Tin ngành
Ba công ty Trung Quốc hợp lực: Quyết tâm đạt cột mốc 1 triệu giờ dữ liệu robot đầu tiên trên thế giới
(giờ Việt Nam)
Tóm tắt AI
Ba doanh nghiệp công nghệ Trung Quốc đã bắt tay hợp tác để xây dựng quy trình khép kín từ thu thập, mô phỏng, huấn luyện đến đánh giá, nhằm tạo ra kho dữ liệu robot (embodied AI) quy mô lớn nhất toàn cầu.
Bản dịch AI
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
07/08/2026 08:55:47 Nguồn: QbitAI
Thu thập, mô phỏng, huấn luyện và đánh giá, tất cả đã tạo thành một vòng lặp khép kín.
Ôi trời, cuối cùng cũng chen được hàng ghế đầu để hóng biến!
Riemann Dynamics, đơn vị vừa đạt được SOTA (trạng thái nghệ thuật tốt nhất) kép trên cả mô phỏng và máy thật, đã quay sang bắt tay với GLM (Guanglun Intelligence) và Noitom Robotics để tạo nên một cuộc chơi mới.
Một bên làm bộ não cho robot, một bên xây dựng cơ sở hạ tầng mô phỏng, và một bên sử dụng công nghệ bắt chuyển động (motion capture) để dạy các hành động của con người cho robot.
Ba công ty cùng hợp tác với một mục tiêu vô cùng trực diện:
Cùng xây dựng nền tảng dữ liệu cho trí tuệ hiện thân (Embodied AI), kết nối các khâu thu thập, mô phỏng, huấn luyện và đánh giá vốn đang bị phân tán từ lâu thành một quy trình thống nhất.
Riemann Dynamics thậm chí còn đặt ra một cột mốc đầy tham vọng:
Đến cuối năm 2026, hoàn thành việc thu thập 1 triệu giờ dữ liệu huấn luyện robot, phấn đấu trở thành doanh nghiệp đầu tiên trên thế giới đạt được quy mô này.
1 triệu giờ, đó là khái niệm gì?
Theo ước tính từ báo cáo của EO Intelligence, dữ liệu tương tác hiện thân chất lượng cao trên toàn cầu hiện nay chỉ vào khoảng 500.000 giờ.
Nói cách khác, mục tiêu mà Riemann Dynamics nhắm tới gấp đôi quy mô dữ liệu ước tính hiện có của toàn ngành.
Trước đó, Riemann Dynamics đã sử dụng 232.000 giờ dữ liệu để huấn luyện Riemann-1.0, bước đầu kiểm chứng thành công lộ trình kỹ thuật này.
Giờ đây, họ chuẩn bị đẩy quy mô dữ liệu lên một tầm cao mới để giải quyết bài toán cuối cùng của trí tuệ hiện thân:
Liệu robot có thực sự Scaling (mở rộng quy mô) được không?
Câu hỏi này trước đây rất khó trả lời nếu chỉ làm đơn lẻ, vậy thì bây giờ hãy thử hợp sức để tìm lời giải.
Một cuộc thử nghiệm kéo dài hàng triệu giờ xoay quanh việc Scaling cho trí tuệ hiện thân chính thức bắt đầu.
Khi mô hình muốn Scaling, dữ liệu vẫn chưa theo kịp
Lịch sử phát triển của các mô hình lớn (Large Models) gần như chính là lịch sử của Scaling.
Đến lượt trí tuệ hiện thân, Scaling vẫn chưa thực sự diễn ra, vậy nút thắt nằm ở đâu?
Ngành công nghiệp đã đạt được sự đồng thuận: Đó là dữ liệu.
Tại sao các bản demo robot ngày càng mượt mà hơn trông thấy, nhưng vẫn luôn có một bức tường vô hình ngăn cách chúng bước vào gia đình và nhà máy?
Nếu xét từ góc độ dữ liệu, nguyên nhân có thể quy về hai điểm:
Một là "lượng" chưa đủ, hai là yêu cầu về "chất" ngày càng khắt khe.
Do không thể lấy dữ liệu huấn luyện khổng lồ từ internet như các mô hình ngôn ngữ lớn (LLM), tình cảnh của các mô hình hiện thân hiện nay vẫn rất tế nhị.
Bạn nói rằng ngành này cũng nên áp dụng quy luật Scaling? Nhưng dữ liệu không tăng lên, chẳng ai dám đưa ra kết luận.
Thế là mọi người tung ra đủ mọi chiêu thức: thu thập trên máy thật, điều khiển từ xa (teleoperation), thiết bị đeo, môi trường mô phỏng tùy chỉnh...
Tất cả các phương pháp đều được huy động chỉ để tích lũy thêm dữ liệu.
Kết quả là đến tận bây giờ, so với hàng nghìn tỷ Token của ngữ liệu internet, dữ liệu huấn luyện robot vẫn phổ biến ở mức vài nghìn đến vài chục nghìn giờ, những mô hình đạt tới hàng trăm nghìn giờ vẫn chỉ đếm trên đầu ngón tay.
Ngay cả đối với những đơn vị tiên phong hàng đầu thế giới cũng vậy.
Khi Physical Intelligence huấn luyện π0, họ đã sử dụng hơn 10.000 giờ dữ liệu robot, đây đã là một trong những cuộc thử nghiệm học máy cho robot quy mô lớn nhất vào thời điểm đó.
GR00T 1.7 mới nhất của NVIDIA, nếu cộng tổng dữ liệu trình diễn thực tế, góc nhìn thứ nhất của con người và dữ liệu mô phỏng được công bố, cũng chỉ vào khoảng 40.000 giờ.
△ Nguồn ảnh: Blog chính thức của NVIDIA
Google DeepMind để tăng quy mô dữ liệu đã phải liên kết với hơn 20 tổ chức trên toàn cầu mới gom được hơn 1 triệu quỹ đạo (trajectories) bao phủ 22 loại thực thể robot.
"Quy mô lớn" trong trí tuệ hiện thân, nếu đặt vào thế giới mô hình lớn, có lẽ chỉ mới là bước khởi đầu.
Hơn nữa, rắc rối vẫn chưa dừng lại ở đó, dữ liệu không chỉ cần nhiều mà còn phải thực sự hữu ích.
Dữ liệu mà robot cần, theo loại hình hiện có thể chia thành ba nhóm:
Bài viết được AI dịch và tổng hợp tự động từ QbitAI. Liên kết bài gốc ở phía trên. AIHOT.vn luôn dẫn nguồn đầy đủ — nếu bạn thấy điểm cần chỉnh sửa, hãy gửi ý kiến tại trang phản hồi.