Cuộc đua trí não robot bước vào vùng nước sâu: Vì sao thế giới vật lý đòi hỏi thiết kế mô hình từ đầu

Trong một cuộc phỏng vấn tại WAIC, ông Thân Dụ Quân (Shen Yujun), nhà khoa học trưởng của Ant Lingbo, đã chia sẻ về những thách thức của trí tuệ hiện thân (embodied intelligence), nhấn mạnh rằng các chuẩn dữ liệu vẫn chưa hội tụ vì con đường công nghệ vẫn chưa được xác định rõ, chưa có sự đồng thuận về phương thức (modality), độ chính xác hay chất lượng dữ liệu. Ông cho biết dữ liệu thực, đặc biệt là dữ liệu điều khiển từ xa (teleoperation) từ robot và dữ liệu góc nhìn thứ nhất từ con người, quan trọng hơn dữ liệu mô phỏng đối với robot đa năng, bởi mô phỏng khó có thể tái tạo được những hành động vô thức của con người. Chiến lược của Lingbo là phát triển nhiều mô hình khác nhau (như LingBot-Vision, LingBot-Depth, LingBot-Video, LingBot-VLA và LingBot-VA) để giải quyết từng vấn đề công nghệ cụ thể, chẳng hạn như đồng bộ hóa các phương thức, dự đoán động lực học, và đảm bảo cân bằng tải trong các kiến trúc hỗn hợp chuyên gia (Mixture of Experts – MoE), thay vì cố gắng xây dựng một mô hình đầu-cuối (end-to-end) duy nhất khi còn quá sớm. Ông Thân giới thiệu khái niệm mô hình “bản địa hiện thân” (embodied-native), theo đó dữ liệu cần mang tính bản địa đối với các nhiệm vụ trong thế giới vật lý, năng lực của mô hình phải phù hợp với tương tác thời gian thực, và mô hình cần có khả năng huấn luyện từ đầu (from scratch). Ông cũng nêu ra những khó khăn trong việc tái tạo các mô hình thị giác tự giám sát (self-supervised) như DINO, cũng như trong việc triển khai mô hình hóa nhân quả (causal modeling) cho cơ chế chú ý một chiều (one-way attention). Về vấn đề an toàn, ông nhấn mạnh rằng an toàn kiểu “hàng rào” (fence-based) – tức chỉ giới hạn hành động – là chưa đủ, và ủng hộ hướng “an toàn bản địa” (native safety), được tích hợp ngay từ giai đoạn huấn luyện trước (pretraining), tương tự như bản năng của con người. Ông cũng dự đoán rằng “thời điểm ChatGPT” của trí tuệ hiện thân sẽ xuất hiện khi những người bình thường có thể dễ dàng tham gia vào quá trình thu thập dữ liệu, từ đó giúp robot thực sự trở nên hữu ích và hòa nhập vào cuộc sống hàng ngày.