Amap ra mắt Phys AI Data: Nền tảng dữ liệu không gian toàn diện đầu tiên cho AI vật lý

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

08/07/2026 15:42:27 Nguồn: QbitAI

Ngày 8 tháng 7, AutoNavi (Gaode) thuộc Tập đoàn Alibaba đã chính thức ra mắt hệ thống dữ liệu Phys AI Data. Đây là nền tảng dữ liệu không gian một cửa đầu tiên trong ngành dành cho việc huấn luyện và ứng dụng AI vật lý, bao gồm hai sản phẩm cốt lõi: Phys AI Foundry dành cho huấn luyện mô phỏng và Phys AI Map dành cho các ứng dụng thực tế.

Khi AI vật lý tiến vào thế giới mở, rào cản đầu tiên chính là dữ liệu. Để huấn luyện một robot có thể vận hành trong môi trường thực tế, cần cả tư liệu huấn luyện gốc bao phủ các bối cảnh mở, lẫn khả năng giúp robot "đọc hiểu" không gian mở mà nó đang hiện diện. Sự ra đời của Phys AI Data cung cấp giải pháp tích hợp cho hai điểm nghẽn lớn này của ngành: Phys AI Foundry chịu trách nhiệm "đưa" thế giới thực vào mô hình, giải quyết vấn đề "thiếu thực hành" của mô hình bằng hàng triệu giờ dữ liệu độ trung thực cao; trong khi Phys AI Map "nạp" bộ nhớ không gian của AutoNavi vào robot, sử dụng bản đồ ngữ nghĩa chuyên dụng để giúp robot "không bị lạc đường khi ra ngoài".

Phys AI Foundry: Nhà máy dữ liệu tích hợp

Là nhà máy dữ liệu tích hợp được thiết kế riêng cho huấn luyện AI vật lý, Phys AI Foundry kết hợp ba lộ trình dữ liệu: thu thập từ máy thực, dữ liệu tổng hợp và tái tạo mô phỏng, tạo nên một động cơ cung cấp dữ liệu chất lượng cao "ba trong một". Nhờ sự hỗ trợ huấn luyện từ Phys AI Foundry, hệ thống具身 (embodied AI) toàn diện ABot mà AutoNavi đã ra mắt trước đó đã đạt được SOTA (trạng thái tốt nhất) trong 15 bài kiểm tra uy tín trên toàn cầu.

Dựa trên lợi thế thu thập dữ liệu thực tế của AutoNavi trong các bối cảnh đa kênh trong nhà và ngoài trời, Phys AI Foundry đã tích lũy được bộ dữ liệu hành động robot theo bối cảnh với quy mô hàng triệu, bám sát các nhiệm vụ thực tế. Ngay từ lần huấn luyện đầu tiên, robot đã được đặt trong vòng lặp quan sát, hành động và phản hồi trong môi trường thực. Mô hình nền tảng điều khiển具身 ABot-M0 mà AutoNavi công bố trước đó được huấn luyện dựa trên bộ dữ liệu này và đã đạt SOTA trong bốn tiêu chuẩn điều khiển具身 chính (tính đến tháng 4 năm 2026).

Ngoài việc thu thập từ máy thực, Phys AI Foundry còn xây dựng động cơ tổng hợp dữ liệu tự động hoàn toàn, có khả năng tạo hàng loạt dữ liệu video đa phương thức với các đặc tính chuỗi thời gian dài, tính nhân quả mạnh và tính tương tác cao, giúp bổ sung có mục tiêu các nhiệm vụ phức tạp, dài hạn mà việc thu thập từ máy thực khó bao phủ hết. Việc huấn luyện dòng mô hình thế giới ABot-World của AutoNavi đã sử dụng lượng lớn dữ liệu tổng hợp này, giúp mô hình trở thành mô hình đầu tiên trên thế giới đạt SOTA ở cả ba khía cạnh: tuân thủ vật lý, khả năng kiểm soát hành động và khả năng khái quát hóa không cần mẫu (zero-shot generalization).

Về khía cạnh tái tạo mô phỏng, dựa trên dữ liệu không gian - thời gian khổng lồ của riêng mình, Phys AI Foundry có thể tái tạo 1:1 với độ trung thực cao cho bất kỳ bối cảnh thực nào, cung cấp sân chơi huấn luyện mô hình chuyên biệt an toàn, có thể kiểm soát và chi phí thấp cho các bài huấn luyện "đuôi dài" như thời tiết đặc biệt hoặc bối cảnh đặc thù. Khả năng này cùng với ABot-Earth của AutoNavi đã hỗ trợ việc huấn luyện mô phỏng cho Gaode Tutu - robot具身 tự chủ hoàn toàn trong môi trường mở đầu tiên trên thế giới.

Phys AI Map: Bộ não bộ nhớ không gian

Khi AI vật lý tiến vào thế giới mở, vấn đề thực sự gây tắc nghẽn thường không phải là "có di chuyển được không", mà là "không biết mình đang ở đâu và bước tiếp theo nên đi đâu". Bản đồ điều hướng thông thường phục vụ con người, con người có thể dựa vào kiến thức thông thường để đưa ra lựa chọn đúng đắn mà không cần thông tin điều hướng độ chính xác cao. Nhưng robot không có kiến thức thông thường này, thứ chúng cần là bản đồ không gian mà thuật toán có thể đọc hiểu và áp dụng.

Phys AI Map chính là "bộ não bộ nhớ không gian" mà AutoNavi tạo ra để giải quyết vấn đề trên, giúp robot "nhìn hiểu, ghi nhớ và đi đúng" trong thế giới mở.

Khác với ngữ nghĩa văn bản, ngữ nghĩa không gian thường được biểu thị bằng hình ảnh, ký hiệu đồ họa... Nếu mô hình không hiểu hoặc hiểu không đầy đủ sẽ ảnh hưởng đến sự an toàn của robot trong thế giới mở. Phys AI Map đã xây dựng thư viện ngữ nghĩa không gian dành riêng cho robot, cho phép mô hình đọc hiểu các thông tin không gian như "đâu là khu vực thi công, đâu là nơi thiếu ánh sáng", nâng cấp bản đồ từ tọa độ thành môi trường có thể suy luận.

Để giúp robot "ghi nhớ" thế giới thực, Phys AI Map đã xây dựng mạng lưới đường đi không gian tinh vi, hoàn thành việc bao phủ 90% các bối cảnh trong nhà có lưu lượng cao, hiện thực hóa sự thông suốt giữa trong nhà và ngoài trời, cho phép robot di chuyển liên tục qua các tầng và khu vực trong không gian mở.

"Đi đúng" là khó khăn cốt lõi hỗ trợ robot thực hiện nhiệm vụ trong môi trường thực tế. Phys AI Map bố trí các điểm neo thị giác đa phương thức tại các điểm quyết định quan trọng như ngã rẽ, cửa thang cuốn. Robot thông qua camera tích hợp có thể hoàn thành việc tự định vị ở cấp độ mili giây, từ đó đưa ra suy luận và lập kế hoạch lộ trình chính xác.

Hiện tại, Phys AI Data đã được mở hoàn toàn cho ngành công nghiệp具身智能 (embodied AI), hỗ trợ truy cập API tiêu chuẩn hóa và dịch vụ dữ liệu tùy chỉnh. Điều này có nghĩa là các doanh nghiệp liên quan không cần tốn kém chi phí khổng lồ để tự thu thập dữ liệu hoặc đo đạc bản đồ không gian từ đầu, mà có thể trực tiếp sử dụng kho dữ liệu huấn luyện khổng lồ và "bộ não bộ nhớ không gian" mà AutoNavi đã tích lũy.

Bài viết này do AutoNavi cung cấp, QbitAI được ủy quyền đăng tải lại, quan điểm thuộc về tác giả gốc.

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, mọi hành vi vi phạm sẽ bị xử lý theo pháp luật.