Từ mô hình đến thực tiễn: Starrydata và hệ sinh thái công nghiệp thúc đẩy tương lai của trí tuệ hiện thân

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

Từ mô hình đến năng suất: Starship AI cùng hệ sinh thái công nghiệp khám phá điểm đến tiếp theo của trí tuệ hiện thân (Embodied AI)

22-08-2026 16:41:41 Nguồn: QbitAI

Đưa công nghệ trí tuệ hiện thân thực sự đi vào ứng dụng trong mọi ngành nghề.

Ngày 21 tháng 8, trong khuôn khổ Hội nghị Robot Thế giới 2026, Starship AI đã tổ chức diễn đàn công nghệ và ứng dụng công nghiệp với chủ đề "Từ mô hình đến năng suất" tại Trung tâm Hội nghị và Triển lãm Beiren Yichuang. Diễn đàn đã quy tụ các chuyên gia nghiên cứu từ các trường đại học trong và ngoài nước, các nhà phát triển, lãnh đạo doanh nghiệp cùng thảo luận xoay quanh đổi mới mô hình nền tảng hiện thân, sự tiến hóa của thiết bị hoàn chỉnh, triển khai thương mại và các giới hạn công nghệ, qua đó trình bày những tư duy mới nhất về sự lặp lại công nghệ và ứng dụng công nghiệp.

Mở khóa ba tiến bộ cốt lõi về công nghệ, G0.5 MAX sắp ra mắt

Zhao Xing, Giám đốc Khoa học của Starship AI, trong bài phát biểu với tiêu đề "Từ mô hình đến năng suất: Xây dựng vòng lặp hệ thống cho trí tuệ hiện thân tổng quát", đã chỉ ra rằng công nghệ trí tuệ hiện thân đang tiến hóa theo ba cấp độ: trí tuệ bản năng, trí tuệ tác nghiệp và trí tuệ tiến hóa. Ngành công nghiệp đang chuyển mình từ những đột phá công nghệ đơn lẻ sang giai đoạn cạnh tranh mang tính hệ thống về mô hình, dữ liệu, thực thể, cơ sở hạ tầng và hệ thống ứng dụng. Dựa trên nhận định này, Starship AI đã xây dựng một bánh đà năng suất trí tuệ hiện thân hoàn chỉnh: bắt đầu từ các kịch bản công nghiệp để tích lũy dữ liệu thực tế, thông qua dữ liệu để thúc đẩy sự lặp lại và tiến hóa của mô hình, sau đó mô hình trao quyền cho robot thực hiện các tác vụ vật lý, dựa vào cơ sở hạ tầng để hỗ trợ cụm máy liên tục lặp lại và tối ưu hóa, cuối cùng phản hồi ngược lại các ứng dụng công nghiệp, tạo thành một vòng lặp tích cực tự củng cố.

Ba tiến bộ quan trọng về nền tảng công nghệ bao gồm:

Thứ nhất, nâng cấp mô hình nền tảng G0.5 và cùng xây dựng mã nguồn mở.

Mô hình nền tảng G0.5 tích hợp sáng tạo chuỗi tư duy hành động nguyên bản, thống nhất khả năng nhận diện hình ảnh, hiểu ngôn ngữ, suy luận logic và tạo hành động trong một luồng dữ liệu tự hồi quy. Kể từ khi ra mắt, G0.5 đã vượt qua hiệu suất SOTA của ngành trên 8 tiêu chuẩn đánh giá quốc tế uy tín như LIBERO và RoboTwin 2.0. Đồng thời, phiên bản G0.5 MAX sắp được phát hành, giúp tăng cường hơn nữa khả năng tổng thể của mô hình.

Để thúc đẩy xây dựng hệ sinh thái mã nguồn mở trong ngành, Starship AI cũng chính thức khởi động "Kế hoạch tái hiện G0.5". Kế hoạch này mở hoàn toàn trọng số mô hình, giao diện suy luận, tiêu chuẩn đánh giá và bộ công cụ tinh chỉnh cho các tổ chức nghiên cứu và nhà phát triển trên toàn cầu. Xoay quanh ba hướng "tái hiện mô phỏng", "tái hiện máy thực" và "cùng sáng tạo mã nguồn mở", kế hoạch khuyến khích các nhà phát triển thực hiện kiểm chứng chuyên sâu.

Thứ hai, giới thiệu kế hoạch mô hình lớn tiền huấn luyện thế giới Fast-WAM.

Mô hình này bỏ qua bước tạo video tương lai trong giai đoạn suy luận, rút ngắn độ trễ suy luận từng bước từ khoảng 800ms của mô hình truyền thống xuống còn 190ms, đạt tốc độ nhanh gấp hơn 4 lần. Zhao Xing tiết lộ rằng mô hình lớn tiền huấn luyện dựa trên kiến trúc Fast-WAM cũng sẽ sớm được ra mắt, hứa hẹn mang lại tốc độ suy luận nhanh hơn và khả năng tổng quát hóa mạnh mẽ hơn trên nhiều nhiệm vụ, đối tượng và kịch bản khác nhau.

Thứ ba, chính thức ra mắt hệ thống học tăng cường phân tán G-Fleet. Là cơ sở hạ tầng phân tán hướng tới việc học tập liên tục cho các cụm robot thực tế, G-Fleet hỗ trợ toàn diện quy trình từ phân phối chiến lược cấp cụm, triển khai song song trên máy thực, phản hồi dữ liệu kịch bản thực tế, hiệu chỉnh can thiệp thủ công, huấn luyện học tăng cường phân tán, đến đánh giá tự động và phát hành phiên bản. Hệ thống này khép kín vòng lặp "triển khai mô hình - tương tác thế giới thực - sàng lọc dữ liệu - huấn luyện lặp lại - phát hành phiên bản mới", giải quyết bài toán khó của ngành về việc làm thế nào để hoàn thành quá trình tiến hóa liên tục một cách an toàn và hiệu quả trong môi trường vật lý sau khi triển khai số lượng lớn robot thực tế.

Robot hai tay có bánh xe thế hệ mới Nexo dẫn đầu, ba sản phẩm thiết bị hoàn chỉnh mới mang theo năng suất

Li Tianwei, Đối tác kiêm COO của Starship AI, đã có bài phát biểu với tiêu đề "Sự tiến hóa của thiết bị hoàn chỉnh thế hệ tiếp theo hướng tới năng suất trí tuệ hiện thân". Ông mở đầu bằng việc chỉ ra mệnh đề cốt lõi trong thiết kế thiết bị: "Đối với trí tuệ, sự lặp lại là vô tận; nhưng đối với phần cứng, bắt buộc phải có sự tập trung."

Ông phân tách "trí tuệ định nghĩa thực thể" thành ba ý nghĩa kỹ thuật: trí tuệ chú trọng tốc độ, thiết bị cung cấp nhịp độ cơ điện; trí tuệ chú trọng độ chính xác, thiết bị cung cấp độ chính xác lặp lại 0,1mm và hỗ trợ kiểm soát lực 0,1N; trí tuệ chú trọng khả năng tổng quát hóa, thiết bị phải có khả năng chuyển đổi hoàn chỉnh từ dữ liệu điều khiển từ xa sang dữ liệu Egocentric. Thiết bị hoàn chỉnh không phải là một "cái vỏ" thụ động, mà là sự mở rộng vật lý của năng lực trí tuệ.

"Ngày nay, trí tuệ định nghĩa thực thể không còn là người đưa ra ý kiến cốt lõi duy nhất, chúng ta đã có một nhóm những người đưa ra ý kiến quan trọng mới - đó là các khách hàng công nghiệp." Li Tianwei chỉ ra rằng họ đưa ra những yêu cầu về độ tin cậy, tuổi thọ và khả năng thích ứng với môi trường thay đổi nóng lạnh vượt xa các nguyên mẫu trong phòng thí nghiệm, đây chính là hướng đi trọng tâm mà Starship AI đã tập trung giải quyết trong năm qua. Tại sự kiện, ba nền tảng thiết bị hoàn chỉnh mới nhất cũng đã được công bố:

Một là robot hình người có bánh xe thế hệ mới Nexo, được định vị là "thực thể hiện thân" cho các tác vụ tổng quát, sản phẩm được trang bị khả năng cảm ứng lực điều khiển đám mây toàn diện, hai tay có tải trọng đỉnh lên tới 20 kg, hướng tới bốn kịch bản ứng dụng: thương mại điện tử bán lẻ, sản xuất công nghiệp, chuyển phát nhanh logistics và dịch vụ thương mại. Nexo được trang bị thời lượng pin 8 giờ, có thể hỗ trợ vận hành liên tục 7x24 giờ và cung cấp ba chế độ nạp năng lượng: sạc nhanh, thay pin và tự động quay về sạc.

Hai là sản phẩm hình người hai chân Kengo, hệ thống truyền động cơ điện do Starship AI tự nghiên cứu phát triển, nhắm tới các kịch bản phi cấu trúc mà khung gầm bánh xe khó tiếp cận như năng lượng, điện lực, thăm dò toàn diện và kiểm tra thiết bị.

Ba là Lemo dành cho hệ sinh thái nhà phát triển, một nền tảng thao tác để bàn hai tay có hiệu suất chi phí cao, thông qua hệ thống điều khiển từ xa tự phát triển có thể thực hiện các thao tác tinh vi như xỏ kim.

Li Tianwei cũng cho biết: Tính đến nay, Starship AI đã bàn giao hàng nghìn đơn hàng năng suất thực tế dựa trên mô hình, mục tiêu bàn giao năm tới là hơn mười nghìn đơn vị. Đằng sau thành quả này là sự chung tay xây dựng năng lực sản xuất từ các đối tác công nghiệp, cùng với sự lặp lại và rèn luyện liên tục của thiết bị hoàn chỉnh về độ tin cậy, tuổi thọ và khả năng thích ứng với môi trường nhiệt độ rộng. "Sự thành công của trí tuệ hiện thân không phải là thành công của riêng một cá nhân hay doanh nghiệp nào, mà chắc chắn là nỗ lực chung của toàn bộ hệ sinh thái công nghiệp".

Hội tụ góc nhìn toàn cầu đa dạng, sức mạnh công nghệ AI tiên phong thế hệ mới va chạm tại cùng một điểm

Hai phiên thảo luận bàn tròn đã diễn ra từ hai khía cạnh: triển khai thương mại và khám phá công nghệ.

Bàn tròn công nghiệp do Yu Lei, Đối tác kiêm Chủ tịch Marketing và Dịch vụ của Starship AI chủ trì, với sự tham gia của Ashish Kapoor (Nhà sáng lập kiêm CEO General Robotics), Edwin Yap (Nhà sáng lập Mr.Robot kiêm CEO Jemco Group), Wang Kai (CTO Tập đoàn Dematic Technology) và Tian Ruilin (Chuyên gia cao cấp về trí tuệ hiện thân tại JD Retail).

Yu Lei chỉ ra rằng việc robot có thực sự đạt được năng suất hay không phụ thuộc vào nhiều yếu tố như nhu cầu thị trường, sự lặp lại công nghệ, tích lũy dữ liệu, chuỗi cung ứng và khả năng thông suốt của mô hình kinh doanh, nhưng ông nhận định ngày đó sẽ đến nhanh hơn tưởng tượng. Wang Kai thẳng thắn cho biết thị trường nước ngoài có chu kỳ hoàn vốn (ROI) ngắn hơn và khách hàng chấp nhận khả năng của robot hiện tại cao hơn, chiến lược của Dematic là "xuất khẩu trước, thâm canh trong nước sau"; tuy nhiên ông cũng chỉ ra rằng liệu ROI có khả thi hay không vẫn là nút thắt cuối cùng để triển khai quy mô lớn. Tian Ruilin bổ sung từ góc độ doanh nghiệp lớn rằng JD dự kiến triển khai hàng triệu robot vào năm 2028, trao quyền cho các ngành công nghiệp thông qua kiến trúc nền tảng tổng quát kết hợp mô hình dọc.

Các khách mời nước ngoài đã cung cấp góc nhìn quan sát từ các thị trường khác nhau. Ashish Kapoor cho biết các doanh nghiệp Bắc Mỹ đã coi robot là "câu hỏi bắt buộc", nhưng kỳ vọng ROI quá cao và sự biến động nhân sự lớn vẫn là rào cản cho việc triển khai dài hạn. Edwin Yap kết hợp kinh nghiệm tại Đông Nam Á chỉ ra rằng khu vực này không thể áp dụng chiến lược thống nhất; các thị trường như Malaysia, Việt Nam có chi phí thấp, nhiều kịch bản thủ công, ngược lại trở thành mảnh đất màu mỡ cho việc thu thập dữ liệu robot. Nhiều khách mời đề cập rằng sự hợp tác hệ sinh thái xuyên doanh nghiệp, xuyên quốc gia sẽ trở thành xu hướng của ngành.

Bàn tròn công nghệ do Chen Qian, đồng sáng lập Silicon Valley 101 chủ trì, với sự tham gia của Zhao Xing (Giám đốc Khoa học Starship AI), Yang Shiyuan (Đồng sáng lập DynaRobotics - trực tuyến), Huang Siyuan (Giám đốc Trung tâm Robot hiện thân, Viện Nghiên cứu Trí tuệ Nhân tạo Tổng quát Bắc Kinh), Yu Chao (Trợ lý Giáo sư tại Viện Nghiên cứu Sau đại học Quốc tế Thâm Quyến, Đại học Thanh Hoa), Zhu Yichen (Nhà sáng lập kiêm CEO Current Robotics) và Li Haoxuan (Trợ lý Giáo sư tại Viện Nghiên cứu Trí tuệ Nhân tạo, Đại học Bắc Kinh).

Đối với tranh cãi "liệu mô hình thế giới có phải chỉ là từ khóa nóng của ngành", các khách mời cho rằng lộ trình công nghệ trong ngành vẫn chưa hội tụ - một số đội ngũ chú trọng học tập biểu diễn, một số tập trung xây dựng trình mô phỏng, và một số khác chuyển sang mô hình hóa 3D.

Yang Shiyuan chia sẻ dữ liệu phản trực giác từ Thung lũng Silicon: sau khi tiền huấn luyện dựa trên hàng triệu giờ video của con người, độ chính xác của mô hình trên tập kiểm tra robot lại giảm xuống, chứng minh rằng tồn tại một khoảng cách lớn giữa "hiểu thế giới" và "bắt tay vào làm việc". Zhao Xing cho rằng không gian thu thập dữ liệu hiện thân là đủ lớn, cùng với sự thúc đẩy của công nghiệp, vấn đề cung cấp dữ liệu không cần quá lo lắng. Yu Chao chỉ ra rằng tiền huấn luyện vạch ra giới hạn năng lực, hậu huấn luyện mới là chìa khóa để mở rộng giới hạn, nhưng hiện tại vẫn phụ thuộc nhiều vào sự can thiệp của con người, quy mô lớn vẫn còn một khoảng cách. Li Haoxuan bổ sung từ góc độ suy luận nhân quả rằng việc huấn luyện hiện nay chủ yếu dừng lại ở mức độ tương quan, robot cần có khả năng tư duy phản thực tế thì mới thực sự hiểu được mối quan hệ nhân quả giữa hành động và kết quả.

Kết thúc bàn tròn, mỗi khách mời tóm tắt hướng đi cần đột phá nhất của ngành trong một câu, các quan điểm hội tụ thành năm mệnh đề then chốt: kiến trúc mô hình đa phương thức nguyên bản, sử dụng hiệu quả dữ liệu con người, khả năng suy luận nhân quả, cùng xây dựng mã nguồn mở cơ sở hạ tầng, và lặp lại khép kín các kịch bản giá trị cao.

Diễn đàn lần này đã trình bày tập trung năng lực hệ thống hoàn chỉnh của Starship AI từ mô hình, cơ sở hạ tầng đến thiết bị hoàn chỉnh. Hiện nay, trí tuệ hiện thân đang ở giai đoạn then chốt chuyển mình từ nguyên mẫu phòng thí nghiệm sang năng suất công nghiệp, không chỉ cần những đột phá liên tục về thuật toán nền tảng, mà còn không thể thiếu sự mài giũa kỹ thuật phần cứng, xây dựng hệ sinh thái mã nguồn mở và tích lũy từ các kịch bản thực tế. Trong tương lai, công ty sẽ tiếp tục thúc đẩy sự lặp lại phối hợp giữa mô hình và thực thể, liên kết các đối tác sản xuất, học thuật và nghiên cứu, để công nghệ trí tuệ hiện thân thực sự đi vào ứng dụng trong mọi ngành nghề.

Bản quyền thuộc về đơn vị sở hữu, không được phép sao chép và sử dụng dưới mọi hình thức khi chưa được ủy quyền, những trường hợp vi phạm sẽ bị xử lý theo pháp luật.