10000 giờ dữ liệu con người, đào tạo ra mô hình hành động thế giới ẩn toàn thân di động đầu tiên trên thế giới

Hai năm qua, trọng tâm cạnh tranh trong lĩnh vực robot hình người, đang chuyển từ phần cứng toàn bộ máy sang mô hình năng lực.

Các nhà sản xuất máy hoàn chỉnh liên tục ra mắt sản phẩm mới, video lộn nhào, khiêu vũ, chạy marathon lần lượt làm mưa làm gió trên màn hình. Nhưng sau sự ồn ào, ngành công nghiệp cũng dần hình thành một sự đồng thuận: yếu tố quyết định giới hạn năng lực của robot hình người, không còn chỉ là khớp nối và động cơ. Khả năng hiểu môi trường, dự đoán thay đổi, và phối hợp toàn thân hoàn thành nhiệm vụ, đang trở thành chìa khóa để nó hướng tới sự phổ dụng.

Mô hình thế giới, VLA và mô hình cơ sở cho robot hình người, từ đó cũng trở thành hướng kỹ thuật quan trọng nhất trong lĩnh vực này trong hai năm qua.

Trong sự sôi động, ba bài toán khó vẫn luôn đặt ra trước toàn ngành.

Thứ nhất, chi phí thu thập dữ liệu trình diễn trên máy thật của robot hình người rất cao, khi thu thập cần đồng bộ ghi lại video góc nhìn thứ nhất, dữ liệu cảm nhận bản thân và chỉ lệnh toàn thân có thể thực thi, bị giới hạn bởi độ khó của điều khiển từ xa, rủi ro an toàn, tính sẵn có của phần cứng và sự đa dạng môi trường, rất khó tích lũy được lượng dữ liệu quy mô lớn, chất lượng cao trong thời gian ngắn.

Thứ hai, nhiều mô hình hành động thế giới hiện có vẫn đi theo hướng dự đoán video cấp độ pixel, chi phí tính toán lớn, và dung lượng lớn bị tiêu hao vào các chi tiết hình ảnh ít liên quan đến điều khiển. Chuyển động nhanh của bản thân robot hình người và rung giật góc nhìn lại càng làm khuếch đại nhiễu trong dự đoán thị giác.

Thứ ba, nhiều phương án hiện tại vẫn tách biệt mô hình hóa thao tác thân trên và điều khiển di chuyển, sự phối hợp giữa nửa trên và nửa dưới cơ thể không đủ, khó hỗ trợ điều khiển toàn thân tự nhiên và trơn tru.

Trong bối cảnh này, công ty trí tuệ thể hiện Trí Tại Vô Giới đã phát hành Being-M0.7. Đây là mô hình hành động thế giới ẩn (Latent World-Action Model, viết tắt là Latent WAM) toàn thân di động đầu tiên trên thế giới dành cho robot hình người, cũng là lần đầu tiên trong ngành mở rộng khả năng mô hình thế giới ẩn từ thao tác khéo léo trên bàn sang thao tác toàn thân di động.

• Link bài báo:https://research.beingbeyond.com/being-m07/being-m07.pdf
• Trang chủ dự án:https://research.beingbeyond.com/being-m07

Nó sử dụng hơn 10000 giờ dữ liệu đa phương thức lấy con người làm trung tâm để tiền huấn luyện, sau đó hoàn tất việc thích ứng bản thể thông qua một lượng nhỏ dữ liệu trình diễn máy thật, và đã hoàn thành nhiều nhiệm vụ thao tác toàn thân di động khó cao trên robot hình người thực tế.

Từ Being-H đến Being-M, một lộ trình kỹ thuật được thực hiện liên tục

Đằng sau Being-M0.7, là một lộ trình kỹ thuật mà Trí Tại Vô Giới đã kiên trì theo đuổi nhiều năm.

Công ty này là một trong những doanh nghiệp trí tuệ thể hiện toàn cầu đầu tiên đặt cược vào hướng đào tạo quy mô lớn bằng video con người, đồng thời bố trí hai mạch chính của mô hình là thao tác khéo léo phổ dụng và thao tác khéo léo di động phổ dụng, cũng là nhóm đầu tiên tại Trung Quốc ra mắt mô hình hành động thế giới ẩn nguyên sinh dành cho trí tuệ thể hiện.

Phán đoán cốt lõi của lộ trình này nằm ở chỗ, dữ liệu trình diễn máy thật của robot đắt đỏ, khan hiếm, khó có thể mở rộng quy mô liên tục như văn bản và video trên internet. So với đó, con người mỗi ngày đều tương tác với thế giới vật lý bằng góc nhìn thứ nhất, những dữ liệu hành vi con người khổng lồ này chứa đựng tiên nghiệm phong phú về sự tiến hóa của cảnh quan, động lực học vật thể và sự phối hợp cơ thể. Thay vì chờ đợi dữ liệu robot tích lũy từ từ, chi bằng để mô hình trước tiên học cách vận hành của thế giới từ kinh nghiệm con người, sau đó chuyển giao những kiến thức này vào bản thể robot cụ thể.

Being-H0.7 ra mắt vào tháng 4 năm nay, đã xác nhận tính khả thi của phán đoán này ở phía thao tác khéo léo. Mô hình này mở rộng quy mô dữ liệu đào tạo lên 20 vạn giờ video con người, đạt được thành tích xếp hạng tổng hợp toàn cầu thứ nhất trong 6 đánh giá quốc tế, trong đó 4 hạng mục đứng đầu, và trở thành mô hình thế giới phổ dụng dành cho trí tuệ thể hiện đầu tiên bao phủ bảy chiều quan trọng: xuyên bản thể, xuyên cảnh, liên tục động, chất lỏng, vật thể mềm dẻo, quy luật vật lý và suy luận ngữ cảnh.

Being-M0.7 là thành quả mới nhất của lộ trình mô hình hành động thế giới ẩn này.

Nếu như series Being-H trả lời câu hỏi tay làm thế nào để thao tác thế giới, thì Being-M0.7 trả lời câu hỏi toàn bộ cơ thể làm thế nào để di chuyển và tác nghiệp một cách phối hợp trong thế giới. Thao tác khéo léo di động (loco-manipulation) của robot hình người yêu cầu mô hình đồng thời quyết định đi đến đâu, cơ thể hướng về phía nào, tay chân phối hợp như thế nào, tư thế giữ ổn định ra sao, đây là một vấn đề có tính ghép cặp cao cả về chiều thời gian lẫn chiều cơ thể, cũng là cửa ải năng lực không thể tránh khỏi của robot hình người phổ dụng.

Being-M0.7 là một mô hình hành động thế giới ẩn, trước tiên tiền huấn luyện trên video góc nhìn thứ nhất và dữ liệu chuyển động cơ thể người, sử dụng cấu trúc Mixture of Transformers (MoT); sau đó thông qua hậu huấn luyện chuyên gia hành động, hoàn tất việc triển khai điều khiển trên dữ liệu quỹ đạo robot của các nhiệm vụ thao tác toàn thân đa dạng.

Khác với nhiều mô hình thế giới phụ thuộc vào việc tạo video cấp pixel, Being-M0.7 dự đoán trạng thái môi trường tương lai trong không gian ẩn, và kết hợp nó với biểu diễn chuyển động toàn thân gọn nhẹ. Dự đoán cấp pixel tốn kém tính toán, và phần lớn năng lực tính toán bị tiêu hao vào các chi tiết ngoại hình không liên quan nhiều đến điều khiển, bản thân chuyển động nhanh và rung giật góc nhìn dưới góc nhìn thứ nhất còn khiến dự đoán tràn ngập nhiễu. Dự đoán trong không gian ẩn tập trung khả năng mô hình hóa vào các cấu trúc thực sự liên quan đến điều khiển như trạng thái ngữ nghĩa, bố cục vật thể và sự tiến hóa cảnh quan, vừa giữ được bản chất dự đoán tương lai của mô hình thế giới, vừa giảm mạnh chi phí tính toán.

Hiểu biết vật lý, làm thế nào chuyển hóa thành hành động toàn thân?

Mô hình có thực sự sở hữu năng lực thao tác toàn thân di động hay không, cuối cùng vẫn phải quay lại kiểm nghiệm trong cảnh thực tế.

Trí Tại Vô Giới xoay quanh Being-M0.7 đã công bố bốn Demo máy thật, bao phủ bốn loại cảnh cực kỳ thử thách: tương tác chất lỏng, suy luận gương, nhiệm vụ tầm xa và tránh vật cản che khuất.

Các nhiệm vụ này cùng kiểm tra một vấn đề: robot có thể dựa trên dự đoán về môi trường và thay đổi tương lai, liên tục sinh ra động tác toàn thân phù hợp với cảnh hiện tại hay không.

Múc cá trong bể

Robot đi đến trước bể nước, sử dụng dụng cụ lưới cầm tay để múc lấy con cá đồ chơi trong nước. Chất lỏng không có hình dạng cố định, sẽ chảy, sẽ tạo ra lực nổi và lực cản đối với vật thể ngâm trong đó, khúc xạ mặt nước còn khiến vị trí thị giác của mục tiêu dưới nước bị lệch. Robot phải hiểu tương tác giữa nước, lưới đánh cá và con cá, trong điều kiện thông tin thị giác bị méo mó bởi nước, phối hợp cánh tay hoàn thành một lần đánh bắt mục tiêu động bằng công cụ. Nhiệm vụ này kiểm tra chính là năng lực dự đoán trạng thái tương lai, sử dụng công cụ và phối hợp động tác dưới điều kiện động lực học vật thể không xác định.

Đối với khâu múc cá trong nhiệm vụ, Being-M0.7 lần lượt thành công 3 lần trong 5 lần kiểm tra. Ngược lại,

là 2/5, GR00T-N1.6 thì là 1/5.

Lấy đồ qua gương

Trước mặt robot có một chiếc hộp chỉ mở ở mặt sau và mặt bên, đồ vật trong hộp hoàn toàn không nhìn thấy được từ góc nhìn của chính robot, manh mối duy nhất đến từ hình ảnh phản chiếu trong tấm gương phía trước. Robot cần căn cứ vào hình ảnh trong gương, suy luận vị trí của vật thể bị ẩn trong không gian ba chiều thực tế, sau đó tiến đến gần hộp và với tay ra nắm lấy. Điều này yêu cầu mô hình hiểu mối quan hệ không gian giữa gương, hộp và vật thể cùng nguyên lý phản chiếu gương, trong điều kiện quan sát một phần, chuyển hóa bằng chứng thị giác gián tiếp thành động tác có thể thực thi.

Trong bài kiểm tra so sánh máy thật với

, GR00T-N1.6, trước hai cài đặt khoảng cách 0.5 mét và 1 mét, Being-M0.7 lần lượt thành công 3 lần và 1 lần trong 5 lần kiểm tra, tổng thể là 4/10;

và GR00T thì thành tích tổng thể đều là 1/10.

Kết quả này cho thấy, Being-M0.7 trong các nhiệm vụ quan sát một phần cần suy luận thị giác gián tiếp, tiếp cận toàn thân và nắm bắt tinh tế, đã thể hiện khả năng thích ứng mạnh mẽ hơn.

Di chuyển đặt đồ lấy đồ

Robot đi bộ đến trước bàn, chuyển bánh mì baguette từ một chiếc giỏ sang một chiếc giỏ khác, sau đó lấy bó hoa từ trong giỏ ra rồi quay người rời đi. Nhiệm vụ được nối tiếp bởi nhiều nhiệm vụ con, robot cần chuyển đổi liên tục giữa các hành vi đi bộ, nắm bắt, chuyển giao, quay người, và duy trì sự hiểu biết liên tục về cảnh quan trong toàn bộ quá trình. Nó kiểm tra không chỉ tỷ lệ thành công của một lần nắm bắt duy nhất, mà còn bao gồm duy trì trạng thái trong nhiệm vụ tầm xa, suy luận không gian cấp độ vật thể, và sự phối hợp toàn thân giữa di chuyển và thao tác khéo léo.

Khiêng hộp tránh chướng ngại vật

Robot ôm hộp tiến về phía trước, phía trước xuất hiện chướng ngại vật, nó không hoàn toàn dừng lại để lập kế hoạch lại, mà điều chỉnh hướng cơ thể, nghiêng người để đi qua không gian hẹp giữa các chướng ngại vật. Việc mang vật thể chiếm một phần tầm nhìn góc thứ nhất, cũng làm thay đổi tải trọng và trọng tâm của robot. Mô hình cần kết hợp thông tin môi trường đã có với phản hồi thời gian thực, đánh giá khu vực có thể đi qua, điều chỉnh hướng đi và tư thế toàn thân, đồng thời giữ thăng bằng cho bản thân và ổn định cho vật thể đang mang theo. Di chuyển đa hướng, tránh vật cản và thao tác cảm nhận tải trọng, ở đây được thống nhất vào trong cùng một hành vi vòng kín.

Những trình diễn này cho thấy, robot không thực thi theo quỹ đạo cố định một cách mở vòng, mà kết hợp quan sát hiện tại, phản hồi thời gian thực cùng dự đoán về tương lai để liên tục tạo ra và chỉnh sửa động tác toàn thân.

Kiến trúc MoT và biểu diễn chuyển động thống nhất, phá giải bài toán khan hiếm dữ liệu thể hiện

Hỗ trợ cho năng lực nêu trên, là một tập hợp thiết kế then chốt của Being-M0.7 ở cấp độ dữ liệu và kiến trúc.

Robot hình người cần hoàn thành nhận thức không gian thông qua thông tin thị giác góc nhìn thứ nhất, cũng cần xuất ra lệnh chuyển động và điều khiển sẽ thực thi trong tương lai. Dữ liệu chuyển động cơ thể người chất lượng cao thường cần thu được thông qua thiết bị ghi bắt chuyển động, còn dữ liệu cặp đôi góc nhìn thứ nhất mà thị giác và chuyển động được căn chỉnh chặt chẽ càng khan hiếm hơn.

Nếu một mô hình chỉ có thể sử dụng dữ liệu đồng thời chứa cả thị giác và chuyển động, quy mô dữ liệu có thể đào tạo sẽ bị hạn chế nghiêm trọng. Vấn đề mà Being-M0.7 cần giải quyết, chính là làm thế nào để dữ liệu cặp đôi, dữ liệu video thuần và dữ liệu chuyển động thuần cùng tham gia đào tạo.

Trí Tại Vô Giới lựa chọn là Vision-Motion MoT (Mixture-of-Transformers, kiến trúc đa phương thức kết hợp Transformer). Vision-Motion MoT giữ lại các mô-đun chiếu và xử lý riêng biệt cho từng phương thức thị giác và chuyển động, đồng thời thông qua sự chú ý đa phương thức được chia sẻ để tương tác xuyên phương thức. Sự thay đổi trạng thái thị giác và chuyển động liên tục có phân phối dữ liệu khác nhau, không cần bị ép vào hệ thống tham số hoàn toàn giống nhau; khi hai phương thức đồng thời tồn tại, chúng lại có thể trao đổi thông tin trong ngữ cảnh được chia sẻ.

Điều này cho phép mô hình có thể đồng thời tương thích với ba loại dữ liệu.

Đối với dữ liệu cặp đôi video — chuyển động, mô hình học liên hợp trạng thái môi trường tương lai và quỹ đạo chuyển động; đối với dữ liệu video thuần, chỉ tính toán mục tiêu huấn luyện của nhánh thị giác; đối với dữ liệu chuyển động thuần, thì chỉ huấn luyện nhánh chuyển động. Dữ liệu từ các nguồn khác nhau thông qua cùng một mục tiêu huấn luyện để cùng ràng buộc mô hình, mà không cần phải đào tạo riêng biệt nhiều hệ thống đơn phương thức bị cắt rời nhau.

Từ góc độ mô hình hóa xác suất, dữ liệu cặp đôi miêu tả mối quan hệ kết hợp giữa thị giác và chuyển động, dữ liệu đơn phương thức thì cung cấp ràng buộc biên cho phân phối kết hợp này. Ngay cả khi phương thức dữ liệu không hoàn chỉnh, cũng có thể được đưa vào cùng một khuôn khổ huấn luyện.

Tổng quan về khuôn khổ huấn luyện Being-M0.7. Trên bên trái: Dữ liệu tiền huấn luyện được cấu thành bởi dữ liệu cặp đôi video — chuyển động, dữ liệu video thuần và dữ liệu chuyển động thuần cùng nhau. Dưới bên trái: Nhóm nghiên cứu xây dựng một bộ biểu diễn chuyển động thống nhất được chia sẻ giữa con người và robot hình người, cung cấp tín hiệu giám sát và phản hồi phong phú hơn cho việc huấn luyện và suy luận. Bên phải: Kiến trúc tổng thể của mô hình Being-M0.7.

Dựa trên kiến trúc này, nhóm đã xây dựng hơn 10000 giờ dữ liệu tiền huấn luyện đa phương thức hỗn hợp, bao gồm video góc nhìn thứ nhất của con người, dữ liệu cặp đôi video góc nhìn thứ nhất với chuyển động, và chuỗi chuyển động cơ thể người thuần túy.

Công thức dữ liệu (Data Recipe) của Being-M0.7. Ngữ liệu tiền huấn luyện có nguồn từ nhiều bộ dữ liệu công khai bên ngoài, bao gồm Ego4D, Xperience, Nymeria, Bones-SEED, SnapMoGen, HumanML3D và Lafan1; đồng thời cũng bao gồm bộ dữ liệu nội bộ.

Một thiết kế then chốt khác, là biểu diễn chuyển động thống nhất được chia sẻ giữa con người và robot hình người.

Being-M0.7 đề xuất một biểu diễn động tác thống nhất, chuyển đổi dữ liệu chuyển động cơ thể người từ các nguồn khác nhau thành biểu diễn thống nhất lấy đầu làm nút gốc, khiến nó tự nhiên căn chỉnh với thị giác góc nhìn thứ nhất. Thông qua xử lý tiêu chuẩn hóa như thống nhất hệ tọa độ, loại bỏ hướng ban đầu, giảm sự khác biệt phân phối giữa các bộ dữ liệu khác nhau, nâng cao tính nhất quán xuyên nguồn dữ liệu.

Tiếp tục, Being-M0.7 sử dụng một biểu diễn chuyển động gọn nhẹ chỉ giữ lại đầu, hai tay và hai chân, trong khi bảo toàn thông tin tương tác và tiếp xúc then chốt, đồng thời hàn gắn hiệu quả sự khác biệt hình thái giữa con người và robot. Biểu diễn này không chỉ cung cấp tín hiệu giám sát phong phú hơn so với nhãn động tác cho việc hậu huấn luyện robot, mà còn có thể cung cấp phản hồi ở cấp độ chuyển động trong giai đoạn suy luận, hỗ trợ điều khiển phối hợp toàn thân.

Trong giai đoạn tiền huấn luyện, mô hình thông qua bộ mã hóa thị giác ánh xạ hình ảnh vào không gian ẩn, và sử dụng biểu diễn chuyển động thống nhất gọn nhẹ. Mô hình sử dụng mục tiêu phối hợp dòng chảy (Flow Matching) để huấn luyện, căn cứ vào một đoạn lịch sử thị giác — chuyển động ngắn hạn và chỉ lệnh nhiệm vụ, liên hợp dự đoán sự thay đổi trạng thái tương lai và quỹ đạo chuyển động.

Trong khâu thu thập dữ liệu máy thật, nhóm đã xây dựng một hệ thống điều khiển từ xa toàn thân dựa trên PICO VR. Người điều khiển đeo tai nghe PICO, hai thiết bị theo dõi mắt cá chân và hai bộ điều khiển cầm tay, hệ thống VR ước tính tư thế cơ thể người theo thời gian thực, sau đó thông qua bộ điều khiển chuyển động toàn thân chuyển đổi nó thành lệnh điều khiển toàn thân 29 bậc tự do có thể thực thi trên robot Yu Shu G1. Robot trong khi thực thi động tác điều khiển từ xa, đồng thời ghi lại hình ảnh góc nhìn thứ nhất từ camera RGB trên máy, cảm nhận bản thể và lệnh điều khiển chuyển động. Làm dữ liệu vi tinh chỉnh hậu huấn luyện của Being-M0.7 trên các nhiệm vụ cụ thể.

Hệ thống thu thập dữ liệu máy thật của Being-M0.7. Người điều khiển cung cấp lệnh chuyển động toàn thân thông qua thiết bị VR, hệ thống chuyển đổi tư thế cơ thể người thành lệnh điều khiển robot, và đồng bộ thu thập hình ảnh góc nhìn thứ nhất, cảm nhận bản thể và quỹ đạo chuyển động.

Do mô hình đã thiết lập tiên nghiệm thị giác — chuyển động trong giai đoạn tiền huấn luyện, dữ liệu máy thật không cần dạy lại từ đầu tất cả quy luật chuyển động, chủ yếu đảm nhận hai nhiệm vụ: một là đưa tiên nghiệm tiền huấn luyện triển khai vào không gian điều khiển cụ thể của robot hình người; hai là học lệnh điều khiển tầng thấp và cơ chế phản hồi mà robot thực tế cần. Quá trình này được hoàn thành bởi chuyên gia hành động hạng nhẹ (Action Expert). Chuyên gia hành động đọc trạng thái ẩn trung gian của Latent WAM, lấy nó làm ngữ cảnh lập kế hoạch cấp cao, sau đó kết hợp với thông tin quan sát thị giác hiện tại, thông tin cảm nhận bản thể và tiến độ thực thi, sinh ra khối hành động mà robot có thể thực thi trực tiếp.

Giai đoạn suy luận, mô hình với tần suất thấp tạo ra kế hoạch video–chuyển động trong tương lai, và chuyển đổi trạng thái ẩn trung gian của nó thành bộ nhớ đệm chiến lược có thể tái sử dụng (KV Cache). Biểu diễn chuyển động thống nhất không chỉ dung hợp phản hồi thị giác và cảm nhận bản thể, mà còn sử dụng trạng thái chuyển động mới nhất của robot để hiệu chỉnh kế hoạch chuyển động toàn thân đã dự đoán, giúp chiến lược có thể phản ứng kịp thời với sai lệch chuyển động của cơ thể và thiết bị chấp hành đầu cuối. Chuyên gia hành động thì tái sử dụng KV Cache hiện tại, với tần suất cao liên tục sinh ra hành động, và khi bộ nhớ đệm làm mới thì dung hợp liền mạch phản hồi mới nhất của robot. Thiết kế này đạt được sự tách rời giữa lập kế hoạch thế giới tần suất thấp và điều khiển hành động tần suất cao, trong khi đảm bảo tính thời gian thực, khiến robot luôn được dẫn dắt bởi cả lập kế hoạch dài hạn và phản hồi thời gian thực.

Mô hình dung hợp có thể mở rộng, hướng tới trí tuệ thể hiện phổ dụng hơn

Ý nghĩa của kiến trúc Vision-Motion MoT, không chỉ nằm ở việc giải quyết vấn đề huấn luyện của riêng mô hình Being-M0.7 này, nó thiết lập một mô hình dung hợp đa phương thức có thể mở rộng bền vững.

Sự thay đổi trực tiếp nhất của mô hình này xảy ra ở cấp độ dữ liệu.

Hơn 10.000 giờ dữ liệu đa phương thức hỗn hợp, đã mở rộng nguồn tín hiệu giám sát có thể sử dụng cho việc huấn luyện mô hình robot hình người, từ việc trình diễn máy thật đắt đỏ khan hiếm, sang dữ liệu hành vi con người khổng lồ. Việc nới lỏng nút thắt dữ liệu, là tiền đề để bất kỳ Định luật Mở rộng nào có thể thành lập.

Đồng thời, Being-M0.7 cũng điều chỉnh thứ tự học của mô hình.

Trước khi được thích ứng thành lệnh có thể thực thi của robot, mô hình trước tiên học ngữ cảnh thị giác, động thái tương lai và cấu trúc động học hình người từ dữ liệu quy mô lớn lấy con người làm trung tâm. Sau đó, chuyên gia hành động mới chuyển hóa những dự đoán và tiên nghiệm chuyển động này thành lệnh điều khiển của robot cụ thể. Nói cách khác, mô hình trước tiên thiết lập khả năng dự đoán trạng thái tương lai và chuyển động cơ thể, sau đó mới học cách hành động trên bản thể cụ thể. Điều này tạo nên một sự khác biệt quan trọng giữa nó với các phương án học bắt chước truyền thống học trực tiếp từ sự chỉ dạy của robot. Phương án sau thường bắt đầu từ việc "thấy cái gì, xuất ra động tác đó", Being-M0.7 thì trước khi sinh hành động đã thêm vào một tầng mô hình hóa kết hợp trạng thái tương lai — chuyển động.

Quan trọng hơn, kiến trúc này không yêu cầu tất cả dữ liệu bổ sung mới đều có cặp đôi thị giác — chuyển động hoàn chỉnh. Sau khi được làm sạch và xử lý, chuỗi video và chuyển động thuần túy của con người đều có thể được đưa vào cùng một mô hình. Khi quy mô dữ liệu tiếp tục mở rộng, mô hình dung hợp này cũng có triển vọng mở rộng liên tục ranh giới năng lực.

Đặt vào hệ tọa độ của toàn ngành, việc phát hành Being-M0.7, có lẽ đại diện cho một lần thay đổi logic cạnh tranh của robot hình người.

Mấy năm qua, sự chú ý của ngành công nghiệp tập trung nhiều hơn vào việc bản thể của ai linh hoạt hơn, trình diễn chuyển động của ai ấn tượng hơn. Khi hiệu suất phần cứng tiếp tục được nâng cao, việc mô hình có thể hiểu cảnh quan, dự đoán thay đổi và sinh ra động tác toàn thân phối hợp hay không, cùng với việc đằng sau có tồn tại hệ thống dữ liệu có thể mở rộng liên tục hay không, sẽ ngày càng trở thành chìa khóa để tạo ra khoảng cách.

Sự phát triển của mô hình ngôn ngữ lớn đã chứng minh, dữ liệu có thể mở rộng quy mô và bánh xe huấn luyện, thường quyết định một lộ trình kỹ thuật cuối cùng có thể đi được bao xa. Trí tuệ thể hiện đang đứng ở điểm tới hạn tương tự: dữ liệu máy thật không thể tăng trưởng nhanh như ngữ liệu internet, robot còn có thể từ đâu để có được kinh nghiệm cần thiết cho sự tiến hóa liên tục?

Từ Being-H đến Being-M, phán đoán của Trí Tại Vô Giới là để robot trước tiên học thế giới từ hành vi con người, sau đó chuyển hóa những kiến thức này thành hành động trong không gian vật lý thực tế.

Khi sự hiểu biết trở thành tiền đề của hành động, robot hình người phổ dụng mới thực sự bước ra khỏi câu chuyện phòng thí nghiệm, bắt đầu hướng tới thế giới vật lý trăm ngành nghìn nghề.

Bài viết này đến từ tài khoản công chúng WeChat "Machine Heart" (ID:almosthuman2014), tác giả: Dương Văn