Trò chuyện cùng Lang Hàm Bằng: Khởi nghiệp robot để tái định nghĩa sản xuất hàng loạt xe tự lái

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

Đối thoại với Lang Xianpeng: Khởi nghiệp robot để tái hiện kỳ tích "sản xuất hàng loạt 1,5 triệu xe tự lái"

15-08-2026 12:21:09 Nguồn: QbitAI

Toàn văn 19.000 chữ

Deng Simiao đưa tin từ Aofeisi

QbitAI | Kênh chính thức QbitAI

Là một trong những nhân sự chủ chốt đưa hệ thống lái xe thông minh của Li Auto từ con số 0 lên quy mô sản xuất 1,5 triệu xe, Lang Xianpeng lại gọi tám năm vừa qua là "điểm khởi đầu cho hành trình khám phá trí tuệ hiện thân (embodied AI)" của chính mình.

Ông cùng Ren Geng, người từng làm việc tại Huawei, đã đồng sáng lập nên Kunlun Hang.

Chỉ trong vòng ba tháng sau khi thành lập, startup về trí tuệ hiện thân này đã huy động được hàng tỷ nhân dân tệ và gia nhập câu lạc bộ kỳ lân.

Tuy nhiên, trong cuộc phỏng vấn này, điều ông nhấn mạnh nhiều lần không phải là việc gọi vốn, mà là hai khía cạnh khác.

Thứ nhất, điều mà trí tuệ hiện thân thực sự cần giải quyết chính là "sự thấu hiểu".

Vì vậy, Kunlun Hang lựa chọn lộ trình mô hình thế giới nhân quả vật lý và "biên dịch dữ liệu" (data compilation), với hy vọng robot có thể học được các quy luật vật lý cốt lõi đằng sau.

Thứ hai, mục tiêu cuối cùng của trí tuệ hiện thân chính là sản xuất hàng loạt và khả năng tự tạo ra dòng tiền.

Theo góc nhìn của Lang Xianpeng, trí tuệ hiện thân ngày nay rất giống với ngành xe tự lái giai đoạn 2015-2016: lộ trình chưa rõ ràng, các bản demo xuất hiện tràn lan, và cuộc thanh lọc thực sự chỉ bắt đầu khi việc bàn giao quy mô lớn diễn ra.

Nếu chỉ dựa vào gọi vốn, không ai có thể đi đến đích cuối cùng của trí tuệ hiện thân.

Trong cuộc phỏng vấn này, chúng tôi đã trò chuyện chi tiết với Lang Xianpeng về ba chặng đường sự nghiệp của ông từ Baidu, Li Auto đến Kunlun Hang; về kỹ thuật biên dịch dữ liệu và mô hình thế giới nhân quả vật lý đằng sau tư duy "thấu hiểu thay vì bắt chước"; về bốn loại hình trí tuệ và nhịp độ sản xuất hàng loạt của trí tuệ hiện thân; cũng như thời điểm và nguyên nhân dẫn đến cuộc "đại chiến robot" sắp tới.

Bạn có thể đăng ký theo dõi podcast video của chúng tôi để xem bản đầy đủ trên các nền tảng như Video Account, Bilibili, Douyin, Xiaohongshu, Xiaoyuzhou, Ximalaya, v.v.

Dưới đây là nội dung chi tiết của cuộc đối thoại.

Chìa khóa để AI ứng dụng thực tế chính là dữ liệu

QbitAI: Trước khi sáng lập Kunlun Hang, những trải nghiệm then chốt nào đã định hình nên con người ông và đưa ông đến vị trí ngày hôm nay?

Lang Xianpeng: Tôi nghĩ có ba giai đoạn trải nghiệm mang tính quyết định.

Giai đoạn đầu tiên là thời gian tôi làm nghiên cứu sinh tiến sĩ.

Phòng thí nghiệm nơi tôi theo học là Phòng thí nghiệm trọng điểm quốc gia về robot. Sau đó, tôi chuyển sang các phòng nghiên cứu khác theo sự hướng dẫn của giáo sư. Giờ đây, sau bao vòng xoáy, tôi lại quay về làm robot. Tôi cảm thấy đây là sự sắp đặt của định mệnh.

Thời gian làm nghiên cứu sinh đã giúp tôi rèn luyện những năng lực nền tảng về học thuật và nghiên cứu khoa học, tạo tiền đề vững chắc cho mọi công việc nghiên cứu sau này của tôi.

Trải nghiệm thứ hai là tại Baidu.

Công việc đầu tiên của tôi tại Baidu là làm về chế độ xem đường phố (street view), cụ thể là trích xuất và làm mờ các thông tin cá nhân như khuôn mặt người và biển số xe.

Khi thực hiện công việc này, chúng tôi đã sử dụng các phương pháp machine learning và CV truyền thống, nhưng kết quả thực sự không mấy khả quan.

Sau đó, chúng tôi chuyển sang sử dụng deep learning. Vì Baidu là công ty nghiên cứu và ứng dụng deep learning sớm nhất, điều đó đã tạo ra cú sốc lớn đối với tôi lúc bấy giờ.

Quả thực, sau khi áp dụng deep learning, độ chính xác và tỷ lệ thu hồi (precision and recall) đều tăng lên, cải thiện khoảng 15 điểm phần trăm, từ mức hơn 70% lên 85%.

Tuy nhiên, đáng tiếc là bản thân mô hình vẫn có sự khác biệt so với việc triển khai kỹ thuật thực tế.

Bởi vì độ chính xác 85% đồng nghĩa với việc cứ 100 khung hình được gắn nhãn, sẽ có 15 khung bị bỏ sót. Bạn vẫn phải sửa thủ công 30 khung hình đó, và việc phải tìm chúng trong 100 khung hình còn tốn thời gian hơn là tự gắn nhãn lại từ đầu.

Vì vậy, từ tính tiên tiến của công nghệ đến việc triển khai kỹ thuật thực tế vẫn còn một khoảng cách rất lớn cần phải san lấp. Đây là hai bài học lớn mà tôi rút ra được.

Thứ ba, thành quả lớn nhất của tôi tại Baidu chính là nhận ra giá trị quyết định của dữ liệu đối với các ứng dụng trí tuệ nhân tạo.

Như đã đề cập, độ chính xác 85% vẫn chưa thể sử dụng được. Sau đó, chúng tôi quay lại nghiên cứu và nhận thấy rằng khi không thể thay đổi mô hình, thứ duy nhất chúng tôi có thể tác động chính là dữ liệu.

Chúng tôi đã tăng gấp đôi quy mô dữ liệu, gắn nhãn chính xác lại những lỗi sai, sử dụng một mô hình mã nguồn mở thời bấy giờ, và kết quả thật kinh ngạc: độ chính xác đạt tới 90%.

Chúng tôi đã rất sốc. Hóa ra chìa khóa để AI ứng dụng thực tế, dù mô hình rất quan trọng, nhưng dữ liệu mới là yếu tố then chốt hơn cả.

Trải nghiệm thứ ba mà tôi cho là quan trọng nhất chính là tại Li Auto.

Chúng tôi đã mất 8 năm để thực sự đi từ 0 đến 1, rồi đến 100, đưa công nghệ lái xe tự động từ các bản Demo dần dần trở thành sản phẩm sản xuất hàng loạt, và cuối cùng là triển khai quy mô lớn trên 1,5 triệu xe.