Đại học Thanh Hoa và InnoPeak ra mắt RLark: Nền tảng đám mây mã nguồn mở cho trí tuệ nhân tạo hiện thân

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

24-09-2026 13:19:55 Nguồn:

Mở nguồn một “đài kiểm soát” mới cho trí tuệ thể chất (Embodied AI)

Những chiếc máy bay cất cánh và hạ cánh theo trình tự trên bầu trời, nghe có vẻ chỉ là việc riêng của máy bay, nhưng thực tế, nó đòi hỏi sự phối hợp liên tục với sân bay, đường băng, đường bay và các hệ thống tài nguyên mặt đất.

Đây chính là ý nghĩa tồn tại của “đài kiểm soát”: nó chịu trách nhiệm điều phối và tổ chức các máy bay phân tán cùng các tài nguyên trên mặt đất và trên không, giúp máy bay vận hành theo trình tự dựa trên nhiệm vụ của riêng mình. Khi số lượng máy bay ngày càng nhiều và đường bay ngày càng phức tạp, việc quản lý và điều phối thống nhất này lại càng trở nên quan trọng.

Trí tuệ thể chất (Embodied AI) cũng tương tự như vậy.

Một nhiệm vụ thể chất về bản chất là sự phối hợp của nhiều vai trò: robot và các thiết bị hiện trường như camera, năng lực tính toán trên đám mây, các chương trình huấn luyện và suy luận, cũng như môi trường vận hành và truyền thông kết nối các vai trò này.

Và khi ngày càng có nhiều robot được đưa vào nghiên cứu và ứng dụng, độ phức tạp và chi phí của sự phối hợp này sẽ càng bị khuếch đại: thiết bị cần được kết nối từng cái một, nhiệm vụ cần được triển khai riêng biệt, đám mây và hiện trường cần cấu hình mạng lặp đi lặp lại, khi các thiết bị và chương trình khác nhau gặp sự cố, lại phải kiểm tra từng thiết bị, mạng và chương trình một.

Do đó, khi robot chuyển từ “máy đơn lẻ” sang “đàn robot” lớn hơn, trí tuệ thể chất cũng cần một “đài kiểm soát” mới — không chỉ là “kết nối thiết bị vào”, mà là tổ chức và quản lý thống nhất các năng lực tính toán, thiết bị và chương trình thực thi phân tán, giúp chúng phối hợp vận hành hiệu quả xung quanh cùng một nhiệm vụ.

Để giải quyết vấn đề này, Đại học Thanh Hoa và Wuyuan đã cùng nhau xây dựng và mở nguồn nền tảng quản lý tập trung đám mây (cloud-native) dành cho trí tuệ thể chất mang tên RLark. Nền tảng lấy embodied-runtime tự phát triển và công nghệ kết nối mạng liên cụm cấp nhiệm vụ làm cốt lõi, thông suốt hai mắt xích quan trọng là “làm thế nào để điều phối thống nhất các thiết bị thực” và “làm thế nào để vận hành kết nối các nhiệm vụ liên vùng”.

Một mặt, quản lý thống nhất môi trường runtime của các thiết bị thể chất như robot, camera, giúp thiết bị có thể được yêu cầu, điều phối và tái sử dụng giống như GPU; mặt khác, nhắm vào các đặc điểm lưu lượng mạng và nhiệm vụ khác nhau, thực hiện cách ly cấp nhiệm vụ đối với truyền thông liên cụm, đồng thời tối ưu hóa hiệu suất truyền tải gói tin lớn nhỏ, nâng cao hiệu quả vận hành phối hợp giữa đám mây và hiện trường.

Cuối cùng, RLark có thể đưa năng lực tính toán đám mây, các nút biên và thiết bị thể chất vào một hệ thống tài nguyên thống nhất, và tổ chức vận hành theo đơn vị là một nhiệm vụ hoàn chỉnh. Giúp việc kết nối, triển khai và cấu hình truyền thông hoàn thành trong một lần thử nghiệm có thể được tái sử dụng trong các nhiệm vụ tiếp theo. Nhân viên vận hành chỉ cần một dòng lệnh là có thể kết nối và quản lý thống nhất thiết bị, các nhà nghiên cứu thông qua một bản cấu hình nhiệm vụ là có thể triển khai các chương trình huấn luyện, suy luận và tương tác máy thật vào các cụm khác nhau.

Hiện tại, RLark đã hoàn thành việc quản lý tập trung gần 100 nút đám mây-biên trên 3 cụm, bao phủ 4 loại thiết bị thể chất, thời gian quản lý thiết bị rút ngắn từ cấp giờ xuống còn khoảng 5 phút, nhiệm vụ sau khi gửi có thể khởi động vận hành trong vòng 10 giây. Đồng thời, RLark kết hợp sâu hơn với khung huấn luyện, thông suốt vòng lặp khép kín về thu thập, huấn luyện và xác thực máy thật liên vùng. Cung cấp hỗ trợ nền tảng cho các thí nghiệm trí tuệ thể chất hướng tới quy mô thiết bị lớn hơn và các kịch bản phối hợp phức tạp hơn.

RLark mở ra toàn bộ năng lực từ giao diện người dùng, API, dịch vụ backend, đến điều phối nhiệm vụ, kết nối liên cụm và runtime thiết bị thể chất, hạ thấp ngưỡng sử dụng cơ sở hạ tầng thể chất, để nhiều đội ngũ hơn có thể trực tiếp triển khai và sử dụng.

Địa chỉ mở nguồn: github.com/RLinf/RLark

Tài liệu dự án: rlark.readthedocs.io

Bắt đầu nhanh: github.com/RLinf/RLark#quick-start

01 Từ kết nối thiết bị đến huấn luyện máy thật, một cuộc kiểm tra thực tế liên vùng về trí tuệ thể chất

Để xác minh liệu năng lực tính toán đám mây và thiết bị hiện trường có thể phối hợp vận hành xung quanh cùng một nhiệm vụ hay không, đội ngũ đã kết hợp RLark với khung cơ sở hạ tầng học tăng cường RLinf, hoàn thành một cuộc kiểm tra máy thật liên vùng giữa cụm GPU đám mây tại Quảng Đông và hiện trường robot tại Bắc Kinh.

Thí nghiệm này liên quan đến nhiều vai trò thực thi như robot và camera tại hiện trường, GPU đám mây, cũng như huấn luyện, suy luận và tương tác máy thật.

• Thiết bị hiện trường chịu trách nhiệm tương tác và thu thập dữ liệu.
• GPU đám mây đảm nhận tính toán huấn luyện, chiến lược thu được từ huấn luyện sau đó được sử dụng cho tương tác máy thật tiếp theo.
• RLark chịu trách nhiệm yêu cầu thiết bị, triển khai liên cụm, kết nối các thực thể nhiệm vụ và tập hợp trạng thái vận hành.
• RLinf chịu trách nhiệm tính toán huấn luyện và cộng tác dữ liệu, cả hai cùng hỗ trợ vận hành thí nghiệm.

Điều mà thí nghiệm này tập trung xác minh không chỉ là “có thể kết nối thiết bị hay không”, mà là liệu RLark có thể giúp một thí nghiệm phức tạp vốn cần cấu hình nhiều nơi, nhiều chương trình phối hợp trở nên chuẩn bị nhanh hơn, vận hành đơn giản hơn và hình thành vòng lặp khép kín thu thập—huấn luyện—xác thực hoàn chỉnh hay không.

1. Hoàn thành quản lý thiết bị trong 5 phút: Giúp tài nguyên đám mây và thiết bị đầu cuối có thể được yêu cầu thống nhất

Trong giai đoạn chuẩn bị thí nghiệm, nhân viên vận hành trước tiên kết nối cụm GPU đám mây và cụm thiết bị hiện trường vào RLark, để Agent của mỗi cụm đồng bộ dung lượng nút, thông tin tài nguyên và trạng thái vận hành. Sau đó, thông qua embodied-runtime để kết nối robot hai tay và camera đã được thích ứng, đăng ký phần cứng thực thành tài nguyên có thể yêu cầu và điều phối cho nhiệm vụ.

Trong môi trường thử nghiệm, việc quản lý thiết bị thể chất giảm mạnh từ 1 giờ truyền thống xuống còn 5 phút. Sau khi hoàn thành kết nối, các nhà nghiên cứu có thể xem thống nhất vị trí, loại hình và tình trạng sẵn sàng của tài nguyên ở hai nơi trên nền tảng, và tiếp tục yêu cầu, tái sử dụng trong các thí nghiệm sau đó mà không cần kết nối lại thiết bị mỗi lần.

2. Khởi động nhiệm vụ trong vòng 10 giây: Sử dụng một bản cấu hình nhiệm vụ để tổ chức thực thi tại hai nơi

Sau khi tài nguyên đã sẵn sàng, các nhà nghiên cứu thông qua một bản cấu hình nhiệm vụ để định nghĩa các vai trò thực thi như huấn luyện, suy luận và tương tác máy thật, khai báo tài nguyên, số lượng thực thể và vị trí triển khai cần thiết cho mỗi vai trò. Ví dụ, vai trò huấn luyện sử dụng GPU đám mây, vai trò tương tác máy thật yêu cầu robot và camera tại hiện trường, cùng thuộc về một nhiệm vụ thể chất.

Sau khi gửi nhiệm vụ, RLark gửi cấu hình đến cụm tương ứng, Agent tạo các thực thể thực thi và thiết lập mối quan hệ truyền thông liên cụm giữa các thực thể.

Trong môi trường thử nghiệm nơi tài nguyên đã được kết nối và có điều kiện vận hành, nhiệm vụ có thể khởi động trên nền tảng trong vòng 10 giây sau khi gửi, không cần đăng nhập từng thiết bị hay triển khai chương trình riêng biệt.

3. Chạy toàn trình: Thực hiện vòng lặp khép kín thu thập—huấn luyện—xác thực máy thật

Sau khi nhiệm vụ khởi động, robot và camera tại hiện trường liên tục tạo ra dữ liệu tương tác và truyền ngược lại đám mây để RLinf sử dụng cho huấn luyện; chiến lược được cập nhật sau huấn luyện lại được sử dụng cho tương tác máy thật tiếp theo, hình thành vòng lặp liên tục thu thập—huấn luyện—xác thực.

Thí nghiệm này vận hành liên tục khoảng 36 phút, huấn luyện đẩy lên 323 bước huấn luyện toàn cục (global step), chạy hoàn chỉnh toàn trình từ yêu cầu thiết bị, điều phối liên cụm, truyền ngược dữ liệu máy thật, huấn luyện đám mây và cập nhật chiến lược.

Trong quá trình vận hành, các nhà nghiên cứu có thể xem trạng thái của các vai trò từ cùng một lối vào nhiệm vụ, và định vị bất thường dọc theo các thực thể thực thi, nút, thiết bị và nhật ký. Sau này khi thay đổi thiết bị, điều chỉnh quy mô vai trò hoặc tham số thuật toán, có thể trực tiếp sửa đổi và tái sử dụng cấu hình nhiệm vụ, giảm bớt công việc thiết lập lại quy trình thí nghiệm.

Thông qua thí nghiệm này, RLark đã tổ chức các thiết bị, năng lực tính toán và chương trình thực thi vốn phân tán ở các địa điểm khác nhau vào cùng một nhiệm vụ, xác minh khả năng phối hợp vận hành của năng lực tính toán đám mây và thiết bị hiện trường xung quanh cùng một nhiệm vụ, thực hiện sự phối hợp tích hợp từ kết nối tài nguyên, khởi động nhiệm vụ đến vận hành liên tục.

4. Kiểm tra chuyên biệt tối ưu hóa truyền thông: Huấn luyện máy thật liên vùng mượt mà hơn

RLark kết hợp định địa chỉ ảo, ngăn xếp mạng không gian người dùng gVisor và đường hầm bảo mật SSH để thiết lập kênh truyền thông cho các thực thể thực thi phân tán trên đám mây và hiện trường, nền tảng duy trì thống nhất định tuyến, đường hầm và quan hệ chuyển tiếp, hỗ trợ truyền ngược dữ liệu máy thật và đồng bộ chiến lược. Trên cơ sở này, thông qua phương thức truyền thông phân tán của khung huấn luyện RLinf, tối ưu hóa hơn nữa luồng dữ liệu, giảm truyền tải liên vùng không cần thiết, phối hợp hoàn thành tối ưu hóa truyền thông liên cụm cấp nhiệm vụ.

Để xác minh thêm khả năng truyền thông của đường truyền nhiệm vụ liên vùng này, đội ngũ đã tiến hành kiểm tra chuyên biệt đối với kết nối mạng liên cụm cấp nhiệm vụ.

Trong môi trường mạng bị hạn chế, lưu lượng đơn luồng gói lớn của RLark tăng khoảng 49% so với giải pháp VPN được sử dụng trong thử nghiệm, lưu lượng đơn luồng gói nhỏ tăng khoảng 14%; trong môi trường băng thông cao, lưu lượng đơn luồng gói lớn đạt gần 2 Gbps.

Bài gốc còn tiếp — xem tiếp tại bài gốc ↗