiện "World Model BBQ" trong khuôn khổ WAIC. Sau khi mở cổng đăng ký, họ đã nhận được hơn 500 đơn đăng ký. Kế hoạch ban đầu chỉ dành cho 40 chỗ ngồi; nhưng hơn 100 người đã đến tham dự, thiết lập một kỷ lục mới về số lượng người tham dự cho chuỗi sự kiện tại địa điểm này. Michael Mao, đối tác quản lý sáng lập của Yunqi Capital, cũng đã đến để tham gia vào cuộc đối thoại.

Khán giả bao gồm các giáo sư, tiến sĩ và các nhà nghiên cứu trẻ từ các trường đại học, viện nghiên cứu, cùng với các nhà sáng lập, nhà nghiên cứu doanh nghiệp và kỹ sư đang làm việc trong các lĩnh vực mô hình thế giới, trí tuệ hiện thân (embodied intelligence), robot và AI for Science. Những nền tảng và góc nhìn khác biệt này đã va chạm, thúc đẩy cuộc thảo luận từ kiến trúc mô hình sang các vòng lặp dữ liệu, triển khai sản phẩm và quyết định khởi nghiệp.

Trong ba bài thuyết trình, Siheng Chen, phó giáo sư tại Trường Trí tuệ Nhân tạo thuộc Đại học Giao thông Thượng Hải (SJTU); Yang Li, phó giáo sư tại Trường Khoa học Máy tính SJTU; và Zhecheng Yuan, giám đốc khoa học tại Poke Robotics, đã lần lượt trình bày về các tác nhân kỹ thuật số (digital agents) hỗ trợ huấn luyện hiện thân, ra quyết định đa tác nhân trong thế giới mở, và khả năng thao tác của robot.

Trong phiên thảo luận sau đó, Hongyuan Lu, nhà sáng lập FaceHeart; Yingtian Zou, nhà sáng lập Sreal AI; và Zhaoxi Chen, CEO của Ropedia — ba nhà sáng lập đã chuyển mình từ nhà nghiên cứu sang doanh nhân — đã mở rộng cuộc thảo luận sang các lộ trình kỹ thuật, thương mại hóa và con đường từ nhà nghiên cứu trở thành nhà sáng lập, dưới sự điều phối của Yu Sang, giám đốc điều hành tại Yunqi Capital.

Thông qua các phiên này, một vài câu hỏi then chốt đã trở nên rõ nét hơn: Làm thế nào các mô hình thế giới có thể giúp huấn luyện robot? Bạn dự đoán tương lai như thế nào sau khi thực hiện hành động? Và các mô hình cần tiến xa đến mức nào trước khi một robot thực sự có thể vươn tay ra và bắt đầu làm việc?

Xây dựng sân tập trước

Sau đó huấn luyện hàng ngàn "bộ não nhỏ"

Siheng Chen, phó giáo sư và cố vấn tiến sĩ tại Trường Trí tuệ Nhân tạo thuộc Đại học Giao thông Thượng Hải, đã đưa vấn đề từ thế giới kỹ thuật số vào thế giới vật lý. Bài thuyết trình của ông có tiêu đề: Từ kỹ thuật số đến vật lý? Những suy ngẫm và thử nghiệm về việc trao quyền cho robot hiện thân bằng công nghệ tác nhân kỹ thuật số.

Các tác nhân kỹ thuật số ngày nay đã dần hình thành một mô hình làm việc tương đối rõ ràng: một "bộ não" đảm nhận việc lập kế hoạch và điều phối tổng thể, gọi các tác nhân phụ và công cụ khác nhau để hoàn thành các nhiệm vụ phức tạp. Chen đề xuất rằng một kiến trúc tương tự có thể được chuyển đổi sang trí tuệ hiện thân — với một EmboBrain cấp cao chịu trách nhiệm hiểu và phân tách nhiệm vụ, và các công cụ VLA cấp thấp xử lý các hành động cụ thể như đi bộ, mở cửa và nắm bắt đồ vật.

Ví dụ, hướng dẫn một robot lấy một lon Coke từ tủ lạnh. Đối với con người, đây là một việc đơn giản; nhưng đối với robot, đó là một chuỗi các nhiệm vụ phụ thuộc lẫn nhau: đầu tiên là lập lộ trình, tránh chướng ngại vật, đi đến tủ lạnh, sau đó mở cửa, xác định mục tiêu và hoàn thành việc nắm bắt. Mỗi bước đòi hỏi một mô hình chuyên biệt đáng tin cậy, và bộ não cần biết khi nào và theo thứ tự nào để gọi chúng.

Câu hỏi đặt ra là: một "bộ não" hiểu thế giới vật lý sẽ đi đâu để huấn luyện? Các môi trường thực tế khó có thể đáp ứng việc thử và sai với chi phí thấp, tần suất cao mà robot cần. Vì vậy, ông đã xây dựng EmboMatrix, một sân tập ra quyết định hiện thân. Nó có thể tạo ra các bố cục không gian phù hợp với lẽ thường của con người, và thông qua mô phỏng xã hội đa tác nhân, cho phép các "cư dân" khác nhau tạo ra nhu cầu dựa trên tính cách và sở thích của họ — từ đó sản xuất hàng loạt các nhiệm vụ huấn luyện phức tạp, đa dạng, với mô phỏng hiệu quả và phần thưởng chính xác.

Trong EmboMatrix, EmboBrain phát triển khả năng ra quyết định hiện thân thông qua tương tác mở rộng. Đối mặt với các nhiệm vụ dài hạn, một VLM có khả năng lập kế hoạch trước tiên sẽ chia mục tiêu thành một tập hợp hạn chế các nhiệm vụ phụ, sau đó gọi các công cụ VLA khác nhau để thực hiện chúng. Nhóm cũng đã phát triển TAPT (Tool-Aligned Post-Training) để huấn luyện một bộ công cụ VLA với các thế mạnh riêng biệt và ranh giới rõ ràng.

Nhưng khi trí tuệ hiện thân cần hàng trăm hoặc hàng ngàn kỹ năng, việc con người huấn luyện từng "bộ não nhỏ" một trở nên quá đắt đỏ. Vì vậy, Chen và nhóm của ông đã tiến xa hơn, đề xuất EmboCoach: một tác nhân kỹ thuật số đọc tài liệu và mã nguồn nhiệm vụ, tự động hoàn thành việc thiết kế chiến lược, gỡ lỗi, cải tiến và xác thực trong cả môi trường mô phỏng lẫn phần cứng thực tế trong một vòng lặp khép kín. Khi bước vào giai đoạn tinh chỉnh VLA trên phần cứng thực tế, RoboCoach cũng có thể điều chỉnh chiến lược huấn luyện dựa trên các trường hợp thất bại từ mô phỏng.

Điều này phác thảo một con đường với trí tưởng tượng đáng kể: trước tiên sử dụng AI để xây dựng sân tập và huấn luyện "bộ não" hiện thân, sau đó để AI huấn luyện hàng loạt các "bộ não nhỏ" cho các nhiệm vụ cụ thể, cuối cùng thúc đẩy R&D về Physical AI từ các dự án tuyến tính sang hướng lặp lại tự động.

Những gì mô hình thế giới cần "nhìn thấy"

Chính là tương lai sau hành động

Yang Li, phó giáo sư tại Trường Khoa học Máy tính thuộc Đại học Giao thông Thượng Hải, đã đẩy cuộc thảo luận về mô hình thế giới từ "tạo khung hình tiếp theo" sang "hỗ trợ hành động tiếp theo" trong bài thuyết trình của mình: Ra quyết định đa tác nhân hiện thân cho thế giới mở.

Theo quan điểm của ông, khi nhiều robot cùng bước vào môi trường thực tế, sự phức tạp tăng lên nhanh chóng: chúng có thể mang các cảm biến và cơ thể khác nhau, cần phối hợp với các đồng đội xa lạ; bối cảnh, nhiệm vụ và thậm chí cả đối thủ có thể thay đổi bất cứ lúc nào; cứu hộ sau thảm họa, giám sát phòng thí nghiệm — những nhiệm vụ này thường kéo dài nhiều ngày hoặc thậm chí nhiều tuần. Robot phải duy trì hành vi tự chủ ổn định, lâu dài mà không cần sự hướng dẫn liên tục của con người.

Điều này định nghĩa lại mục tiêu của các mô hình thế giới. Đối với việc điều hướng robot, việc kết cấu trên tường trong hình ảnh có trông chân thực hay không không quan trọng; điều quan trọng là liệu robot có thể đánh giá chướng ngại vật ở đâu, mỗi con đường thay thế dẫn đến hậu quả gì, và liệu hành động tiếp theo có an toàn và hiệu quả hay không. Nói cách khác, các mô hình thế giới cần dự đoán không phải là các pixel, mà là tương lai mà các quyết định phụ thuộc vào đó.

Hướng tới mục tiêu này, Li đã giới thiệu DF3 (Decoder-Free World Models). Nó dự đoán các đặc trưng tương lai trực tiếp trong không gian encoder của một mô hình nền tảng thị giác, loại bỏ bộ tạo video, bộ giải mã không gian tiềm ẩn (latent space decoder) và bộ giải mã nhiệm vụ — tập trung tính toán vào thông tin thực sự ảnh hưởng đến quyết định. So với các phương pháp cơ sở, DF3 đạt mức giảm 70% độ trễ, giảm 67% mức sử dụng bộ nhớ GPU đỉnh và giảm 41% tham số dự đoán, với chi phí về độ chính xác dự đoán chỉ ở mức nhỏ — đưa các mô hình thế giới vào ngân sách tính toán của các thiết bị biên robot. Trong vòng lặp quyết định, nó hoạt động giống như một "bộ dự đoán" cộng với "bộ phân biệt": trước tiên tưởng tượng các trạng thái tương lai mà các hành động khác nhau có thể đạt tới, sau đó chọn con đường phù hợp hơn từ nhiều tùy chọn.

Sau khi nhìn thấy tương lai, robot vẫn cần trả lời "tôi nên làm gì tiếp theo". PEPA của Li là một tác nhân hiện thân tự chủ bền bỉ dựa trên tính cách, tìm kiếm một "nguyên tắc tổ chức" cho hành vi tự chủ lâu dài. Ở đây, tính cách vượt xa phong cách trò chuyện hay cách tương tác — đó là một cơ chế tạo mục tiêu: tính cách định hình các ưu tiên giá trị và phần thưởng nội tại, từ đó quyết định mục tiêu nào tác nhân tạo ra mỗi ngày và hành động nào nó thực hiện; bộ nhớ và sự phản tư sau đó ghi lại những trải nghiệm trong ngày vào hệ thống, giữ cho hành vi lâu dài vừa nhất quán vừa liên tục thích nghi. Trong các thí nghiệm, robot với năm tính cách khác nhau đều hoàn thành 24 giờ hoạt động tự chủ vào ngày thứ ba, thể hiện các mô hình hành vi khác biệt rõ rệt được thúc đẩy bởi các giá trị tương ứng của chúng.

Nghiên cứu đa tác nhân hiện thân này cũng được đưa vào các thí nghiệm khoa học tự chủ. Li và nhóm của ông đã kết nối các hệ thống tác nhân, robot và các thiết bị hóa học khác nhau thông qua một giao diện khoa học hiện thân thống nhất. Trong một thí nghiệm phân hủy nước thải hữu cơ, hệ thống đã hoàn thành 15 vòng lặp trong 45 giờ, đạt hiệu suất phân hủy 99,7% — tương đương với khoảng 30 ngày làm việc của hai sinh viên cao học. Hiện tại, Li đang đưa sự hợp tác đa tác nhân vào một nền tảng thí nghiệm xúc tác thông lượng cao thực tế, đẩy nhanh quá trình tìm kiếm các chất xúc tác có hoạt tính cao trong số 1,6 tỷ tổ hợp hợp kim entropy cao. Công việc này vẫn đang được tiếp tục.

Từ "tương lai có thể dự đoán" của DF3, đến "tầm nhìn dài hạn có thể tổ chức" của PEPA, đến "khám phá có thể kiểm chứng" của tác nhân khoa học hiện thân, "tương lai" mà các mô hình thế giới nhìn thấy đã vượt qua khung hình tiếp theo, bắt đầu bao phủ kết quả của hành động liên tục và thậm chí là một vòng lặp thí nghiệm hoàn chỉnh.

Từ "có thể dự đoán" đến "có thể làm việc"

Thao tác vẫn là điểm nằm giữa

Zhecheng Yuan, giám đốc khoa học tại Poke Robotics — một công ty trong danh mục đầu tư của Yunqi–SJTU AI Angel Fund — tập trung vào điểm mà robot kết nối trực tiếp nhất với thế giới vật lý: thao tác. Phát biểu từ kinh nghiệm thực tế của công ty, ông đã có bài thuyết trình với tiêu đề: Thao tác: Điều lớn lao tiếp theo trên con đường đến với Physical AI.

Những robot có thể chạy, nhảy và thực hiện các pha nguy hiểm vẫn còn một chặng đường dài trước khi đi vào sản xuất và cuộc sống hàng ngày, trước khi thực sự thay thế lao động con người. Yuan tin rằng những đột phá trong khả năng thao tác phụ thuộc vào ba yếu tố đan xen: một mô hình nền tảng hiểu thế giới, một cơ chế học tăng cường có thể liên tục học hỏi từ phản hồi thực tế, và việc thu thập dữ liệu chất lượng cao, hiệu quả cao. Tất cả cùng hướng tới điểm kết thúc của Physical AGI — slide của ông tóm tắt nó là "sự khéo léo tối thượng, sự tổng quát hóa tuyệt đối".

Robot cần loại mô hình thế giới nào? Ông đã lần lượt điểm qua các phương pháp chính hiện nay: tái tạo 3D cung cấp biểu hiện hình học rõ ràng, nhưng hình học không đồng nghĩa với hiểu biết vật lý — nó không biết các vật thể sẽ thay đổi như thế nào dưới tác động của lực; các phương pháp JEPA/không gian tiềm ẩn huấn luyện hiệu quả, nhưng ngữ nghĩa vật lý khó kiểm chứng; các công cụ vật lý thủ công có các quy tắc rõ ràng, nhưng các quy tắc không bao giờ đầy đủ; tạo video đạt được độ chân thực thị giác cao, nhưng thiếu mô hình hóa mối quan hệ vật lý, dễ tạo ra các hiện tượng phản vật lý. Đánh giá của ông: WAM (World Action Model), cân bằng giữa dự đoán và kiểm soát, là con đường tối ưu cho thao tác hiện thân.

Nhưng WAM chính thống vẫn còn vấn đề. Nó trước tiên sử dụng một mô hình video để dự đoán khung hình tiếp theo, sau đó sử dụng một mô hình động lực học nghịch đảo (inverse dynamics model) để suy ngược lại hành động từ hai khung hình liên tiếp — tuy nhiên bản thân hình ảnh có thể tạo ra "ảo giác vật lý": chiếc điện thoại rõ ràng đang ở trên bàn, tay gắp sắp nắm lấy, và trong khung hình tiếp theo chiếc điện thoại đã biến mất vào hư không. Điều này hầu như không quan trọng khi xem video, nhưng đối với hành động tiếp theo của robot, nó có thể gây tử vong.

Poke WAM giải quyết vấn đề này bằng Action Forcing: sử dụng vòng lặp IDM-DM, trong một lần lặp lại của "dự đoán quan sát → suy ngược hành động → hiệu chỉnh quan sát", nó liên tục kéo kết quả tạo ra về các hướng phù hợp hơn với các định luật vật lý. Trong một so sánh về việc gấp quần áo với hai mô hình tạo video chính thống, đầu ra của Poke WAM nhất quán về mặt vật lý hơn với cảnh quay thực tế. Yuan nhớ lại rằng khi lần đầu tiên nhìn thấy video xuất ra, ông đã nhiều lần hỏi đồng nghiệp xem có sai sót gì không.

Trong video demo mà ông trình chiếu, một robot đã tự động hoàn thành nhiệm vụ thao tác dài hạn là làm món đậu phụ Mapo: vị trí đậu phụ là ngẫu nhiên, vị trí dụng cụ thay đổi, và robot đơn lẻ vẫn có thể nắm bắt chính xác — đồng thời cần đánh giá khi nào nên thêm nguyên liệu, khi nào nên ngừng xào, và tự động tắt bếp khi thấy nước sôi.