Tại sao chế tạo robot lại khó đến vậy? Danh sách những thách thức hệ thống

Tiến bộ của AI đang diễn ra với tốc độ chóng mặt, nhưng hầu như tất cả những tiến bộ có thể thấy được đều nằm trong lĩnh vực tri thức, tức là các hoạt động có thể thực hiện bên trong máy tính.

Trong cộng đồng AI tại San Francisco, có một niềm tin phổ biến rằng robot sẽ sớm xuất hiện. Song song với cuộc đua phát triển AI có năng lực tổng quát, cũng có một cuộc đua quyết liệt không kém để phát triển các robot có năng lực tổng quát – những cỗ máy hình người được trang bị trí tuệ vật lý. Đó là những công nhân nhân tạo có thể nấu ăn, dọn dẹp, lấy và mang vác đồ đạc… cùng mọi công việc khác, bao gồm cả việc tự chế tạo thêm đồng loại, dẫn đến (theo nhiều dự báo) một sự tăng trưởng kinh tế mà cách mô tả phù hợp nhất là một "vụ nổ".

Nói cách khác, theo suy nghĩ này, AI trong trung tâm dữ liệu sẽ sớm thay thế toàn bộ lao động trí óc, và AI trong cơ thể hình người sẽ sớm thay thế toàn bộ lao động chân tay. Tuy nhiên, có một sự khác biệt quan trọng: trong khi chúng ta có thể thấy sự tiến bộ trong lĩnh vực trí tuệ, thì khía cạnh vật lý của AI hầu như chỉ giới hạn trong các cơ sở thử nghiệm và video minh họa. Không có robot nào tương đương với ChatGPT – không có thứ gì mà bạn, tôi, hay thậm chí hầu hết mọi người trong cộng đồng AI có thể chạm tay vào.

Vì vậy, chúng ta chỉ biết nhìn vào các video minh họa. Đáng tiếc là chúng lại là công cụ tồi để đánh giá sự tiến bộ. Chúng ta có thể chỉ đang thấy một nhiệm vụ thành công sau 100 lần thử nghiệm. Kịch bản có thể đã được dàn dựng cẩn thận để tránh những thách thức mà robot chưa sẵn sàng đối mặt. Video có thể đã được chỉnh sửa để làm cho robot trông có vẻ hành động nhanh và đáng tin cậy hơn thực tế. Đây là một bản demo rất ấn tượng… với số lượng cắt cảnh nhiều một cách đáng ngờ.

(Tôi vẫn chưa có nhiều cơ hội xem các video từ giải đấu World Humanoid Robot Games gần đây. Những video này rất giá trị vì cung cấp một nền tảng công khai ít bị "chọn lọc" hơn. Một vài video tôi đã xem bao gồm một số kỳ tích ấn tượng, nhưng không giải quyết được nhiều thách thức mà tôi liệt kê dưới đây… và cũng có rất nhiều thất bại ngoạn mục.)

Các bản demo thu hút sự chú ý vào những việc robot đã có thể làm. Câu hỏi đặt ra là: còn thiếu những gì? Trong bài viết hôm nay, tôi sẽ liệt kê các thách thức kỹ thuật cần phải vượt qua trên con đường hướng tới những công nhân nhân tạo có năng lực tổng quát. Lần tới khi bạn xem một robot làm điều gì đó ấn tượng, hãy tự hỏi: robot đã chứng minh được những năng lực nào trong số này, và kịch bản demo có thể đang né tránh những thách thức nào?

(Lưu ý rằng một số thách thức trở nên dễ dàng hơn nếu chúng ta cân nhắc robot có bánh xe thay vì robot hình người thuần túy. Một robot có bánh xe có thể mang vác nặng hơn, nghĩa là sức mạnh, độ bền và năng lượng cho các thiết bị điện tử ít là thách thức hơn. Và robot có bánh xe ít có khả năng bị ngã hơn. Nhưng chúng không thể leo cầu thang, bước qua vật cản, hoặc xoay người để với vào trong tủ.)

Bàn tay con người là một kỳ quan kỹ thuật – với ngón cái đối diện và tất cả những thứ tương tự. Nó có khoảng hai chục "bậc tự do" (các khớp riêng biệt và/hoặc các hướng mà mỗi khớp có thể gập lại), và khoảng 17.000 cảm biến xúc giác. Bộ não của chúng ta có thể điều khiển bàn tay với sự uyển chuyển tinh tế, sử dụng xúc giác, thị giác và thậm chí cả tín hiệu âm thanh để thực hiện mọi loại công việc tinh vi một cách chính xác và đáng tin cậy.

Các "bộ phận thao tác" của robot hiện nay chỉ là sự bắt chước nhạt nhòa. Một số bàn tay robot hiện có có thể đạt tiêu chuẩn con người ở một hoặc vài thuộc tính vật lý. Ví dụ, một số có tới 27 bậc tự do. Tuy nhiên, không có cái nào tiệm cận được sự kết hợp tổng thể giữa tính linh hoạt, độ nhạy, sức mạnh, độ tin cậy và các thuộc tính vật lý khác. Chính sự kết hợp các yếu tố này mới là điều đặc biệt khó để bắt chước, ngay cả khi các bản demo ngày càng ấn tượng hơn. Chẳng hạn, một số công ty đã cố gắng nhồi nhét hàng ngàn cảm biến xúc giác vào đầu ngón tay robot, nhưng chưa ai làm cho những cảm biến nhỏ bé này có thể chịu được cường độ sử dụng cao.

Vấn đề điều khiển có thể cũng thách thức không kém vấn đề cấu tạo vật lý. Một robot có năng lực phải có khả năng tìm ra tập hợp các vị trí khớp phù hợp để nắm bắt một vật thể phức tạp; lập kế hoạch cho chuỗi chuyển động để gấp áo, lật trứng ốp la, hoặc siết chặt một con ốc trong không gian hạn chế; và xử lý các vật liệu mềm hoặc dễ biến dạng (điều này có thể đòi hỏi phản ứng tức thì với một sự thay đổi đột ngột).

Thị giác máy tính đã có những bước tiến đáng kinh ngạc trong một hoặc hai thập kỷ qua (và là nguyên nhân khởi đầu cho sự bùng nổ học sâu dẫn đến các LLM). Nhưng việc hiểu được các cảnh quan trực quan phức tạp – chọn ra một vật thể từ môi trường đông đúc, hiểu nơi cần nắm bắt, xác định nơi an toàn để đặt chân và cách tránh làm đổ thứ gì đó – vẫn chưa phải là vấn đề đã được giải quyết.

Một robot đa năng phải có khả năng chia nhỏ một nhiệm vụ thành các bước riêng lẻ và liên kết các bước đó với môi trường xung quanh. Làm thế nào để bạn điều khiển cánh tay của mình đưa tua vít vào một cỗ máy? Cách nhanh nhất để dọn đường đến lọ gia vị ở phía sau kệ là gì? Bạn nên nhặt các món đồ trên sàn phòng khách theo thứ tự nào?

Sự tự chủ thực sự sẽ đòi hỏi việc lập kế hoạch cho các nhiệm vụ có quy mô và độ phức tạp lớn hơn: nấu một bữa ăn, sửa đường ống nước trong phòng tắm, sửa chữa động cơ. Chưa kể đến nhu cầu phải lập kế hoạch lại khi đối mặt với những bất ngờ – một con ốc bị kẹt, một miếng thực phẩm bị hỏng, hay một đứa trẻ chạy vụt vào bếp.

Khi các AI hiện nay thất bại trong một nhiệm vụ tri thức, thường là do chúng không được cung cấp đủ ngữ cảnh. Robot cũng sẽ cần ngữ cảnh: đồ dùng được cất ở đâu? Bạn thích món ăn được nấu như thế nào? Cư dân viện dưỡng lão đó cần hỗ trợ bao nhiêu, và dáng đi khập khiễng đó là bình thường hay là dấu hiệu cho thấy họ sắp ngã?

Một khi có ngữ cảnh, robot sẽ cần phải suy luận, lập kế hoạch, thực hiện phán đoán và sử dụng lẽ thường. Các hệ thống dựa trên LLM như ChatGPT và Claude đang có những bước tiến lớn trong các lĩnh vực này, nhưng lĩnh vực vật lý mang lại những thách thức bổ sung. Sự thành công của các LLM được hỗ trợ rất nhiều bởi các kho dữ liệu khổng lồ có sẵn để huấn luyện – một phần đáng kể trong tất cả các cuốn sách từng được viết, web và các kho dữ liệu khổng lồ khác. Sẽ rất khó để đạt được quy mô về độ rộng và độ sâu dữ liệu như vậy cho các nhiệm vụ vật lý. Không có sự tương đương đơn giản nào kiểu như "chỉ cần học hiệu quả, khái quát hóa và khả năng thích ứng / học tập trong công việc" dường như là những yêu cầu bắt buộc.

Các tác nhân AI chủ yếu hoạt động độc lập và trong các môi trường tĩnh. Chúng ta hiếm khi đặt chúng vào những tình huống mà mọi thứ thay đổi liên tục, hoặc yêu cầu chúng phối hợp với nhau. Khi chúng ta làm vậy, mọi thứ thường trở nên hỗn loạn. Sự cô lập dễ sắp đặt hơn trong thế giới ảo, nơi các không gian làm việc riêng có thể được tạo ra theo ý muốn và không có gì là quá nặng để tự mình nâng lên. Robot sẽ thường cần phải hợp tác với con người hoặc với nhau.

Các robot đa năng ngày nay thường di chuyển chậm hơn nhiều so với con người. Các thách thức bao gồm sức mạnh, khả năng điều khiển (tốc độ cao hơn nghĩa là ít thời gian hơn để lập kế hoạch và phản ứng), và sự an toàn (một robot di chuyển nhanh sẽ va vào bạn mạnh hơn và khó tránh né hơn).

Đối với một số ứng dụng, chậm mà chắc có thể hoàn toàn chấp nhận được: tôi có thể không quan tâm nếu robot gia đình mất cả đêm để dọn dẹp và gấp quần áo. Nhưng một robot chuyển động chậm sẽ không hữu ích lắm khi làm đầu bếp hoặc người chăm sóc tại viện dưỡng lão. Nó có thể gây cản trở trong nhà kho. Và nó sẽ khó hoàn thành đủ công việc để tự chi trả chi phí cho chính nó.

Một số robot công nghiệp cực kỳ mạnh mẽ. Nhưng robot hình người – hoặc các robot "đa năng" có tính linh động cao khác – thường thì không. Rất khó để kết hợp sức mạnh với trọng lượng có thể quản lý được, số lượng khớp lớn và khung gầm linh hoạt. Các động cơ mạnh mẽ tạo ra nhiều nhiệt hơn và làm cạn kiệt pin nhanh hơn – hai lĩnh vực mà robot vẫn đang gặp khó khăn (xem bên dưới). Và một robot mạnh, nặng sẽ đặt ra những thách thức lớn hơn về an toàn.

Vẫn chưa có kết luận cuối cùng về hình thức phù hợp cho robot đa năng, đặc biệt là liên quan đến phần thân dưới của chúng. Chúng nên có bánh xe hay chân? Hai chân, bốn chân, hay số lượng khác? Bánh xe rẻ hơn, ổn định hơn và đáng tin cậy hơn; chân tốt hơn để bước qua chướng ngại vật và leo cầu thang. Khung gầm hai chân linh hoạt hơn, nhưng cũng dễ bị đổ hơn nếu có sự cố. Dù sao đi nữa, câu hỏi là: liệu robot có thể di chuyển đáng tin cậy trong môi trường làm việc của nó hay không?

Các cân nhắc về an toàn cho robot đa năng gần như là vô hạn. Một robot bị lỗi hoặc trục trặc có thể va vào ai đó, đổ lên người họ, làm rơi đồ lên họ, làm đổ thứ gì đó lên họ, làm vỡ kính hoặc gây hỏa hoạn.

Sự an toàn cho các tác nhân dựa trên LLM dựa một phần vào việc xem xét các hành động rời rạc, chẳng hạn như nỗ lực gửi email hoặc xóa tệp. Robot di chuyển liên tục, và không dễ để tách biệt một vài chuyển động cụ thể là những chuyển động nguy hiểm tiềm tàng cần được xem xét.

Nếu một chiếc xe tự lái rơi vào tình huống không thể xử lý hoặc gặp trục trặc, nó có thể tấp vào lề hoặc, trong trường hợp xấu nhất, chỉ cần đạp phanh. Một robot đa năng đột ngột đứng yên có thể để quên thứ gì đó trên bếp, đổ ập xuống giữa chừng, hoặc làm vấp ngã người mà nó đang hỗ trợ.

Và tất nhiên, nguy hiểm có thể bắt nguồn từ hành động của con người, chẳng hạn như một đứa trẻ chạy vụt qua trước mặt robot. Tôi thà để con mình bị va phải bởi một người mềm mại còn hơn là một robot kim loại; và như tình hình hiện nay, tôi thà dựa vào phản xạ và khả năng thích ứng của con người để tránh vấp phải đứa trẻ nghịch ngợm đó.

(Robot càng mạnh, càng nặng và càng có năng lực thì rủi ro càng lớn.)

Robot hai chân ngày nay thường có thể chạy trong vài giờ trước khi cần sạc lại. Tôi nghi ngờ đây sẽ không phải là yếu tố hạn chế: nếu cần một giải pháp thay thế, chúng ta sẽ tìm ra, cho dù đó là thay pin, lưới sạc dưới sàn, hay một sợi cáp nối với một bộ pin lớn di động gần đó.

Tuy nhiên, tôi ngạc nhiên khi biết rằng quá nhiệt là một thách thức nghiêm trọng đối với hoạt động liên tục. Một robot có kích thước bằng con người tạo ra nhiệt lượng gấp đôi so với một người, và robot không có các cơ chế thanh thoát (tuần hoàn toàn thân và đổ mồ hôi) để phân phối và tản nhiệt như con người.

Sau đó là vấn đề về độ tin cậy. Robot có số lượng lớn các bộ phận chuyển động, nhiều bộ phận trong số đó bắt buộc phải tinh vi vì chúng được thiết kế để đẩy giới hạn về kích thước, trọng lượng và hiệu suất. Kết quả là, các nỗ lực hiện tại về robot hình người đa năng thường xuyên gặp sự cố. (Hãy so sánh với cơ thể con người, vốn liên tục phục hồi sau những hao mòn, và có khả năng đáng kể để tự sửa chữa và bù đắp cho những hỏng hóc nhỏ.)

Waymo gặp khó khăn trong việc xử lý các tình huống biên (edge cases). Gần đây, người ta thấy chúng lái xe vào những con đường ngập lụt hoặc đi qua những màn pháo hoa đang cháy. Điều này bất chấp thực tế là xe tự lái đã được phát triển trong hơn hai thập kỷ, và đặc biệt là xe Waymo đã đi được hơn 220 triệu dặm – gấp 250 lần quãng đường một người Mỹ điển hình lái xe trong suốt cuộc đời họ.

(Tôi sẵn sàng nương tay cho họ về vụ pháo hoa; kỷ niệm 255 năm không phải lúc nào cũng diễn ra. Nhưng tôi bối rối không hiểu làm thế nào kỹ thuật của Waymo có thể mạnh mẽ đến mức tạo ra hồ sơ an toàn tốt đến kinh ngạc, nhưng lại cẩu thả đến mức vui vẻ lái xe vào vùng nước sâu.)

Đối với tất cả những tình huống biên kỳ lạ phát sinh khi lái xe – ví dụ kinh điển là một con vịt bị một người phụ nữ ngồi xe lăn cầm chổi đuổi theo – các robot hoạt động trong nhà và doanh nghiệp sẽ gặp phải nhiều tình huống hơn thế. Chúng sẽ phải đối mặt với nhiều nhiệm vụ đa dạng hơn, sử dụng nhiều thiết bị đa dạng hơn (các công cụ khác nhau; các cơ thể robot khác nhau để nắm giữ các công cụ đó), trong nhiều môi trường đa dạng hơn. Đạt được hoạt động đáng tin cậy bên ngoài môi trường được kiểm soát của nhà máy có thể là thách thức khó khăn nhất trong tất cả.

Sự khéo léo, phối hợp, hiểu biết trực quan, lập kế hoạch, phản ứng, thấu hiểu, hợp tác – và thực hiện tất cả những điều này một cách nhanh chóng, an toàn và đáng tin cậy – sẽ cần rất nhiều sức mạnh tính toán. Việc tích hợp năng lực tính toán cần thiết vào chính robot sẽ làm tăng chi phí, tiêu hao pin và góp phần gây quá nhiệt. Để bộ não của robot trên đám mây sẽ làm chậm thời gian phản ứng và tạo ra các chế độ lỗi mới (mất Wi-Fi → robot chết).

Các LLM có thể mở rộng nhanh chóng ngay từ thời điểm ChatGPT ra mắt, vì phần cứng hiện có (GPU) và các cơ sở sản xuất (nhà máy chip) dễ dàng được điều chỉnh để hỗ trợ trường hợp sử dụng mới.

Chuỗi cung ứng quy mô lớn cho robot tiên tiến vẫn chưa tồn tại. Ngay cả khi chúng ta có các thiết kế khả thi, có thể mất nhiều năm trước khi chúng có thể được sản xuất, triển khai và bảo trì trên quy mô lớn. Loại công việc này không xảy ra trong một sớm một chiều; Tesla đã mất 14 năm để tiến từ những thương vụ bán hàng thương mại đầu tiên đến năm đạt một triệu xe đầu tiên. Một phân tích cho thấy rằng một khi phát súng lệnh được bắn ra (robot hình người tiên tiến trở nên có giá trị kinh tế), có thể mất vài năm để mở rộng quy mô sản xuất lên hàng triệu robot mỗi năm. Ngược lại, ChatGPT đã đạt 100 triệu người dùng trong vòng hai tháng kể từ khi ra mắt.