Cuộc tranh luận nảy lửa về 'Mô hình thế giới' tại WAIC: Cơ hội vàng nằm ở những khác biệt

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

2026-07-24 15:29:57 Nguồn: QbitAI

Lin Fangzhou, đưa tin từ Aofeisi

QbitAI | Tài khoản chính thức QbitAI

World Model (Mô hình thế giới) hiện là lĩnh vực "nóng" nhất nhưng cũng ít đạt được sự đồng thuận nhất trong giới AI.

Khái niệm chưa hội tụ, lộ trình kỹ thuật chưa hội tụ, phương thức huấn luyện chưa hội tụ, tiêu chuẩn dữ liệu chưa hội tụ, thước đo đánh giá cũng chưa hội tụ...

Ngày 19 tháng 7, tại diễn đàn "Sáu tiểu long World Model" trong khuôn khổ WAIC, một phiên thảo luận bàn tròn với mật độ thông tin cực cao đã quy tụ những người đứng đầu về kỹ thuật World Model của sáu công ty. Họ bao gồm:

Quan điểm của các khách mời này đại diện cho những tư duy tiên phong nhất của ngành về World Model, rất đáng để lắng nghe.

Năng lực nào là quan trọng?

Những điểm đồng thuận xin được bỏ qua, sự khác biệt giữa các khách mời mới là phần thú vị nhất.

Trước tiên, hãy nhìn vào cuộc tranh luận về lộ trình kỹ thuật của World Model.

Các lộ trình kỹ thuật mà sáu công ty này đang đặt cược, nếu xét theo thước đo "mô hình suy diễn thế giới trong không gian nào", có thể tạm chia thành ba trường phái:

Do đi theo các lộ trình kỹ thuật khác nhau, mỗi công ty đương nhiên có những góc nhìn khác biệt về nhiều vấn đề trọng tâm.

Ví dụ: World Model rốt cuộc cần hiểu thế giới vật lý đến mức độ nào?

Một bên hy vọng nó tiệm cận nhất có thể với một trình mô phỏng vật lý (physics simulator).

Xia Zhongpu từ Wujie Dynamics cho rằng, đánh giá World Model phải dựa vào độ chính xác trong việc dự đoán các trạng thái như hình học, chuyển động, lực, v.v.

Bên còn lại thì cho rằng, robot không nhất thiết phải trở thành nhà vật lý học trước.

Shen Yujun từ Ant Group Lingbo cho rằng "tính hợp lý vật lý" quan trọng hơn "độ chính xác vật lý". Robot chỉ cần hiểu rằng sắt nặng hơn bông thì rơi nhanh hơn, nhưng không cần biết nhanh hơn bao nhiêu, chỉ cần quan sát là đủ.

Ông nói, robot không cần phải tính toán rõ ràng từng quỹ đạo hay tái hiện từng thông số vật lý, chỉ cần biết những khác biệt nào sẽ ảnh hưởng đến hành động trước mắt là đủ.

Về tiêu chuẩn đánh giá năng lực mô hình, các khách mời cũng tồn tại sự bất đồng.

Ren Guanghui từ Agibot cho rằng, tính nhất quán vật lý dài hạn trong suy luận là một trong những chỉ số không thể thiếu để đánh giá năng lực của World Model.

Trong khi đó, Wang Hao từ Zibianliang lại thẳng thắn cho rằng: suy diễn dài hạn là "nhu cầu giả tạo", so với năng lực này, ông coi trọng tính kịp thời của suy luận hơn. Nếu suy luận chậm đến mức bỏ lỡ cửa sổ ra quyết định, thì sự hiểu biết đầy đủ đến mấy cũng vô ích.

Đằng sau sự va chạm về quan điểm, mỗi khách mời đang bảo vệ năng lực mà mô hình của công ty mình sở hữu.

Sự hiểu biết của mô hình về thế giới vật lý, trong không gian ẩn (latent space) có thể trực tiếp hồi quy về các đại lượng vật lý, nên họ dám yêu cầu độ chính xác vật lý; còn việc tạo ảnh pixel vốn dĩ chỉ học được cách "trông có vẻ hợp lý", nên chỉ cam kết tính hợp lý vật lý.

Còn về tính nhất quán dài hạn, World Model của Agibot có một công dụng lớn là làm trình mô phỏng, suy diễn dài hạn chính là huyết mạch của trình mô phỏng; Zibianliang tích hợp World Model và VLA vào cùng một khung end-to-end, dự đoán là bước tiền đề cho việc tạo hành động, dự đoán càng dài thì suy luận càng chậm, chiếm dụng càng nhiều thời gian ra quyết định.

Điều gì sẽ hội tụ trước tiên?

Ngoài cuộc tranh luận về lộ trình kỹ thuật, điều gì có khả năng hội tụ trước tiên trong giai đoạn tiếp theo của World Model?

Nhận định của mọi người cũng không hoàn toàn giống nhau.

Ren Guanghui và Xia Zhongpu cho rằng đó là sự biểu diễn thống nhất (unified representation). Mô hình ngôn ngữ đã tìm thấy token, còn trí tuệ hiện thân (embodied AI) vẫn chưa tìm thấy "token" của riêng mình, các phương thức như thị giác, ngôn ngữ, hành động cần phải được căn chỉnh vào cùng một biểu diễn.

Wang Hao đặt cược vào sự tích hợp: tạo video đóng góp dự đoán tương lai, không gian ẩn đóng góp suy luận, mô hình hóa 3D tường minh đóng góp bộ nhớ không gian, mỗi thứ lấy ưu điểm để ghép thành kiến trúc mới, điều này từng xảy ra trong lịch sử của các mô hình ngôn ngữ lớn.

Sự đặt cược của Shen Yujun lại nằm ở xúc giác. Ông khẳng định, giai đoạn tiếp theo ngành sẽ sớm đạt được đồng thuận: xúc giác sẽ trở thành phương thức không thể thiếu đối với robot. Một khi dữ liệu xúc giác có bước đột phá, World Model của thế giới vật lý và thế giới kỹ thuật số sẽ đi theo những con đường riêng biệt.

Hiện nay, World Model của nhiều robot được chuyển đổi từ các mô hình tạo video trong thế giới kỹ thuật số; trong khi Ant Group Lingbo đang phát triển World Model nguyên bản cho trí tuệ hiện thân, xuất phát từ nhu cầu điều khiển thực thi, dựa trên kiến trúc tự hồi quy (autoregressive) để huấn luyện trước từ đầu, giúp mô hình được thiết kế cho việc "vừa dự đoán, vừa hành động", thay vì chỉ để tạo ra những hình ảnh đẹp mắt.

Tao Dacheng cho rằng, sự hội tụ gần nhất của World Model sẽ không xảy ra ở một lộ trình kỹ thuật cụ thể nào, mà sẽ xảy ra ở một thước đo đánh giá theo chiều ngang.

Ông lấy ví dụ, giống như sự bùng nổ của học sâu (deep learning), không phải mạng thần kinh đã thuyết phục được phái kỹ thuật đặc trưng (feature engineering) trong các cuộc tranh luận, mà là ImageNet đã đưa tất cả các phương pháp vào cùng một thước đo. Khi thước đo được thống nhất, sự hội tụ tự nhiên sẽ xảy ra.

Daxiao Robotics đã công bố PHYSICAL IQ trong diễn đàn, định vị là nền tảng chuẩn đánh giá trí tuệ vật lý đầu tiên dành cho trí tuệ hiện thân, hướng tới đa kịch bản, đa thực thể, đa nhiệm vụ, nhằm định lượng công bằng mức độ trí tuệ vật lý của các thực thể robot và World Model khác nhau.

Từ Demo đến Deployment (Triển khai)

Mặc dù lộ trình kỹ thuật của mỗi bên có sự khác biệt, nhưng khi robot bước vào thế giới vật lý, tiêu chuẩn đánh giá cuối cùng sẽ trở nên rất đơn giản: Liệu nó có thể hoàn thành nhiệm vụ một cách ổn định hay không?