Giải thưởng SIGGRAPH Time of Test: Nghiên cứu tiên phong định hình tương lai AI vật lý từ một thập kỷ trước

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

31-07-2026 17:11:32 Nguồn: QbitAI

Dự án mã nguồn mở đạt hơn 8.000 Star trên GitHub

Yun Zhong, đưa tin từ Aofeisi

QbitAI | Kênh chính thức QbitAI

Tại hội nghị hàng đầu về đồ họa máy tính SIGGRAPH diễn ra vào tháng 7 năm 2026, giải thưởng Test-of-Time Award (Giải thưởng Kiểm chứng theo thời gian) đã được công bố.

Giải thưởng này nhằm vinh danh những bài báo khoa học được công bố cách đây một thập kỷ nhưng vẫn tiếp tục tạo ra ảnh hưởng sâu rộng đến ngành công nghiệp cho đến ngày nay.

Năm nay, vinh dự này thuộc về bài báo "A Deep Learning Framework for Character Motion Synthesis and Editing" (Khung học sâu cho tổng hợp và chỉnh sửa chuyển động nhân vật), được công bố vào năm 2016 bởi Giáo sư Taku Komura thuộc Khoa Khoa học Máy tính, Đại học Hồng Kông cùng các cộng sự.

Công trình này lần đầu tiên sử dụng học sâu (deep learning) để tự động học cấu trúc nội tại của chuyển động con người từ dữ liệu hành động quy mô lớn, sau đó tạo ra các chuyển động nhân vật hình người tự nhiên dựa trên các chỉ dẫn cấp cao.

Vào thời điểm đó, các đột phá về AI chủ yếu tập trung vào lĩnh vực hình ảnh, nhưng công trình này đã hệ thống hóa việc áp dụng học biểu diễn (representation learning) vào việc tạo chuyển động 3D phức tạp, giúp AI chuyển từ việc "học cách nhìn" sang "học cách vận động".

Mười năm sau, ý nghĩa của công trình này đã vượt xa phạm vi tạo chuyển động nhân vật: Cách máy móc học hỏi từ sự vận động và tương tác của con người, hiểu thế giới vật lý và hành động trong đó, đang trở thành vấn đề cốt lõi mà Physical AI (AI vật lý) phải đối mặt.

Hai mươi năm, biến cơ thể thành một ngôn ngữ có thể tính toán

Xoay quanh vấn đề này, Taku Komura đã nghiên cứu trong hơn hai mươi năm.

Ông từng giảng dạy nhiều năm tại Đại học Edinburgh, tập trung nghiên cứu lâu dài về tạo chuyển động, mô phỏng vật lý và công nghệ tương tác.

Năm 2020, ông gia nhập Đại học Hồng Kông và hiện là Giáo sư Khoa Khoa học Máy tính. Ông từng là Chủ tịch hội nghị SIGGRAPH Asia 2025 và được AI 2000 bình chọn là một trong 15 học giả có ảnh hưởng nhất thế giới trong lĩnh vực này.

Cụ thể, ông mong muốn máy móc có thể học được cấu trúc vận động của con người từ dữ liệu, đồng thời hiểu sâu hơn về cách các chuyển động thay đổi theo bối cảnh, vật thể và nhiệm vụ.

Năm 2016, bài báo đạt giải của Taku tại SIGGRAPH đã áp dụng một cách hệ thống học sâu vào việc tổng hợp và chỉnh sửa chuyển động nhân vật.

Nhóm nghiên cứu đã sử dụng bộ mã hóa tự động tích chập (convolutional autoencoder) để học một không gian chuyển động chiều thấp từ dữ liệu bắt chuyển động (motion capture) quy mô lớn, sau đó ánh xạ các điều kiện kiểm soát cấp cao như lộ trình di chuyển vào không gian này.

Nhờ đó, mô hình có thể tạo và chỉnh sửa chuyển động trong khi vẫn giữ được sự tự nhiên của vận động con người.

Chìa khóa của công trình này không nằm ở việc ghi nhớ từng khung hình của dữ liệu huấn luyện, mà ở việc học các biểu diễn chuyển động có thể tái sử dụng.

Theo cách gọi phổ biến ngày nay, nó học một loại "Human Motion Prior" (Tiên nghiệm về chuyển động con người): Những tư thế và sự thay đổi theo thời gian nào thường thuộc về chuyển động tự nhiên của cơ thể người, và làm thế nào để vẫn nằm trong không gian chuyển động đó khi đáp ứng các ràng buộc mục tiêu.

Số lượng trích dẫn của bài báo vẫn tiếp tục tăng cho đến nay, trở thành một công trình nền tảng cho các nghiên cứu về tạo chuyển động dựa trên dữ liệu sau này.

Sau đó, Taku cùng các thành viên trong phòng thí nghiệm tiếp tục đưa các chuyển động vào những bối cảnh phức tạp hơn.

Neural State Machine năm 2019 cho phép các nhân vật kỹ thuật số thực hiện các hành động như ngồi, bê vác, mở cửa và tránh chướng ngại vật dựa trên hình học bối cảnh; trong khi Local Motion Phases năm 2020 giải quyết các vấn đề như đa tiếp xúc, chuyển đổi nhanh và phối hợp toàn thân.

Đối tượng nghiên cứu dần mở rộng từ các chuyển động cơ thể người cô lập sang mối quan hệ giữa cơ thể, vật thể và môi trường.

Năm 2022, công trình DeepPhase do ông và nhóm nghiên cứu đề xuất đã giành giải Bài báo xuất sắc nhất tại SIGGRAPH.

Công nghệ này sử dụng bộ mã hóa tự động định kỳ (periodic autoencoder) để học không gian pha đa chiều từ dữ liệu chuyển động chưa qua xử lý thủ công, nắm bắt cấu trúc thay đổi theo thời gian của các bộ phận cơ thể khác nhau.

Nó cho phép hệ thống không còn phụ thuộc vào các giai đoạn chuyển động đơn lẻ do con người định nghĩa khi truy xuất, căn chỉnh và tổng hợp các chuyển động phức tạp; kết quả tạo ra không chỉ "trông giống" ở một khung hình đơn lẻ mà còn nhất quán hơn về mặt tổ chức thời gian.

Dự án mã nguồn mở AI4Animation được hình thành xoay quanh hướng nghiên cứu này đã đạt hơn 8.000 Star trên GitHub, trở thành một trong những dự án mã nguồn mở có ảnh hưởng nhất trong lĩnh vực tạo chuyển động.

Dự án được các thành viên trong nhóm duy trì liên tục, tập hợp những tích lũy lâu dài của nhóm Taku trong các hướng nghiên cứu như chuyển động hình người, chuyển động bốn chân và tương tác bối cảnh.

Mô hình tiên nghiệm về tương tác con người, tại sao lại quan trọng đối với Embodied AI (AI hiện thân)?

Từ việc bài báo năm 2016 giành giải thưởng Test-of-Time sau một thập kỷ, hướng nghiên cứu chính của Taku có thể được tóm tắt thành một mô hình tiên nghiệm về tương tác con người hoàn chỉnh:

Để mô hình học cách biểu diễn chuyển động tự nhiên của con người trong thế giới thực trước, sau đó học cách con người tương tác với bối cảnh, vật thể và nhiệm vụ, rồi đưa các yếu tố tiếp xúc thực tế, lực tác động và thay đổi môi trường vào mô hình.

Ý nghĩa của lộ trình nghiên cứu này đối với Physical AI đang được ngành công nghiệp robot kiểm chứng.

Chi phí thu thập dữ liệu điều khiển từ xa (teleoperation) trên máy thật rất cao, bối cảnh hạn hẹp và chuyển động không tự nhiên, nên việc dựa vào đó để xây dựng năng lực tổng quát là không thực tế; để máy móc học cách làm việc trong thế giới thực, nguồn dữ liệu khả thi hơn chính là các thao tác hàng ngày của con người.

Tuy nhiên, dữ liệu của con người không phải cứ thu thập là có thể dùng ngay.

Để thu thập đủ số lượng, phần cứng phải đủ rẻ để triển khai rộng rãi, nhưng các cảm biến chi phí thấp lại thường có độ nhiễu cao và thiếu hụt thông tin.