Robot thoát khỏi phòng thí nghiệm: Còn thiếu mảnh ghép nào để thương mại hóa?

Bạn phải vươn tới bầu trời, và cũng phải băng qua dòng sông.

👦🏻 Host: Koji

🥷 Biên tập: Crossing

🧑‍🎨 Dàn trang: NCon

"Nếu chỉ được chọn một biến số duy nhất, đâu là rào cản lớn nhất ngăn cản robot bước ra khỏi các bản demo để tiến vào thế giới thực hiện nay?"

Vào ngày 9 tháng 9, tại Hội nghị Khám phá Công nghệ Toàn cầu JDDiscovery-2026 của JD.com, một phiên thảo luận chuyên ngành với tiêu đề "Embodied AI Beyond the Demo: How Real-World Data Becomes Industrial Infrastructure" (AI hiện thân vượt ra ngoài bản demo: Cách dữ liệu thế giới thực trở thành hạ tầng công nghiệp) đã mở đầu bằng chính câu hỏi hóc búa này. Các khách mời là những nhà sáng lập và chuyên gia trong ngành, những người mà công ty của họ đã thực hiện bước nhảy vọt từ demo sang công nghiệp hóa.

Phiên thảo luận được dẫn dắt bởi Koji, với năm khách mời: Maoqing Yao, Đồng sáng lập, Đồng Chủ tịch kiêm Chủ tịch mảng Kinh doanh Embodied AI tại AgiBot; Peng Zhang, Đồng sáng lập của AI2Robotics; Chao Yu, Nhà sáng lập kiêm CEO của Lumos Robotics; Boyuan Chen, Nhà sáng lập của Inverse Matrix; và Haoyang Huang, Giám đốc Phòng thí nghiệm Hình ảnh và Đa phương thức tại Explore Academy của JD.com.

Mỗi người đại diện cho một vị trí khác nhau trong chuỗi giá trị Embodied AI, và mỗi người đều là những người thực hành tích cực trong làn sóng công nghiệp hóa Embodied AI này.

Cuộc thảo luận bắt đầu với câu hỏi thực tế nhất: Điều gì thực sự còn thiếu để robot chuyển từ các bản demo ra thế giới thực? Các câu trả lời dần hội tụ về cùng một hướng — rào cản thực sự không còn chỉ là khả năng của mô hình đơn lẻ, mà là dữ liệu, vòng lặp phản hồi và năng lực ở cấp độ hệ thống. Và sự xuất hiện của GPT-6 Astra đẩy câu hỏi đi xa hơn một bước: liệu bản thân mô hình Embodied AI có phải thay đổi hay không? Dưới đây là nội dung cuộc trò chuyện, được biên tập bởi Crossing:

Điều gì đang ngăn cản robot bước vào thế giới thực?

👦🏻 Koji

Nếu chỉ được chọn một biến số duy nhất, theo bạn đâu là yếu tố lớn nhất đang hạn chế robot bước vào thế giới thực hiện nay?

🧑‍🎨 Maoqing Yao, AgiBot

Quả thực có rất nhiều biến số. Nếu buộc phải chọn một, tôi cho rằng yếu tố cốt lõi chính là bản thân "trí tuệ".

Để robot xử lý mọi loại công việc một cách thông minh và linh hoạt như con người — đồng thời thực hiện hiệu quả với tỷ lệ thành công cao — thì cốt lõi chính là năng lực trí tuệ.

Maoqing Yao | Đồng sáng lập, Đồng Chủ tịch kiêm Chủ tịch mảng Kinh doanh Embodied AI tại AgiBot

🤵🏻‍♂️ Peng Zhang, AI2Robotics

Ở giai đoạn này, một điều chúng tôi tập trung mạnh mẽ là "triển khai thực tế".

Từ góc độ của AI2Robotics, điều chúng tôi quan tâm là liệu robot có thực sự tạo ra giá trị sản xuất hay không — liệu nó có thực sự tự đứng vững trên đôi chân của mình được không.

Peng Zhang | Đồng sáng lập của AI2Robotics

🕵🏻‍♂️ Chao Yu, Lumos Robotics

Cốt lõi nằm ở khả năng đóng vòng lặp tác vụ trong các kịch bản thế giới thực.

Phân tích kỹ hơn, có vài lớp vấn đề: thứ nhất, đóng vòng lặp cho chính tác vụ đó; thứ hai, độ tin cậy và khả năng tổng quát hóa trong vòng lặp đó, bao gồm mô hình, trí tuệ và toàn bộ hạ tầng; thứ ba, liệu vòng lặp đó có cho phép lặp lại liên tục hay không.

Đây không còn là vấn đề đơn lẻ — mà là về năng lực tổng thể ở cấp độ hệ thống.

Chao Yu | Nhà sáng lập kiêm CEO của Lumos Robotics

🧑🏻‍🚀 Boyuan Chen, Inverse Matrix

Tôi nghiêng về "vòng lặp phản hồi".

Đầu tiên là trí tuệ ở phía mô hình.

Chúng ta hiện có thể tạo ra các bản demo xuất sắc trong môi trường được kiểm soát, nhưng các kịch bản thế giới thực lại đầy rẫy nhiễu và thay đổi liên tục. Trong thế giới thực, những cái gọi là trường hợp biên (edge cases) không phải là phần đuôi dài — chúng là tiêu chuẩn.

Vì vậy, nhu cầu của chúng tôi về trí tuệ tổng quát là nó phải hoàn thành được các tác vụ tùy ý trong môi trường thực như nhà ở và nhà máy. Điều đó đòi hỏi mô hình phải đủ thông minh để đi sâu hơn vào các kịch bản thực tế.

Thứ hai — và quan trọng hơn — là việc đưa dữ liệu kịp thời từ các kịch bản thực tế, bao gồm cả dữ liệu về các trường hợp hiếm gặp (corner cases), quay trở lại mô hình để tạo thành một vòng lặp phản hồi hoàn chỉnh.

Boyuan Chen | Nhà sáng lập của Inverse Matrix

🧑🏻‍🏫 Haoyang Huang, JD.com Explore Academy

Phòng thí nghiệm Hình ảnh và Đa phương thức của JD.com từ lâu đã làm việc với các mô hình nền tảng đa phương thức, học cách tạo video và hiểu video từ các tập dữ liệu internet quy mô lớn.