GE-Act 2.0 của AgiBot: Thử nghiệm 30.000 giờ dữ liệu robot thực sự cho thấy gì?

Thí nghiệm của AgiBot không chỉ nói rằng robot làm tốt hơn khi có thêm dữ liệu. Kết quả đáng chú ý hơn là một số thao tác tinh vốn không thành công ở quy mô nhỏ — như gấp khăn, xếp lồng cốc, tháo/lắp nắp bút hay cắm hoa — bắt đầu xuất hiện tỷ lệ hoàn thành khi dữ liệu huấn luyện tăng từ 300 lên 30.000 giờ. 417

Đây là một tín hiệu nghiên cứu đáng chú ý cho AI hiện thân, tức AI học từ tương tác vật lý gắn với hành động của robot. Tuy nhiên, cần đọc đúng phạm vi: bằng chứng đến từ giao thức đánh giá do AgiBot báo cáo, trên hai loại robot và 100 tác vụ nguyên tử. Nó chưa chứng minh GE-Act 2.0 có thể tự vận hành trong mọi gia đình, nhà máy hay trên mọi loại phần cứng robot.

GE-Act 2.0 làm gì?

GE-Act 2.0 là một mô hình thế giới–hành động (world–action model): hệ thống liên kết việc nhìn nhận môi trường, dự đoán trạng thái mong muốn và điều khiển robot. Khi nhận một chỉ dẫn ngôn ngữ, chẳng hạn đặt một vật vào vị trí nào đó, robot phải xác định hiện trạng, hình dung trạng thái hoàn thành hữu ích và tạo lệnh vận động để đi tới trạng thái đó.

Theo AgiBot, mô hình gồm ba khối chính:

• CoAE (control-oriented autoencoder): nén đầu vào thị giác nhưng giữ lại thông tin liên quan đến chỉ dẫn và hành động robot.
• SVP (single-step visual planner): tạo ra trạng thái thị giác tương lai đã hoàn thành trong một lượt tính khả vi, thay vì phải cuộn qua chuỗi dự báo video dài.
• IDM (inverse-dynamics model): suy ra các hành động robot có thể thực thi từ trạng thái hiện tại và trạng thái tương lai đã được lập kế hoạch. 17

Phương pháp huấn luyện đi kèm có tên Knowledge-Aligned Selective Optimization (KASO). Bài báo mô tả KASO như một cách phối hợp phần lập kế hoạch thị giác và học hành động, đồng thời cho phép tiền huấn luyện các thành phần này bằng những nguồn dữ liệu bổ trợ nhau. 17

AgiBot cũng báo cáo thời gian suy luận cho một cụm hành động là 104 mili giây trên một GPU RTX 5090. Con số này quan trọng vì robot thao tác cần liên tục quan sát rồi phản ứng; một kế hoạch nhìn có vẻ hợp lý sẽ ít giá trị nếu lệnh điều khiển tiếp theo được tạo ra quá chậm. 5

“Huấn luyện từ đầu” ở đây nghĩa là gì?

Nhiều hệ thống học robot tận dụng mô hình đã được huấn luyện trước trên ảnh hoặc video web. Với GE-Act 2.0, các thành phần sinh và hành động có thể huấn luyện được đều bắt đầu từ khởi tạo ngẫu nhiên, sau đó được học trên dữ liệu thao tác hiện thân. 17

Nhờ vậy, thí nghiệm mở rộng quy mô tập trung hơn vào câu hỏi: liệu bổ sung dữ liệu gắn với tương tác vật lý và hành động có giúp robot thao tác tốt lên một cách có hệ thống hay không, thay vì đo lợi ích của một mô hình nền video web có sẵn.

Công thức dữ liệu được báo cáo có thể kết hợp quỹ đạo điều khiển từ xa của robot, video góc nhìn thứ nhất của con người, dữ liệu robot tự chạy không gắn nhãn và cả dữ liệu thất bại. 620 Điều này đáng quan tâm vì thu thập trình diễn robot chất lượng cao rất tốn kém; nếu hệ thống vẫn học được từ tương tác chưa hoàn hảo hoặc chỉ được gắn nhãn một phần, việc mở rộng dữ liệu có thể thực tế hơn.

Thí nghiệm mở rộng dữ liệu gấp 100 lần

AgiBot huấn luyện các phiên bản mô hình với 300, 1.200, 5.000 và 30.000 giờ dữ liệu thao tác — tương ứng mức tăng tổng cộng gấp 100 lần từ điều kiện nhỏ nhất đến lớn nhất. 417

Đánh giá chính là zero-shot trên robot thật, nghĩa là không tinh chỉnh riêng theo các nhiệm vụ kiểm tra. Giao thức bao gồm:

• 100 tác vụ thao tác nguyên tử;
• 20 nhóm kỹ năng;
• các cảnh, nền, điều kiện chiếu sáng và vật thể chưa gặp trong huấn luyện;
• hai thân robot: robot hình người G1-OP và robot thao tác di động G2-90D;
• không tinh chỉnh theo tác vụ, không trình diễn trước và không thay mô hình cho các tác vụ đánh giá. 417

Theo số liệu AgiBot công bố, tỷ lệ thành công gộp tăng theo quy mô dữ liệu:

Thân robot	Thành công ở 300 giờ	Thành công ở 30.000 giờ
G1-OP	17,1%	44,1%
G2-90D	13,4%	31,1%

Đây là các kết quả do nghiên cứu GE-Act 2.0 báo cáo. 317

Diễn giải trực tiếp nhất là: với mô hình và phân bố tác vụ này, nhiều dữ liệu hiện thân hơn đi kèm mức tăng lớn về tỷ lệ hoàn thành zero-shot. Các đường kết quả được báo cáo từ 5.000 đến 30.000 giờ chưa cho thấy dấu hiệu bão hòa rõ rệt; nhóm tác giả vì vậy cho rằng việc tiếp tục mở rộng có thể còn mang lại lợi ích. 5

Hiệu ứng “bật sáng kỹ năng” đáng chú ý ở điểm nào?

Tỷ lệ thành công trung bình cao hơn có thể chỉ phản ánh robot làm ổn định hơn những việc vốn đã làm được. AgiBot cho rằng kết quả ở quy mô lớn cho thấy điều mạnh hơn: số tác vụ đạt tỷ lệ thành công khác 0 tăng lên.

Với G1-OP, số tác vụ nguyên tử hoàn thành thành công được báo cáo tăng từ 39 lên 76 trên tổng số 100, khi dữ liệu huấn luyện tăng từ 300 lên 30.000 giờ. 4

Các ví dụ được nêu gồm:

• gấp khăn;
• xếp lồng cốc;
• tháo và lắp nắp bút;
• cắm hoa. 48

Đó là cơ sở cho cách gọi “bật sáng” (light-up) kỹ năng. Trong các thử nghiệm được báo cáo, việc tăng dữ liệu không chỉ đi kèm thao tác tốt hơn ở kỹ năng đã có, mà còn đi kèm việc một số kỹ năng tinh trở nên khả thi trong điều kiện zero-shot sau khi thất bại ở quy mô nhỏ.

Dù vậy, không nên hiểu “bật sáng” là bằng chứng về trí tuệ tổng quát xuất hiện đột ngột. Đây là mô tả về độ phủ tác vụ quan sát được trong một bộ đánh giá hữu hạn. Câu hỏi liệu mô hình có giữ được xu hướng này với vật thể đa dạng hơn, công việc kéo dài hơn, môi trường đòi hỏi an toàn cao hoặc thiết kế robot mới hay không vẫn chưa có lời giải.

G2-90D nói gì về khả năng chuyển giao giữa các thân robot?

G2-90D là bằng chứng trong nghiên cứu cho khả năng chuyển giao giữa các thân robot khác nhau. AgiBot cho biết robot thao tác di động có bánh xe này chiếm dưới 2% dữ liệu huấn luyện chung, nhưng tỷ lệ thành công gộp vẫn tăng 17,7 điểm phần trăm giữa điều kiện dữ liệu nhỏ và lớn. 317

Kết quả này gợi ý rằng một phần cấu trúc thị giác và thông tin liên quan đến hành động có thể được dùng chung giữa các cơ thể robot khác nhau. Đây là tín hiệu hữu ích cho mục tiêu không phải xây lại toàn bộ chính sách điều khiển từ đầu cho từng máy.

Nhưng nó không chứng minh robot có trí thông minh độc lập với phần cứng. Bằng chứng mới giới hạn ở hai thân robot và phân bố tác vụ của nghiên cứu. G2-90D cũng có mặt trong dữ liệu huấn luyện chung, vì thế kết quả không cho thấy khả năng chuyển giao khi hoàn toàn không có dữ liệu từ một robot mới bất kỳ.

GE-Act liên quan thế nào tới GE-Sim?

GE-Act là một phần của nền tảng Genie Envisioner (GE) rộng hơn của AgiBot, được mô tả là kết hợp học chính sách robot, đánh giá và mô phỏng trong một khung sinh video chung. 18

Trong cấu trúc này, GE-Act là thành phần hướng tới hành động; còn GE-Sim là thành phần mô phỏng thế giới, nhằm tạo các chuỗi diễn biến phụ thuộc vào hành động để phục vụ đánh giá và phát triển. 1819

Phân biệt này rất quan trọng: kết quả tiêu đề của GE-Act 2.0 dựa trên kiểm tra zero-shot ở robot vật lý. GE-Sim có thể là hạ tầng liên quan trong nền tảng lớn hơn, nhưng không phải cơ sở cho tuyên bố trung tâm rằng mô hình đã thực hiện các thao tác trên robot thật mà không cần tinh chỉnh riêng hay trình diễn ở thời điểm đánh giá.

Kết quả tinh chỉnh là một câu chuyện khác

AgiBot cũng báo cáo các kết quả sau tinh chỉnh trên các benchmark thiên về mô phỏng. Trong phần thông tin được cung cấp, GE-Act 2.0 đạt 60,52% thành công ở bài kiểm tra môi trường chưa thấy của RoboTwin và đạt 0,770 ở bài kiểm tra tuân thủ chỉ dẫn GenieSim; chỉ số sau được báo cáo là cao hơn các kết quả so sánh của π0.5 và GR00T N1.7. 20

Các kết quả này hữu ích để đánh giá năng lực thích ứng và hiệu năng benchmark, nhưng chúng trả lời câu hỏi khác với thí nghiệm zero-shot trên robot vật lý. Không nên dùng điểm benchmark sau tinh chỉnh để suy ra rằng cùng năng lực đó đạt được mà không cần thích ứng theo tác vụ.

Kết luận thực tế

GE-Act 2.0 đáng chú ý vì kiểm tra một giả thuyết quan trọng của AI hiện thân: một mô hình thế giới–hành động được huấn luyện trực tiếp trên dữ liệu thao tác có thể cải thiện một cách dự đoán được khi lượng dữ liệu tăng lên hay không?

Trong thí nghiệm do AgiBot báo cáo, câu trả lời là có. Mở rộng tập huấn luyện từ 300 lên 30.000 giờ đi kèm mức tăng lớn về thành công zero-shot trên cả G1-OP lẫn G2-90D, độ phủ tác vụ rộng hơn, và sự xuất hiện của các kỹ năng như gấp khăn hay xếp lồng cốc ở điều kiện quy mô lớn. 3417

Kết luận phù hợp nên hẹp hơn lời hứa về robot đa dụng: GE-Act 2.0 đưa ra bằng chứng rằng mở rộng dữ liệu thao tác hiện thân có thể tạo ra các năng lực mới, đo lường được trong một đánh giá robot thật có kiểm soát. Vẫn cần tái lập độc lập, thử nghiệm trên nhiều phần cứng hơn, cùng đánh giá nghiêm ngặt hơn về tác vụ dài hạn và an toàn trước khi xem đây là lời giải tổng quát cho tự hành robot.