Vì sao nhà sáng lập Qianjue cho rằng robot sẽ không có 'khoảnh khắc ChatGPT'?

Gao Haichuan không coi mình là một học giả chuyển hướng sang làm doanh nhân. Nhà sáng lập của Qianjue Technology, người sở hữu bằng tiến sĩ từ Đại học Thanh Hoa, đã diễn đạt điều này một cách thẳng thắn hơn:

“Tôi phải cân nhắc thực tế thương mại trước, và công nghệ là thứ yếu.”

Gao đã nhìn thấy cơ hội kinh doanh trong lĩnh vực trí tuệ robot vào năm 2019 khi còn đang làm việc tại một phòng thí nghiệm ở Thanh Hoa, nhưng ông đã đợi bốn năm để hành động. Năm 2023, khi nhận thấy công nghệ đã sẵn sàng cho việc phát triển kỹ thuật và triển khai thương mại, ông rời trường đại học và thành lập Qianjue.

Theo 36Kr, Qianjue đã hoàn tất vòng gọi vốn Series A+ với số tiền lên tới chín con số (tính bằng Nhân dân tệ). Các bên tham gia bao gồm Oriza Rivertown, SSC Fund, KHK Fund, Innoangel Fund, Jingming Capital và Future Marginal Ventures, cùng với các nhà đầu tư tài chính và chiến lược khác. Maple Pledge, đơn vị tư vấn gọi vốn cổ phần tư nhân lâu năm của công ty, cũng đã tham gia đầu tư. Công ty đã hoàn thành chín vòng gọi vốn kể từ khi thành lập.

Ngay từ đầu, Gao đã áp dụng một cách tiếp cận khác biệt so với các công ty kỳ vọng ChatGPT sẽ giải quyết được các vấn đề trong việc triển khai robot. Đội ngũ của ông có nền tảng nghiên cứu nhiều năm: các thành viên chủ chốt đã chọn mô hình thế giới dự đoán (predictive world models) làm hướng nghiên cứu tại Thanh Hoa từ năm 2017 và đạt kết quả tốt trong các cuộc thi quốc tế. Các mô hình này nhằm mục đích dự đoán cách môi trường xung quanh robot có thể thay đổi và những hành động của robot có thể tạo ra tác động gì.

Ban đầu, Qianjue ít chia sẻ về nghiên cứu đó. Trong khi những người khác hình dung về một tương lai của robot hình người đa năng, Gao lập luận rằng ngành robot sẽ không có “khoảnh khắc ChatGPT”, hay nói cách khác, không có một bước đột phá kỹ thuật đơn lẻ nào khiến toàn bộ ngành công nghiệp cất cánh chỉ sau một đêm.

Quan điểm của ông xuất phát từ kinh nghiệm thực tế. Những đơn hàng đầu tiên của Qianjue là dành cho robot phục vụ nhà hàng, vệ sinh và khách sạn. Những sản phẩm đó có nhu cầu thị trường rõ ràng.

Gao không kỳ vọng vấn đề thu thập dữ liệu sẽ sớm được giải quyết, vì vậy Qianjue thực hiện song song cả nghiên cứu và triển khai. Đội ngũ R&D của công ty khám phá các thuật toán trong khuôn khổ mô hình thế giới dự đoán được xây dựng trên kiến trúc biểu diễn đa thức. Đội ngũ triển khai làm việc với khách hàng trong lĩnh vực khách sạn, bán lẻ và dịch vụ gia đình, cải tiến công nghệ thông qua quá trình sử dụng thực tế.

“Khách hàng sẽ không trả thêm một xu nào chỉ vì chúng tôi sử dụng mô hình thế giới dự đoán tiên tiến,” Gao chia sẻ với 36Kr. “Họ quan tâm đến việc liệu công việc có được hoàn thành tốt hay không, tần suất robot gặp lỗi là bao nhiêu và liệu nó có xứng đáng với giá tiền hay không.”

CTO Zhang Tianren mô tả Gao là một “cựu sinh viên Đại học Thanh Hoa không điển hình”. Theo Zhang, bất chấp nhiều năm nghiên cứu, Gao không đánh giá dự án kinh doanh chỉ dựa trên các bài báo hay khái niệm kỹ thuật. Ông hiếm khi can thiệp vào các thiết kế kỹ thuật cụ thể, thay vào đó tập trung vào việc công ty nên theo đuổi điều gì, tránh điều gì và định hướng dài hạn của công ty.

Gao cũng thẳng thắn không kém về các nhà cung cấp trí tuệ robot bắt đầu tự sản xuất phần cứng, cho rằng rất có khả năng họ làm vậy để huy động vốn. “Điều đó phản ánh sự thiếu kiên nhẫn của ngành. Nó được thúc đẩy bởi vốn thay vì công nghệ,” ông nói.

Sau khi thu hút được nguồn đầu tư đáng kể, các công ty trí tuệ hiện thân (embodied intelligence) phải đối mặt với áp lực phải chứng minh kết quả thay vì chỉ dựa vào các bản thuyết trình (pitch decks) và các màn trình diễn tại triển lãm. “Ngay cả công nghệ tốt nhất cũng không có giá trị thực tế nếu nó không thể hoạt động trong các ứng dụng thực tế và giành được sự chấp nhận của khách hàng,” Gao nói.

Bản ghi chép sau đây đã được biên tập và tổng hợp để đảm bảo tính ngắn gọn và rõ ràng.

36Kr: Thay đổi cơ bản nhất mà ông thấy trong lĩnh vực trí tuệ hiện thân năm nay là gì?

Gao Haichuan (GH): Một ngành công nghiệp thường phát triển nhanh nhất ở giai đoạn này. Nó đã vượt ra ngoài các tiêu chí đánh giá giá trị của giới học thuật.

Trước đây, người ta nhìn vào các màn trình diễn một lần và thứ hạng trên bảng xếp hạng. Bây giờ họ tập trung vào các chỉ số triển khai: tỷ lệ thành công của tác vụ, thời gian vận hành liên tục, khả năng phục hồi sau lỗi, chi phí triển khai và tốc độ dữ liệu có thể chuyển hóa thành các cải tiến. Các nhà đầu tư cũng đã thay đổi tiêu chí của họ. Một bản demo hào nhoáng không còn đủ để đảm bảo việc gọi vốn.

Điều này đang diễn ra ở cả Trung Quốc và nước ngoài. Các tiêu chí đánh giá đang hội tụ xung quanh những thước đo này, với nhiều thảo luận hơn về kỹ thuật hệ thống và cách phản hồi từ các tình huống hiếm gặp có thể cải thiện hiệu suất.

Không có kiến trúc đơn lẻ nào hiệu quả trong mọi môi trường, nhưng một sự đồng thuận đang hình thành. Đây không còn là một hệ thống phần mềm dưới dạng dịch vụ (SaaS) được bàn giao một lần là xong. Đây là một công việc kỹ thuật hệ thống, trong đó các mô hình và phản hồi từ người dùng thực liên tục cung cấp thông tin để cải tiến trong quá trình vận hành.

36Kr: Trong năm qua, sự chú ý dường như đã chuyển từ các phương pháp tiếp cận đầu-cuối (end-to-end) sang các mô hình thị giác-ngôn ngữ-hành động (VLA) và sau đó là các mô hình thế giới. Ông nhìn nhận thế nào về phản ứng của thị trường đối với các phương pháp và khái niệm mới?

GH: Sự bùng nổ của các phương pháp tiếp cận là điều phổ biến trong trí tuệ nhân tạo, bao gồm cả các mô hình đa phương thức và mô hình ngôn ngữ. Nhưng nền tảng thì không thay đổi. Cụ thể hơn, các phương pháp này không loại trừ lẫn nhau. Một hệ thống thường có thể tái sử dụng mạng lưới xương sống (backbone network) và các biểu diễn đặc trưng của nó chỉ bằng cách thêm một bộ giải mã (decoder).

Sự chú ý trong ngắn hạn không cho bạn biết liệu một phương pháp có khả thi hay không. Mỗi phương pháp đều có điểm mạnh và điểm yếu ở các giai đoạn khác nhau. Mới không nhất thiết có nghĩa là tốt hơn. Phép thử thực sự là thị trường, bắt đầu với các thước đo cơ bản: hiệu quả dữ liệu, hiệu quả mẫu, chi phí lặp lại, sự ổn định trong quá trình vận hành kéo dài và khả năng tổng quát hóa. Những yếu tố này quyết định một phương pháp có thể tiến xa đến đâu.

36Kr: Qianjue đã làm việc với các mô hình thế giới dự đoán ngay từ ngày đầu. Khi nào ông quyết định chọn hướng đi đó?

GH: Sự quan tâm đến các mô hình thế giới dự đoán tại Trung Quốc đã bùng nổ sau khi Yann LeCun thành lập AMI Labs. Các đội ngũ đã làm việc về chủ đề này trong nhiều năm mà không nhận được nhiều sự chú ý của thị trường đã được đưa ra ánh sáng. Qianjue là một trong số đó.

Nhưng vào năm 2018, khi bài báo đầu tiên trong lĩnh vực mô hình thế giới xuất hiện, đội ngũ của chúng tôi đã nghiên cứu về điều khiển dựa trên mô hình thông qua các cuộc thi ViZDoom và đạt kết quả tốt trên trường quốc tế.

Chúng tôi đã xác định được một hướng đi dài hạn mà chúng tôi có niềm tin mạnh mẽ. Đến khi mô hình thế giới trở thành chủ đề phổ biến trong năm nay, Qianjue đã tích lũy được gần một thập kỷ làm việc về kỹ thuật.

36Kr: Ngành công nghiệp đã hiểu về mô hình thế giới như thế nào trước khi khái niệm này trở nên phổ biến? Tại sao ban đầu Qianjue lại bỏ qua phương pháp VLA vốn đang là xu hướng chủ đạo?

GH: Khi Qianjue được thành lập vào năm 2023, niềm tin phổ biến là việc kết nối ChatGPT với một robot hình người sẽ giải quyết được mọi thứ. Điều đó đã đánh giá thấp sự khan hiếm của dữ liệu. Việc thu thập dữ liệu từ các robot vật lý rất tốn kém, cả về thời gian lẫn những hư hại có thể xảy ra. Do đó, các thuật toán cần hiệu quả mẫu rất cao để có thể khả thi về mặt thương mại.

Các mô hình VLA và mô hình thế giới không hoàn toàn đối lập nhau. Các mô hình VLA có thế mạnh trong việc hiểu ngôn ngữ và tạo ra hành động trực tiếp. Nhưng việc chỉ dựa vào học chính sách đầu-cuối (end-to-end policy learning) vẫn có thể đòi hỏi lượng dữ liệu đáng kể và tạo ra những thách thức về tổng quát hóa khi dữ liệu khan hiếm, môi trường thay đổi hoặc các tác vụ nằm ngoài phân phối huấn luyện.

Ngay từ đầu, chúng tôi đã quyết định không chọn phương pháp không dùng mô hình (model-free) mà chọn các mô hình thế giới dự đoán. Đó vẫn chưa phải là sự đồng thuận giữa các công ty phát triển trí tuệ robot.

Với dữ liệu hạn chế, chúng tôi muốn cải thiện cách các mô hình sử dụng dữ liệu hiệu quả hơn, cách chúng tổng quát hóa tốt hơn giữa các môi trường và cách chúng đưa ra quyết định liên tục trong các môi trường năng động.

Một điểm khác cũng quan trọng. Những nhiễu loạn ngẫu nhiên, thay đổi trong môi trường mở chính là nơi kiến trúc transformer phát huy thế mạnh. Một robot không thể chỉ đơn giản tạo ra một hành động từ đầu vào hiện tại. Nó phải cập nhật sự hiểu biết của mình về môi trường khi có các quan sát mới. Điều đó đòi hỏi việc mô hình hóa thông tin đa phương thức và các mối quan hệ thời gian, cũng như khả năng tổng quát hóa giữa các môi trường.

Bằng cách học các biểu diễn trạng thái liên quan đến tác vụ và cách các trạng thái đó thay đổi, chúng tôi muốn robot dự đoán được những hậu quả có thể xảy ra từ hành động của chúng và liên tục điều chỉnh các quyết định cũng như kế hoạch. Điều đó sẽ giảm sự phụ thuộc vào các môi trường cố định và các phân phối dữ liệu hiện có. Tổng hợp lại, những yếu tố này đã định hình lựa chọn của chúng tôi.

36Kr: Tại sao các nhà sản xuất lại mua một nền tảng trí tuệ bên ngoài? Khách hàng thường có những lo ngại gì?

GH: Mối quan tâm lớn nhất của họ là xung đột về vị thế thị trường. Một nhà sản xuất có khách hàng doanh nghiệp và thương hiệu robot riêng có thể nhận thấy rằng nhà cung cấp trí tuệ của họ cũng có một thương hiệu phần cứng. Ngay cả khả năng cạnh tranh cũng có thể ngăn cản một thỏa thuận. Đó là vấn đề niềm tin, không phải vấn đề kỹ thuật.

Bằng cách hỗ trợ các dạng robot khác nhau, chúng tôi muốn giảm bớt sự trùng lặp trong R&D tại các nhà sản xuất và chi phí thích ứng trí tuệ vào phần cứng của họ, giúp các đối tác đưa sản phẩm ra thị trường nhanh hơn. Chúng tôi không muốn cạnh tranh với thương hiệu của họ hoặc tranh giành khách hàng cuối của họ.

Việc sản xuất phần cứng có thể có giá trị đặc biệt trong việc huy động vốn tại Trung Quốc. Ở một số giai đoạn, nó thậm chí có thể mang lại cho một công ty cơ hội sống sót khác. Điều đó phản ánh sự thiếu kiên nhẫn của ngành. Nó được thúc đẩy bởi vốn thay vì công nghệ.

36Kr: Robot có thể hoạt động tốt trong các bản demo tại phòng thí nghiệm, nhưng lại thất bại trong thế giới vật lý. Đâu là trở ngại lớn nhất để nhân rộng các triển khai thương mại?

GH: Sau nhiều năm phát triển, các thuật toán đã tương đối có năng lực. Nút thắt thực sự là dữ liệu. Trong ba thành phần: sức mạnh tính toán, thuật toán và dữ liệu, hai thành phần đầu tiên phần lớn đã sẵn sàng. Nguồn cung dữ liệu đang làm chậm tiến độ.

Ngành robot đang đối mặt với sự thiếu hụt đặc thù. Dữ liệu về các tương tác vật lý phải được thu thập chủ động bởi chính các robot. Điều đó rất khác với các mô hình ngôn ngữ lớn, vốn có thể tận dụng hàng thập kỷ văn bản công khai trên internet. Ngành robot chưa có một giai đoạn tương đương với việc sử dụng robot rộng rãi để có thể tích lũy các bộ dữ liệu khổng lồ về tương tác vật lý.