Trong nửa đầu năm 2026, tổng vốn huy động trong lĩnh vực mô hình thế giới của Trung Quốc đạt khoảng 90 tỷ nhân dân tệ, tăng trưởng hơn 5 lần.

Tác giả bài viết, nguồn: LeFengwang

Nửa đầu năm 2026, tiền và nhân lực trong cộng đồng AI của Trung Quốc đều đổ dồn về một hướng: mô hình thế giới.

Chỉ trong sáu tháng đầu tiên, tổng số vốn huy động được công bố trong lĩnh vực mô hình thế giới trong nước khoảng 30 tỷ nhân dân tệ; nếu tính luôn lĩnh vực kết hợp “trí tuệ thể chất + mô hình thế giới”, con số này tăng lên hơn 90 tỷ.

So với cùng kỳ năm ngoái, tốc độ huy động vốn tăng hơn 5 lần.

Hàng tỷ vốn, nguồn nhân lực dồi dào, tràn vào như thủy triều.

Một câu hỏi không thể bỏ qua là: Có bao nhiêu người thực sự hiểu rõ thứ này là gì khi hàng loạt người đổ xô vào?

Các chuyên gia đang tìm hướng đi, nhà đầu tư đang tìm người, đầu mối tuyển dụng đang tìm hiểu tổ chức, các bộ phận chiến lược của các tập đoàn lớn đang nghiên cứu ai sẽ sống sót.

Điều kỳ lạ là mọi người đều đang hỏi cùng một câu hỏi: Có ai có thể giải thích rõ ràng về mô hình thế giới không?

Có.

Hôm nay, chúng tôi có cuộc phỏng vấn sâu với Tiến sĩ Trương Lỗi, nhà khoa học danh dự tại Viện IDEA và người sáng lập ShiQi WeiLai, cùng nhau làm rõ vấn đề này.

Ông là Hội viên IEEE, được trích dẫn hơn 77.000 lần trên Google Scholar. Chuỗi DINO của ông đã dẫn đầu trên COCO trong 5 tháng liên tiếp, Grounding DINO và các phiên bản tiếp theo như DINO-X đã vượt mặt Google và Meta, được nhiều tổ chức hàng đầu toàn cầu như nhóm của Li Fei-Fei, NVIDIA và Galaxy General sử dụng như tiêu chuẩn.

Năm 2025, anh ấy cùng đội ngũ thành lập Vision Future từ IDEA, vòng天使 chỉ trong một tháng đã huy động được gần 100 triệu nhân dân tệ.

Đằng sau còn có hai thiên tài AI: giáo sư Trương Bạc (một trong những người sáng lập trí tuệ nhân tạo Trung Quốc) và giáo sư Thẩm Hướng Dương (cựu Phó Chủ tịch điều hành toàn cầu của Microsoft, cựu Viện trưởng Viện Nghiên cứu Microsoft Á Châu).

Nhưng đó không phải là lý do chính chúng tôi tìm anh ấy.

Lý do chúng tôi tìm kiếm anh ấy rất đơn giản: vào năm 2026, khi tất cả mọi người đang tranh luận về “thế giới mô hình là gì”, Trương Lỗi là một trong số ít người đưa ra câu trả lời rõ ràng, có thể thực hiện và không nhượng bộ bất kỳ xu hướng chính thống nào.

Từ nghiên cứu viên chính của Phòng thí nghiệm Microsoft, đến nhà khoa học danh dự tại Viện IDEA, rồi trở thành doanh nhân—con đường sự nghiệp của anh ấy đã nhiều lần thay đổi, nhưng chủ đề nghiên cứu thì chưa bao giờ thay đổi: “Làm cho AI hiểu được các vật thể”.

Mô hình thế giới là câu trả lời then chốt cho vấn đề đã được nghiên cứu hơn hai mươi năm qua trong thế giới vật lý.

Nếu bạn đang theo dõi lĩnh vực mô hình thế giới, muốn hiểu liệu nó có thực sự là bong bóng hay không, muốn biết ai sẽ chiến thắng trong cuộc đua chiến lược, và muốn xác định nhóm nào đáng để theo dõi — thì cuộc trò chuyện của người này xứng đáng để bạn đọc hết. Vì, It's totally worth your time.

Đây là bản ghi cuộc trò chuyện, AI Tech Review đã chỉnh sửa nhẹ để loại bỏ những phần không làm thay đổi ý nghĩa gốc.

Tiến sĩ Trương Lỗi, Thành viên IEEE, người sáng lập và CEO của ShiQi WeiLai, hiện là Nhà khoa học danh dự tại Trung tâm Nghiên cứu Thị giác máy tính và Robot (CVR), Viện IDEA, Giáo sư kiêm nhiệm tại Đại học Khoa học và Công nghệ Hồng Kông (Quảng Châu), cựu Nhà nghiên cứu cấp cao tại Viện Nghiên cứu Á Châu của Microsoft và Viện Nghiên cứu trụ sở Microsoft, đã xuất bản hơn 200 bài báo trong lĩnh vực thị giác máy tính, được trích dẫn hơn 77.000 lần trên Google Scholar, H-Index là 107, và sở hữu hơn 60 bằng sáng chế được cấp tại Mỹ. Ông được bầu làm Thành viên IEEE do những đóng góp xuất sắc trong lĩnh vực nhận diện hình ảnh quy mô lớn và truy vấn thông tin đa phương tiện.

Sự hạn chế lớn nhất của trí tuệ hình thể không phải là cơ thể, mà là bộ não

Đánh giá công nghệ AI: Từ năm ngoái, trí tuệ thể chất đã bùng nổ, các công ty robot ngày càng thể hiện sự ấn tượng trong kiểm soát chuyển động—robot của Unitree chạy trên đường đua marathon, robot của Zhiyuan có thể làm động tác lộn ngược. Tuy nhiên, chúng tôi nhận thấy rằng trong ứng dụng thực tế, dường như vẫn còn thiếu một chút đột phá. Theo bạn, để trí tuệ thể chất thực sự trở thành hiện thực, còn những thách thức nào cần vượt qua?

Zhang Lei: Hai vấn đề cốt lõi mà robot cần giải quyết là tỷ lệ thành công và khả năng khái quát hóa. Tỷ lệ thành công chỉ việc thực hiện một nhiệm vụ có được thực hiện một cách đáng tin cậy hay không; khả năng khái quát hóa là việc cùng một nhiệm vụ, dù thay đổi môi trường hay chủ thể, vẫn có thể được thực hiện một cách đáng tin cậy.

Có bốn thách thức cụ thể:

Đầu tiên, khả năng khái quát hóa trong một kịch bản đơn lẻ còn hạn chế. Hiện nay, nhiều đội ngũ có thể đạt tỷ lệ thành công lên đến 70% hoặc thậm chí 80% trong một kịch bản đơn lẻ, nghe có vẻ là một bước đột phá lớn. Nhưng 80% trong ứng dụng thực tế có nghĩa là gì? Nghĩa là cứ năm lần thao tác thì có một lần thất bại, vẫn cần đến nguồn nhân lực đáng kể để xử lý sự cố, hoàn toàn không thể triển khai độc lập.

Thứ hai, tính phổ quát của các kịch bản mở rộng ngang còn hạn chế. Nên trước tiên đẩy khả năng tại từng điểm đến giới hạn tối đa, sau đó mới mở rộng phạm vi ứng dụng sang các kịch bản khác nhau, để nó có thể thực hiện nhiều nhiệm vụ phức tạp hơn trong môi trường phức tạp hơn. Đây là khoảng cách lớn nhất cản trở robot từ “bản trình diễn trong phòng thí nghiệm” tiến đến “ứng dụng thực tế”.

Thứ ba, sự thiếu hụt năng lực sâu sắc của “bộ não”. Hiện tại, học sâu chủ yếu tập trung vào việc học các “hành vi” của trí tuệ, chứ không phải “cơ chế” (nguyên lý hoạt động đằng sau trí tuệ). Bộ não thể chất cần có khả năng suy luận nhân quả thực sự đối với thế giới vật lý (không chỉ là mối tương quan thống kê, mà là hiểu được chuỗi logic “vì A nên B”), hiểu biết thông thường và khả năng thích ứng, và về mặt này, chúng ta mới chỉ bắt đầu.

Thứ tư, vẫn chưa đạt đến cấp độ ứng dụng “end-user”. Hiện nay, hầu hết các robot vẫn phụ thuộc vào sức mạnh tính toán bên ngoài lớn, cần giải quyết vấn đề cốt lõi là “không cần người đảm bảo”, mới có thể mở rộng trong vô số kịch bản và tạo thành chu trình tích cực “ứng dụng - dữ liệu - lặp lại”.

Đánh giá công nghệ AI: Nói thật đi, quan điểm trong ngành về vấn đề này khá chia rẽ. Nhóm phát triển phần cứng cho rằng lợi thế chuỗi cung ứng Trung Quốc rõ ràng, nên trước tiên cần giảm chi phí sản phẩm cơ bản; trong khi nhóm phát triển thuật toán lại cho rằng bộ não mới là điểm nghẽn thực sự. Bạn nghĩ sao?

Zhang Lei: Bộ não khó hơn, nhưng cũng quan trọng hơn.

Về phần phần cứng, Trung Quốc tự hào với sự cải tiến liên tục. Các doanh nghiệp như Unitree và Zhiyuan đã lặp lại quá trình điều khiển thông qua học tăng cường mô phỏng (đào tạo thuật toán điều khiển trong môi trường ảo rồi chuyển sang robot thực tế), không ngừng tinh chỉnh các bộ phận then chốt như động cơ và cơ cấu truyền động, giúp giảm chi phí và nâng cao độ tin cậy, tạo nên một con đường rất vững chắc. Tuy nhiên, khả năng mà phần cứng thể hiện trong các cuộc đua marathon hay biểu diễn mới chỉ cơ bản đạt được những năng lực nền tảng của động vật — chưa đạt được phản xạ bản năng, khả năng nhảy, tránh né và tương tác với môi trường như động vật thật.

Đánh giá công nghệ AI: Bạn nói rằng “bộ não” khó hơn, khó ở chỗ nào? Là do dữ liệu chưa đủ, hay là chúng ta vẫn hiểu quá nông cạn về bản chất của trí tuệ?

Trương Lỗi: Khó khăn nằm ở chỗ chúng ta chưa thực sự hiểu được cơ chế đằng sau nó. Bộ não con người có sự phân biệt rõ rệt nhất và mức độ thông minh cao nhất so với các loài động vật khác. Hiện tại, mọi bước đột phá trong học sâu đều dựa trên việc quan sát bề ngoài để xem trí thông minh của bộ não đạt đến mức nào, sau đó dùng thuật toán để tái hiện. AI thực chất đang học hành vi của con người, chứ không phải học chính trí thông minh của con người. Như giáo sư Trương Bạt thường nói, các mô hình ngôn ngữ lớn có thể nói giống con người, nhưng cách chúng hiểu ngôn ngữ hoàn toàn khác với cách con người hiểu.

Tại sao mô hình thế giới lại bị bỏ quên trong hai mươi năm, nhưng hôm nay đột nhiên trở nên nổi bật?

Đánh giá công nghệ AI: Cùng với sự bùng nổ của thể chất, khái niệm "mô hình thế giới" đột nhiên trở nên nổi tiếng. Nhưng những người trong ngành đều biết đây không phải là thuật ngữ mới, đã có các học giả đề cập đến từ những năm 90. Chúng tôi khá tò mò, tại sao khái niệm này lại im lặng trong hai thập kỷ và bỗng nhiên trở thành xu hướng hôm nay?

Trương Lỗi: Câu hỏi này rất hay. Mô hình thế giới thực sự không phải là khái niệm mới. Vào đầu những năm 90, các học giả đã thử mô hình hóa môi trường cần thiết cho sự tương tác của các tác nhân (hệ thống AI có thể cảm nhận môi trường và thực hiện hành động để đạt mục tiêu), nhằm cải tiến thuật toán học tăng cường, nhưng lúc đó học sâu chưa nổi lên, nên sau khi đưa ra khái niệm, rất khó để kiểm chứng.

Khái niệm này thực sự được xác minh vào khoảng năm 2018-2019, khi xuất hiện các bài báo thực sự mang tên “World Models” và được ứng dụng trong các bối cảnh trò chơi, vì trò chơi là môi trường tốt nhất để kiểm chứng học tăng cường.

Sau nhiều năm phát triển học tăng cường, AI đã có thể đánh bại các cầu thủ con người trong trò chơi. Lúc này, các nhà nghiên cứu bắt đầu suy nghĩ: liệu có thể để các tác nhân AI tự “học” ra một mô hình thế giới thông qua việc tương tác liên tục với môi trường trò chơi, ghi lại quá trình phát triển của môi trường vào trong mô hình? Ý tưởng này đã được xác minh đầy đủ vào khoảng năm 2018 đến 2020.

Đánh giá công nghệ AI: Vậy điều này liên quan gì đến trí tuệ thể chất hôm nay? Nghe qua, dường như thể chất mới chính là ngòi nổ thực sự thổi bùng thế giới mô hình?

Trương Lỗi: Mối liên hệ này bắt nguồn từ mô hình ngôn ngữ. Ngành công nghiệp đã phát triển VLA (Vision-Language-Action, tức là mô hình thị giác-ngôn ngữ-hành động, robot quan sát hình ảnh để dự đoán hành động tiếp theo), áp dụng mô hình học theo dõi của mô hình ngôn ngữ: mô hình ngôn ngữ thực hiện dự đoán token tiếp theo; trong khi VLA thể chất thì robot quan sát khung hình hiện tại để dự đoán hành động tiếp theo nên thực hiện như thế nào.

Tuy nhiên, phương pháp này nhanh chóng chạm phải giới hạn. Giới hạn không chỉ nằm ở dữ liệu, tôi cho rằng dữ liệu chỉ là một khía cạnh, khía cạnh khác là việc ứng dụng học tăng cường vẫn chưa đủ. Tôi có một phép ẩn dụ: học bắt chước giúp mô hình ngôn ngữ học cách nói, còn học tăng cường giúp mô hình ngôn ngữ nói đúng.

Mức độ thông minh của robot và tỷ lệ thành công của các hành động cũng cần được học tăng cường.

Tuy nhiên, học tăng cường khi áp dụng vào hệ thống vật lý đối mặt với hai rào cản nghiêm trọng: thứ nhất, hiệu quả thu thập dữ liệu cực kỳ thấp, thấp xa so với mô hình ngôn ngữ, robot phải thực hiện từng hành động trong môi trường thực và chờ phản hồi vật lý; thứ hai, chi phí thất bại không thể chấp nhận được—học rửa chén mà không thành công sẽ làm vỡ chén, học lái xe tự hành để tránh tai nạn có thể phải trải qua hàng loạt tai nạn thực tế mới học được. Điều này hoàn toàn khác với mô hình ngôn ngữ, vốn có thể thử và sai với chi phí thấp trong thế giới số.

Môi trường ảo do mô hình thế giới cung cấp chính là giải pháp cho những vấn đề này. Nếu một mô hình có thể dự đoán “Nếu tôi thực hiện hành động này, môi trường sẽ trở thành thế nào?”, thì robot có thể “tưởng tượng” hàng ngàn lần thử và sai trong thế giới ảo, thay vì thực sự làm vỡ một vạn cái bát.

(Ghi chú của tác giả: Hiểu đơn giản về chuỗi logic của đoạn này. Thứ nhất, robot cần rất nhiều lần thử và sai để học cách làm một việc. Thứ hai, thử và sai trong thế giới thực quá đắt đỏ và nguy hiểm. Thứ ba, mô hình thế giới chính là tạo ra một “sân tập ảo” cho robot, để nó có thể suy diễn mọi hậu quả của các hành động trong đầu. Thứ tư, chỉ cần áp dụng phương án tối ưu nhất vào thế giới thực. Đó là lý do tại sao mô hình thế giới đột nhiên trở thành trọng tâm thu hút của toàn ngành vào thời điểm này.)

Không lấy hành động làm điều kiện đầu vào thì không gọi là mô hình thế giới

Đánh giá công nghệ AI: Hiện nay, định nghĩa về “mô hình thế giới” trong ngành khá hỗn loạn. Những mô hình tạo video gọi là mô hình thế giới, những mô hình tạo mô hình không gian 3D cũng gọi là mô hình thế giới, và cả JEPA (kiến trúc dự đoán nhúng kết hợp) của LeCun cũng được gọi là mô hình thế giới. Vậy theo ông/bà, một mô hình cần có ít nhất những điều kiện gì để xứng đáng với bốn chữ này?

Trương Lỗi: Tôi cho rằng mô hình thế giới nhất định phải có sự phụ thuộc vào hành động, tức là Action Conditioned (hành động làm đầu vào, mô hình phải có khả năng trả lời “nếu thực hiện một hành động nào đó, môi trường sẽ trở thành thế nào”).

Lý do tác nhân có thể tương tác với môi trường là hành động: hành động của tác nhân gây ra sự thay đổi trong môi trường, sau khi môi trường thay đổi sẽ tạo ra trạng thái mới và phản hồi lại cho tác nhân, cho biết hành động hiện tại đã giúp nó tiến gần hơn đến mục tiêu chưa. Đây là một vòng lặp khép kín hoàn chỉnh, mỗi sự chuyển đổi trạng thái môi trường đều phụ thuộc vào hành động cụ thể đã thực hiện ở bước trước đó.

Người ta thường nói rằng mô hình thế giới là việc biến Next Token Prediction của mô hình ngôn ngữ thành Next State Prediction, nhưng tôi cho rằng định nghĩa này chưa chặt chẽ và thiếu một điều kiện quan trọng. Cách diễn đạt chính xác nên là: Next State Prediction có điều kiện hành động. Chỉ khi thêm điều kiện hành động, dự đoán trạng thái mới có ý nghĩa và thực sự đáp ứng yêu cầu của học tăng cường.

Đánh giá công nghệ AI: Nói thật đi, nhiều người, kể cả một số nhà đầu tư trong bản kế hoạch kinh doanh, thường gọi các mô hình sinh video như Sora là mô hình thế giới. Nhưng theo tiêu chuẩn mà anh vừa đưa ra, rõ ràng chúng thiếu chiều kích hành động. Chúng tôi muốn nghe anh phân tích vấn đề này như thế nào?

Trương Lỗi: Mô hình thế giới mà chúng ta đang thảo luận ở đây xuất phát từ phương pháp dựa trên mô hình trong lĩnh vực học tăng cường, nhằm giúp tác nhân tương tác hiệu quả hơn với môi trường. Mặc dù mô hình thế giới có nhiều ứng dụng, nhưng trí tuệ thể chất là ứng dụng rõ ràng và có giá trị nhất hiện nay.

Theo nghĩa này, các mô hình sinh video thuần túy như Sora phiên bản đầu tiên không thể được gọi là mô hình thế giới. Lý do cốt lõi là nó không mô hình hóa “hành động”; về bản chất, nó đang sinh ra một chuỗi video nhất quán, dự đoán cách các pixel thay đổi, nhưng hoàn toàn không mô hình hóa các hành động tương tác giữa robot và môi trường. Vậy liệu nó có thể gián tiếp hỗ trợ robot không? Nó có thể học được một số quy luật thay đổi của thế giới, nhưng rất khó giúp robot tương tác tốt hơn với môi trường.

Đánh giá công nghệ AI: Vậy thì World Action Model (mô hình hành động thế giới) gần đây rất nổi bật thì sao? Chúng tôi nghe nói nó cũng đang nói về hành động, liệu đây có phải là một loại mô hình thế giới khác không?

Trương Lỗi: WAM cũng không phải là mô hình thế giới theo nghĩa học tăng cường. Nó sử dụng giám sát cấp pixel từ hình ảnh tương lai được dự đoán để cải thiện dự đoán hành động, và đã thể hiện hiệu suất tốt hơn VLA trên một số nhiệm vụ. Tuy nhiên, mô hình của nó là nguyên nhân-sau-hệ quả: tạo ra hình ảnh tương lai trước, sau đó suy ngược lại hành động, nên không thể dùng trong học tăng cường, do đó không đáp ứng định nghĩa mô hình thế giới mà chúng ta đang thảo luận ở đây.

PixelPunks vs. LatentSpace: Cả hai bên thực chất đều đang làm cùng một việc

Đánh giá công nghệ AI: Khi nói đến cuộc tranh luận về hướng đi, đây là chủ đề nóng nhất hiện nay trong lĩnh vực mô hình toàn cầu. LeCun là nhân vật tiêu biểu của phe không gian ẩn, trong khi Sora đại diện cho phe pixel. Hai hướng đi này dường như đối lập nhau hoàn toàn, quan điểm của bạn về vấn đề này là gì?

Trương Lỗi: Trước hết, chúng ta nên nhận thấy rằng hai con đường có điểm chung.

Thực tế hiện nay, mọi người đều cảm thấy chúng đối lập rất mạnh, có thể cũng vì LeCun rất rõ ràng và kiên định với quan điểm của mình, đôi khi một học giả muốn khiến bên ngoài ghi nhớ quan điểm của mình thì phải trình bày thật rõ ràng.

Tuy nhiên, tuyến đường pixel thực tế cũng phải dựa vào không gian ẩn để thao tác. Stable Diffusion, Sora đều trước tiên nén hình ảnh hoặc video vào không gian biểu diễn chiều thấp rồi mới xử lý. Do đó, không gian biểu diễn mới là vấn đề cốt lõi hơn. Sự khác biệt thực sự giữa hai tuyến đường không nằm ở việc có nên sử dụng không gian ẩn hay không, mà nằm ở việc sau khi bước vào không gian ẩn thì nên giữ lại cái gì, loại bỏ cái gì.

Sự khác biệt nằm ở chỗ: con đường không gian ẩn mong muốn loại bỏ các chi tiết pixel như ánh sáng, bóng đổ và kết cấu—những yếu tố không bị chi phối bởi các quy luật vật lý—giúp mô hình học được những quy luật bản chất đằng sau sự thay đổi trạng thái, nhưng nó đối mặt với nguy cơ sụp đổ biểu diễn: nếu mười nghìn hình ảnh khác nhau được ánh xạ thành một biểu diễn hoàn toàn giống nhau, biểu diễn sẽ sụp đổ, nghĩa là mô hình mất đi khả năng phân biệt các trạng thái khác nhau. Con đường pixel theo đuổi sự chi tiết đến từng milimét, về bản chất là đang cố gắng làm hài lòng đôi mắt con người, vì con người cực kỳ nhạy cảm với các chi tiết thị giác.

Đánh giá công nghệ AI: Đến đây, chúng ta có một trực giác. Việc bộ não con người suy luận chẳng phải cũng đang diễn ra trong không gian ẩn sao? Khi bạn nhắm mắt tưởng tượng hậu quả của một hành động, ai lại trong đầu từng pixel để render lại toàn bộ?

Zhang Lei: Đúng vậy. Nếu bộ não con người tồn tại một mô hình thế giới, thì khi con người tưởng tượng hành động sẽ thay đổi môi trường như thế nào, thực chất là đang thao tác trong không gian ẩn, chứ không phải lướt qua từng pixel của toàn bộ khung hình trong đầu. Do đó, việc sử dụng khả năng đánh giá chất lượng hình ảnh của mắt người làm tiêu chuẩn đánh giá mô hình thế giới là không đủ. Nếu theo hướng pixel để xây dựng mô hình thế giới, điều thực sự cần theo đuổi không phải là độ chân thực của pixel, mà là chuỗi video được tạo ra phải tuân thủ tính hợp lý về vật lý.

(Ghi chú của tác giả: Cuộc đối thoại này nói về cuộc tranh luận giữa hai hướng tiếp cận trong mô hình AI thế giới. Nhóm theo đuổi pixel, đại diện bởi Sora, chỉ tập trung vào độ chân thực của hình ảnh, thường xuyên gặp các lỗi vi phạm hiểu biết vật lý như cốc lơ lửng, vật thể xuyên thấu, nến không thể thổi tắt; trong khi LeCun và Zhang Lei ủng hộ hướng không gian ẩn, trước tiên trừu tượng hóa hình ảnh thành các quy luật rồi suy diễn, hiểu rõ hơn về nhân quả vật lý. Sáng tạo then chốt của Zhang Lei là bổ sung “cấu trúc vật thể” vào không gian ẩn, giúp AI phân biệt rõ các vật thể độc lập như cốc, bàn, con người, sau đó học các quy luật tương tác giữa chúng—vừa tránh được các lỗi thị giác như Sora, vừa phù hợp hơn với không gian ẩn thuần túy khi robot ứng dụng trong thế giới thực để tránh vật cản, nắm bắt và lập kế hoạch hành động.)

Đánh giá công nghệ AI: Bạn đang đi theo cùng một con đường không gian ẩn với LeCun. Nhưng chúng tôi nghe nói, cách tiếp cận của bạn có một điểm khác biệt then chốt, đó là nhấn mạnh vào việc “giới thiệu cấu trúc đối tượng”. Sự khác biệt cốt lõi nằm ở đâu?

Zhang Lei: Đường đi của chúng tôi chia sẻ cùng một nguyên lý cơ bản với LeCun: Não người thực hiện suy luận phản thực tế (“Nếu tôi làm vậy thì sẽ thế nào?”) là có điều kiện hành động, suy diễn trong các biểu diễn trừu tượng, không lặp lại ở cấp độ pixel.

Trong vài năm qua, LeCun đã xác minh tiên đề này thông qua I-JEPA, V-JEPA và LeJEPA: dự đoán nên xảy ra trong không gian biểu diễn. Tuy nhiên, độ phức tạp của không gian vật lý theo hướng thể chất rất cao, và chúng tôi cho rằng để áp dụng phương pháp này vào các môi trường thực tế quy mô lớn, cần引入 cấu trúc cần thiết vào không gian ẩn.

Quan điểm này xuất phát từ năng lực đã được xác minh của chúng tôi. DINO-X, do đội ngũ cốt lõi của chúng tôi dẫn dắt phát triển, đã giải quyết vấn đề “nhận diện vật thể” trong thế giới mở. Vì vậy, hiện tại, chúng tôi đã biến các vật thể thành đơn vị cơ bản cho dự đoán và lập kế hoạch của mô hình thế giới. Về mặt trực quan, các quy luật vật lý tác động lên các vật thể; việc hiểu các vật thể thông qua biểu diễn không gian ẩn sẽ giúp học các quy luật vật lý một cách hiệu quả hơn.

Đánh giá công nghệ AI: Chờ đã, chúng tôi muốn hỏi thêm một câu. AMI Labs của LeCun đã huy động được hàng tỷ đô la Mỹ và cũng đang nỗ lực mạnh mẽ theo đuổi hướng này. Vậy cải tiến “tích hợp cấu trúc đối tượng” của các bạn dựa trên cơ sở nào để tin rằng có thể đi xa hơn trong khung lớn của ông ấy?

Trương Lỗi: Vì trước đây chúng tôi đã phát triển DINO-X, một mô hình nhận thức vật thể mở rộng, đã đạt đến mức tốt nhất toàn cầu trong việc “hiểu vật thể”. Sự hiểu biết của chúng tôi về cơ chế mô hình thị giác, lý do tại sao mô hình thị giác có thể tạo ra tính hợp lý về vật lý, đều hoàn toàn phù hợp với con đường chúng tôi từng theo đuổi để hiểu vật thể tổng quát.

Nói một cách đơn giản, con đường của LeCun là nền tảng cơ bản, và chúng tôi đã đưa cấu trúc đối tượng vào trong khung này và cho phép nó hoạt động khép kín trong môi trường thực tế. Khả năng “khép kín” này là thứ chúng tôi đã xây dựng được trong những năm qua.

Tại sao loạt DINO lại có thể vượt mặt Google và Meta?

Đánh giá công nghệ AI: Nhóm của bạn đã đạt được thành tích quá nổi bật ở giai đoạn mô hình thị giác. Grounding DINO và các phiên bản tiếp theo như DINO-X đã vượt mặt Google và Meta, trở thành tiêu chuẩn được các tổ chức hàng đầu toàn cầu như nhóm của Lý Phi Phi, NVIDIA và Galaxy General trích dẫn. Chúng tôi đã từng thảo luận về điều này trong nội bộ và đều cảm thấy có chút “không bình thường”: thường thì các đội ngũ Trung Quốc theo đuổi các đội ngũ nước ngoài, vậy làm thế nào mà nhóm của bạn lại có thể khiến các đội ngũ nước ngoài phải theo đuổi mình?

Trương Lỗi: Hai chiều cạnh nổi bật.

Về mặt mô hình, chúng tôi là đội ngũ đầu tiên trong lĩnh vực thị giác đạt được SOTA (State of the Art – mức tốt nhất trong lĩnh vực) với việc phát hiện bằng Transformer (một kiến trúc học sâu dựa trên cơ chế tự chú ý, nền tảng của các mô hình ngôn ngữ lớn). Grounding DINO đã giới thiệu mô hình ngôn ngữ, lần đầu tiên mở rộng phát hiện đối tượng sang miền mở, giúp mô hình không còn bị giới hạn ở việc chỉ nhận diện các lớp đối tượng đã được huấn luyện, mà có thể phát hiện bất kỳ đối tượng nào chưa từng thấy trước đó. Cho đến nay, nó vẫn là mô hình mã nguồn mở được trích dẫn và tải về nhiều nhất, có thể xem là một bước đột phá mang tính mô hình.

Về mặt dữ liệu và chiến lược kỹ thuật, sau Grounding DINO, chúng tôi chuyển sang hướng nguồn đóng, thúc đẩy những ý tưởng đã được xác minh theo hướng mở rộng quy mô. Đồng thời, tôi đặt yêu cầu rất cao về tiêu chuẩn công việc. Mặc dù đội ngũ lúc đó còn trẻ và chưa từng thực hiện các dự án mạnh mẽ như vậy, tôi vẫn kiên trì giữ vững ngưỡng chuẩn, nhấn mạnh rằng chỉ khi đạt được bước đột phá cấp phiên bản lớn mới được phát hành. Vì vậy, chúng tôi đã mất khoảng một năm để ra mắt Grounding DINO 1.5, sau đó lại mất thêm sáu tháng để ra mắt DINO-X. Thực tế cho thấy, các phiên bản được rèn giũa trong hơn một năm qua đã nhận được sự công nhận rất cao từ ngành.

Đánh giá công nghệ AI: Những mô hình thị giác mà các bạn đang phát triển có mối quan hệ gì với mô hình thế giới được tạo ra hôm nay?

Trương Lỗi: Công việc của chúng tôi có sự liên tục. Trước đây, khi làm việc với nhận thức đối tượng, mục tiêu cốt lõi là cung cấp nền tảng nhận thức cho robot, sau đó nhiều đội ngũ đã sử dụng Grounding DINO của chúng tôi để giải quyết các vấn đề về hiểu biết môi trường nhúng.

Về mặt kỹ thuật, mô hình thế giới thiên về trực quan hơn so với ngôn ngữ, và hầu hết các công việc về mô hình thế giới đều không dựa trên kiến trúc thuần ngôn ngữ như GPT.

Về tích lũy đội ngũ, sự hiểu biết của chúng tôi về cơ chế mô hình thị giác có độ tương đồng rất cao với con đường công nghệ trước đây chúng tôi theo đuổi trong việc hiểu đối tượng tổng quát. Đây cũng là lý do chúng tôi có niềm tin để liên tục cải tiến mô hình thế giới.

Đội ngũ gồm hơn 20 người được ươm mầm từ IDEA, cực kỳ ổn định. Trong quá trình phát triển mô hình đóng nguồn, chúng tôi liên tục thu hút những chuyên gia bên ngoài có năng lực mạnh về thuật toán và kỹ thuật gia nhập. Hơn 20 người này chính là “hạt giống” của ShiQi Future hôm nay.

Con đường tiến hóa từ mô hình DINO đến mô hình thế giới

Làm thế nào để AI thực sự “nhìn” thấy vật thể?

Đánh giá công nghệ AI: Bạn nói các giải pháp không gian ẩn hiện tại “không thực sự hiểu vật thể”, chúng không biết trong cảnh nào là các vật thể độc lập và các vật thể có mối quan hệ gì với nhau. Chúng tôi rất tò mò, làm thế nào để đánh giá điều này? Làm sao để biết mô hình thực sự “hiểu” vật thể hay chỉ đang “giả vờ” hiểu?

Trương Lỗi: Hiểu bản thân khó có thể được xác minh trực tiếp. Hiện nay, không ai có thể giải thích rõ ràng cách mô hình ngôn ngữ hiểu ngôn ngữ, mà chỉ có thể phán đoán thông qua biểu hiện hành vi: nếu nó liên tục tạo ra văn bản và bạn cảm thấy không khác gì lời nói của con người, thì bạn nói rằng nó đã hiểu.

Các mô hình toàn cầu cũng đối mặt với những khó khăn tương tự. Việc mô hình thực sự hiểu các quy luật vật lý hay có thực sự nắm bắt được cấu trúc vật thể hay không rất khó để giải thích rõ ràng. Chúng ta sẽ phân tích thông qua trực quan hóa các bước trung gian; nếu kết quả phù hợp với trực giác của con người, điều đó cho thấy mô hình có thể đã nắm bắt được cấu trúc vật thể.

Đánh giá công nghệ AI: Có phương pháp kiểm tra cụ thể nào không? Có thể thực hiện một thí nghiệm để xem không?

Trương Lỗi: Có. Kiểm tra phản thực tế là một phương pháp tốt, giúp mô hình thử các hành động khác nhau để xem liệu có đưa ra kết quả hợp lý về mặt vật lý hay không. Nếu quỹ đạo lệch một chút vẫn thực hiện đúng, điều đó cho thấy mô hình đã học được quy luật; nếu không thực hiện được, có thể mô hình chỉ học được mối tương quan thống kê.

Điều này đòi hỏi sự thấu suốt. Như giáo sư Richard Sutton từng nói, khi con người nghiên cứu, họ luôn không thể cưỡng lại mong muốn giúp đỡ mô hình, nhồi nhét kinh nghiệm của bản thân vào đó. Các nhà nghiên cứu mô hình ngôn ngữ từng muốn phân tích chi tiết cấu trúc cú pháp, chia từ, nhóm từ và nạp hết vào mô hình, nhưng cuối cùng vẫn bị vượt qua bởi mô hình đơn giản “dự đoán Token tiếp theo”.

Tôi hoàn toàn tin tưởng vào sức mạnh của việc liên tục cải tiến theo mô hình đơn giản này. Quá nhiều thiết kế nhân tạo sẽ hiệu quả trong ngắn hạn nhưng sẽ cản trở sự phát triển về lâu dài.

Đánh giá công nghệ AI: Trong thế giới vật lý, vẫn còn một số đối tượng rất phức tạp như cát chảy, dòng nước, khói, vải vóc, chúng không có ranh giới rõ ràng. Chúng tôi lo ngại rằng liệu khung “trung tâm đối tượng” của quý vị có bị ràng buộc bởi chính khái niệm “đối tượng” không?

Trương Lỗi: Chúng tôi cũng đang suy nghĩ về vấn đề này. Về mặt kỹ thuật, cách tiếp cận đơn giản nhất là sử dụng Mask để tách các pixel thuộc vùng vật thể. Trong vài năm qua, lĩnh vực thị giác đã đạt được sự trưởng thành đáng kể trong việc hiểu ngữ nghĩa vật thể và dự đoán Mask, đủ khả năng xử lý các vật thể phi cứng như cát chảy, vùng nước, v.v.

Vì vậy, bắt đầu từ Mask là một điểm khởi đầu thực tế. Và tích lũy của chúng tôi trong lĩnh vực nhận thức vật thể chung sâu sắc hơn bất kỳ đội nào khác.

EgoTwin: Dạy tay robot thông qua tay con người

Đánh giá công nghệ AI: Trong khung kỹ thuật của bạn, có một khái niệm rất quan trọng gọi là “căn chỉnh hành động”, ánh xạ các hành động của tay người, kẹp hai ngón, tay linh hoạt nhiều ngón với các cấu hình khác nhau vào cùng một không gian ẩn. Chúng tôi hiểu rằng, điều này nghe giống như đang dịch cho robot, giúp chúng hiểu được các hành động ở các “ngôn ngữ” khác nhau, đúng không?

Trương Lỗi: Đầu vào của mô hình thế giới chủ yếu gồm hai yếu tố: hình ảnh (trạng thái) và hành động, do đó việc hiểu hành động là rất quan trọng.

Việc căn chỉnh hành động là nhu cầu cơ bản của vấn đề đa thể hiện. Việc căn chỉnh giữa tay người và cánh tay robot càng khó hơn: vị trí các khớp của cánh tay robot trong không gian vật lý XYZ là chính xác và có thể xác định được, nhưng dữ liệu về tay người thường là video 2D, chẳng hạn như một đoạn video quay quá trình nấu ăn, chỉ chứa hình ảnh hai chiều mà không có tọa độ ba chiều. Việc sử dụng trực tiếp cả hai loại dữ liệu này cùng nhau sẽ kém hiệu quả.

Cách tiếp cận của chúng tôi là trích xuất các điểm khóa 3D, chuyển đổi video 2D của bàn tay người thành chuỗi thao tác trong không gian 3D, sau đó căn chỉnh với dữ liệu tay máy trong cùng một không gian vật lý. Đây chính là quá trình thu thập và xử lý dữ liệu Ego (dữ liệu thao tác của con người được thu thập từ góc nhìn người thứ nhất) hiện nay trong ngành.

Chúng tôi trước đây đã phát hành EgoTwin, chủ yếu nhằm giải quyết các vấn đề thu thập dữ liệu này, và hiện đang hợp tác với đội ngũ thu thập dữ liệu của Baidu Cloud.

Đánh giá công nghệ AI: EgoTwin giải quyết vấn đề dữ liệu "tay di chuyển như thế nào". Nhưng chúng tôi muốn đặt thêm câu hỏi: Trong video con người còn ẩn chứa thông tin cấp cao hơn, đó là "tại sao tay lại di chuyển như vậy" – phần này thì sao?

Trương Lỗi: Ý định hành động ở cấp độ cao hơn, chúng tôi sẽ để lại cho mô hình thế giới hoặc mô hình VLA giải quyết. Nhưng điều kiện tiên quyết là chất lượng dữ liệu phải đủ cao. Nguyên liệu dữ liệu cực kỳ quan trọng. Trong ngành, đã có rất nhiều nhân lực và chi phí được đầu tư vào việc thu thập dữ liệu, nhưng trong nhiều trường hợp, hiệu quả sử dụng dữ liệu không lý tưởng. Kinh nghiệm cốt lõi mà chúng tôi tích lũy được từ các công việc Grounding DINO và DINO-X là tìm những người hiểu thuật toán để tham gia sâu vào việc xử lý dữ liệu; nếu không, dữ liệu thu thập được có thể hoàn toàn không sử dụng được trong quá trình huấn luyện. Cần phải đồng thời lặp lại song song hai tuyến: thuật toán và dữ liệu.

Zhang Bo và Shen Xiangyang: Hai người hướng dẫn, một nền tảng chung

Đánh giá công nghệ AI: Chúng tôi nhận thấy phía sau bạn có hai người có ảnh hưởng sâu sắc, Giáo sư Trương Bạt (một trong những người sáng lập trí tuệ nhân tạo Trung Quốc) và Giáo sư Thẩm Hướng Dương (cựu Phó Chủ tịch điều hành toàn cầu của Microsoft, cựu Giám đốc Viện Nghiên cứu Microsoft châu Á). Một người thiên về học thuật, một người thiên về công nghiệp, chúng tôi rất tò mò muốn biết họ đã truyền cho bạn những gì?

Trương Lỗi: Giáo sư Trương Bạc luôn là người hướng dẫn và tấm gương của tôi. Tôi lần đầu tiên biết đến thầy Trương khi vừa mới vào phòng nghiên cứu của Đại học Thanh Hoa, lúc đó thầy là trưởng phòng thí nghiệm. Lúc ấy tôi đang làm dự án AGV (xe dẫn đường tự động), dành rất nhiều thời gian rảnh để điều chỉnh phần cứng và thực nghiệm trong phòng thí nghiệm, và lúc đó tôi thường xuyên thấy thầy Trương đến phòng thí nghiệm hướng dẫn các nghiên cứu sinh tiến sĩ thực hiện các công việc liên quan đến robot. Sau này, tôi rất may mắn trở thành nghiên cứu sinh tiến sĩ của thầy. Ấn tượng sâu sắc nhất với tôi là sự nhạy bén của thầy đối với các công nghệ mới và tinh thần tò mò mạnh mẽ. Mỗi lần tôi tìm thầy để thảo luận về kết quả thực nghiệm, thầy đều ngồi vui vẻ bên cạnh và nói: “Em thử sửa lại cái này xem sao.” Thầy cũng đang thông qua cách này để củng cố hiểu biết của chính mình. Bạn có thể thấy rõ rằng sự hiểu biết của một học giả về thuật toán và vấn đề hoàn toàn được thúc đẩy bởi sự tò mò.

Một điểm khác vẫn còn hữu ích đến nay là ông nhấn mạnh “hiểu một điều gì đó phải hiểu thật sâu sắc”, nếu không hiểu rõ sẽ bị lừa, chỉ khi hiểu thấu đáo mới biết được nguyên lý cốt lõi là gì. Câu nói này sau này cũng trở thành nguyên tắc của tôi khi hướng dẫn học sinh: Hiểu thấu đáo, nỗ lực đạt tốt nhất.

Giáo sư Thẩm Hướng Dương cũng có ảnh hưởng rất lớn đến tôi. Trong thời gian tôi làm việc tại Microsoft, ông luôn là cấp trên trực tiếp của tôi, có thể nói đã định hình toàn bộ con đường sự nghiệp của tôi: chính ông là người tuyển tôi từ Trung Quốc sang Mỹ, và cũng chính ông đã vận động tôi quay trở lại Thâm Quyến. Ngoài ra, ông còn có khả năng phán đoán rất nhạy bén về hướng phát triển công nghiệp, đã đưa ra cho tôi rất nhiều lời khuyên cụ thể và chia sẻ kinh nghiệm về việc xây dựng đội ngũ cũng như huy động vốn.

Đánh giá công nghệ AI: Nghe nói giáo sư Trương Bạc, dù đã 90 tuổi, vẫn đến trao đổi với đội ngũ của các bạn? Nghe chúng tôi cũng cảm thấy rất xúc động.

Trương Lỗi: Đúng vậy. Tháng 11 năm ngoái, Trường sau đại học Thanh Hoa đã mời anh ấy đến Thâm Quyến giảng bài. Sau khi hoàn thành bài giảng vào buổi sáng, anh ấy đã dành cả buổi chiều cho đội ngũ chúng tôi. Chúng tôi đã trao đổi suốt cả buổi chiều và cùng ăn tối. tầm nhìn của anh ấy rất rộng lớn và đã đưa ra nhiều lời khuyên quý giá cho hướng nghiên cứu về hiểu biết thị giác tổng quát và robot của chúng tôi. Dù đã lớn tuổi, nhưng tư duy của anh ấy rất rõ ràng, tính logic và độ sâu hiểu vấn đề không hề thua kém gì so với giới trẻ.

Mỗi đợt sóng đều vượt quá tưởng tượng, nhưng sóng sẽ tự tìm đến bạn

Đánh giá công nghệ AI: Trong vài năm qua, bạn đã tham gia sâu vào từng làn sóng, từ học sâu đến mô hình lớn, rồi đến mô hình thể chất và mô hình thế giới. Chúng tôi muốn biết, có khoảnh khắc nào khiến bạn cảm thấy “Đây chính là điều tôi muốn làm”?

Trương Lỗi: Công việc về phát hiện đối tượng rất gần với trạng thái bạn đã nói đến. Công việc này khiến tôi rất tự hào vì có thể thấy được sự tiến bộ đột phá trong toàn bộ lĩnh vực này.

Mô hình thế giới tiếp theo cũng là một hướng đi khiến tôi rất hào hứng và sẵn sàng đầu tư toàn lực. Quá trình phát triển đan xen giữa học tăng cường và mô hình thế giới trong vài thập kỷ qua, cùng với mô hình ngôn ngữ thành công, đều có thể được tham khảo. Tôi tin rằng hướng đi này sẽ mang lại ảnh hưởng lớn đến toàn bộ ngành AI.

Đánh giá công nghệ AI: Những khoảnh khắc nổi bật của các nhà nghiên cứu thường được nhắc đến, nhưng những giai đoạn khó khăn dường như hiếm khi được đề cập. Bạn đã từng trải qua giai đoạn khó khăn trong công nghệ chưa?

Trương Lỗi: Có. Vào khoảng năm 2018, tôi đã thử sử dụng dữ liệu giám sát yếu để phát hiện đối tượng, chỉ cần nhãn danh mục hình ảnh là có thể thực hiện phát hiện, tránh việc gán khung cho từng đối tượng. Phương pháp này nghe có vẻ rất hấp dẫn, tôi đã dành một khoảng thời gian khá dài để nghiên cứu, nhưng vẫn chưa giải quyết triệt để.

Sau đó, chúng tôi áp dụng Grounding DINO vào IDEA, kết hợp khả năng hiểu ngôn ngữ và phát hiện, từ đó giải quyết vấn đề theo một góc độ khác. Sự đột phá này một phần đến từ những sáng tạo của chúng tôi trong mô hình phát hiện DINO, tạo nền tảng vững chắc, và phần lớn nhờ vào sự phát triển của các mô hình ngôn ngữ. Sự đột phá của Grounding DINO xảy ra vào cuối năm 2022 và đầu năm 2023, đúng thời điểm ChatGPT ra đời. Có một quan điểm cho rằng: “Khi dữ liệu đủ lớn, trí thông minh sẽ tự nhiên xuất hiện”; khi dữ liệu đủ lớn, thuật toán có thể trở nên đơn giản hơn.

Tôi cho rằng gặp khó khăn là điều bình thường, điều quan trọng là phải có quyết tâm kiên trì giải quyết những vấn đề khó khăn, nếu lần này không làm được thì hãy thay đổi góc nhìn, ăn ngủ cũng đều suy nghĩ về nó, xoay quanh nó không ngừng nghỉ. Những vấn đề thực sự tốt sẽ khiến bạn suy nghĩ trong nhiều năm, và rồi vào một khoảnh khắc nào đó, đột phá mang tính chất biến đổi sẽ tự nhiên xuất hiện.

Đánh giá công nghệ AI: Hiện nay, nhiều bạn trẻ cũng đang khởi nghiệp trong lĩnh vực mô hình thế giới, ví dụ như Trần Bác Viễn và Cát Gia Minh từ Nghiệm Ma Trận, Bạch Dần Kỳ từ Công ty Công nghệ Bạch Tước, và họ thậm chí vẫn đang là sinh viên đại học. Chúng tôi thấy điều này rất thú vị, anh/chị nghĩ sao về “thế hệ sau” này?

Trương Lỗi: Điều này cho thấy rào cản để bước vào lĩnh vực nghiên cứu thực sự đã giảm xuống. Trước khi học sâu nổi lên, những người mới gia nhập cần dành vài năm để xây dựng nền tảng. Giờ đây, các công nghệ mã nguồn mở đã đơn giản hóa kỹ thuật, chỉ cần hiểu Transformer là có thể bước vào lĩnh vực này. Ưu thế của giới trẻ nằm ở chỗ không mang gánh nặng, dễ dàng tiếp nhận các mô hình mới từ nguyên lý cơ bản nhất. Tuy nhiên, những vấn đề thực sự khó khăn vẫn đòi hỏi các nhà nghiên cứu đi trước có tầm nhìn, khả năng hiểu sâu và định hướng chính xác.

Các xu hướng xã hội luôn thay đổi, nhưng nếu chỉ theo đuổi xu hướng một cách máy móc, bạn sẽ không bao giờ theo kịp. Bản chất là: bất kể hướng đi thay đổi thế nào, mỗi đội ngũ luôn cần những người giỏi nhất. Bạn chỉ cần giữ vững tinh thần ham học hỏi và nền tảng vững chắc, những hướng đi tiên tiến nhất sẽ chủ động tìm đến bạn.

Một sự khải thị

Điều khiến chúng tôi xúc động nhất trong cuộc phỏng vấn này không phải là những thành tựu kỹ thuật rực rỡ của Trương Lỗi, thậm chí cũng không phải là những người trẻ tài năng mà ông từng dẫn dắt—những thực tập sinh Hoàng Trinh, Lý Học Long, cùng các thành viên trong nhóm dự án thuật toán phát hiện khuôn mặt thế hệ đầu tiên của Microsoft là Chu Long, Tiêu Nhung và Nhan Thủy Thành.

Điều khiến chúng tôi ấn tượng nhất là một từ mà anh ấy nhắc đi nhắc lại: “hiểu thấu”.

Từ này, Trương Lỗi đã ghi nhớ trong ba mươi năm.

Đầu những năm 1990, tại khuôn viên Thanh Hoa, trí tuệ nhân tạo vẫn là một ngành học ít được quan tâm, Trương Lỗi vẫn là sinh viên đại học trong khoa Máy tính đang thử nghiệm các xe AGV trong phòng nghiên cứu. Lúc đó, trưởng phòng thí nghiệm hướng dẫn nghiên cứu sinh thực hiện các công việc liên quan đến robot, điều này để lại ấn tượng sâu sắc cho anh, sau này anh cũng theo học dưới sự hướng dẫn của ông.

Giám đốc phòng thí nghiệm tên là Trương Bạt, một trong những người sáng lập trí tuệ nhân tạo Trung Quốc. Mỗi khi Trương Lỗi mời ông cùng xem kết quả thí nghiệm, ông luôn hào hứng ngồi cạnh Trương Lỗi, chăm chú nhìn vào màn hình một lúc, rồi đưa ngón tay ra: “Cậu sửa cái này một chút, xem thế nào.” Không phải để kiểm tra bài tập, mà thực sự muốn biết, sau khi cậu thay đổi tham số, sẽ xảy ra điều gì.

Điều Trương Bạt dạy cho Trương Lỗi sau này được tóm gọn thành ba chữ: “hiểu thấu”.

Không hiểu rõ sẽ bị lừa, chỉ khi hiểu rõ mới biết được nguyên lý cốt lõi là gì.

Tinh thần của thế hệ nhà khoa học Trung Quốc đầu tiên được truyền lại qua những việc nhỏ bé này.

Năm 2018, Trương Lỗi đang làm việc về phát hiện đối tượng với giám sát yếu tại Microsoft, nhưng không thành công, anh ấy không thay đổi đề tài.

Nếu không thể làm thông suốt đợt này, hãy thay đổi góc nhìn, nghĩ về nó cả khi ăn ngủ, xoay quanh nó không ngừng.

Đây không phải là ẩn dụ, mà là cuộc sống hàng ngày của anh ấy.

Sau đó, anh ấy đến IDEA thực hiện Grounding DINO và giải quyết vấn đề từ một góc độ khác. Thời điểm đột phá xảy ra vào cuối năm 2022, khi ChatGPT ra đời — khả năng của các mô hình ngôn ngữ đã được nâng cao và dữ liệu đã đủ lớn.

Chang Lei đã sử dụng một mô tả: “nảy sinh một cách tự nhiên”.

Từ việc điều chỉnh thông số của xe AGV đến việc giải mã mô hình thế giới, giữa chúng là ba mươi năm. Trong ba mươi năm đó, anh ấy đã đi từ tìm kiếm hình ảnh quy mô lớn đến hiểu biết thị giác tổng quát, luôn theo đuổi sự hiểu biết sâu sắc và làm tốt nhất có thể cho từng vấn đề, cho đến khi lại quay trở lại hướng “xây dựng mô hình thế giới cho robot”. Như Steve Jobs từng nói: “connect the dots” — mọi việc bạn làm một cách nghiêm túc đều sẽ không vô nghĩa.

Cuối năm 2025, Trương Bạt, 90 tuổi, bay đến Thâm Quyến để giảng bài. Sau khi giảng xong buổi sáng, ông liền đến văn phòng Shi Qi Wei Lai vào buổi chiều. Bảy tám bạn trẻ quây quanh ông, ông giảng suốt cả buổi chiều, buổi tối cùng ăn cơm và kể lại những câu chuyện thời đi học, cũng như quan điểm của mình về hướng đi này. Tư duy rõ ràng, logic chặt chẽ, không thua gì những người trẻ tuổi. Trương Lỗi cũng kể cho thầy về những việc ông đang làm.

Giáo sư Trương Bạt tại Sự kiện Khởi Động Tương Lai, Trương Lỗi báo cáo tiến độ nghiên cứu cho thầy giáo

Ba mươi năm trước, trong khuôn viên Thanh Hoa, giáo viên ngồi cạnh sinh viên và nói: “Em sửa lại cái này xem thế nào.”

Ba mươi năm sau, tại văn phòng Thâm Quyến, một sinh viên đang kể cho giáo sư 90 tuổi về mô hình thế giới mà anh đang thực hiện.

Đây là một cảnh tượng tái hiện thật đầy cảm xúc.

Con người sẽ già đi, thủy triều sẽ rút đi, các xu hướng sẽ nguội lạnh, nhưng niềm đam mê của các nhà khoa học Trung Quốc trong việc “hiểu thấu” từng vấn đề khó toàn cầu chưa bao giờ thay đổi. Leifeng.com