Flexion Robotics: Startup Thụy Sĩ Xây Dựng 'Bộ Não Vạn Năng' Cho Mọi Robot Hình Người, Không Cần Tự Chế Tạo Phần Cứng

Hầu hết các công ty robot hình người đều đang chạy đua để chế tạo những bộ khung hoàn hảo hơn. Flexion Robotics, một startup có trụ sở tại Zurich (Thụy Sĩ) chính thức ra mắt vào cuối năm 2025, lại đặt cược theo hướng ngược lại: lợi thế chiến thắng trong lĩnh vực robot hình người sẽ không nằm ở phần cứng, mà là 'bộ não' có thể vận hành trên bất kỳ cơ thể máy móc nào. Với tổng số vốn huy động được 57,35 triệu USD và màn trình diễn trực tiếp tại ICRA 2026 với tỷ lệ thành công tự động trên 95% trong 300 thử nghiệm, cách tiếp cận 'mô phỏng trước' (simulation-first) của Flexion đang trở thành một trong những chiến lược độc đáo nhất trong lĩnh vực này .

Luận Điểm Cốt Lõi: Chỉ Làm Phần Mềm, Không Phụ Thuộc Phần Cứng

Flexion Robotics minh bạch trong việc không sản xuất robot. Thay vào đó, họ xây dựng một bộ phần mềm tự chủ phổ quát (universal autonomy software stack) — thứ mà công ty mô tả là "Android dành cho robot hình người" — có thể được cấp phép cho bất kỳ nhà sản xuất robot nào . Bộ phần mềm này được thiết kế để triển khai trên 14 nền tảng robot hình người khác nhau cùng lúc, với mục tiêu giảm công sức kỹ thuật để đưa một robot mới thực hiện một nhiệm vụ mới từ vài năm xuống chỉ còn một tuần .

"Chúng tôi tạo ra một thế giới ảo và đặt những robot đó vào đó," công ty tuyên bố. "Được huấn luyện trong mô phỏng, mở rộng ra thế giới thực với sự can thiệp tối thiểu của con người" .

Phương Pháp Huấn Luyện: Sim-to-Real Với Quy Mô Lớn

Cách tiếp cận kỹ thuật của Flexion xoay quanh ba lựa chọn liên kết chặt chẽ:

1. Huấn luyện 'mô phỏng trước' (sim-to-real). Tất cả các chính sách (policies) cho robot đều được huấn luyện hoàn toàn trong một mô phỏng vật lý ảo ở quy mô lớn — lên đến 4.000 robot ảo chạy đồng thời — sau đó được chuyển sang phần cứng thực tế với khả năng triển khai ngay lập tức (zero-shot) mà không cần huấn luyện thêm . Công ty sử dụng học tăng cường (reinforcement learning - RL), nơi robot tự dạy mình thông qua thử và sai: hành động, cảm nhận kết quả và điều chỉnh cho đến khi thành công . Đầu ra không phải là một kịch bản mà là một mạng nơ-ron (neural network policy) ánh xạ nhận thức thành hành động .

2. Kết hợp học bắt chước (imitation learning) và học tăng cường (RL). Flexion sử dụng học tăng cường dư (residual RL) trên nền tảng học bắt chước. Robot học các kỹ năng thao tác và di chuyển cơ bản từ dữ liệu trình diễn của con người, sau đó dùng RL để thích ứng các kỹ năng đó với các điều kiện thực tế mà mô phỏng không thể tái hiện hoàn hảo . Công ty cũng sử dụng vòng phản hồi 'real-to-sim' (từ thực tế sang mô phỏng), nơi dữ liệu thực tế được dùng để tinh chỉnh các thông số mô phỏng, giúp việc huấn luyện trong tương lai có độ chính xác cao hơn .

3. Kiến trúc ba lớp mô-đun. Bộ phần mềm tự chủ tách biệt suy luận cấp cao khỏi lập kế hoạch chuyển động và khỏi điều khiển cấp thấp :

• Lớp Chỉ huy (Suy luận): Một tác nhân mô hình ngôn ngữ lớn (LLM) hoặc mô hình ngôn ngữ-thị giác (VLM) có nhiệm vụ diễn giải các mô tả nhiệm vụ bằng ngôn ngữ tự nhiên, chẳng hạn như "dọn dẹp văn phòng", chia nhỏ thành các nhiệm vụ con và lên kế hoạch quy trình làm việc nhiều bước .
• Lớp Sinh Chuyển động (Lập kế hoạch): Một mô hình dựa trên khuếch tán (diffusion-based model) vạch ra đường đi dự kiến của robot và tránh các chướng ngại vật trong không gian 3D .
• Lớp Thực thi (Phản xạ): Một bộ điều khiển toàn thân dựa trên RL thực hiện các chuyển động mạnh mẽ, thích ứng trên robot thực tế .

Thiết kế này "tách biệt ý định (được điều khiển bởi ngôn ngữ) khỏi tính khả thi (được thực thi bởi vật lý), tận dụng mô phỏng cho các kỹ năng vận động và dữ liệu thực một cách có chọn lọc" .

Nhiệm Vụ Văn Phòng Tự Động: Từ Lời Nhắc Đến Hành Động

Vào tháng 11 năm 2025, Flexion đã đăng một video trình diễn một robot hình người tự động dọn dẹp văn phòng chỉ từ một lời nhắc đơn giản của người dùng — không có kịch bản, không có quỹ đạo được tính toán trước và không có sự điều khiển từ xa . Tác nhân dựa trên VLM đã nhận biết cảnh quan, suy luận về nhiệm vụ và lên kế hoạch chiến lược tổng thể để nhặt và sắp xếp đồ vật . Cùng một hệ thống cốt lõi cũng được trình diễn với khả năng di chuyển ngoài trời để tự động thu gom và vứt rác .

ICRA 2026: Sự Kiểm Chứng Trực Tiếp

Tại Hội nghị Quốc tế về Robot và Tự động hóa (ICRA 2026), diễn ra từ ngày 9 đến 11 tháng 6 năm 2026, Flexion đã tiến hành một cuộc trình diễn robot hình người tự động trực tiếp. Trong 300 thử nghiệm suốt ba ngày, các robot đã hoạt động hoàn toàn tự động với tỷ lệ thành công trên 95% và không cần sự can thiệp của con người . Kết quả này đã xác nhận rằng phương pháp chuyển giao sim-to-real có thể hoạt động hiệu quả trong môi trường hội nghị không được kiểm soát — một thử thách nổi tiếng khó khăn đối với các màn trình diễn robot.

Sự Khác Biệt Giữa Flexion Và Các Đối Thủ Trong Ngành Robot Hình Người

Khía cạnh	Flexion Robotics	Đối thủ tiêu biểu (Tesla Optimus, Boston Dynamics, Figure, 1X)
Sản phẩm cốt lõi	Phần mềm tự chủ phổ quát — không tự sản xuất robot	Tích hợp theo chiều dọc: vừa làm cả phần cứng và phần mềm; mỗi hãng tự xây robot riêng
Chiến lược nền tảng	Chạy được trên mọi robot hình người; hiện tại hỗ trợ 14 nền tảng cùng lúc	Chỉ phụ thuộc vào một nền tảng phần cứng độc quyền
Mô hình huấn luyện	Mô phỏng trước (sim-to-real); chính sách được huấn luyện trong mô phỏng rồi chuyển giao trực tiếp	Kết hợp dữ liệu điều khiển từ xa thực tế, RL thực tế và mô phỏng; hầu hết phụ thuộc nhiều vào thu thập dữ liệu thực
Mục tiêu tương thích phần cứng	Giảm thời gian thiết lập cho robot + nhiệm vụ mới từ nhiều năm xuống còn một tuần	Mỗi nhiệm vụ mới đòi hỏi nhiều tháng kỹ thuật chuyên biệt cho phần cứng cụ thể
Tài trợ	57,35 triệu USD (50 triệu Series A + 7,35 triệu hạt giống)	Các đối thủ thường huy động vốn lớn hơn cho sản xuất phần cứng (ví dụ: Figure AI huy động 675 triệu USD+)
Nhà đầu tư chính	DST Global, NVentures (NVIDIA), Prosus Ventures, Moonfire, Redalpine	Kết hợp VC, chiến lược và nhà đầu tư doanh nghiệp

Những điểm khác biệt chiến lược chính:

• Mô hình chỉ làm phần mềm / cấp phép nền tảng. Flexion tự định vị là một lớp trí tuệ ngang mà bất kỳ nhà sản xuất robot hình người nào cũng có thể cấp phép, tránh "bẫy tích hợp dọc" nơi các công ty như Tesla hay Figure phải xây dựng cả bộ não lẫn cơ thể .
• Tổng quát hóa không phụ thuộc phần cứng. Việc huấn luyện một bộ phần mềm trên 14 nền tảng robot hình người khác nhau song song nhằm mục đích làm cho bộ não của Flexion có thể mang theo được trên nhiều hình thái robot — trái ngược với tiêu chuẩn ngành là 'một robot-một phần mềm' .
• Vòng huấn luyện hoàn toàn dựa trên mô phỏng. Trong khi hầu hết các đối thủ sử dụng dữ liệu điều khiển từ xa thực tế để học bắt chước, Flexion huấn luyện các chính sách trên quy mô lớn trong mô phỏng và chuyển giao trực tiếp sang thế giới thực, yêu cầu rất ít dữ liệu thu thập thực tế .

Những Lưu Ý Và Câu Hỏi Còn Bỏ Ngỏ

Một bài báo chuyên sâu của Wired vào tháng 6 năm 2026 chuyên về khả năng tự chủ trong công việc văn phòng của Flexion không được tìm thấy trong các kết quả tìm kiếm hiện có. Bằng chứng chi tiết nhất về trình diễn nhiệm vụ văn phòng đến từ bài đăng trên LinkedIn của chính Flexion (tháng 11/2025) và báo cáo kết quả ICRA 2026 . Những tuyên bố của công ty về việc giảm thời gian thiết lập xuống "một tuần" và chạy trên 14 nền tảng vẫn cần được xác minh ở quy mô thương mại. Và mặc dù kết quả ICRA 2026 rất ấn tượng, ngành công nghiệp vẫn đang chờ đợi các chuẩn đánh giá độc lập so sánh trực tiếp robot do Flexion điều khiển với các đối thủ tích hợp dọc trong các tình huống triển khai thực tế.

Cược lớn của Flexion là tương lai của robot hình người sẽ không giống như iPhone — một gói phần cứng-phần mềm tích hợp chặt chẽ — mà giống như Android hơn: một hệ điều hành phổ quát mà bất kỳ nhà sản xuất nào cũng có thể áp dụng. Nếu phương pháp huấn luyện dựa trên mô phỏng của họ tiếp tục mang lại kết quả thực tế, canh bạc đó hoàn toàn có thể thành công.