Tại World Robot Conference 2026, SynapX đưa ra một cách tiếp cận khác với cuộc đua robot hình người: thay vì bắt đầu bằng việc chế tạo một cỗ máy hoàn chỉnh có đầu, thân và hai chân giống người, công ty muốn xây trước lớp trí tuệ và thao tác có thể dùng lại ở nhiều nền tảng.

Hệ thống này được gọi là “Brain–Hand–Data”, gồm mô hình thế giới vật lý hiện thân SYNWorld, bàn tay robot khéo léo OctoH-Hand và nền tảng thu thập dữ liệu OctoSense. 12

Vì sao SynapX không bắt đầu từ một robot hình người?

Robot hình người có lợi thế dễ thấy: về lý thuyết, nó có thể bước vào những không gian được thiết kế cho con người và sử dụng các công cụ vốn dành cho con người. Nhưng theo luận điểm của SynapX, hình dáng giống người không phải phần cốt lõi có tính tái sử dụng cao nhất.

Điều quan trọng hơn là robot có thể:

• hiểu các quy luật khiến vật thể và môi trường thay đổi;
• dự đoán kết quả của một hành động;
• tương tác chính xác với vật thể bằng nhiều ngón tay;
• cảm nhận lực, áp suất và tiếp xúc để điều chỉnh thao tác theo thời gian thực.

Nếu “bộ não” và “bàn tay” được thiết kế như các mô-đun dùng chung, chúng có thể được gắn lên nhiều thân robot, cánh tay máy hoặc trạm làm việc cố định. Khi đó, năng lực vật lý không bị khóa vào một mẫu robot hình người duy nhất. 114

Đây vừa là lựa chọn kỹ thuật, vừa là chiến lược kinh doanh. SynapX đang định vị mình như một nhà cung cấp lớp nền cho AI vật lý: cung cấp mô hình tổng quát, phần cứng bàn tay khéo léo và hạ tầng dữ liệu, thay vì phải tự sản xuất mọi robot hoàn chỉnh hoặc trực tiếp vận hành từng nhà máy, nhà hàng và ứng dụng gia đình. 2314

Ba mảnh ghép trong hệ thống “Brain–Hand–Data”

SYNWorld: “bộ não” hiểu thế giới vật lý

SynapX mô tả SYNWorld V0.5 là một mô hình nền tảng thế giới tổng quát, được phát triển theo hướng “bản địa cho AI hiện thân”. Nói đơn giản, mô hình thế giới cố gắng học cách thế giới vật lý vận hành để robot không phải dựa vào một chương trình viết sẵn cho từng thao tác riêng lẻ.

Các trình diễn tại hội nghị bao gồm nướng bánh mì, gấp quần áo và hoàn thành những câu đố ghép hình chi tiết. 1922

SYNWorld được giới thiệu với hai hướng năng lực bổ trợ:

• Mô hình thế giới có thể điều khiển bằng hành động (ACWM): dự đoán môi trường có thể thay đổi ra sao khi robot thực hiện một hành động nhất định.
• Mô hình thế giới–hành động (WAM): dựa trên trạng thái hiện tại và dự đoán về tương lai để tạo ra quỹ đạo chuyển động cho robot.

Theo thông tin do SynapX công bố, SYNWorld V0.5 có quy mô 16 tỷ tham số và được huấn luyện trên hơn 300.000 giờ dữ liệu đa phương thức. 14

Mục tiêu chiến lược là học các quy luật vật lý có tính phổ quát một lần rồi chuyển năng lực đó sang nhiều nhiệm vụ và “cơ thể” robot khác nhau. Tuy nhiên, việc mô hình có thể khái quát hóa ổn định ngoài các màn trình diễn được chuẩn bị trước vẫn là câu hỏi kỹ thuật lớn nhất.

OctoH-Hand: “bàn tay” thao tác chính xác

OctoH-Hand là bàn tay robot sinh học có nhiều bậc tự do, được thiết kế cho thao tác đa ngón, chuyển động tinh vi ở đầu ngón, khả năng ngón cái đối ngón và những kiểu cầm nắm phức tạp.

Thông tin được công bố cho biết bàn tay kết hợp cơ chế truyền động bằng gân với các động cơ đặt ở cẳng tay. Cấu hình này có 28 bộ truyền động điều khiển độc lập, 23 bậc tự do chủ động và hơn 1.900 đơn vị cảm biến xúc giác. 418

Khác với một chiếc kẹp cơ khí thông thường, bàn tay khéo léo phải liên tục điều chỉnh lực nắm khi nhận biết tiếp xúc, áp lực, lực tác động hoặc sự dịch chuyển của vật thể. Đây là yêu cầu đặc biệt quan trọng khi xử lý đồ vật mềm, dễ vỡ hoặc dễ trượt: dùng quá nhiều lực có thể làm nát vật thể, còn dùng quá ít lực khiến nó rơi xuống.

Vì vậy, SynapX xem cảm biến và điều khiển lực là phần cốt lõi của thao tác robot, chứ không phải các tính năng bổ sung. 14

OctoSense: lớp dữ liệu biến thao tác của con người thành bài học cho máy

OctoSense là giải pháp thu thập dữ liệu hiện thân của SynapX. Các thiết bị được giới thiệu gồm vòng đeo đầu góc nhìn rộng, vòng đeo cổ tay đo điện cơ và găng tay thu thập dữ liệu kiểu khung xương ngoài.

Hệ thống này nhằm ghi lại đồng thời những gì con người nhìn thấy, cách cơ thể và bàn tay di chuyển, cũng như cách người đó tương tác với vật thể thông qua lực, mô-men xoắn, áp suất và xúc giác. 1512

Theo SynapX, việc đồng bộ cấu trúc chuyển động và hệ thống cảm biến của thiết bị con người với OctoH-Hand có thể làm giảm bài toán retargeting—tức chuyển một động tác của người thành động tác phù hợp với cơ cấu robot.

Công ty cũng tuyên bố hệ thống có thể khái quát tín hiệu cơ giữa nhiều người mà không cần dữ liệu hiệu chỉnh riêng cho từng cá nhân. Tuy nhiên, các bằng chứng độc lập cho thấy khả năng này hoạt động ổn định ở quy mô lớn hiện còn hạn chế trong những nguồn được cung cấp. 5720

Vòng lặp dữ liệu mà SynapX muốn xây dựng

Ba sản phẩm trên được thiết kế để vận hành như một chu trình thống nhất, thay vì ba dòng sản phẩm tách rời:

1. Con người thực hiện các công việc vật lý thông thường để làm mẫu.
2. OctoSense ghi lại dữ liệu đồng bộ về hình ảnh, chuyển động, cơ bắp, lực và xúc giác.
3. SYNWorld học cách dự đoán kết quả vật lý và tạo ra chiến lược hành động.
4. OctoH-Hand thực thi hành động thông qua phản hồi lực và xúc giác.
5. Kết quả trong thế giới thật cùng các lần làm mẫu mới tạo thêm dữ liệu huấn luyện.

Đây là trung tâm trong luận điểm của SynapX: dữ liệu tốt hơn giúp mô hình tiến bộ; mô hình mạnh hơn khiến bàn tay robot có thể xử lý nhiều tình huống hơn; còn các ứng dụng hữu ích hơn lại tạo ra dữ liệu phong phú hơn. 137

Nếu hoạt động hiệu quả, vòng lặp này có thể giúp các kỹ năng vật lý được chuyển giao giữa nhiều nhiệm vụ và nhiều loại robot, thay vì phải tối ưu riêng một mô hình, một bàn tay hoặc một thân robot hình người cho từng trường hợp.

“Lực lượng lao động silicon tốt nghiệp cấp hai” nghĩa là gì?

Cụm từ “lực lượng lao động silicon tốt nghiệp cấp hai” của CEO Đỗ Đại Long nên được hiểu như một ẩn dụ về năng lực và kinh tế, không phải một mô tả theo nghĩa đen về trình độ học vấn.

Hình dung của SynapX dường như không phải ngay lập tức tạo ra những robot hoàn toàn tổng quát, tương đương con người trưởng thành. Cột mốc đầu tiên có thể là một đội ngũ “lao động số” giá rẻ, có năng lực nền tảng tương đối rộng: biết làm theo chỉ dẫn, hiểu khu vực làm việc, dùng hai tay, học qua quan sát và thực hiện các tác vụ phổ biến dưới sự giám sát phù hợp.

Giá trị kinh tế sẽ đến từ nền tảng dùng chung và khả năng học hỏi ở cấp độ đội robot. Một kỹ năng học được ở nơi này có thể được điều chỉnh cho nơi khác, thay vì phải xây dựng lại từ đầu cho từng máy.

Đây vẫn là tầm nhìn của công ty, chưa phải kết quả triển khai đã được xác lập. Tính khả thi sẽ phụ thuộc vào độ tin cậy, an toàn, chi phí phần cứng, bảo trì và mức độ giám sát của con người.

Vì sao một chiếc hamburger có thể là “khoảnh khắc ChatGPT”?

Với SynapX, làm một chiếc hamburger có ý nghĩa hơn một màn trình diễn gắp–đặt đơn giản vì nhiệm vụ này đòi hỏi nhiều dạng khéo léo cùng lúc.

Một robot phải xử lý nguyên liệu có hình dạng và độ mềm khác nhau, phối hợp nhiều ngón tay, kiểm soát lực nắm cũng như lực cắt hoặc ép, thực hiện các bước theo đúng trình tự, đặt nguyên liệu chính xác và cảm nhận tiếp xúc đủ tinh tế để không làm nát hay làm rơi chúng.

Nếu robot có thể làm hamburger ổn định hơn con người trong điều kiện nguyên liệu, dụng cụ và không gian làm việc thay đổi, đó sẽ là dấu hiệu cho thấy AI hiện thân đang đi từ tự động hóa được lập trình cứng sang một thư viện kỹ năng vật lý có thể tái sử dụng.

Những kỹ năng đó có thể mở rộng sang việc cầm bao bì, xử lý bánh mì và rau củ, định lượng nguyên liệu, lắp ráp, vệ sinh và di chuyển vật thể trong môi trường dịch vụ ăn uống.

Mốc thời gian một đến hai năm được ông Đỗ Đại Long đề cập nên được xem là mục tiêu kỳ vọng, không phải dự báo ngành đã được kiểm chứng độc lập. Các nguồn hiện có ghi nhận tuyên bố và màn trình diễn sản phẩm của SynapX, nhưng chưa chứng minh công ty sẽ đạt được thời hạn này. 14

So sánh với Tesla cho thấy điều gì?

So sánh với Tesla làm nổi bật lý do bàn tay robot nhận được nhiều sự chú ý. Một báo cáo dẫn lời Elon Musk cho rằng bàn tay chiếm khoảng một nửa công sức kỹ thuật của Optimus. Điều này cho thấy bàn tay được xem là bộ phận vừa khó vừa quan trọng trong một chương trình robot hình người. 23

Tuy nhiên, thông tin đó không đồng nghĩa Tesla dành một nửa ngân sách nghiên cứu phần cứng cho bàn tay. Tư liệu được trích dẫn chỉ nói về tỷ trọng công sức kỹ thuật, không cung cấp bảng phân bổ ngân sách tương ứng.

Điểm SynapX muốn nhấn mạnh hẹp hơn và có cơ sở hơn: nếu thiếu khả năng thao tác chính xác, cảm biến xúc giác phong phú và điều khiển lực đáng tin cậy, một “bộ não” robot mạnh vẫn có thể gặp khó khăn khi thực hiện những công việc vật lý rất bình thường.

Vì thế, chiến lược tại WRC 2026 của SynapX là thương mại hóa những thành phần mà công ty cho rằng tạo nên lõi của trí tuệ vật lý—mô hình, bàn tay và vòng lặp dữ liệu—trước khi cam kết với một thân robot phổ quát duy nhất.

Tại World Robot Conference 2026, SynapX đưa ra một cách tiếp cận khác với cuộc đua robot hình người: thay vì bắt đầu bằng việc chế tạo một cỗ máy hoàn chỉnh có đầu, thân và hai chân giống người, công ty muốn xây trước lớp trí tuệ và thao tác có thể dùng lại ở nhiều nền tảng.

Hệ thống này được gọi là “Brain–Hand–Data”, gồm mô hình thế giới vật lý hiện thân SYNWorld, bàn tay robot khéo léo OctoH-Hand và nền tảng thu thập dữ liệu OctoSense. 12

Vì sao SynapX không bắt đầu từ một robot hình người?

Robot hình người có lợi thế dễ thấy: về lý thuyết, nó có thể bước vào những không gian được thiết kế cho con người và sử dụng các công cụ vốn dành cho con người. Nhưng theo luận điểm của SynapX, hình dáng giống người không phải phần cốt lõi có tính tái sử dụng cao nhất.

Điều quan trọng hơn là robot có thể:

• hiểu các quy luật khiến vật thể và môi trường thay đổi;
• dự đoán kết quả của một hành động;
• tương tác chính xác với vật thể bằng nhiều ngón tay;
• cảm nhận lực, áp suất và tiếp xúc để điều chỉnh thao tác theo thời gian thực.

Nếu “bộ não” và “bàn tay” được thiết kế như các mô-đun dùng chung, chúng có thể được gắn lên nhiều thân robot, cánh tay máy hoặc trạm làm việc cố định. Khi đó, năng lực vật lý không bị khóa vào một mẫu robot hình người duy nhất. 114

Đây vừa là lựa chọn kỹ thuật, vừa là chiến lược kinh doanh. SynapX đang định vị mình như một nhà cung cấp lớp nền cho AI vật lý: cung cấp mô hình tổng quát, phần cứng bàn tay khéo léo và hạ tầng dữ liệu, thay vì phải tự sản xuất mọi robot hoàn chỉnh hoặc trực tiếp vận hành từng nhà máy, nhà hàng và ứng dụng gia đình. 2314

Ba mảnh ghép trong hệ thống “Brain–Hand–Data”

SYNWorld: “bộ não” hiểu thế giới vật lý

SynapX mô tả SYNWorld V0.5 là một mô hình nền tảng thế giới tổng quát, được phát triển theo hướng “bản địa cho AI hiện thân”. Nói đơn giản, mô hình thế giới cố gắng học cách thế giới vật lý vận hành để robot không phải dựa vào một chương trình viết sẵn cho từng thao tác riêng lẻ.

Các trình diễn tại hội nghị bao gồm nướng bánh mì, gấp quần áo và hoàn thành những câu đố ghép hình chi tiết. 1922

SYNWorld được giới thiệu với hai hướng năng lực bổ trợ:

• Mô hình thế giới có thể điều khiển bằng hành động (ACWM): dự đoán môi trường có thể thay đổi ra sao khi robot thực hiện một hành động nhất định.
• Mô hình thế giới–hành động (WAM): dựa trên trạng thái hiện tại và dự đoán về tương lai để tạo ra quỹ đạo chuyển động cho robot.

Theo thông tin do SynapX công bố, SYNWorld V0.5 có quy mô 16 tỷ tham số và được huấn luyện trên hơn 300.000 giờ dữ liệu đa phương thức. 14

Mục tiêu chiến lược là học các quy luật vật lý có tính phổ quát một lần rồi chuyển năng lực đó sang nhiều nhiệm vụ và “cơ thể” robot khác nhau. Tuy nhiên, việc mô hình có thể khái quát hóa ổn định ngoài các màn trình diễn được chuẩn bị trước vẫn là câu hỏi kỹ thuật lớn nhất.

OctoH-Hand: “bàn tay” thao tác chính xác

OctoH-Hand là bàn tay robot sinh học có nhiều bậc tự do, được thiết kế cho thao tác đa ngón, chuyển động tinh vi ở đầu ngón, khả năng ngón cái đối ngón và những kiểu cầm nắm phức tạp.

Thông tin được công bố cho biết bàn tay kết hợp cơ chế truyền động bằng gân với các động cơ đặt ở cẳng tay. Cấu hình này có 28 bộ truyền động điều khiển độc lập, 23 bậc tự do chủ động và hơn 1.900 đơn vị cảm biến xúc giác. 418

Khác với một chiếc kẹp cơ khí thông thường, bàn tay khéo léo phải liên tục điều chỉnh lực nắm khi nhận biết tiếp xúc, áp lực, lực tác động hoặc sự dịch chuyển của vật thể. Đây là yêu cầu đặc biệt quan trọng khi xử lý đồ vật mềm, dễ vỡ hoặc dễ trượt: dùng quá nhiều lực có thể làm nát vật thể, còn dùng quá ít lực khiến nó rơi xuống.

Vì vậy, SynapX xem cảm biến và điều khiển lực là phần cốt lõi của thao tác robot, chứ không phải các tính năng bổ sung. 14

OctoSense: lớp dữ liệu biến thao tác của con người thành bài học cho máy

OctoSense là giải pháp thu thập dữ liệu hiện thân của SynapX. Các thiết bị được giới thiệu gồm vòng đeo đầu góc nhìn rộng, vòng đeo cổ tay đo điện cơ và găng tay thu thập dữ liệu kiểu khung xương ngoài.

Hệ thống này nhằm ghi lại đồng thời những gì con người nhìn thấy, cách cơ thể và bàn tay di chuyển, cũng như cách người đó tương tác với vật thể thông qua lực, mô-men xoắn, áp suất và xúc giác. 1512

Theo SynapX, việc đồng bộ cấu trúc chuyển động và hệ thống cảm biến của thiết bị con người với OctoH-Hand có thể làm giảm bài toán retargeting—tức chuyển một động tác của người thành động tác phù hợp với cơ cấu robot.

Công ty cũng tuyên bố hệ thống có thể khái quát tín hiệu cơ giữa nhiều người mà không cần dữ liệu hiệu chỉnh riêng cho từng cá nhân. Tuy nhiên, các bằng chứng độc lập cho thấy khả năng này hoạt động ổn định ở quy mô lớn hiện còn hạn chế trong những nguồn được cung cấp. 5720

Vòng lặp dữ liệu mà SynapX muốn xây dựng

Ba sản phẩm trên được thiết kế để vận hành như một chu trình thống nhất, thay vì ba dòng sản phẩm tách rời:

1. Con người thực hiện các công việc vật lý thông thường để làm mẫu.
2. OctoSense ghi lại dữ liệu đồng bộ về hình ảnh, chuyển động, cơ bắp, lực và xúc giác.
3. SYNWorld học cách dự đoán kết quả vật lý và tạo ra chiến lược hành động.
4. OctoH-Hand thực thi hành động thông qua phản hồi lực và xúc giác.
5. Kết quả trong thế giới thật cùng các lần làm mẫu mới tạo thêm dữ liệu huấn luyện.

Đây là trung tâm trong luận điểm của SynapX: dữ liệu tốt hơn giúp mô hình tiến bộ; mô hình mạnh hơn khiến bàn tay robot có thể xử lý nhiều tình huống hơn; còn các ứng dụng hữu ích hơn lại tạo ra dữ liệu phong phú hơn. 137

Nếu hoạt động hiệu quả, vòng lặp này có thể giúp các kỹ năng vật lý được chuyển giao giữa nhiều nhiệm vụ và nhiều loại robot, thay vì phải tối ưu riêng một mô hình, một bàn tay hoặc một thân robot hình người cho từng trường hợp.

“Lực lượng lao động silicon tốt nghiệp cấp hai” nghĩa là gì?

Cụm từ “lực lượng lao động silicon tốt nghiệp cấp hai” của CEO Đỗ Đại Long nên được hiểu như một ẩn dụ về năng lực và kinh tế, không phải một mô tả theo nghĩa đen về trình độ học vấn.

Hình dung của SynapX dường như không phải ngay lập tức tạo ra những robot hoàn toàn tổng quát, tương đương con người trưởng thành. Cột mốc đầu tiên có thể là một đội ngũ “lao động số” giá rẻ, có năng lực nền tảng tương đối rộng: biết làm theo chỉ dẫn, hiểu khu vực làm việc, dùng hai tay, học qua quan sát và thực hiện các tác vụ phổ biến dưới sự giám sát phù hợp.

Giá trị kinh tế sẽ đến từ nền tảng dùng chung và khả năng học hỏi ở cấp độ đội robot. Một kỹ năng học được ở nơi này có thể được điều chỉnh cho nơi khác, thay vì phải xây dựng lại từ đầu cho từng máy.

Đây vẫn là tầm nhìn của công ty, chưa phải kết quả triển khai đã được xác lập. Tính khả thi sẽ phụ thuộc vào độ tin cậy, an toàn, chi phí phần cứng, bảo trì và mức độ giám sát của con người.

Vì sao một chiếc hamburger có thể là “khoảnh khắc ChatGPT”?

Với SynapX, làm một chiếc hamburger có ý nghĩa hơn một màn trình diễn gắp–đặt đơn giản vì nhiệm vụ này đòi hỏi nhiều dạng khéo léo cùng lúc.

Một robot phải xử lý nguyên liệu có hình dạng và độ mềm khác nhau, phối hợp nhiều ngón tay, kiểm soát lực nắm cũng như lực cắt hoặc ép, thực hiện các bước theo đúng trình tự, đặt nguyên liệu chính xác và cảm nhận tiếp xúc đủ tinh tế để không làm nát hay làm rơi chúng.

Nếu robot có thể làm hamburger ổn định hơn con người trong điều kiện nguyên liệu, dụng cụ và không gian làm việc thay đổi, đó sẽ là dấu hiệu cho thấy AI hiện thân đang đi từ tự động hóa được lập trình cứng sang một thư viện kỹ năng vật lý có thể tái sử dụng.

Những kỹ năng đó có thể mở rộng sang việc cầm bao bì, xử lý bánh mì và rau củ, định lượng nguyên liệu, lắp ráp, vệ sinh và di chuyển vật thể trong môi trường dịch vụ ăn uống.

Mốc thời gian một đến hai năm được ông Đỗ Đại Long đề cập nên được xem là mục tiêu kỳ vọng, không phải dự báo ngành đã được kiểm chứng độc lập. Các nguồn hiện có ghi nhận tuyên bố và màn trình diễn sản phẩm của SynapX, nhưng chưa chứng minh công ty sẽ đạt được thời hạn này. 14

So sánh với Tesla cho thấy điều gì?

So sánh với Tesla làm nổi bật lý do bàn tay robot nhận được nhiều sự chú ý. Một báo cáo dẫn lời Elon Musk cho rằng bàn tay chiếm khoảng một nửa công sức kỹ thuật của Optimus. Điều này cho thấy bàn tay được xem là bộ phận vừa khó vừa quan trọng trong một chương trình robot hình người. 23

Tuy nhiên, thông tin đó không đồng nghĩa Tesla dành một nửa ngân sách nghiên cứu phần cứng cho bàn tay. Tư liệu được trích dẫn chỉ nói về tỷ trọng công sức kỹ thuật, không cung cấp bảng phân bổ ngân sách tương ứng.

Điểm SynapX muốn nhấn mạnh hẹp hơn và có cơ sở hơn: nếu thiếu khả năng thao tác chính xác, cảm biến xúc giác phong phú và điều khiển lực đáng tin cậy, một “bộ não” robot mạnh vẫn có thể gặp khó khăn khi thực hiện những công việc vật lý rất bình thường.

Vì thế, chiến lược tại WRC 2026 của SynapX là thương mại hóa những thành phần mà công ty cho rằng tạo nên lõi của trí tuệ vật lý—mô hình, bàn tay và vòng lặp dữ liệu—trước khi cam kết với một thân robot phổ quát duy nhất.