Công bố Báo cáo Chuỗi cung ứng và Hạ tầng mới cho Trí tuệ nhân tạo hiện thân 2026 | Yunqi X WRC

Từ các nhà máy, đồng ruộng cho đến mọi ngóc ngách của đời sống thường nhật, một "đội quân thu thập dữ liệu" toàn cầu đang phát triển nhanh chóng. Nhưng liệu việc gia tăng thiết bị, nhân lực và thời gian có thực sự giúp phá vỡ nút thắt cổ chai về dữ liệu?

Một làn sóng các world models (mô hình thế giới) đang trỗi dậy mạnh mẽ. Liệu "khoảnh khắc GPT" cho embodied AI (AI hiện thân) đã thực sự cận kề?

Ngày 21 tháng 8 năm 2026, tại diễn đàn Hội nghị Robot Thế giới (WRC), Mars Accelerator, Yunqi Capital và SEE Fund đã cùng công bố "Báo cáo Nghiên cứu về Chuỗi ngành công nghiệp dữ liệu và Cơ sở hạ tầng mới cho Embodied AI năm 2026", chia sẻ những đánh giá cốt lõi về giai đoạn tiến hóa tiếp theo của ngành công nghiệp dữ liệu hiện thân:

Sự cạnh tranh trong lĩnh vực dữ liệu hiện thân đang chuyển dịch từ "chạy đua số lượng" sang "chạy đua tính hiệu quả"; từ các cuộc tranh đấu đơn lẻ về phần cứng hoặc mô hình sang kỹ thuật hệ thống toàn diện (full-stack) được thúc đẩy bởi vòng lặp dữ liệu (data-flywheel). Cơ sở hạ tầng mới — bao gồm world models, quản trị dữ liệu, đánh giá và triển khai — đang đẩy ngành công nghiệp này từ các xưởng thủ công tiến tới các "nhà máy trải nghiệm".

Dưới đây là tóm tắt các phát hiện cốt lõi của báo cáo:

PHẦN 1

Tại sao ngành công nghiệp cần cơ sở hạ tầng dữ liệu?

Yunqi Research: Embodied AI trong các kịch bản công nghiệp

Trong hơn một thập kỷ qua, sự phát triển của AI chính thống chủ yếu dựa vào "dữ liệu tĩnh quy mô lớn và tiền huấn luyện ngoại tuyến", với đầu ra là các dạng kỹ thuật số rời rạc như văn bản, hình ảnh và mã nguồn. Sự xuất hiện của embodied AI đánh dấu một bước chuyển đổi mô hình cho ngành: đầu ra của hệ thống thay đổi từ các token sang hành động, và mục tiêu huấn luyện chuyển từ văn bản sang các vòng lặp đóng theo thời gian của "nhận thức — hành động — phản hồi".

Báo cáo xác định bảy khác biệt chính giữa Digital AI (AI kỹ thuật số) và Physical AI (AI vật lý):

Embodied AI không phải là sự mở rộng đơn thuần của các mô hình ngôn ngữ lớn, mà là một bước nhảy vọt từ Digital AI sang Physical AI. Digital AI chỉ chịu trách nhiệm về các token; còn Physical AI phải chịu trách nhiệm về hậu quả của các hành động. Điều này có nghĩa là việc tiếp cận lĩnh vực này thuần túy thông qua tư duy công nghệ mô hình sẽ có nguy cơ đánh giá thấp những thách thức mang tính hệ thống của việc triển khai trong thế giới thực.

Cạnh tranh hệ thống thay thế cạnh tranh mô hình đơn lẻ

Một trong những nhận định cốt lõi của báo cáo: trọng tâm cạnh tranh thực sự của embodied AI đang chuyển dịch từ "một mô hình" sang "một hệ thống có khả năng cung cấp bền vững". Khoảng cách giữa công nghệ và thương mại hóa thể hiện qua bốn lớp:

Nếu không có khả năng hệ thống vòng lặp đóng của Lớp 4, công nghệ sẽ mãi mắc kẹt ở giai đoạn tối ưu hóa hiệu ứng mang tính trình diễn. Chỉ bằng cách lấp đầy các năng lực tích hợp kỹ thuật và phản hồi kịch bản, một "con hào" cấp công nghiệp không thể thay thế mới được xây dựng.

PHẦN 2

Thế nào là dữ liệu thực sự hiệu quả?

Nhiều dữ liệu hơn không phải lúc nào cũng tốt hơn

Ngành công nghiệp hiện vẫn thiếu sự đồng thuận về "ngưỡng giờ tối thiểu cho các mô hình hiện thân tổng quát". Các nghiên cứu khác nhau sử dụng các đơn vị đo lường như giờ, quỹ đạo, đoạn clip, tác vụ, hình thái robot hoặc token; ngay cả cùng một giờ dữ liệu cũng có thể khác biệt gấp nhiều lần về mật độ thông tin, phạm vi hành động, tỷ lệ lỗi và phương thức cảm biến.

Báo cáo lưu ý rằng khoảng cách về dữ liệu không chỉ xuất phát từ số lượng, mà đau đớn hơn là từ chất lượng:

Điểm đau 1: Dữ liệu thực tế đắt đỏ, chậm chạp và phân mảnh. Một thiết bị đơn lẻ tạo ra 10.000 giờ dữ liệu huấn luyện tiêu tốn hơn một triệu RMB, với tổng chi phí thu thập cao gấp hơn 10 lần so với dữ liệu thông thường.

Điểm đau 2: Không thể sử dụng về mặt cấu trúc. Thiếu định nghĩa tác vụ, chuỗi thời gian đa phương thức không đồng bộ, không gian hành động không nhất quán, thiếu nguyên nhân gây lỗi, siêu dữ liệu không đầy đủ — những điểm đứt gãy trong thu thập này gây ra sự hao hụt đáng kể về số giờ hữu dụng trước khi quá trình huấn luyện và đánh giá bắt đầu. Việc khắc phục những vấn đề này thường cải thiện hiệu quả huấn luyện và phân phối tốt hơn là bổ sung thêm số giờ dữ liệu thô tương đương.

Bảy năng lực của "Dữ liệu hữu dụng"

Báo cáo đề xuất rằng thứ thực sự khan hiếm chính là "dữ liệu hữu dụng" — dữ liệu có thể tìm kiếm, căn chỉnh, nén/tải, tái tạo, đánh giá, tái sử dụng trên nhiều hình thái robot và có thể truy xuất nguồn gốc cũng như quyền sở hữu. Chỉ những dữ liệu như vậy mới có thể chuyển hóa thành năng lực mô hình. Điều này có nghĩa là ngành công nghiệp đang chuyển dịch từ thước đo "tích lũy số giờ" sang một khung đánh giá mới mang tính giải thích hơn:

Những nhà lãnh đạo tương lai không nhất thiết phải sở hữu nhiều dữ liệu nhất, mà sẽ đạt được hiệu suất chuyển đổi giá trị dữ liệu cao nhất.

PHẦN 3

Vòng lặp dữ liệu (data flywheel) hình thành như thế nào?

Năm giai đoạn của vòng đời dữ liệu

Báo cáo định nghĩa vòng đời dữ liệu của embodied AI là một vòng lặp đóng: sản xuất dữ liệu → quản trị dữ liệu → tạo lập & mô phỏng → tiêu thụ dữ liệu → phản hồi triển khai. Dữ liệu không còn là sản phẩm tĩnh cho các giao dịch một lần, mà là một yếu tố sản xuất năng động chạy xuyên suốt toàn bộ chuỗi ngành và liên tục lặp lại.

Ngành công nghiệp đang tăng tốc từ các phương thức phân mảnh, kết nối lỏng lẻo ở từng giai đoạn sang tích hợp dọc ở cấp độ giao thức. Các công ty hệ thống và mô hình hàng đầu thường coi trọng dữ liệu độc quyền và phản hồi triển khai, nhưng "tự xây dựng mọi thứ" không phải là phương án kinh tế — mô hình khả thi hơn là: dữ liệu miền riêng giá trị cao, đánh giá quan trọng và các vòng lặp phản hồi được giữ lại trong doanh nghiệp, trong khi phần cứng thu thập chung, công cụ quản trị, mô phỏng và kiểm thử tiêu chuẩn sẽ do các nhà cung cấp chuyên biệt và nền tảng công cộng cung cấp.

Phản hồi triển khai: Nguồn dữ liệu có giá trị biên cao nhất

Phản hồi triển khai là cơ chế cốt lõi cho sự tiến hóa liên tục của embodied AI. Khác với AI truyền thống nơi "huấn luyện xong là mô hình cố định", các mô hình embodied AI đòi hỏi sự lặp lại liên tục của quy trình "triển khai → thu thập → tối ưu hóa → tái triển khai".

Đặc biệt đáng chú ý: khi tỷ lệ thành công của mô hình đạt gần 99%, 1% mẫu lỗi còn lại (các trường hợp biên, kịch bản chưa thích ứng) trở thành nguồn phản hồi dữ liệu cốt lõi. Những mẫu lỗi này phơi bày giới hạn năng lực của phiên bản hiện tại và mang giá trị biên rất cao.

PHẦN 4

World models tái cấu trúc chuỗi ngành công nghiệp dữ liệu hiện thân như thế nào?