Khi robot AI học cách tưởng tượng trước khi hành động

Đây có thể là chìa khóa giúp robot thoát khỏi những kịch bản được lập trình sẵn và bắt đầu thích nghi với thế giới thực đầy biến động.

Robot AI đoạn tuyệt với cách chỉ biết “nhìn rồi làm”

Trong nhiều năm, một trong những mục tiêu lớn nhất của ngành trí tuệ nhân tạo là tạo ra robot có thể tương tác linh hoạt với thế giới thực như con người. Robot không chỉ cần nhìn thấy một chiếc cốc trên bàn mà còn phải hiểu chiếc cốc nằm ở đâu, có thể cầm như thế nào và chuyện gì sẽ xảy ra nếu đưa tay tới vị trí đó.

Để làm được điều này, các nhà nghiên cứu ngày càng quan tâm đến cái gọi là “mô hình thế giới”, những hệ thống AI có khả năng hình dung trạng thái của môi trường và dự đoán diễn biến tiếp theo trước khi robot hành động.

Tuy nhiên, một hạn chế lớn vẫn tồn tại. Nhiều mô hình hành động trước đây được phát triển dựa trên các mô hình tạo video. Chúng có thể tạo ra hình ảnh hoặc video về một chuyển động, nhưng việc biến những dự đoán đó thành hành động chính xác trong thế giới vật lí lại là câu chuyện hoàn toàn khác.

Một robot ngoài đời không có hàng chục giây để “suy nghĩ”. Nó phải quyết định trong thời gian rất ngắn khi một vật thể bất ngờ di chuyển, khi tay gắp bị trượt hoặc khi môi trường xung quanh khác hoàn toàn dữ liệu đã được học.

Theo hướng tiếp cận được AGIBot theo đuổi với mô hình GE Act 2.0, các nhà phát triển muốn giải quyết vấn đề từ gốc thay vì tiếp tục ghép các công nghệ có sẵn. Hệ thống được huấn luyện lại quá trình mô phỏng thế giới và chuỗi hành động dựa trực tiếp trên dữ liệu thao tác thực tế.

Một thành phần quan trọng là bộ mã hóa thị giác, giúp robot đồng thời nắm bắt chuyển động, hiểu ý nghĩa của vật thể và nén thông tin để xử lí nhanh hơn. Nhờ đó, hệ thống có thể học từ những video thao tác thô, kể cả hình ảnh ghi lại từ góc nhìn của con người đang sử dụng đôi tay.

Điểm đáng chú ý hơn nằm ở việc robot không nhất thiết cần những dòng chú thích chi tiết để hiểu từng bước. Hệ thống có thể suy luận chuỗi hành động từ chính dữ liệu chuyển động.

Cách học này cũng làm thay đổi quan niệm về thất bại. Với một thuật toán thông thường, một cú gắp hụt có thể bị xem là dữ liệu không tốt. Nhưng với robot có khả năng học từ tương tác thực tế, cú gắp hụt lại cho hệ thống biết vật thể nằm ở đâu, lực tác động chưa phù hợp thế nào và lần tiếp theo cần thay đổi ra sao.

Nói cách khác, robot không chỉ học từ những lần làm đúng. Nó còn học từ những lần làm sai. Một cải tiến khác nằm ở tốc độ. Các mô hình tạo hình ảnh truyền thống thường cần nhiều bước tính toán để tạo ra kết quả, khiến việc sử dụng chúng trong điều khiển robot trở nên chậm chạp. GE Act 2.0 được mô tả là sử dụng cơ chế lập kế hoạch đơn bước, cho phép quá trình khử nhiễu được thực hiện chỉ trong một lần xử lí.

Nếu các kết quả này được chứng minh ổn định trong những thử nghiệm quy mô lớn, đây sẽ là một thay đổi quan trọng. Từ giờ, mô hình AI không còn chỉ là công cụ tạo ra hình ảnh về hành động, mà có thể trở thành bộ phận trực tiếp giúp robot quyết định hành động.

Robot AI Trung Quốc sắp thay thế lao động phổ thông trong phân loại bưu kiện

Lạ mà hay: Robot AI dùng DeepSeek để 'bắt bệnh' cho cây như thế nào?

Từ 300 giờ lên 30.000 giờ dữ liệu, robot bắt đầu biết ứng biến

Thước đo quan trọng nhất đối với một robot thông minh không phải là nó hoạt động tốt trong phòng thí nghiệm, mà là cách nó xử lí những thứ chưa từng gặp.

Một robot chỉ được huấn luyện để gắp một chiếc cốc màu đỏ ở đúng một vị trí có thể hoàn thành nhiệm vụ rất tốt. Nhưng nếu chiếc cốc chuyển sang màu xanh, bị đặt lệch sang một bên hoặc xuất hiện một vật thể khác chắn đường, hệ thống có thể ngay lập tức lúng túng. Đây chính là khoảng cách giữa robot “làm theo bài” và robot có khả năng thích nghi.

Các thử nghiệm được mô tả cho thấy khi quy mô dữ liệu huấn luyện được mở rộng từ khoảng 300 giờ lên 30.000 giờ, năng lực của hệ thống được cải thiện đáng kể. Robot không chỉ nhận diện những vật thể chưa từng xuất hiện trong dữ liệu mà còn có thể thực hiện nhiều thao tác như gắp, đặt, xếp chồng, rót nước hay bấm nút.

Đáng chú ý, hệ thống còn phải xử lí những yêu cầu phức tạp hoặc có yếu tố gây nhiễu. Thay vì chỉ nhận diện tên của một vật thể, robot phải phân tích nhiều thuộc tính cùng lúc, chẳng hạn màu sắc, hình dạng và vị trí trong không gian, rồi lựa chọn cách tương tác phù hợp. Đây chính là lúc khái niệm “tưởng tượng trước khi hành động” trở nên quan trọng.

Con người khi nhấc một chiếc cốc thường không cần tính toán rõ ràng từng bước. Bộ não gần như lập tức hình dung vị trí của chiếc cốc, hướng đưa tay, lực cần sử dụng và kết quả có thể xảy ra. Nếu chiếc cốc bất ngờ bị đẩy đi, con người cũng lập tức điều chỉnh.

Robot muốn hoạt động tự nhiên trong thế giới thực cũng phải tiến gần tới cơ chế tương tự như quan sát hiện tại, hình dung những khả năng tiếp theo rồi mới lựa chọn hành động.

Đó là lí do dữ liệu thực tế ngày càng trở thành tài sản quan trọng trong cuộc đua robot hình người. Một mô hình có thể được cải thiện mạnh mẽ không chỉ nhờ những thuật toán thông minh hơn mà còn nhờ được chứng kiến ngày càng nhiều tình huống thực tế, bao gồm cả những tình huống thất bại.

AGIBot cho rằng một robot thực sự thông minh phải có khả năng “tưởng tượng” về thế giới trước khi hành động. Đây là một thay đổi đáng chú ý trong tư duy phát triển robot.

Nếu robot truyền thống chủ yếu được lập trình để trả lời câu hỏi “tôi phải làm gì khi nhìn thấy tình huống này?”, thế hệ mới đang hướng tới một câu hỏi khó hơn là “nếu tôi làm việc này, điều gì có thể xảy ra tiếp theo?”.

Khoảng cách giữa hai cách tiếp cận tưởng như rất nhỏ nhưng có thể quyết định tương lai của robot trong đời sống. Bởi thế giới thực không bao giờ vận hành đúng theo kịch bản đã được lập trình sẵn.

Một robot có thể dự đoán, thử nghiệm, thất bại, rút kinh nghiệm và tự điều chỉnh sẽ có nhiều cơ hội trở thành trợ lí thực sự của con người hơn là một cỗ máy chỉ biết lặp lại những động tác đã học. Và nếu AI thực sự học được cách “tưởng tượng” trước khi hành động, cuộc cách mạng robot có thể đang bước sang một giai đoạn hoàn toàn mới.