Chelsea Finn (Physical Intelligence): AI vật lý đang chạm đến 'thời khắc GPT' của riêng mình

Điều gì thực sự cần thiết để robot có thể làm việc trong thế giới thực?

👩 Dịch bởi: Shirley

🧑‍🎨 Dàn trang: NCon

Tháng 5 vừa qua, Crossing đã đăng tải bản dịch bài nói chuyện của Jim Fan, người đứng đầu phòng thí nghiệm GEAR của NVIDIA, từ một sự kiện của Sequoia Capital: "The Endgame for Robotics: A 2040 Prediction" (Hồi kết cho ngành robot: Dự đoán năm 2040). Fan đã đúc kết lộ trình kỹ thuật của ngành robot là "sao chép bài tập về nhà của LLM", kèm theo một mốc thời gian: bài kiểm tra Turing vật lý sẽ đạt được trong vòng hai đến ba năm tới, và hồi kết cho robot sẽ đến vào năm 2040.

Ba tháng sau, vào ngày 19 tháng 8, Unitree đã niêm yết trên thị trường STAR, trở thành công ty robot hình người đầu tiên lên sàn chứng khoán A-shares. Ở phía bên kia Thái Bình Dương, Physical Intelligence đã chốt vòng gọi vốn mới nhất vào tháng 11 năm 2025 với mức định giá 5,6 tỷ USD. Thị trường vốn đã định giá dựa trên những hứa hẹn này, nhưng các điều kiện cần thiết để robot thực sự hữu dụng vẫn là vấn đề gây tranh cãi giữa các đội ngũ khác nhau.

Trong bài nói chuyện tại YC Startup School, đồng sáng lập Physical Intelligence, Chelsea Finn, đã đối diện trực tiếp với câu hỏi này: độ tin cậy, bộ nhớ và một mô hình đa năng không cần tinh chỉnh (fine-tuning) là ba yếu tố thiết yếu để robot thực sự vận hành được trong thế giới thực.

Và khi kết thúc bài nói chuyện, cô đã đặt ra một cột mốc mới cho lĩnh vực này: AI vật lý (physical AI) đã chuyển sang phía bên phải của lộ trình AI tổng quát, chạm đến khoảnh khắc GPT của riêng nó.

Thông tin diễn giả

Chelsea Finn | Đồng sáng lập Physical Intelligence, Giáo sư trợ lý tại Đại học Stanford. Năm 2017, trong khi theo học tiến sĩ tại UC Berkeley, cô đã đề xuất MAML (Model-Agnostic Meta-Learning): huấn luyện một tập hợp các tham số ban đầu sao cho mô hình có thể thích nghi với các nhiệm vụ mới chỉ với vài mẫu và một số bước gradient nhỏ. Điều này đã biến ý tưởng "thay vì huấn luyện một mô hình chuyên gia cho mỗi nhiệm vụ, hãy tạo ra một mô hình có khả năng thích nghi với mọi nhiệm vụ" thành một mục tiêu có thể tối ưu hóa.

Toàn văn bài nói chuyện

Xin chào mọi người! Hôm nay tôi sẽ thảo luận về một số tiến bộ kỹ thuật gần đây của Physical Intelligence.

Tôi đã thành lập một công ty cách đây hai năm tên là Physical Intelligence. Câu hỏi mà chúng tôi thực sự quan tâm là: làm thế nào để bất kỳ robot nào cũng có thể thực hiện bất kỳ nhiệm vụ nào trong thế giới thực?

Tôi đã phát biểu tại sự kiện này vào năm ngoái, chia sẻ những tiến bộ tại thời điểm đó — những nhiệm vụ khá phức tạp như lấy và gấp quần áo từ máy sấy, và robot thực hiện công việc hữu ích trong những căn phòng mà chúng chưa từng đặt chân đến trước đây. Trong một năm kể từ đó, robot đã học được nhiều thứ hơn: rửa một chiếc nồi dính dầu mỡ, gọt cà rốt, làm bánh mì nướng phô mai, cắt bí ngòi, mở cửa, v.v.

Nhưng hôm nay tôi không muốn nói về việc robot có thể thực hiện bao nhiêu trò ảo thuật hào nhoáng, mà là về những gì thực sự cần thiết để robot làm việc được trong thế giới thực. Có hai yếu tố ở đây: thứ nhất, tính tổng quát — làm thế nào để phát triển các mô hình đa năng; và thứ hai, làm thế nào để đưa những mô hình đó vào thực tế để chúng có tác động và hữu ích cho con người. Hãy bắt đầu với yếu tố thứ hai.

AI vật lý có khả năng chịu lỗi thấp hơn bất kỳ AI nào trước đây

Để trả lời câu hỏi này, cần nhìn vào cách các hệ thống AI trước đây đã thâm nhập vào thế giới thực như thế nào.

Các ứng dụng học máy đầu tiên thực sự cất cánh là gợi ý sản phẩm và xếp hạng quảng cáo. Năm năm sau, học sâu (deep learning) đã thâm nhập vào chính những lĩnh vực đó. Bước đi đó rất quan trọng: học sâu có thể xử lý các vấn đề đầu vào-đầu ra phức tạp ngay lập tức và chuyển đổi tương đối dễ dàng sang các ứng dụng khác. Sau đó là ChatGPT vào năm 2022 — lần đầu tiên một mô hình đa năng được triển khai ở quy mô lớn, đạt một triệu người dùng trong năm ngày. Kể từ đó, các tác nhân lập trình (coding agents) như Claude Code đã trở nên thực sự hữu ích.

Di chuyển sang phải dọc theo lộ trình này, các mô hình đa năng ngày càng được sử dụng để giải quyết các vấn đề trong thế giới thực. Nhưng có một điểm chung đáng chú ý hơn: trong tất cả các ứng dụng học máy thực sự hữu ích và thực sự có lợi nhuận này, quyết định cuối cùng đều do chính khách hàng đưa ra — mô hình về cơ bản chỉ cung cấp các gợi ý.

Điều này có nghĩa là các lỗi sai là có thể chấp nhận được. Mọi người thường có thể nhận ra khi có điều gì đó không ổn, hoặc biết phải làm gì ngay cả khi xảy ra sai sót. Vì vậy, mặc dù các hệ thống này còn lâu mới hoàn hảo, chúng vẫn cực kỳ hữu ích cho người dùng và áp lực bên ngoài đòi hỏi sự hoàn hảo là tương đối thấp.

AI vật lý thì khác biệt về cơ bản. AI vật lý thực sự vận hành trong thế giới vật chất phải đưa ra các quyết định tác động trực tiếp đến thế giới đó. Điều này có nghĩa là tiện ích của nó chỉ tăng lên đáng kể khi chạy hoàn toàn tự động; do đó, so với tất cả các hệ thống học máy đã được triển khai cho đến nay, AI vật lý phải mắc ít lỗi hơn nhiều.

Có tiền lệ nào cho điều này không? Một năm trước, Waymo, công ty lái xe tự động thuộc Alphabet, đã vượt qua 250.000 chuyến đi hành khách tự động trong một tuần. Điều này chứng minh rằng một hệ thống dựa trên học máy có khả năng vận hành tự động đáng tin cậy trong thế giới vật chất là hoàn toàn có thể xây dựng được.

Yếu tố thứ nhất: Chuyển giao việc lặp lại cho hệ thống

Để làm cho robot đa năng hữu ích trong thực tế, chúng ta cần tìm cách để chúng vận hành tự động trong thời gian dài, thay vì để con người can thiệp vào các dự đoán của mô hình.

Giả sử chúng ta muốn một robot pha cà phê espresso. Bản thân nhiệm vụ này đã rất khó: vận hành tay cầm (portafilter) đòi hỏi sự kiểm soát lực khá chính xác để khóa nó đúng cách vào đầu nhóm; nó phải giữ một tách chất lỏng ổn định mà không làm đổ; và nó cần thời gian chính xác — "cảm giác về thời gian" thường thậm chí không được xem xét trong các lĩnh vực khác của học máy.

Và chúng ta không chỉ muốn nó thực hiện được một lần — chúng ta muốn độ tin cậy trên 90%.

Bước đầu tiên trong học máy luôn là: thu thập tập dữ liệu, huấn luyện mô hình, đánh giá độ tốt của mô hình. Thật không may, con đường này hiếm khi hoạt động đáng tin cậy ngay lần thử đầu tiên.

Một cách tiếp cận thực tế hơn một chút là lặp lại trên một mô hình hiện có: thu thập thêm dữ liệu, cải thiện chất lượng chú thích, làm cho các chú thích chi tiết hơn, thêm dữ liệu trường hợp biên (edge-case), điều chỉnh hỗn hợp dữ liệu. Điều này có cải thiện độ tin cậy, nhưng nếu chỉ dựa vào việc tinh chỉnh thủ công của con người, mọi người cuối cùng sẽ mệt mỏi, và rất khó để duy trì độ tin cậy ở mức rất cao.

Cách tiếp cận tốt hơn là để chính hệ thống AI tự lặp lại trong các kịch bản mà bạn muốn nó đáng tin cậy hơn — để nó chủ động xác định nơi nào thiếu dữ liệu và nơi nào cần giám sát nhiều hơn. Vì toàn bộ quá trình được tự động hóa, số lần lặp lại có thể cao hơn nhiều. Đây có thể là con đường để đưa AI vật lý đạt độ tin cậy trên 99%.

Bản thân tư duy này khá giống với học tăng cường (reinforcement learning): liên tục thử nghiệm các nhiệm vụ, học hỏi từ những thất bại, tự cải thiện. Câu hỏi đặt ra là, làm thế nào để chúng ta xây dựng một hệ thống học tăng cường có khả năng mở rộng cho robot?

Về phía mô hình ngôn ngữ, có các thuật toán như PPO và GRPO (hai thuật toán tối ưu hóa chính sách phổ biến nhất trong học tăng cường mô hình ngôn ngữ). Chúng đã được mở rộng cho các mô hình ngôn ngữ lớn và hỗ trợ suy luận khá phức tạp. Nhưng có một vấn đề khi chuyển chúng sang robot: các thuật toán này được huấn luyện với hàng triệu, thậm chí hàng chục triệu lần thử, điều này hiệu quả vì bạn chỉ cần đổ tài nguyên tính toán vào chúng — mỗi lần thử chỉ là chạy một mô hình ngôn ngữ trong trung tâm dữ liệu.

Quy đổi quy mô này sang robot: ngay cả khi chúng ta không cần hàng triệu hay hàng chục triệu, chỉ cần 1 triệu quỹ đạo nhiệm vụ robot kéo dài một phút (ngắn hơn nhiệm vụ pha espresso mà tôi vừa mô tả) cũng sẽ lên tới 700 ngày-robot để đạt được độ tin cậy cao cho một nhiệm vụ đó. Điều này có thể không hoàn toàn bất khả thi, nhưng sẽ cực kỳ khó khăn.

Khó khăn nằm ở bản chất chi phí khác biệt cơ bản. Chúng ta không chỉ đơn thuần đốt tài nguyên tính toán để tối ưu hóa một trường hợp sử dụng — chúng ta đang vận hành các robot thực trong thế giới thực, sử dụng phần cứng thực, thực hiện các nhiệm vụ thực. Vì vậy, chúng ta cần một thuật toán có hiệu suất lặp lại cao hơn đáng kể. Và trong học tăng cường mô hình ngôn ngữ, có hai nguồn lãng phí chính.

Lãng phí thứ nhất: Thời gian lãng phí vào những ngõ cụt

Đây là một ví dụ. Chúng ta muốn robot gấp các hộp các tông và xếp chúng gọn gàng. Trong quỹ đạo này, nó vô tình nhặt hai chiếc hộp dính vào nhau. Nếu để nó tiếp tục, nó sẽ cứ cố gắng gấp chiếc hộp đó mà không tách hai chiếc ra trước. "Gấp hai chiếc hộp cùng lúc" không phải là dữ liệu hiệu quả để dạy mô hình thực hiện nhiệm vụ tốt — robot chỉ đơn giản là lãng phí thời gian vào một con đường sai lầm.