Tại sao robot mãi chỉ dừng ở mức Demo? Startup mới của iFlytek chỉ ra mảnh ghép còn thiếu: 'Nhận thức bản thể'

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

2026-07-23 16:23:49 Nguồn: QbitAI

VLA không phải là điểm kết thúc

Những ai từng dạo quanh khu triển lãm trí tuệ nhân tạo hiện thân (Embodied AI) tại WAIC, phần lớn đều có chung một thắc mắc:

Đã là năm 2026 rồi, tại sao robot làm việc vẫn chậm chạp như vậy?

Khi thảo luận về vấn đề này, câu trả lời mặc định của mọi người là: Công nghệ chưa tới, không thể nhanh được.

Thế nhưng, người đứng đầu một công ty robot mới thành lập đã đưa ra một lời giải thích "thấm thía" hơn nhiều:

Không phải là không thể làm nhanh, mà là sợ xảy ra lỗi. Tốc độ có thể điều chỉnh nhanh hơn, nhưng sau khi tăng tốc, xác suất xảy ra lỗi sẽ tăng lên, dẫn đến việc "bể kèo" khi trình diễn cho người khác xem.

Hóa ra, sự chậm chạp trên các gian hàng triển lãm chính là chế độ an toàn được chủ động thiết lập ở mức thấp.

Và căn nguyên của việc không dám tăng tốc chính là thứ mà ngành công nghiệp đang bàn tán sôi nổi hiện nay: "Bộ não" của robot vẫn chưa vượt qua được ngưỡng thực dụng.

Thay đổi môi trường, thay đổi vật thể là hành động bắt đầu biến dạng, vì vậy nhiều màn trình diễn chỉ có thể dừng lại ở mức Demo, được thực hiện cẩn thận trong những bối cảnh đã được dàn dựng công phu.

Người nói ra những lời này là Pan Jia, người hoàn thành chính của Giải thưởng Tiến bộ Khoa học và Công nghệ Quốc gia hạng nhất, nhà khoa học xuất sắc của iFLYTEK, và là người dẫn đầu về khoa học tiên phong trong lĩnh vực trí tuệ nhân tạo hiện thân.

Ngay trước thềm khai mạc WAIC 2026, iFLYTEK đã âm thầm đăng ký một công ty mới: Anhui Yaofang Intelligent Technology Co., Ltd., với vốn đăng ký 300 triệu nhân dân tệ, do Pan Jia dẫn dắt, chuyên tập trung vào bộ não robot.

Cùng thời điểm, nhóm nghiên cứu đã phối hợp với Đại học Khoa học và Công nghệ Trung Quốc (USTC) và Lingdong General Robot công bố một báo cáo kỹ thuật: iFLYTEK-Embodied-Omni.

Báo cáo rất dày, nhưng nhận định lại rất ngắn gọn:

Cách chế tạo bộ não robot chủ lưu hiện nay đang đi sai hướng.

VLA không phải là điểm kết thúc, mô hình thế giới cần phải bổ sung thêm mảnh ghép "nhận thức bản thể" (proprioception).

Tóm lại, tư duy của Yaofang có thể được khái quát qua hai điểm sau:

Thứ nhất, VLA không phải là điểm kết thúc. Lộ trình đang "hot" nhất hiện nay này vẫn chưa ai kiểm chứng được giới hạn nằm ở đâu, nhưng những điểm yếu về mặt lý thuyết đã lộ rõ.

Thứ hai, mô hình thế giới kế thừa VLA vẫn còn không gian để hoàn thiện, ví dụ như việc bổ sung "gia vị" quan trọng mang tên "nhận thức bản thể".

Để hiểu hai điểm này, hãy cùng nhìn lại toàn cảnh cuộc tranh giành khốc liệt xung quanh "bộ não" trong ngành.

Tại sao mọi người đều tranh giành "bộ não"? Đằng sau đó thực chất là một sự đồng thuận đang dần hình thành: Nút thắt thực sự của trí tuệ nhân tạo hiện thân chưa bao giờ nằm ở cơ thể, mà nằm ở bộ não.

Lý do rất đơn giản, phương thức tương tác đã thay đổi.

Trong vài thập kỷ qua, tương tác người-máy dừng lại ở mức độ ký hiệu tách rời. Bạn nói nó nhận diện, bạn gõ phím nó phản hồi, luôn bị ngăn cách bởi một màn hình.

Còn tương tác hiện thân đòi hỏi một điều khác: Robot phải dùng cơ thể để bước vào thế giới vật lý.

Để rót một cốc nước, nó phải biết cái ấm nặng bao nhiêu, nước sẽ chảy như thế nào, nếu đổ thì phải làm sao. Đằng sau mỗi hành động đều là sự thấu hiểu và suy luận về các quy luật vật lý.

Đây không phải là sự mở rộng tuyến tính về năng lực, mà là một bước nhảy vọt về nền tảng.

Và thứ gánh vác bước nhảy vọt này chỉ có thể là bộ não. Các khớp nối, động cơ, bàn tay khéo léo của cơ thể, chuỗi cung ứng đang ngày càng hoàn thiện qua từng năm; nhưng bộ não giúp cơ thể biết phải làm gì và điều gì sẽ xảy ra thì vẫn chưa được tạo ra.

Nút thắt nằm ở đây, và chiến trường đương nhiên cũng nằm ở đây.

Còn về việc làm thế nào để tạo ra "bộ não" này? Sự khác biệt trong ngành tập trung vào hai việc: Sử dụng kiến trúc nào và dùng dữ liệu gì để huấn luyện.

Trước tiên là cuộc tranh luận về kiến trúc.

Trong một thời gian dài, VLA là dòng chủ lưu tuyệt đối. Nó trực tiếp ánh xạ hình ảnh và ngôn ngữ thành hành động, hiệu quả nhanh, ngưỡng kỹ thuật thấp, nên từng được săn đón nồng nhiệt.

Nhưng điểm yếu của VLA cũng ngày càng lộ rõ:

Nó giống một "hệ thống phản ứng tức thời" hơn, chỉ quan tâm đến việc làm thế nào ở hiện tại, mà không quan tâm thế giới sẽ thay đổi ra sao sau khi hành động kết thúc.

Giống như lái xe trên đường, nhìn thấy đèn đỏ nó thực sự biết đạp phanh, nhưng nó không thể dự đoán được đường trơn do mưa, và việc đạp phanh đó sẽ khiến xe bị trượt mất kiểm soát.

Chỉ phản ứng với hiện tại, không suy luận về hậu quả – đây chính là lý do cốt lõi cho nhận định "VLA không phải là điểm kết thúc".