Giáo sư Đại học Cáp Nhĩ Tân khởi nghiệp, tham vọng tạo ra mô hình thế giới cho robot hình người

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

12-07-2026 16:29:46 Nguồn: QbitAI

Từ thu thập xúc giác, đến căn chỉnh xúc giác, rồi đến sử dụng xúc giác

Yunzhong, đưa tin từ QbitAI | Tài khoản chính thức QbitAI

VLA và các mô hình thế giới (world models) đã đưa robot tiến tới giai đoạn "hiểu thế giới" và "dự đoán thế giới".

Tuy nhiên, ngay khi mô hình thực sự bước vào thế giới vật lý, vấn đề sẽ nhanh chóng trở nên cụ thể hơn:

Nó dùng cái gì để học về thế giới này, dựa vào đâu để thực hiện các thao tác, và làm sao để biết chính xác mình đang chạm vào cái gì.

Hai câu hỏi đầu tiên lần lượt hướng tới dữ liệu và thực thể (embodiment). Câu hỏi thứ ba hướng tới xúc giác.

Tuần này, nhóm nghiên cứu của Dương Sóc (Yang Shuo) tại Đại học Công nghệ Cáp Nhĩ Tân (cơ sở Thâm Quyến) đã công bố TouchWorld, một mô hình thế giới xúc giác dành cho các thao tác khéo léo.

Khả năng cốt lõi của nó là giúp robot không chỉ dự đoán hình ảnh thay đổi như thế nào, mà còn bắt đầu dự đoán sự tiếp xúc xảy ra ra sao, đồng thời sử dụng phản hồi xúc giác để điều chỉnh hành động trong quá trình vận hành thực tế.

TouchWorld không phải là một bài báo nghiên cứu đơn lẻ. Trước đó, nhóm của Dương Sóc đã ra mắt EgoTouch và TouchAnything:

Ba công trình này kết nối với nhau, tạo thành một lộ trình rõ ràng: thu thập xúc giác trước, sau đó khôi phục/căn chỉnh xúc giác, và cuối cùng là để mô hình hiện thân (embodied model) thực sự sử dụng xúc giác.

Dọc theo lộ trình này, giáo sư trẻ sinh năm 1998 Dương Sóc đã thành lập PHANES AI (Phá Hiểu Trí Năng).

Những gì PHANES AI muốn thực hiện là hợp nhất dữ liệu video của con người với các phương thức cảm nhận xúc giác, nhằm xây dựng mô hình thế giới cho robot hình người với khả năng di chuyển toàn thân và thao tác khéo léo.

Cụ thể hơn, công ty không chỉ làm một mô hình xúc giác hay phần cứng, mà hy vọng xây dựng một chuỗi năng lực hoàn chỉnh từ dữ liệu, mô hình đến điều khiển, xoay quanh câu hỏi "làm thế nào để robot thực sự học được cách thao tác".

Cái tên "Phá Hiểu" (PHANES) cũng tương ứng với vấn đề mà công ty muốn giải quyết: trước khi robot hình người tiến tới các thao tác thực tế, dữ liệu xúc giác, mô hình thế giới xúc giác, điều khiển phản hồi bàn tay khéo léo và thao tác di chuyển toàn thân vẫn đang nằm trong sự hỗn loạn về công nghệ.

PHANES AI hy vọng bắt đầu từ dữ liệu xúc giác để kết nối lại các năng lực này, giúp robot chuyển từ "nhìn thấy thế giới" sang thực sự "tiếp xúc với thế giới, thao tác với thế giới".

Từ Data-Centric AI đến dữ liệu thực tế của robot

Dương Sóc hiện là giáo sư biên chế (tenured professor), hướng dẫn nghiên cứu sinh tại Trường Khoa học và Công nghệ Máy tính, Đại học Công nghệ Cáp Nhĩ Tân (cơ sở Thâm Quyến), đồng thời là nhà sáng lập kiêm CEO của PHANES AI.

Thông tin công khai cho thấy, ở tuổi 26, ông được bổ nhiệm làm giáo sư biên chế, hướng dẫn nghiên cứu sinh tại Đại học Công nghệ Cáp Nhĩ Tân (cơ sở Thâm Quyến), từng nhận học bổng Google Ph.D. Fellowship, được chọn vào danh sách nhân tài trẻ cấp quốc gia, nhân tài "tinh hoa" của Thâm Quyến và các dự án nhân tài trọng điểm của tỉnh Quảng Đông.

△ Dương Sóc, nhà sáng lập PHANES AI, giáo sư biên chế, hướng dẫn nghiên cứu sinh tại Đại học Công nghệ Cáp Nhĩ Tân (cơ sở Thâm Quyến)

Trong nghiên cứu, Dương Sóc tập trung lâu dài vào các hướng như mô hình lớn đa phương thức, Data-Centric AI, AI đáng tin cậy, thị giác máy tính và trí tuệ hiện thân (embodied AI).

So với việc bắt đầu trực tiếp từ "khởi nghiệp robot", lộ trình của ông giống như đi từ một vấn đề dữ liệu đến thế giới vật lý:

Mô hình rốt cuộc nên dùng dữ liệu gì để học? Khi đến với robot, câu hỏi này trở thành: robot rốt cuộc nên dùng dữ liệu gì để học các thao tác thực tế.

Trong học máy truyền thống, vấn đề này hướng nhiều hơn đến chất lượng dữ liệu, lựa chọn dữ liệu, nhãn nhiễu và nén dữ liệu.

Khi đến với trí tuệ hiện thân, dữ liệu không còn chỉ là hình ảnh, văn bản và nhãn, mà là quá trình thao tác liên tục của con người trong thế giới thực.

Thời gian qua, dữ liệu con người đang trở thành cửa ngõ quan trọng để robot học các thao tác phức tạp.

NVIDIA EgoScale đã chứng minh rằng dữ liệu thao tác của con người ở góc nhìn thứ nhất có Scaling Law (định luật quy mô) trong huấn luyện thao tác khéo léo; trong khi Generalist / Gen-1 cho thấy việc tiền huấn luyện trên dữ liệu con người quy mô lớn kết hợp với hậu huấn luyện trên một lượng nhỏ dữ liệu máy thực có thể cải thiện đáng kể tỷ lệ thành công của robot trong các nhiệm vụ dài hạn và phức tạp.

Hai loại công trình này cùng chỉ ra một xu hướng: so với việc hoàn toàn phụ thuộc vào thu thập trên máy thực, việc để robot học quy trình hành động, tương tác vật thể và cấu trúc nhiệm vụ từ dữ liệu con người quy mô lớn trước, sau đó dùng một lượng nhỏ dữ liệu robot để căn chỉnh và thích ứng, là một lộ trình dữ liệu dễ mở rộng quy mô hơn.

Tuy nhiên, lộ trình này vẫn thiếu một lớp thông tin quan trọng: xúc giác.

Video góc nhìn thứ nhất cho phép robot thấy cách con người quan sát thế giới, tiếp cận vật thể, cầm nắm công cụ và hoàn thành nhiệm vụ.

Nhưng những gì thực sự xảy ra giữa con người và vật thể thì video không thể hiện đầy đủ. Ngón tay ấn vào đâu, lực mạnh bao nhiêu, vật thể có bị trượt không, tiếp xúc có ổn định không; những thông tin này rất khó để trả lời chỉ bằng hình ảnh.

Câu trả lời mà PHANES AI đưa ra là: chỉ có thị giác là không đủ, chỉ có quỹ đạo hành động cũng không đủ. Robot cần xúc giác, cần hiểu điều gì xảy ra khi tay tiếp xúc với vật thể.

Đây cũng là lý do nhóm của Dương Sóc đi từ EgoTouch, TouchAnything đến TouchWorld.

Dòng Touch: Từ thu thập xúc giác, đến căn chỉnh xúc giác, rồi đến sử dụng xúc giác

Nhìn từ bản đồ công nghệ của PHANES AI, các mô hình dòng Touch không phải là những bài báo đặt song song, mà là một chuỗi năng lực từ dữ liệu đến mô hình thế giới, rồi đến điều khiển toàn thân.

EgoTouch giải quyết vấn đề làm thế nào để thu thập dữ liệu xúc giác.

Nó đưa video góc nhìn thứ nhất, góc nhìn từ cổ tay, tư thế bàn tay và bản đồ áp lực của cả hai tay vào cùng một hệ thống thu thập, giúp video thao tác của con người mang theo thông tin về sự tiếp xúc và áp lực.

Nhóm nghiên cứu đã thu thập dữ liệu thị giác và xúc giác của con người trong các thao tác thực tế, xoay quanh các nhiệm vụ như vật thể cứng, vật thể mềm, cầm nắm, véo, vặn và sử dụng công cụ.