Từ đồng thuận đến khác biệt: Giải mã 3 nút thắt trong thương mại hóa 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 đồng thuận đến phi đồng thuận: Tường thuật trực tiếp sự kiện đầu tiên của chuỗi salon công nghệ "科技有「联想」" (Tech with Lenovo) về "ba nỗi trăn trở" trong công nghiệp hóa trí tuệ thể chất (Embodied AI).

07-07-2026 16:32:27 Nguồn: QbitAI

Tư duy chuyên sâu về "Đồng thuận và Phi đồng thuận"

Ngày 30 tháng 6, sự kiện salon ngoại tuyến đầu tiên mang tên "Thuyết tiến hóa silicon" thuộc chuỗi chương trình "科技有「联想」" (Tech with Lenovo) – do Lenovo Holdings Micro-space, Lenovo Star và Trung tâm Thông tin Rongke đồng tổ chức – đã diễn ra tại Bắc Kinh. Sự kiện quy tụ 8 khách mời trong các lĩnh vực học thuật, khởi nghiệp, công nghiệp và đầu tư về trí tuệ thể chất, cùng thảo luận sâu sắc về "đồng thuận và phi đồng thuận" xoay quanh các chủ đề cốt lõi như hạ tầng dữ liệu, sự tiến hóa của mô hình mẫu, triển khai sản xuất hàng loạt và lộ trình thương mại hóa.

Open Mic: Tìm kiếm sự thật ngành công nghiệp trong "Đồng thuận và Phi đồng thuận"

Phần đầu tiên của sự kiện là "Whiteboard Open Mic" đã đi theo một hướng khác biệt – ban tổ chức chủ động tránh những lời sáo rỗng trong ngành, mời bảy khách mời chia sẻ những quan sát thực tế, độc quyền và thậm chí là sắc bén nhất của họ từ tuyến đầu.

Vương Chí Thành (Wang Zhicheng), đồng sáng lập kiêm CTO của Mite Technology, lấy sự tiến hóa từ AI 1.0 đến AI 3.0 làm mạch dẫn, thẳng thắn khẳng định: "Dữ liệu là cốt lõi, mô hình là hỗ trợ". Ông hồi tưởng lại trải nghiệm 5 năm tham gia triển khai AI 1.0 tại Megvii: 80% năng lượng tiêu tốn vào việc xử lý dữ liệu, và các kịch bản quá chuyên biệt dẫn đến giá trị biên giảm dần. Ông cảnh báo, nếu kỷ nguyên AI vật lý không thể đạt được quy mô dữ liệu (Scaling), ngành công nghiệp sẽ quay lại con đường cũ là "tiếp tục làm những việc của thời đại AI 1.0".

Vương Chí Thành, đồng sáng lập kiêm CTO của Mite Technology

Trịnh Tư Bằng (Zheng Sipeng), đối tác tại BeingBeyond, chia sẻ về sự chuyển dịch của lĩnh vực thể chất từ "phi đồng thuận" sang "đồng thuận". Ông làm một bài toán: chi phí vận hành từ xa (teleoperation) trên máy thật tốn từ vài trăm đến hàng nghìn nhân dân tệ mỗi giờ, thu thập 10.000 giờ có thể tốn tới hàng chục triệu nhân dân tệ. Ngược lại, video góc nhìn thứ nhất của con người quy mô lớn không chỉ có chi phí thấp hơn vài bậc độ lớn mà còn bao phủ phạm vi hành động rộng hơn của robot. Là doanh nghiệp tiên phong đề xuất khung mô hình tổng quát huấn luyện bằng dữ liệu video con người quy mô lớn, BeingBeyond đã ra mắt mô hình nền tảng thể chất tổng quát Being-H0.7 vào tháng 4 năm nay, mở rộng quy mô dữ liệu lên 200.000 giờ video con người và đề xuất một mô hình mới – mô hình thế giới dựa trên suy luận không gian tiềm ẩn. Tuy nhiên, hiện tại điểm uốn Scaling của ngành vẫn chưa đến, dự kiến thời lượng huấn luyện hiệu quả cần đạt trên một triệu giờ.

Trịnh Tư Bằng, đối tác tại BeingBeyond

Lưu Thịnh Tường (Liu Shengxiang), nhà sáng lập Wuwentec, nhấn mạnh rằng ngành không chỉ thiếu dữ liệu, mà thiếu một "nền tảng dữ liệu" hoàn chỉnh bao gồm chuỗi công cụ và hệ thống đánh giá. Ông ví điều này với hệ sinh thái CUDA của NVIDIA – nếu không có bộ công cụ hoàn chỉnh, GPU tốt đến đâu cũng không thể sử dụng được. Ông cũng cho rằng các kịch bản 2B sẽ được triển khai sớm hơn 2C từ 3 đến 5 năm, vì độ khó xác thực an toàn trong kịch bản gia đình cao hơn nhiều so với môi trường công nghiệp và thương mại tương đối khép kín.

Lưu Thịnh Tường, nhà sáng lập Wuwentec

Ở cấp độ thực thể, Phạm Vĩnh (Fan Yong), nhà sáng lập UBT Robot, mô tả đường đua robot hình người là "dốc dài tuyết dày" (cơ hội dài hạn), cho rằng ngành công nghiệp mới chỉ ở 2 km đầu tiên của cuộc chạy marathon 42 km. Ông ví robot hiện nay như "đứa trẻ 3 tuổi" – cần bao dung với sự không hoàn hảo, có sự thấu hiểu và kỳ vọng, tin rằng chúng cuối cùng sẽ trưởng thành. Trần Lỗi (Chen Lei), lãnh đạo mảng MaaS của Lenovo Group, từ góc độ sản xuất chỉ ra rằng kỹ thuật hóa và sản xuất hàng loạt là điểm yếu chí mạng khiến nhiều công ty khởi nghiệp "gục ngã trước bình minh", khoảng cách từ ý tưởng đến sản xuất hàng loạt thường bị các đội ngũ R&D đánh giá thấp nghiêm trọng.

Phạm Vĩnh, nhà sáng lập UBT Robot

Trần Lỗi, lãnh đạo mảng MaaS của Lenovo Group

Hoàng Tuấn Đạt (Huang Junda), nhà sáng lập Cloud Squirrel Intelligence, đưa ra nhận định phi đồng thuận rằng "tầm quan trọng của bàn tay khéo léo 5 ngón đang bị đánh giá thấp". Ông hệ thống lại lộ trình R&D của mình từ 5 ngón sang 3 ngón, 2 ngón rồi quay lại 5 ngón, chỉ ra rằng kẹp gắp (gripper) trông có vẻ đơn giản nhưng thực chất là thiết bị chuyên dụng cao – dữ liệu thu thập từ các loại kẹp gắp khác nhau (kẹp song song, hình vây cá, xoay) không thể tương tác, tính khái quát hóa cực kém. Trong khi đó, bàn tay khéo léo 5 ngón dù khó điều khiển nhưng lại có giá trị "mẫu" thống nhất, tốc độ hội tụ có thể vượt kỳ vọng trong khoảng ba năm tới.

Hoàng Tuấn Đạt, nhà sáng lập Cloud Squirrel Intelligence

Đới Khải (Dai Kai), CFO của Uniview Intelligence, dự đoán từ góc độ kết cục ngành: tương lai ngành sẽ phân hóa mạnh mẽ: trong 5 đến 10 năm tới, toàn cầu chỉ có 2-3 công ty thuật toán lọt vào nhóm dẫn đầu với vốn hóa nghìn tỷ, một số ít công ty "nhóm 1.5" không có điểm yếu về thuật toán, tiểu não, thực thể và ứng dụng kịch bản có thể gia nhập câu lạc bộ nghìn tỷ, phần lớn "người chơi" còn lại chỉ có thể tinh chỉnh sâu ở một khâu nhất định. Ông ví mô hình thế giới như "chìa khóa" mở ra trí tuệ thể chất tổng quát – dù hình thái cụ thể của chiếc chìa khóa này chưa xác định, nhưng hướng đi đã rõ ràng.

Đới Khải, CFO của Uniview Intelligence

Tọa đàm 1: Dữ liệu và Mô hình – Cuộc tranh luận về "xây đường" cho hạ tầng trí tuệ thể chất

Tọa đàm đầu tiên của salon "科技有「联想」" tập trung vào hạ tầng trí tuệ thể chất, do Thân Viễn (Shen Yuan), tác giả công nghệ và chuyên gia phân tích AI của LatePost, chủ trì. Các khách mời nhất trí rằng giá trị của dữ liệu video con người đã chuyển từ phi đồng thuận sang đồng thuận, nhưng làm thế nào để thu thập, làm sạch và sử dụng hiệu quả vẫn là bài toán khó của ngành.

Trịnh Tư Bằng giới thiệu, BeingBeyond đã mở rộng quy mô video con người từ 1.000 giờ lên 200.000 giờ, là thư viện video con người tiền huấn luyện thể chất lớn nhất trong nước. Tuy nhiên, ông thừa nhận "độ sạch" của các tập dữ liệu công khai hiện nay thấp hơn nhiều so với kỳ vọng – lấy Ego4D làm ví dụ, sau khi xử lý qua đường ống dữ liệu của họ, khoảng 2/3 không thể sử dụng. "Biến dữ liệu bẩn thành sạch giống như luyện thép từ quặng sắt, cần sự nỗ lực của toàn ngành". Về mô hình mẫu, BeingBeyond chọn con đường mô hình thế giới ẩn (implicit world model), lý do là chi phí huấn luyện mô hình hiển thị (như NVIDIA Cosmos Policy) cao gấp khoảng 80 lần mô hình ẩn, 200.000 giờ dữ liệu huấn luyện một lần tốn hàng chục đến hàng trăm triệu nhân dân tệ, "xét về chi phí và hiệu quả, mô hình thế giới ẩn là con đường tối ưu hơn".

Lưu Thịnh Tường xuất phát từ kinh nghiệm xe tự lái, chỉ ra rằng nhu cầu dữ liệu của trí tuệ thể chất vượt xa xe tự lái – cái trước hoạt động trong không gian 3D, cái sau chỉ di chuyển trong không gian 2D. Ông đề xuất mô hình bánh đà "Thu thập thế giới - Tạo thế giới - Mô phỏng thế giới", nhấn mạnh sự căn chỉnh vòng lặp Real2Sim2Real là chìa khóa để thu hẹp khoảng cách giữa mô phỏng và thực tế. Ông cũng tiết lộ, Wuwentec đang hợp tác với các bên kịch bản hàng đầu để xây dựng "đường cao tốc dữ liệu", tương tự như "thiết lập trạm kiểm soát tại cổng nhà máy", thông qua hệ thống đánh giá của bên thứ ba chuyên nghiệp để xác định robot nào "được hay không được", từ đó đẩy nhanh việc sao chép các trường hợp điển hình.

Hoàng Tuấn Đạt chỉ thẳng vào trạng thái "chân không" của dữ liệu bàn tay khéo léo: hiện gần như không có mô hình tiền huấn luyện mã nguồn mở nào khả dụng. Ông chia việc học thao tác khéo léo thành ba cấp độ – hành vi cơ thể, cơ thể tiếp xúc với thế giới bên ngoài, và mô hình chuyển động của thế giới bên ngoài; trạng thái lý tưởng là huấn luyện kết hợp ba cấp độ để bù đắp cho nhau. Về phần cứng thu thập dữ liệu, ông đánh giá thiết bị đeo đầu tương đối trưởng thành (nhờ sự tích lũy của ngành VR), nhưng găng tay xúc giác vẫn chưa hội tụ về lộ trình kỹ thuật, mật độ phân giải hay chi phí.

Vương Chí Thành đưa ra nhận định mang tính tầm nhìn hơn: bất kỳ phương thức thu thập dữ liệu nào cần thiết bị phần cứng bổ sung đều chỉ là "trạng thái chuyển tiếp", cuối cùng nên để 7 tỷ người trên thế giới đóng góp dữ liệu thông qua các thiết bị dễ tiếp cận như điện thoại thông minh. Ngăn xếp công nghệ của Mite Technology bao phủ việc phân tích chính xác tư thế 6D của video người đa góc nhìn như Ego, Exo, Wholebody, mục tiêu là phân tích chính xác hàng trăm nghìn giờ dữ liệu video con người mà không cần sự can thiệp của con người. Ông nhấn mạnh, sự tăng trưởng theo cấp số nhân của lượng dữ liệu phải đi kèm với sự tăng trưởng theo cấp số nhân của tính đa dạng kịch bản, nếu không lượng biến không thể mang lại chất biến.

Tọa đàm 2: Sản xuất hàng loạt và Thương mại hóa – Thị trường nghìn tỷ có thể chứa đựng nhiều công ty xuất sắc

Tọa đàm thứ hai do Vương Phủ Duệ (Wang Furui), đối tác tại Yuewei Capital, chủ trì, hướng góc nhìn vào vấn đề thực tế nhất của công nghiệp hóa: ai có thể chạy được trong nhà máy, ai có thể vận hành ổn định trong các kịch bản thương mại.

Cao Thiên Nghiêu (Gao Tianyao), đối tác tại Lenovo Star, với tư cách là đại diện nhà đầu tư, đã hồi tưởng lại quá trình bố trí đường đua robot của tổ chức này từ năm 2013. Ông cho rằng sự nóng lên của ngành hiện nay bắt nguồn từ sự cộng hưởng lịch sử của ba yếu tố: năng lực mô hình, tiến bộ thực thể và mở rộng kịch bản, ngành vẫn đang trong giai đoạn đi lên, còn lâu mới đến "năm đầu tiên của sự phá sản". Cao Thiên Nghiêu cho biết, logic công nghiệp của trí tuệ thể chất vẫn đang trong quá trình tiến triển từng bước, ông kỳ vọng các công ty có năng lực hỗ trợ đa lĩnh vực sẽ giành chiến thắng cuối cùng.

Phạm Vĩnh giữ thái độ dè dặt với nhận định "năm đầu tiên của sự phá sản". Ông cho rằng trừ khi một công ty thiếu cả công nghệ cốt lõi, kịch bản triển khai và dự trữ vốn, nếu không thì trong môi trường chính sách và vốn hiện nay vẫn có không gian sinh tồn. Về sản xuất hàng loạt, UBT đang tiến từ quy mô hàng trăm chiếc năm ngoái sang hàng nghìn chiếc trong năm nay, vì vậy đang tối ưu hóa một cách hệ thống khả năng sản xuất, dây chuyền lắp ráp và hệ thống dịch vụ hậu mãi. "Từ 100 chiếc lên 1.000 chiếc là một kỳ thi lớn đối với doanh nghiệp."

Phát biểu của Đới Khải khá thực tế. Về độ chín muồi thương mại hóa của trí tuệ thể chất, ông đề xuất ba phân tầng: năng lực sản xuất hàng loạt, năng lực bàn giao và chất lượng bàn giao. Trong đó, năng lực sản xuất hàng loạt giải quyết "có chế tạo được không", năng lực bàn giao kiểm tra "có bán được và lắp đặt xong không", còn chất lượng bàn giao chất vấn "khách hàng có muốn mua lại không, ngành có thể bền vững không". Theo ông, để đo lường giá trị thực của một công ty thể chất, năng lực sản xuất hàng loạt chỉ là điểm khởi đầu, năng lực bàn giao và chất lượng bàn giao mới là ranh giới. "Dựa vào nền tảng chuỗi cung ứng và chuỗi công nghiệp hùng mạnh của Trung Quốc, ngay cả một công ty khởi nghiệp cũng có thể đạt được quy mô sản xuất nhất định thông qua tự xây dựng hoặc gia công." Đới Khải cho biết, tỷ lệ mua lại cao, hiệu suất nhân sự tăng trên 30% và dòng tiền kinh doanh dương là những chỉ số cứng định lượng để ông đánh giá chất lượng bàn giao.

Xoay quanh cục diện ngành trong tương lai, Phạm Vĩnh cho rằng thị trường nghìn tỷ đủ chỗ cho nhiều doanh nghiệp, chuỗi công nghiệp đủ dài, làm mô-đun, làm thực thể, làm não bộ đều có thể phát triển thành các công ty xuất sắc trong phân khúc của mình, việc một công ty thâu tóm tất cả là không thực tế. Cao Thiên Nghiêu cho rằng, công ty cuối cùng thu được giá trị thặng dư lớn nhất chắc chắn là công ty có năng lực tổng quát đa lĩnh vực. Đới Khải từ thực tiễn của Uniview Intelligence, giới thiệu chiến lược "tập trung vào hai kịch bản để làm sâu, làm triệt để, sau đó dần dần mở rộng", hiện đã đặt chân vào hai đường đua ngách là logistics tổng quát và vệ sinh thương mại quy mô lớn.

Lời kết: Để trí tưởng tượng hạ cánh, cùng tiến hóa với ngành công nghiệp

Sự kiện salon "科技有「联想」" lần này không chỉ là một cuộc tranh luận quan điểm, mà còn là sự kết tinh của đồng thuận ngành. Từ hạ tầng dữ liệu đến lựa chọn mô hình, từ leo dốc sản xuất hàng loạt đến đào sâu kịch bản, tín hiệu chung mà các khách mời truyền tải là – "trí tưởng tượng" của trí tuệ thể chất phải được chuyển hóa thành "lực lượng sản xuất chất lượng mới" thực chất.