Cuộc đua phát triển trí tuệ nhân tạo hiện thân đang bước vào giai đoạn mới khi các công ty công nghệ không còn chỉ tập trung vào chatbot hay mô hình tạo sinh văn bản, mà bắt đầu hướng tới mục tiêu xây dựng “bộ não số” dành cho robot đa năng. Trong bối cảnh đó, ShengShu Technology của Trung Quốc vừa công bố Motubrain, một mô hình AI hợp nhất được thiết kế để cho phép robot xử lý hàng loạt nhiệm vụ phức tạp trong thế giới thực bằng một hệ thống duy nhất.
Theo giới thiệu từ ShengShu Technology, Motubrain không đơn thuần là một mô hình điều khiển robot truyền thống mà được định vị như một “bộ não chung” có thể kết hợp nhận thức, suy luận, dự đoán và hành động trong cùng một cấu trúc AI.
Mục tiêu của hệ thống là thay thế cách tiếp cận phân mảnh vốn đang phổ biến trong ngành robot hiện nay, nơi mỗi chức năng như cảm biến, lập kế hoạch hay điều khiển hành động đều phải phụ thuộc vào những mô-đun riêng biệt.
Trong nhiều năm qua, robot công nghiệp và robot dịch vụ thường hoạt động hiệu quả trong các môi trường cố định, nơi mọi kịch bản đã được lập trình trước. Tuy nhiên, khi chuyển sang môi trường thực tế với nhiều biến số khó lường, các hệ thống truyền thống nhanh chóng bộc lộ hạn chế vì thiếu khả năng thích nghi linh hoạt. Đây chính là vấn đề mà Motubrain được tạo ra để giải quyết.
ShengShu cho biết mô hình mới được xây dựng dựa trên dữ liệu video quy mô lớn từ nền tảng tạo sinh Vidu, công nghệ trước đây từng giúp công ty nổi lên trong lĩnh vực AI video. Thay vì chỉ học từ dữ liệu văn bản hoặc hình ảnh tĩnh, Motubrain tiếp nhận đồng thời dữ liệu video, ngôn ngữ và hành động để hình thành khả năng hiểu thế giới thực theo cách gần giống con người hơn.
Ông Jun Zhu, nhà sáng lập ShengShu Technology, nhận định rằng một “mô hình thế giới” thực sự cần phải có khả năng xây dựng biểu diễn thống nhất về môi trường thực tế và dự đoán sự thay đổi của nó theo thời gian. Theo ông, các hệ thống AI tương lai không nên là tập hợp của nhiều mô-đun ghép nối rời rạc mà phải là một kiến trúc thống nhất, nơi mọi thành phần từ nhận thức đến hành động đều liên kết chặt chẽ với nhau.
Để hiện thực hóa mục tiêu đó, Motubrain sử dụng kiến trúc Mixture-of-Transformers ba luồng. Công nghệ này cho phép AI đồng thời xử lý nhiều loại dữ liệu đầu vào khác nhau. Nhờ đó, robot có thể vừa hiểu chỉ dẫn bằng ngôn ngữ tự nhiên, vừa quan sát môi trường xung quanh, đồng thời dự đoán kết quả của các hành động tiếp theo trong thời gian thực.
Một trong những điểm đáng chú ý của Motubrain nằm ở phương pháp huấn luyện. Khác với nhiều hệ thống robot hiện tại vốn phụ thuộc nặng nề vào dữ liệu được con người gắn nhãn thủ công, mô hình mới tận dụng lượng lớn video chưa gắn nhãn, dữ liệu mô phỏng và các bản ghi nhiệm vụ từ nhiều robot khác nhau. Hệ thống sẽ tự phân tích để rút ra các mẫu chuyển động và hành vi thông qua cơ chế “latent action framework”, giúp giảm đáng kể chi phí và thời gian huấn luyện.
Theo ShengShu, cách tiếp cận này giúp Motubrain có khả năng mở rộng hiệu quả hơn khi khối lượng dữ liệu tăng lên. Trong các bài kiểm tra nội bộ, mô hình vẫn duy trì tỷ lệ thành công cao ngay cả khi độ phức tạp của nhiệm vụ được nâng lên đáng kể.
Các con số đánh giá ban đầu cũng cho thấy tham vọng lớn của ShengShu trong cuộc đua AI hiện thân. Motubrain đạt 63,77 điểm trên WorldArena và trung bình 96,0 điểm trong 50 nhiệm vụ thuộc bộ đánh giá RoboTwin 2.0. Đáng chú ý, công ty cho biết đây là mô hình duy nhất vượt ngưỡng 95,0 trong môi trường ngẫu nhiên hóa, nơi robot phải xử lý những tình huống biến đổi liên tục thay vì các kịch bản cố định.
Không chỉ dừng ở lý thuyết, Motubrain còn được thiết kế để xử lý các nhiệm vụ thực tế phức tạp hơn đáng kể so với nhiều hệ thống robot hiện nay. Theo ShengShu, robot sử dụng mô hình này có thể thực hiện liên tiếp tối đa 10 hành động nguyên tử trong một chuỗi thao tác, trong khi nhiều nền tảng khác chỉ xử lý được khoảng 2 đến 3 bước.
Điều này mở ra khả năng robot có thể hoàn thành các công việc phức tạp trong nhà máy, cửa hàng hay gia đình mà không cần sự can thiệp liên tục từ con người. Ví dụ, một robot có thể tự động xác định vị trí đồ vật, di chuyển tới khu vực cần thao tác, nhặt vật thể, xử lý lỗi phát sinh rồi tiếp tục nhiệm vụ mà không cần lập trình riêng cho từng tình huống.
Trong các thử nghiệm thực tế, ShengShu cho biết robot được huấn luyện bằng Motubrain đã thể hiện khả năng tự thích nghi khá ấn tượng. Khi thao tác gắp vật thể thất bại giữa chừng, hệ thống có thể tự nhận biết lỗi, điều chỉnh hành động và thử lại mà không cần được huấn luyện trước cho kịch bản cụ thể đó. Đây được xem là bước tiến quan trọng trong việc giúp robot hoạt động gần hơn với cách con người phản ứng trước sai sót.
Hiện tại, Motubrain đã được triển khai trong các chương trình huấn luyện robot thuộc nhiều lĩnh vực khác nhau, từ công nghiệp, thương mại cho tới môi trường gia đình. ShengShu cũng đang hợp tác với một số công ty như Astribot, SimpleAI và Anyverse Dynamics nhằm mở rộng khả năng ứng dụng công nghệ.
Đằng sau dự án này là nguồn lực tài chính đáng kể. ShengShu Technology vừa nhận khoản đầu tư Series B trị giá 293 triệu USD do Alibaba Cloud dẫn đầu. Khoản vốn mới được kỳ vọng sẽ giúp công ty tăng tốc nghiên cứu AI hiện thân và mở rộng quy mô triển khai Motubrain trong thời gian tới.
Tham khảo: Interestingengineering
Đức Khương
