Đột phá: Mô hình video MoE đầu tiên trên thế giới dành riêng cho robot đã được mã nguồn mở

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

09-07-2026 13:47:05 Nguồn: QbitAI

Điểm đến tiếp theo của tạo video, có lẽ là bộ não cho robot

Kim Lỗi đưa tin từ Aofei Temple

QbitAI | Kênh chính thức QbitAI

Cuối cùng, mô hình video dành riêng cho trí tuệ hiện thân (Embodied AI) đã xuất hiện!

Không dài dòng nữa, hãy cùng xem ngay kết quả tạo video:

Địa chỉ video: https://mp.weixin.qq.com/s/shwkij9ul5GpCBfNYMxU7Q

Đây chính là LingBot-Video vừa được Ant Group chính thức mã nguồn mở—

Mô hình nền tảng video MoE quy mô lớn đầu tiên trên thế giới dành cho trí tuệ hiện thân, đồng thời là một công cụ vật lý video.

Có lẽ nhiều bạn sẽ thắc mắc: những cảnh như robot cắt cà chua, hút bụi ga trải giường hay sắp xếp son môi trong video vừa rồi, chẳng phải nhiều AI tạo video hiện nay cũng làm được sao?

Đúng là như vậy.

Nhưng vì LingBot-Video được gọi là mô hình video chuyên biệt cho trí tuệ hiện thân, điều đó có nghĩa là toàn bộ quy trình từ kiến trúc, dữ liệu cho đến mục tiêu huấn luyện đều được "đo ni đóng giày" cho robot và các tác nhân hình người.

Hơn nữa, sự quan tâm của các AI tạo video khác chủ yếu tập trung vào thời lượng, tính thẩm mỹ, chất lượng hình ảnh, kỹ thuật quay phim, v.v.

Nhưng với LingBot-Video, ưu tiên hàng đầu lại là sự tuân thủ các quy luật vật lý.

Ngoài ra, những điểm nổi bật của LingBot-Video còn bao gồm:

Ngay khi vừa mã nguồn mở, LingBot-Video đã gây ra một cuộc thảo luận sôi nổi trong cộng đồng mạng, họ thốt lên rằng:

Chức năng của nó không chỉ dừng lại ở việc tạo video; quá trình huấn luyện quy mô lớn như vậy giúp mô hình hiểu sâu sắc hơn về các tương tác trong thế giới thực.

Tại sao robot lại cần mô hình video riêng?

Đối với câu hỏi này, câu trả lời thực tế khá thực dụng và là nhu cầu cấp thiết.

Mục tiêu huấn luyện của các mô hình video phổ thông chủ yếu xoay quanh chất lượng hình ảnh, sự đồng nhất về ngữ nghĩa và tính liên tục của chuyển động. Khi con người xem video, họ dễ bị thu hút bởi chất lượng hình ảnh, ánh sáng, bố cục và phong cách.

Nhưng cách robot nhìn thế giới lại hoàn toàn khác biệt.

Nó không chỉ nhìn thấy một chiếc cốc, mà còn phải phán đoán xem sau khi mình đưa tay ra, chiếc cốc sẽ di chuyển thế nào; nhìn thấy một con đường, còn phải phán đoán xem nếu đi qua đó, liệu có va phải chướng ngại vật hay không...

Vì vậy, chúng ta có thể coi video nội dung và video hiện thân thực chất là hai hệ thống đánh giá khác nhau.

△ Hình ảnh do AI tạo ra

Những lỗi như vật thể xuyên thấu, vật thể biến mất đột ngột hay chuyển động trái với quán tính thỉnh thoảng xuất hiện trong các mô hình phổ thông có thể chỉ là khiếm khuyết đối với việc sáng tạo video ngắn. Khán giả xem qua cùng lắm chỉ chê một câu "đậm chất AI".

Nhưng nếu dùng những video lỗi này để huấn luyện robot, thì vấn đề sẽ trở nên nghiêm trọng.

Bởi vì điều đó tương đương với việc dạy robot một bộ quy luật thế giới sai lệch, chúng sẽ lầm tưởng rằng tay có thể xuyên qua vật thể, chiếc cốc có thể tự phục hồi mà không có lý do, chất lỏng có thể lơ lửng giữa không trung...

Vì vậy, video do LingBot-Video tạo ra chính là để giúp bộ não của robot học được các quy luật vật lý chân thực.

Ví dụ như ba nhóm video về bối cảnh công nghiệp được tạo ra dưới đây:

Địa chỉ video: https://mp.weixin.qq.com/s/shwkij9ul5GpCBfNYMxU7Q

Trong video, cánh tay robot thực hiện các thao tác gắp, đặt và định vị linh kiện trên dây chuyền sản xuất, một số còn liên quan đến các hành động như hàn và gia công. Nhưng điểm mấu chốt nằm ở chỗ liệu mối quan hệ tương đối giữa bộ phận chấp hành cuối, phôi và bàn làm việc có thể duy trì ổn định qua các khung hình liên tiếp hay không.

Điều này chính xác là những năng lực mà robot thực sự cần học, bao gồm việc hiểu vật thể, tiếp cận vật thể, tác động lên vật thể và sau đó dự đoán sự thay đổi trạng thái của vật thể.

Ví dụ tiếp theo là các bối cảnh động phức tạp hơn: