Các startup 'bộ não' robot đang thoát khỏi kỷ nguyên GPT-2

Physical AI (AI vật lý) là một trong những lĩnh vực "nóng" nhất trong đầu tư mạo hiểm, với các công ty huy động hàng tỷ USD để ứng dụng những công cụ từng tạo ra các mô hình ngôn ngữ lớn (Large Language Models) vào lĩnh vực robot.

Sự phấn khích đó đã giúp Unitree, nhà sản xuất robot hàng đầu Trung Quốc, có một đợt IPO lớn, đưa định giá công ty lên tới 66 tỷ USD sau khi niêm yết trên sàn chứng khoán tương đương NASDAQ của Trung Quốc. Tuy nhiên, tuần này, thị trường đã đảo chiều và công ty mất gần một nửa giá trị. Các nhà phân tích chỉ ra một vấn đề rõ ràng: Mặc dù khả năng vật lý của robot đang được cải thiện, chúng vẫn thiếu bí quyết để thực sự thực hiện các công việc tạo ra giá trị.

Tại hội nghị Actuate tuần trước, một buổi gặp gỡ của các nhà phát triển đang xây dựng "bộ não AI" cho robot, sự hào hứng là rất rõ ràng. Theo đơn vị tổ chức là Foxglove, một công ty giúp các nhà xây dựng mô hình AI vật lý quản lý và trực quan hóa dữ liệu, sự kiện này đã tăng gấp ba lần quy mô kể từ khi bắt đầu vào năm 2023 và thu hút 1500 người tham dự.

Rủi ro cũng hiện hữu rõ ràng: Một tấm biển tại gian hàng của Avala, một đơn vị hạ tầng AI vật lý khác, hứa hẹn sẽ giải quyết "cuộc khủng hoảng dữ liệu robot".

Cuộc khủng hoảng đó chính là sự thiếu hụt dữ liệu huấn luyện chất lượng cao cho các mô hình AI. Những nỗ lực xây dựng robot tổng quát có thể thực hiện mọi tác vụ vẫn còn rất xa vời, và việc sử dụng học tập đầu cuối (end-to-end learning) cho các tác vụ cụ thể vẫn chưa mang lại các sản phẩm có hiệu suất thương mại đáng tin cậy. Đối với các nhà phát triển, câu trả lời là bắt chước tốt hơn những tiến bộ của các phòng thí nghiệm AI tiên phong—tìm kiếm hoặc tạo ra các tập dữ liệu đa dạng hơn, thử nghiệm với các chế độ huấn luyện khác nhau và tìm ra các kịch bản học tăng cường (reinforcement learning) tốt hơn.

Harry Mellsop, người sáng lập Antioch, một startup xây dựng các công cụ mô phỏng cho các nhà phát triển mô hình, cho rằng AI vật lý đang ở "kỷ nguyên GPT-2", mô hình của OpenAI xuất hiện trước cả ChatGPT. Cần nhiều dữ liệu và năng lực tính toán hơn để vượt qua giai đoạn này, đặc biệt là các GPU được tối ưu hóa cho ray tracing (dò tia), vốn được sử dụng để tạo ra các mô phỏng có độ trung thực cao.

Những đơn vị đi xa nhất là các phương tiện tự hành, một phần nhờ khả năng thu thập dữ liệu liên quan từ những chiếc xe do con người lái, và một phần vì nhiệm vụ chính là tránh va chạm chứ không phải thao tác với môi trường vật lý. Phần lớn các công cụ xây dựng mô hình đến từ các công ty xe tự hành; ví dụ, Foxglove được thành lập bởi các cựu nhân viên tại Cruise, nỗ lực xe tự lái trước đây của General Motors.

Và giờ đây, các công ty ô tô này ngày càng đặt cược rằng khoản đầu tư của họ vào công cụ ML (học máy) sẽ cho phép họ cạnh tranh với các nhà sản xuất robot hình người chuyên dụng. Tesla đang thử nghiệm điều này với robot Optimus, và hiện tại cả Wayve (tập trung vào xe tự hành) và gã khổng lồ gọi xe Uber đều đã ra mắt các phòng thí nghiệm robot tập trung vào hình dáng con người như một nỗ lực R&D.

"Tôi nghĩ bạn cần bắt đầu từ phương tiện... robot thao tác giống như xe tự lái của năm năm trước," Alex Kendall, CEO của Wayve, chia sẻ với TechCrunch. "Hạ tầng dữ liệu, mô phỏng, hạ tầng ML ops có lẽ sẽ được chia sẻ, nhưng mô hình thế giới cụ thể cho trình mô phỏng sẽ là một quá trình hậu huấn luyện khác. Sẽ có nhiều điểm chung hơn là khác biệt, nhưng sau đó sẽ cần một số khác biệt cho các hình thái (embodiments) khác nhau."

Kendall lập luận rằng còn quá sớm để cam kết với bất kỳ nền tảng phần cứng nào—những tiến bộ về cảm biến và các linh kiện khác đang đến rất nhanh, và một mô hình thực sự tổng quát nên có tính linh hoạt cao hơn (agnostic).

Théophile Gervet, CEO của Genesis AI, một công ty robot hình người tích hợp theo chiều dọc đã huy động được 105 triệu USD trong vòng gọi vốn hạt giống năm nay, không đồng ý. Ông nói với TechCrunch: "Chúng ta đang ở giai đoạn quá sớm của làn sóng này để một chiến lược chỉ tập trung vào 'bộ não' có thể hiệu quả; quan điểm của chúng tôi là có rất nhiều cơ hội để đồng thiết kế phần cứng và AI."

Gervet cũng đề cập đến một chủ đề nóng khác trong ngành: Làm thế nào để tập trung cụ thể vào doanh nghiệp AI vật lý của bạn. Các công ty robot nhắm vào các tác vụ cụ thể đang đưa robot của họ ra thực địa—Gritt đang xây dựng các trang trại năng lượng mặt trời, Agility đang triển khai robot trong môi trường công nghiệp, và Bedrock đang vận hành máy xúc một cách tự động. Trong khi đó, các robot hình người đa năng vẫn chưa thể rời khỏi phòng thí nghiệm.

"Không khách hàng nào quan tâm đến một robot đa năng hoạt động với tỷ lệ thành công 80%," Gervet nói về tình thế tiến thoái lưỡng nan này. "Chúng tôi thấy nhiều đơn vị khác chọn hướng đa năng, nhưng không có giá trị nào được tạo ra vì thiếu sự tập trung theo chiều dọc... nhưng rồi, nếu bạn xây dựng [cho một] chiều dọc hẹp trên nền tảng GPT-2, bạn sẽ bị nghiền nát bởi công ty đang xây dựng trên GPT-4."

Tuy nhiên, sự cám dỗ để đầu tư vào một chiều dọc cụ thể là rất lớn vì nó không chỉ mang lại doanh thu mà còn cung cấp dữ liệu triển khai thực tế. Mặc dù dữ liệu đặc thù cho tác vụ có thể không đủ đa dạng để thúc đẩy các mô hình đa năng tiến lên, nhưng nó lại quan trọng để tạo ra một robot mang lại giá trị. CTO của Bedrock, Kevin Peterson, lưu ý rằng công ty của ông chỉ mới bắt đầu với việc khai thác mỏ như một cách để hiểu những thách thức của "thao tác trong môi trường thực tế", nhưng có kế hoạch phát triển một lớp trí tuệ trải rộng trên một loạt các máy móc xây dựng.

Quản lý tất cả dữ liệu đó là một thách thức, đặc biệt là do mật độ dữ liệu hình ảnh và lidar. Foxglove tuần này đã công bố một sản phẩm mới, được xây dựng trên mô hình thế giới trọng số mở Cosmos của Nvidia, cho phép các kỹ sư tìm kiếm dữ liệu đó bằng các truy vấn ngôn ngữ tự nhiên phức tạp để xây dựng các đánh giá và mô phỏng. Mục tiêu là phân loại và gỡ lỗi nhanh hơn để các nhà xây dựng mô hình có thể lặp lại nhanh hơn.

Vậy khoảnh khắc ChatGPT huyền thoại cho AI vật lý mà Sam Altman gần đây nói rằng chỉ còn vài năm nữa là gì? Kendall chỉ ra rằng các đợt triển khai robot lớn nhất thế giới vẫn là robot hút bụi gia đình. Đối với ông, một khoảnh khắc ChatGPT sẽ là thứ khiến người tiêu dùng phấn khích, chứ không phải các nhà đầu tư, những người vốn đã rất phấn khích rồi.

"Một ví dụ về điều đó là khi bạn có khả năng tự hành không cần giám sát (eyes-off) với chi phí phần cứng dưới 1000 USD trên một chiếc xe," Kendall nói; không phải ngẫu nhiên mà công ty của ông đang cấp phép các mô hình cho các nhà sản xuất ô tô để tạo ra chính xác điều đó. Và công việc kinh doanh đó, mà ông coi là cơ hội trị giá hàng tỷ USD, sẽ cho phép họ xây dựng một mô hình AI hiện thân (embodied AI) thực sự tổng quát.

Đối với Gervet, khoảnh khắc AI vật lý trở thành hiện thực là "thao tác hoạt động ngay lập tức. Bạn có thể nói chuyện với robot bằng ngôn ngữ tự nhiên và yêu cầu nó thực hiện bất kỳ tác vụ thao tác cơ bản nào, ví dụ như đẩy, kéo, đóng máy tính xách tay, dọn dẹp bàn, bất cứ điều gì bạn muốn, và nó hoạt động với mức độ tin cậy nhất định, giả sử là hơn 80% ngay khi lấy ra khỏi hộp—đó gần như là trải nghiệm ChatGPT của bạn."

Adrian Macneil, CEO của Foxglove, nhìn nhận vấn đề theo một cách khác.

"Sẽ không có khoảnh khắc ChatGPT cho ngành robot," ông nói với TechCrunch. "Điều tạo nên khoảnh khắc cho ChatGPT chính là sự phân phối—họ đi từ con số không đến khoảng một triệu người dùng hoạt động chỉ trong một tuần... sự phân phối trong thế giới thực khó hơn nhiều, đúng không? Tôi sẽ rất phấn khích nếu có một khoảnh khắc Apple II hay IBM PC trong ngành robot. Khi nào tôi có thể mua một con robot gia đình bắt đầu làm được những việc hữu ích và thú vị?"

Khi bạn mua hàng thông qua các liên kết trong bài viết của chúng tôi, chúng tôi có thể nhận được một khoản hoa hồng nhỏ. Điều này không ảnh hưởng đến tính độc lập trong biên tập của chúng tôi.