Ngày 19 tháng 8, Công ty Yushu Technology lên sàn Kechuangban, mở cửa ở mức 1.100 nhân dân tệ/cổ phiếu, vốn hóa thị trường khoảng 444,9 tỷ nhân dân tệ.
Cùng ngày, con gái của CEO NVIDIA Jensen Huang, Huang Minshan, đã bay đến Bắc Kinh tham quan Hội nghị Robot Thế giới WRC.
Và ngay ngày hôm sau, giờ Bắc Kinh vào rạng sáng, công ty robot Thung lũng Silicon Generalist AI đã phát hành mô hình cơ sở thế hệ mới GEN-1.5.
Hai tháng trước, giáo sư Stanford Fei-Fei Li mới đầu tư cá nhân vào vòng gọi vốn 4 tỷ đô la của Generalist AI, cùng với các nhà đầu tư thiên thần khác như đồng sáng lập Xiaomi Lin Bin và nhà sáng lập Zoom Eric Yuan. NVIDIA cũng là cổ đông. Tiền thông minh và người thông minh cùng đổ về một hướng.
GEN-1.5 đã đưa ra lý do cho khoản đầu tư của họ: cho robot xem một đoạn trình diễn hành động từ 3 đến 12 giây, không huấn luyện, không tinh chỉnh, thực hiện ngay lập tức, tỷ lệ thành công trung bình trên 10 nhiệm vụ vận hành là 59%.
Trước đây, để dạy một robot vặn nắp chai, kỹ sư phải lập trình ba tháng. Bây giờ tất cả những gì cần là một đoạn trình diễn ba giây, và không dòng mã nào.
Nhiều nhà nghiên cứu hàng đầu đã so sánh thời khắc này với việc phát hành GPT-3 năm 2020, cho rằng trí tuệ thể hiện (embodied AI) đang đến thời điểm GPT-3 của riêng nó.
Chiến lược chưa từng được dạy xuất hiện từ quá trình tiền huấn luyện
Khả năng gây chấn động nhất của GEN-1.5 đối với các nhà nghiên cứu không phải là bắt chước, mà chính là khả năng ứng biến.
Generalist AI đã làm một thí nghiệm: sử dụng 5 phút dữ liệu trình diễn của con người (chỉ tinh chỉnh với 1 bước gradient), dạy robot dùng chổi quét khối xếp hình vào bát, sau đó thay thế công cụ.
Cho nó một quả chuối, nó dùng chuối như cây chổi, quét ngang các khối vào bát – điều này không lạ, hình dạng và chiến lược tiếp xúc của chuối tương tự chổi.
Cho nó một cái xẻng hót rác, nó từ bỏ chiến lược "quét", dùng tay kia đẩy khối lên xẻng, nhấc xẻng lên, đổ khối vào bát.
"Quét" và "xúc lên đổ" là hai chuỗi tiếp xúc hoàn toàn khác nhau, dữ liệu huấn luyện không hề dạy bộ động tác này.
Generalist AI sử dụng tìm kiếm ngôn ngữ lân cận gần nhất để tra cứu trong khoảng 1,89 triệu cảnh tiền huấn luyện, không tìm thấy cách sử dụng xẻng hót rác tương tự.
Không ai ở bất kỳ giai đoạn nào nói với mô hình rằng nên làm như vậy.
Hành vi ứng biến tương tự xuất hiện lặp đi lặp lại trong các bài kiểm tra: bát bị một tờ giấy che, mô hình tự mở giấy ra rồi đặt khối, đôi khi còn che giấy lại, nhưng dữ liệu huấn luyện không có cảnh này.
Một khối Lego dính vào đầu ngón tay robot, mô hình dùng tay kia gạt nó xuống.
Dữ liệu huấn luyện chỉ trình diễn dùng một tay xoay nắp lon, mô hình trong một số lần thử tự chuyển sang thao tác hai tay, áp dụng chiến lược cầm nắm và xoay hoàn toàn khác.
Một mô hình chỉ được huấn luyện đặt một khối vào một bát, bắt đầu tự phát phân loại nhiều khối theo màu sắc.
Những khả năng này có một nguồn gốc chung: tiền huấn luyện quy mô lớn.
GEN-1.5 đã được tiền huấn luyện liên tục hơn 8 tháng, trải qua ba giai đoạn huấn luyện.
Đường cong tập kiểm định mà Generalist AI công bố cho thấy, "sai số dự đoán hành động tiếp theo" của mô hình tiếp tục giảm, cho đến nay chưa xuất hiện dấu hiệu hội tụ.
Dùng thuật ngữ trong lĩnh vực mô hình ngôn ngữ lớn, đây chính là Định luật Mở rộng (Scaling Law) của trí tuệ thể hiện: khi quy mô dữ liệu tương tác vật lý tăng lên và thời gian huấn luyện kéo dài, khả năng khái quát hóa của mô hình đang tiếp tục tăng cường.
Một phát hiện phản trực giác làm cho manh mối này càng rõ ràng hơn: càng ít bước gradient tinh chỉnh, khả năng ứng biến càng mạnh.
Giải thích của Generalist AI là, tinh chỉnh nhẹ khiến mô hình gần hơn với kho hành vi rộng lớn tích lũy được từ tiền huấn luyện, giữ lại nhiều hơn "kinh nghiệm vật lý" có thể điều khiển.
10 bước gradient chỉ thay đổi 0,15% tham số mô hình.
Generalist AI nói: Điều này đã gần với "nhắc nhở mô hình về một số điều mà nó hầu như đã biết".
GEN-1.5 còn vượt qua hai vực sâu lâu nay làm khó ngành robot.
Ghi lại một đoạn trình diễn trong trình mô phỏng (mặc dù dữ liệu tiền huấn luyện không chứa bất kỳ dữ liệu mô phỏng nào), nhét vào cửa sổ ngữ cảnh, robot thực trực tiếp thực hiện nhiệm vụ, và có thể khái quát hóa sang các tay máy khác nhau và vị trí vật thể mới.
Trong một số bài kiểm tra, một người trực tiếp dùng hai tay của mình trình diễn động tác trước camera robot, sau đó robot dùng tay máy tái hiện nhiệm vụ.
Generalist AI cho biết, tất cả những khả năng này đều không phải là kết quả của thiết kế có chủ ý: không có thay đổi kiến trúc đặc biệt để thúc đẩy học trong ngữ cảnh, không có vòng lặp siêu học tập, không có mục tiêu huấn luyện phụ trợ khuyến khích ứng biến.
Những khả năng này tự xuất hiện từ quá trình tiền huấn luyện dữ liệu vật lý quy mô lớn.
"Chén Thánh của học vận hành"
Các nhóm nghiên cứu khác trước đây cũng đã thể hiện khả năng học trong ngữ cảnh tương tự, nhưng chỉ giới hạn ở một số loại nhiệm vụ, điểm mới của GEN-1.5 nằm ở phạm vi bao phủ; tất cả kết quả đều do Generalist AI tự báo cáo, chưa được xác minh độc lập.
Bản thân nhiệm vụ là thao tác tầm ngắn đơn giản (vặn nắp chai, kéo khóa kéo), vẫn còn khoảng cách lớn so với nhiệm vụ phức tạp tầm dài trong cảnh thực tế.
GPT-3 được phát hành vào tháng 6 năm 2020, từ GPT-3 đến ChatGPT mất hai năm rưỡi (đúng vậy, hai năm rưỡi).
Vị trí của GEN-1.5 hiện nay tương tự như GPT-3 năm 2020: khả năng thô nhưng hướng đi rõ ràng, nhiệm vụ đơn giản nhưng xu hướng Scaling rõ ràng.
Generalist AI đã viết một đoạn đáng suy ngẫm trong blog chính thức:
Sau khi vượt qua một ngưỡng tiền huấn luyện nhất định, chi phí thích ứng một nhiệm vụ mới trở nên không đáng kể.
Việc học trong ngữ cảnh xuất hiện, vài giây dữ liệu, hoặc một bước gradient cộng với một phút trình diễn, đã không còn là huấn luyện đặc thù nhiệm vụ theo nghĩa truyền thống, mà gần hơn với việc nhắc nhở mô hình về một số điều mà nó hầu như đã biết.
Nếu đường cong Scaling của trí tuệ thể hiện thực sự chưa có dấu hiệu hội tụ (Generalist AI nói họ chưa thấy), thì nguồn lực cốt lõi của cuộc cạnh tranh tiếp theo sẽ trở thành ai sở hữu đủ nhiều dữ liệu tương tác vật lý để cung cấp cho cỗ máy này.
Điều này hoàn toàn giống với kịch bản năm 2021 khi mô hình ngôn ngữ lớn bước vào cuộc chiến tranh giành dữ liệu.
Nhìn một lần là học được, điểm ngoặt đằng sau hai con số 59% và 83%
Tháng 6 năm 2020, OpenAI phát hành GPT-3.
Mô hình này đã làm một điều lúc đó chưa ai làm được: không cần huấn luyện lại, chỉ cần cho vài ví dụ trong hộp thoại, nó có thể hoàn thành nhiệm vụ ngôn ngữ mới – cho một nhóm ví dụ "đỏ→táo, vàng→chuối", sau đó hỏi "xanh→?", nó có thể trả lời "dưa hấu".
Khả năng này gọi là in-context learning (học trong ngữ cảnh), là bước ngoặt để mô hình ngôn ngữ lớn từ "công cụ chuyên dụng" trở thành "nền tảng phổ quát".
GEN-1.5 đã chuyển điều tương tự vào thế giới vật lý.
Generalist AI gọi nó là Physical Prompting (Gợi ý vật lý).
Phương pháp thao tác rất trực tiếp: một đoạn trình diễn hành động thực tế (chứa dữ liệu cảm biến và quỹ đạo hành động) được nhét vào cửa sổ bộ nhớ ngữ cảnh 30 giây của mô hình, phần không gian còn lại dùng để tiếp nhận quan sát môi trường thời gian thực.
Mô hình lập tức cố gắng thực hiện, toàn bộ quá trình không có bất kỳ bước huấn luyện nào.
Cần giải thích một khái niệm quan trọng để hiểu GEN-1.5: gradient step (bước gradient).
Theo cách làm truyền thống, dạy robot học nhiệm vụ mới cần hàng chục nghìn bước giảm gradient, mỗi bước là một lần tinh chỉnh tham số bên trong mô hình – quá trình này thường cần nhiều dữ liệu và nhiều sức mạnh tính toán.
Chế độ one-shot (chỉ trình diễn một lần) của GEN-1.5 bỏ qua tất cả các bước gradient, tham số mô hình không hề thay đổi.
Generalist AI đã kiểm tra hiệu suất của GEN-1.5 trên 10 nhiệm vụ vận hành khác nhau: vặn mở nắp lọ thủy tinh, kéo khóa kéo túi bút, lấy tiền từ ví, gấp giấy, xếp cốc, lật điện thoại, dùng chổi quét khối xếp hình, mở bìa sách, xé miếng đệm hút chân không, quét rác.
Kết quả chia làm hai nhóm:
one-shot (xem một lần, zero bước gradient): Tỷ lệ thành công trung bình 10 nhiệm vụ là 59% (độ lệch chuẩn ±10%).
few-shot (ít mẫu, 5 phút dữ liệu, khoảng 50 lần trình diễn, 10 bước gradient): Tỷ lệ thành công trung bình 83% (độ lệch chuẩn ±9%).
Đưa ra con số của GPT-3 năm 2020 trên nhiệm vụ ngôn ngữ để đối chiếu: one-shot khoảng 45%, few-shot (khoảng 100 ví dụ) khoảng 65%.
Cấu trúc của hai nhóm số này rất giống nhau.
Ý nghĩa của nhóm số này có thể hiểu như sau: Trước khi mô hình ngôn ngữ lớn xuất hiện, để AI làm một nhiệm vụ ngôn ngữ mới (ví dụ dịch một định dạng chưa từng thấy), cần thu thập dữ liệu chuyên biệt, huấn luyện một mô hình mới, chu kỳ tính bằng tháng.
Sau GPT-3, việc này trở thành "viết vài ví dụ trong ô nhập liệu", chi phí thời gian từ vài tháng nén xuống vài giây.
GEN-1.5 đã làm điều nén tương tự trong lĩnh vực vận hành vật lý.
Trước đây dạy robot vặn nắp chai, cần kỹ sư lập trình vài tháng hoặc cho hàng chục nghìn dòng dữ liệu huấn luyện điều chỉnh tham số lặp đi lặp lại.
Bây giờ, một đoạn trình diễn từ 3 đến 12 giây là đủ.
Generalist AI viết trong blog chính thức: Điều này thay đổi hai việc: tốc độ robot trở nên hữu ích (từ vài tháng xuống vài giây), và ai có thể sử dụng robot (từ chuyên gia đến bất kỳ ai).
Tuần sôi động của robot: Yushu lên sàn, hội nghị robot và đại hội thể thao cùng khai mạc
Thời điểm phát hành GEN-1.5 rơi vào tuần dày đặc nhất của toàn ngành trí tuệ thể hiện.
Từ ngày 19 tháng 8, Hội nghị Robot Thế giới WRC khai mạc tại Bắc Kinh Yizhuang, hơn 300 doanh nghiệp, hơn 2000 sản phẩm triển lãm, hơn 150 sản phẩm mới ra mắt toàn cầu tập trung xuất hiện.
Ba ngày sau, ngày 22 tháng 8, Đại hội Thể thao Người máy Hình người Thế giới lần thứ hai khai mạc tại "Ruy băng Băng" Nhà thi đấu tốc độ quốc gia – 666 đội mang 2056 robot tham gia 1301 trận đấu ở 51 hạng mục, số lượng đội tăng 138% so với lần đầu.
Đại hội thể thao lần đầu tiên thiết lập 21 hạng mục thi cảnh, yêu cầu người máy hình người hoàn thành nhiệm vụ tầm dài trong môi trường thực tế như nhà máy, khách sạn, dịch vụ gia đình, chủ đề là robot "lên làm thực tế".
Yushu Technology vừa lên sàn, năm 2025 sản lượng xuất xưởng người máy hình người vượt 5500 chiếc, đứng đầu toàn cầu, doanh thu 1,7 tỷ nhân dân tệ, tỷ suất lợi nhuận gộp 60%, DeepSeek cũng tham gia phân phối chiến lược.
Nhưng trong bản cáo bạch của Yushu ẩn chứa một nhóm số tương phản: Tốc độ tăng trưởng doanh thu quý I năm 2026 giảm từ 332,64% cùng kỳ năm trước xuống 68,49%, lợi nhuận sau thuế phi thường niên giảm 52,55%. Lõi của việc tăng trưởng chậm lại là do đầu tư nghiên cứu phát triển tăng mạnh.
Điều Yushu đang đuổi theo, chính là thứ họ chưa có: mô hình lớn trí tuệ thể hiện.
"Xin Lichang Pro" trong một bài phân tích ("Trong bản cáo bạch của Yushu Technology, ẩn giấu sự lo lắng về 'hạn sử dụng' của kỳ tích kỹ thuật") đã viết về tình thế khó khăn cấu trúc mà Yushu đối mặt: Yushu tạo ra thân thể xuất xưởng số một toàn cầu, nhưng "bộ não vắng mặt".
Năm 2026 được gọi là "năm lên sàn lớn" của trí tuệ thể hiện, hơn 20 công ty đã xác định kế hoạch lên sàn, nhưng phần lớn thúc đẩy làn sóng lên sàn là do áp lực vốn.
Một lượng lớn đối thủ cạnh tranh phụ thuộc vào các vòng gọi vốn liên tiếp để duy trì hoạt động, nhịp độ nghiên cứu phát triển bị dắt mũi bởi cửa sổ gọi vốn.
Nguồn ảnh: LatePost "Trò chơi tiền bạc của trí tuệ thể hiện"
Nhà sáng lập Yushu Wang Xingxing công khai phát biểu tại WRC, nút thắt chính hạn chế sự phát triển của người máy hình người là mô hình lớn trí tuệ thể hiện, "dự kiến tương lai nhanh thì hai đến ba năm, chậm thì năm đến mười năm, có hy vọng đạt được thời khắc ChatGPT của robot".
Việc phát hành GEN-1.5 có thể coi là phản hồi thực chứng đầu tiên cho phán đoán này.
Định luật Mở rộng tồn tại trong lĩnh vực trí tuệ thể hiện, tiền huấn luyện quy mô lớn có thể khiến chi phí biên thích ứng nhiệm vụ mới tiến gần bằng không.
Kết luận này có ý nghĩa công nghiệp trực tiếp đối với nhà sản xuất thân thể như Yushu: một khi mô hình phổ quát ở cấp độ não bộ trưởng thành, giá trị của thân thể sẽ phụ thuộc vào tốc độ nó kết nối với bộ não này, chứ không chỉ là thông số phần cứng và quy mô xuất xưởng.
Bối cảnh đội ngũ Generalist AI hoàn toàn phù hợp với tuyến công nghệ này.
Đồng sáng lập Pete Florence và Andy Zeng đến từ đội robot Google DeepMind, Andrew Barry đến từ Boston Dynamics.
Từ trái sang phải: Pete Florence, Andrew Barry, Andy Zeng
Công ty hoàn thành vòng gọi vốn 4 tỷ đô la vào tháng 6 năm 2026, Radical Ventures dẫn đầu, NVIDIA và Bezos Expeditions tham gia đầu tư, định giá sau đầu tư 2 tỷ đô la.
Generalist AI đang đàm phán vòng gọi vốn mới với định giá 3 tỷ đô la.
Các đại gia Thung lũng Silicon, đón thời khắc sôi sục tập thể lâu nay chưa từng có
Lần phát hành này đã gây ra phản ứng mạnh mẽ trong cộng đồng nghiên cứu robot.
Đồng sáng lập Pete Florence viết trên X:
Từ khi bắt đầu nghiên cứu mô hình cơ sở robot, việc học trong ngữ cảnh one-shot rộng rãi luôn là mục tiêu rõ ràng nhất trong lòng tôi.
Bây giờ tôi thấy trí tưởng tượng gần mười năm bước vào thế giới thực.
Florence nhắc đến, anh và Andy Zeng từng thảo luận về một khả năng kiểu "Ctrl-C-Ctrl-V" ở giai đoạn nghiên cứu sinh: nhìn thấy một hành động, robot có thể sao chép – nhưng thực hiện nó cực kỳ khó, vì "thế giới bạn muốn dán, và thế giới bạn sao chép, luôn luôn khác nhau".
Nhà nghiên cứu robot Đại học Carnegie Mellon Chris Paxton gọi GEN-1.5 trên X là "có thể là thời khắc GPT thực sự", và viết:
Chén Thánh của học vận hành, không nghi ngờ gì, chính là học one-shot.
https://x.com/chris_j_paxton/status/2090270734816092334
https://x.com/chris_j_paxton/status/2090210797125611972
Nhà nghiên cứu trí tuệ thể hiện Đại học Northeastern Mỹ Jimmy Yang chuyển tiếp và nói:
Là nhà nghiên cứu AI thể hiện, đây là một thời khắc thực sự đặc biệt đối với lĩnh vực này.
https://x.com/JimmyTYYang1/status/2090202923632366073
Bình luận của Giám đốc Kỹ thuật Robot NVIDIA Jim Fan cung cấp một góc nhìn kỹ thuật sâu sắc.
Ông chỉ ra hai yếu tố then chốt cho khả năng xuất hiện của GEN-1.5:
Một là mô hình hành động lặp lại đối xứng tự nhiên tồn tại trong dữ liệu huấn luyện, ví dụ như lắp ráp đồ đạc lặp lại vặn ốc vít, con ốc thứ hai chính là "mẫu học trong ngữ cảnh" của con thứ nhất;
Hai là hành động phục hồi sau khi con người mắc lỗi trong dữ liệu, đồ vật rơi xuống nhặt lên tiếp tục, đường cong hoàn chỉnh "thất bại-phục hồi-tiếp tục" này khiến mô hình tự nhiên thể hiện khả năng sửa lỗi khi kiểm tra.
Jim Fan còn chỉ ra, phương thức thu thập dữ liệu UMI mà Generalist AI sử dụng (con người trực tiếp đeo kẹp tay robot để thao tác) giữ lại được "trực giác vật lý" của con người, việc chuyển tiếp qua thiết bị VR trong thao tác từ xa truyền thống khiến trực giác này hao hụt nhiều.
https://x.com/DrJimFan/status/2090465981240086992
Tất nhiên, nước lạnh lý tính cũng tồn tại.
Jim Fan viết trong phần bình luận của cùng một tweet:
Trình diễn hiện tại vẫn còn hơi quá đơn giản, chưa thể đưa ra kết luận.
https://x.com/DrJimFan/status/2090469108764823587
Bài viết này đến từ tài khoản WeChat công chúng "Tân Trí Nguyên" (新智元), tác giả: ASI Khải Thị Lục (ASI启示录)
