WUWENAI muốn tháo nút thắt dữ liệu cho AI hiện thân bằng vòng lặp Real-to-Sim-to-Real

Bài toán lớn nhất không chỉ là có thêm robot

Theo luận điểm của WUWENAI, AI hiện thân — các hệ thống AI có khả năng cảm nhận và hành động trong thế giới vật lý — sẽ không thể phát triển quy mô lớn chỉ bằng việc ghi lại ngày càng nhiều màn trình diễn của con người. Nút thắt nằm ở dữ liệu tương tác chất lượng cao: robot phải biết mình đã nhìn thấy gì, đã thực hiện hành động nào, lực tiếp xúc ra sao và hành động đó tạo ra kết quả gì.

Công ty do Liu Shengxiang, cựu lãnh đạo mảng dữ liệu và kiểm thử xe tự hành của Baidu, sáng lập và điều hành, mô tả chiến lược của mình là một hệ thống dữ liệu khép kín kết hợp thế giới thật với thế giới ảo. Trong vòng lặp Real-to-Sim-to-Real, dữ liệu tương tác vật lý làm nền cho mô hình thế giới sinh thành; mô hình này tạo ra một môi trường mô phỏng có thể điều khiển để huấn luyện và kiểm thử; sau đó, các lỗi hoặc tình huống còn thiếu được chọn lọc để đưa trở lại quá trình thu thập dữ liệu ngoài đời. 8

Ba lớp trong hệ thống của WUWENAI

1. Data Factory: bắt đầu từ thế giới thật

Các hệ thống thu thập đa phương thức của WUWENAI ghi lại đồng bộ dữ liệu từ tương tác giữa robot và đồ vật, gồm trạng thái hình ảnh, chuyển động, tiếp xúc và kết quả nhiệm vụ. Mục tiêu là giữ lại quan hệ nhân quả vật lý mà video trên internet hoặc cảnh tổng hợp thường không có, từ đó tạo ra dữ liệu phục vụ điều khiển robot thay vì chỉ tạo ra hình ảnh trông chân thực.

WUWENAI cũng đã giới thiệu nền tảng dữ liệu AI vật lý Wuyin tại Đức Thanh, tỉnh Chiết Giang, và công bố quy mô hơn 1.000 TB dữ liệu cùng 10.000 giờ bộ dữ liệu chất lượng cao được mở. Đây là những con số do công ty công bố. 12

2. Generative World Model: nhân rộng kinh nghiệm

Mô hình thế giới học cách cảnh vật thay đổi khi một tác nhân có thân thể thực hiện hành động. Khi được gắn với dữ liệu thật, mô hình có thể tạo ra các biến thể nhiệm vụ, quỹ đạo chuyển động, nhiễu động, cách sắp xếp đồ vật và những tình huống thất bại có khả năng xảy ra.

Nói đơn giản, mô hình thế giới không chỉ trả lời “khung hình tiếp theo trông như thế nào”, mà còn cố gắng biểu diễn cảnh vật và diễn biến theo thời gian trong một dạng biểu diễn gọn, để dự đoán hậu quả của các hành động khác nhau. 5

3. World Simulator: huấn luyện, đánh giá và chọn dữ liệu mới

Trong World Simulator, một chính sách điều khiển có thể được chạy thử nhanh hơn và ít tốn kém hơn nhiều so với việc liên tục đưa robot thật vào vận hành. Bộ mô phỏng có thể chấm điểm kết quả, phát hiện những trường hợp chính sách hoạt động yếu và xác định tình huống nào cần được thu thập bổ sung trong thế giới thực.

Các nghiên cứu về mô phỏng tương tác có điều kiện theo hành động cho thấy kết quả đánh giá chính sách trong mô phỏng có thể tương quan với hiệu năng ngoài đời. Tuy nhiên, đây vẫn là lĩnh vực đang được nghiên cứu, chưa phải một năng lực đã được giải quyết hoàn toàn. 3

“Hàng triệu giờ” sẽ được tạo ra như thế nào?

Điểm cốt lõi trong lập luận của Liu không phải là WUWENAI sẽ trực tiếp ghi lại hàng triệu giờ robot hoạt động ngoài đời. Thay vào đó, một lượng tương tác vật lý tương đối khan hiếm sẽ đóng vai trò tập dữ liệu hạt giống. Từ nền tảng đó, mô hình có thể tạo ra nhiều quỹ đạo huấn luyện có thể kiểm soát trong môi trường ảo.

Vòng lặp vật lý liên tục hiệu chỉnh mô phỏng và hạn chế hiện tượng mô phỏng ngày càng lệch khỏi thực tế. Ngược lại, vòng lặp ảo cung cấp quy mô, cho phép thử nhiều phương án hành động, tình huống bất ngờ và trường hợp thất bại mà robot thật khó có thể trải nghiệm đủ nhanh. Mô hình phản hồi giữa dữ liệu thật và dữ liệu tổng hợp này phù hợp với hướng nghiên cứu mới về học tăng cường khép kín trên robot thật. 4

Vì sao ba phương pháp truyền thống vẫn chưa đủ?

• Điều khiển từ xa (teleoperation): tạo ra dữ liệu có nhãn hành động rõ ràng, nhưng tốn kém, chậm, phụ thuộc vào người vận hành và thường tập trung vào những hành vi thành công. Phương pháp này khó bao phủ hiệu quả các lỗi hiếm gặp hoặc những kịch bản “nếu làm khác đi thì sao”.
• Video góc nhìn thứ nhất của con người: có thể mang lại quy mô lớn, nhưng thường thiếu hành động của robot, hình học đã hiệu chuẩn, tín hiệu lực và tiếp xúc, cũng như sự tương ứng trực tiếp giữa cơ thể người và cơ cấu robot. Vì vậy, video dạng này chỉ cung cấp tín hiệu giám sát hạn chế cho điều khiển thao tác.
• Mô phỏng thuần túy: rẻ và đa dạng, nhưng có thể chứa sai lệch về hình học, động lực học tiếp xúc, nhiễu cảm biến, hành vi của đồ vật hoặc môi trường có con người. Đây chính là khoảng cách sim-to-real, tức khoảng cách giữa mô phỏng và thế giới thật. Việc liên tục căn chỉnh bản sao số theo quan sát thực tế được kỳ vọng sẽ thu hẹp khoảng cách này. 2

Từ học bắt chước sang học tăng cường

Dữ liệu trình diễn là điểm khởi đầu cho học bắt chước: robot học cách “làm giống những gì người trình diễn đã làm”. Nhưng nếu có một môi trường mô phỏng đủ đáng tin cậy và phản hồi theo hành động, chính sách có thể thử nhiều phương án khác nhau, nhận phần thưởng cho kết quả nhiệm vụ, tối ưu hành vi dài hạn và học cách phục hồi sau thất bại. Đó là bước chuyển sang học tăng cường.

Một số nghiên cứu gần đây đã thử tinh chỉnh các chính sách thị giác–ngôn ngữ–hành động bằng học tăng cường trong mô hình thế giới. Dù vậy, phần thưởng đủ bền vững và độ trung thực của mô hình vẫn là hai điều kiện quyết định. 1

WUWENAI đang cạnh tranh trong một kiến trúc đang hội tụ

Cuộc cạnh tranh trong lĩnh vực này có thể không chỉ là cuộc đua về một tính năng riêng lẻ. Nhiều công ty đang hướng tới kiến trúc tương tự: lấy dữ liệu vật lý làm nền, dùng mô hình thế giới để tạo trải nghiệm và dùng mô phỏng để huấn luyện, đánh giá rồi quay lại bổ sung dữ liệu thật.

World Labs cũng mô tả SceniX như một động cơ Real-to-Sim-to-Real, có khả năng biến một nhiệm vụ vật lý thành nhiều thế giới mô phỏng có thể điều khiển và tái sử dụng cho huấn luyện, kiểm thử chính sách. 7 Nghiên cứu của Google DeepMind từ lâu đã liên kết mô hình động lực học học được với học tăng cường có khả năng mở rộng. 3

Tesla Optimus có lợi thế đáng kể về tốc độ lặp phần cứng, năng lực sản xuất và hệ sinh thái dữ liệu–tính toán rộng hơn. Tuy nhiên, bằng chứng công khai hiện chưa đủ để kết luận WUWENAI vượt trước Tesla hay DeepMind về mặt kỹ thuật.

Vì sao Trung Quốc là thị trường đáng chú ý?

Trung Quốc sở hữu cơ sở robot công nghiệp được lắp đặt lớn nhất thế giới, đồng thời đang mở rộng sang robot hình người và nội địa hóa một phần chuỗi cung ứng robot. 6 Các nhận định chính thức cũng cho rằng AI hiện thân đang chuyển từ thử nghiệm quy mô nhỏ sang giai đoạn triển khai rộng hơn. 9

Điều này tạo ra một cơ sở trong nước tiềm năng gồm nhà máy, robot, nhiệm vụ và môi trường triển khai — nơi một công ty hạ tầng dữ liệu có thể thu thập dữ liệu nền tảng, đồng thời cung cấp công cụ dùng chung cho nhiều nhà sản xuất robot.

Phép thử thực sự vẫn nằm ở thế giới vật lý

Tuyên bố WUWENAI là công ty “đẳng cấp thế giới” hay đã đi trước nhiều tháng hiện vẫn là nhận định từ phía công ty và truyền thông, chưa phải kết luận dựa trên các chuẩn đánh giá độc lập.

Phép thử quan trọng hơn là liệu trình mô phỏng của WUWENAI có dự đoán đủ chính xác các tương tác nhiều tiếp xúc và nhiệm vụ dài hạn hay không. Các chính sách được huấn luyện trong đó phải chuyển giao ổn định sang nhiều loại robot, đồ vật và môi trường thực tế khác nhau. Nếu làm được điều đó, Real-to-Sim-to-Real có thể biến dữ liệu vật lý khan hiếm thành một hạ tầng huấn luyện có quy mô lớn. Nếu không, vòng lặp này vẫn chỉ là một mô phỏng đẹp mắt nhưng chưa đủ đáng tin để điều khiển robot ngoài đời.