Robot của Zidongbian đã ra mắt mô hình thế giới tự hồi quy quy mô tiếp theo đầu tiên, WALL-SS, nhằm giải quyết vấn đề bất nhất nhân quả giữa hành động và kết quả trong mô hình thế giới của robot. Mô hình này sử dụng cơ chế dự đoán phân cấp từ thô đến tinh, giúp các hành động khác nhau thực sự tương ứng với các kết quả khác nhau và đạt được khả năng suy diễn liên tục lên đến 60 giây. Kết quả kiểm tra cho thấy điểm theo dõi hành động của WALL-SS đạt 0,29, cao hơn đáng kể so với 0,044 của Cosmos3-Nano. Zidongbian đã thực hiện 600 thí nghiệm cặp ảo-thực, hệ số tương quan về tỷ lệ thành công nhiệm vụ đạt 0,926, cho thấy mô hình thế giới có thể giúp robot xác minh chiến lược trước trong môi trường ảo.

Tác giả bài viết, nguồn: GeekPark

Cuộc cạnh tranh tiếp theo trong thế giới mô hình robot có thể không phải là độ phân giải hình ảnh, mà là kiến trúc.

Tác giả | Li Yuan

Biên tập | Trịnh Huyền

Một kẹp tay máy rõ ràng không kẹp chặt cốc, nhưng cốc lại như bị nam châm hút, theo kẹp nâng lên. Vấn đề tưởng chừng vô lý này đang gây khó khăn cho các mô hình robot, và ngành công nghiệp thậm chí còn gọi nó là “bắt giữ kiểu nam châm”.

Các mô hình tạo video chỉ cần khiến khung hình trông hợp lý là đã hoàn thành nhiệm vụ; nhưng mô hình thế giới không thể chỉ tập trung vào việc “giống thật”. Dữ liệu huấn luyện robot chủ yếu đến từ các lần biểu diễn thành công, khiến mô hình dễ hình thành lối tắt: thay vì hiểu các sắc thái tinh tế của hành động, nó chỉ đơn giản tạo ra kết quả có khả năng cao nhất dựa trên hình ảnh.

Trong thế giới thực, việc lệch vị trí kẹp vài milimét có thể khiến kết quả thay đổi từ việc nhấc lên thành làm đổ cốc hoặc không kẹp được gì. Điều mà mô hình thế giới thực sự cần hiểu là mối quan hệ nhân quả giữa hành động và kết quả.

Ngày 27 tháng 8, Autoregressive Robot ra mắt mô hình thế giới tự hồi quy quy mô tiếp theo WALL-SS, nhằm giúp mô hình thế giới tiến từ “có thể dùng” sang “dễ dùng”. WALL-SS không tạo toàn bộ khung hình một lần, mà mô phỏng tương lai theo cách từ thô đến tinh, đảm bảo các hành động khác nhau thực sự tương ứng với các kết quả khác nhau; đồng thời kết hợp cơ chế trí nhớ dài hạn để thực hiện suy diễn liên tục lên đến 60 giây.

Kết quả kiểm tra cho thấy, sau khi WALL-SS thực hiện suy diễn liên tục 60 giây, hình ảnh và quỹ đạo chuyển động vẫn gần với video thực tế hơn, điểm theo dõi hành động đạt 0,29, trong khi Cosmos3-Nano chỉ đạt 0,044 và các mô hình thử nghiệm khác đều bằng 0. Có thể nói, WALL-SS là một trong số ít các mô hình có khả năng dự đoán hình ảnh theo đúng lệnh hành động.

Tự biến đồng thời công bố WALL-SS. Đối với các mô hình thế giới robot chưa hình thành đường đi công nghệ thống nhất, việc công bố không chỉ đơn thuần là mở một mô hình, mà còn giúp ngành cùng xác minh: liệu mô hình thế giới có đang dự đoán dựa trên hành động, và liệu mô phỏng ảo có thực sự hỗ trợ được robot thực tế hay không.

Khi mô hình kỹ thuật vẫn chưa ổn định, việc liên tục khám phá chính là lợi thế cạnh tranh. Trí tuệ gắn liền với cơ thể không chỉ cần phần cứng có thể triển khai nhanh chóng, mà còn cần những công ty sẵn sàng thách thức các hướng đi hiện có và mở rộng ranh giới của các công nghệ cốt lõi.

Mô hình thế giới, trở thành tuyến đường chính của trí tuệ thể chất

Năm 2026, các mô hình thế giới đang trở thành một trong những hướng công nghệ được quan tâm nhất trong lĩnh vực robot.

NVIDIA liên tục cải tiến Cosmos và bắt đầu áp dụng mô hình video thế giới vào điều khiển và lập kế hoạch cho robot; V-JEPA 2 của Meta cố gắng giúp robot thực hiện việc nắm bắt trong môi trường lạ bằng cách dự đoán sự thay đổi của thế giới vật lý. Ngày càng nhiều nghiên cứu đang khám phá việc sử dụng mô hình thế giới để thay thế một phần các bài kiểm tra thực tế, cho phép robot dự đoán kết quả của các chiến lược khác nhau trong thế giới ảo trước khi "hành động".

Việc hiểu làn sóng này không hề phức tạp. Các mô hình ngôn ngữ lớn học quy luật ngôn ngữ bằng cách dự đoán từ tiếp theo, trong khi các mô hình thế giới dự đoán thế giới ở khoảnh khắc tiếp theo: robot di chuyển sang trái, liệu cốc có bị đổ không; kẹp siết chặt hơn một chút, vật thể có được nắm lấy không; một hành động được thực hiện liên tục trong mười giây, cảnh tượng cuối cùng sẽ trở nên như thế nào.

Điều này đặc biệt quan trọng đối với trí tuệ hình thể. Trong vài năm qua, ngành công nghiệp chủ yếu giải quyết vấn đề “robot làm thế nào” — VLA có thể trực tiếp đầu ra hành động dựa trên chỉ thị hình ảnh và ngôn ngữ. Nhưng khi khả năng của robot được nâng cao, một vấn đề mới ngày càng trở nên nổi bật: làm thế nào để đánh giá một chiến lược có tốt hay không?

Nếu mỗi lần lặp lại mô hình đều phụ thuộc vào kiểm thử trên thiết bị thực, chi phí sẽ cao và chu kỳ kéo dài, dễ trở thành điểm nghẽn trong quá trình huấn luyện và lặp lại. Mặc dù mô phỏng truyền thống có thể đảm nhận một phần kiểm thử, nhưng nó yêu cầu con người mô hình hóa vật liệu, ma sát, biến dạng và mối quan hệ tiếp xúc của các đối tượng, khó có thể bao quát được sự phức tạp của thế giới thực. Mô hình thế giới thì cố gắng học cách thế giới thay đổi từ dữ liệu video thực và tương tác của robot, giúp robot có thể lặp lại dự đoán và xác minh chiến lược trong môi trường ảo.

Nó thậm chí có thể tham gia sâu hơn vào quyết định của robot. Sau khi VLA nhìn thấy cốc, nó trực tiếp đưa ra quyết định “với tay lấy”, trong khi mô hình thế giới có thể tiên đoán hậu quả của các hành động khác nhau trước, từ đó giúp robot lựa chọn chiến lược phù hợp hơn — từ “hành động trực tiếp” tiến tới “hình dung trước, rồi hành động”.

Tuy nhiên, để thực sự trở thành hạ tầng cho trí tuệ hình thể, các mô hình thế giới ngày nay vẫn phải vượt qua ba rào cản chính.

Đầu tiên là sự nhất quán nhân quả giữa hành động và kết quả. Mô hình không chỉ có thể tạo ra hình ảnh phù hợp với kỳ vọng, mà còn phải phản ánh chính xác kết quả do hành động mang lại; nếu không, một chiến lược thực tế không thể nắm được cốc vẫn có thể bị coi là thành công trong thế giới ảo.

Thứ hai là khả năng suy diễn dài hạn. Các nhiệm vụ của robot thường kéo dài hàng chục giây hoặc lâu hơn, mô hình cần liên tục sử dụng dự đoán của chính mình làm đầu vào cho thời điểm tiếp theo, bất kỳ sai số nhỏ nào cũng có thể tích lũy trong quá trình suy diễn liên tục.

Thứ ba là sự nhất quán giữa dự đoán ảo và thực hành trên thiết bị thật. Dù mô phỏng có chân thực đến đâu hay suy diễn có dài đến đâu, điều đó cũng không có nghĩa là mô hình thực sự có thể đánh giá chiến lược của robot. Chỉ khi hiệu suất trong thế giới ảo có thể tạo ra mối tương ứng ổn định với kết quả trên thiết bị thật, thì mô hình thế giới mới thực sự có giá trị thay thế một phần việc thử nghiệm và sai sót thực tế.

Ba rào cản này cũng đang trở thành trung tâm của cuộc cạnh tranh mô hình thế hệ tiếp theo.

WALL-SS, cải tiến mô hình thế giới từ nền tảng kiến trúc

WALL-SS là một nỗ lực mới nhằm giải quyết những vấn đề này. Theo mô tả trong bài báo, đây là mô hình thế giới đầu tiên sử dụng kiến trúc tự hồi quy ở quy mô tiếp theo.

Trước đây, nhiều mô hình thế giới đã áp dụng tư tưởng video Diffusion: đầu vào là các khung hình lịch sử và hành động, thông qua nhiều vòng loại bỏ nhiễu để tạo ra video tương lai. Mặc dù hành động là điều kiện tạo ra, nhưng nó không được ghi rõ trong chuỗi tạo ra «hành động → kết quả», do đó mô hình dễ dàng phụ thuộc vào tiền kiến thị giác và trực tiếp dự đoán một tương lai «có khả năng thành công cao»—ngay cả khi kẹp thực tế không kẹp được cốc, nó vẫn có thể tạo ra hình ảnh cốc được nhấc lên thành công.

WALL-SS tổ chức quan sát và hành động thành chuỗi nhân quả "quan sát—hành động—quan sát mới", giúp hành động thực sự tham gia vào quá trình tạo ra trạng thái tương lai. Nói cách đơn giản, trước tiên xác định thế giới thay đổi như thế nào, sau đó từng bước bổ sung chi tiết: thang độ thô xác định trạng thái tổng quát của tay máy và vật thể, thang độ tinh hơn phục hồi chuyển động và tiếp xúc. Kết hợp với dữ liệu thất bại, chuyển giao và điều chỉnh, mô hình học được rằng "hành động khác nhau, kết quả cũng khác nhau".

Khả năng này đã được xác minh qua các chỉ số. Điểm theo dõi hành động của WALL-SS đạt 0,29, độ chính xác quỹ đạo đạt 0,539; trong khi đó, điểm theo dõi hành động của Cosmos3-Nano chỉ là 0,044. Các mô hình khác đều đạt điểm 0.

Một vấn đề quan trọng khác là liệu mô hình thế giới có thể “nhớ đủ lâu” hay không. WALL-SS sử dụng bộ nhớ dài hạn đa quy mô để lưu giữ chi tiết gần đây, nén lịch sử xa hơn và cho phép mô hình tiếp tục suy diễn từ chính các dự đoán của nó trong quá trình huấn luyện, giảm thiểu vấn đề tích lũy lỗi. Điều này giúp mô hình có thể suy diễn liên tục trong 60 giây, trong khi các mô hình khác đã đạt giới hạn ở 20-30 giây.

Quan trọng hơn, những khả năng này cuối cùng đã được kiểm nghiệm trên thiết bị thực. Biến độc lập cho cùng một chiến lược thực thi trên WALL-SS và robot thực tế, hoàn thành 600 thí nghiệm cặp ảo-thực. Kết quả cho thấy hệ số tương quan về tỷ lệ thành công nhiệm vụ giữa hai phương pháp đạt 0,926, và độ chính xác trong việc sắp xếp mức độ mạnh yếu của các chiến lược khác nhau đạt 89%.

Điều này có nghĩa là mô hình thế giới bắt đầu sở hữu một giá trị quan trọng hơn: không chỉ tạo ra những tương lai “trông có vẻ thật”, mà còn có thể giúp robot đánh giá các hành động khác nhau sẽ mang lại kết quả gì, đồng thời xác minh chiến lược trước trong thế giới ảo.

Tất nhiên, WALL-SS hiện vẫn còn giới hạn. Đầu vào hành động chủ yếu bao gồm vị trí, hướng và trạng thái mở/đóng của kẹp ở đầu cánh tay cơ khí, không bao gồm trạng thái khớp đầy đủ, lực và mô-men xoắn, do đó khả năng hỗ trợ cho các thao tác tiếp xúc tinh vi và bàn tay đa ngón linh hoạt vẫn cần được xác minh thêm.

Trong khi lộ trình chưa ổn định, tiếp tục đổi mới kiến trúc

WALL-SS không phải là kết quả của việc tự biến đột ngột theo đuổi làn sóng mô hình thế giới. Trong năm qua, tự biến đã liên tục khám phá cùng một vấn đề: làm thế nào để kết nối sự hiểu biết của robot về thế giới, dự đoán hành động với việc thực thi thực tế.

WALL-OSS thông qua việc tiền huấn luyện đa mô hình quy mô lớn, tích hợp thị giác, ngôn ngữ và hành động robot vào cùng một mô hình nền tảng nhúng; WALL-OSS-0.5 tiếp tục thúc đẩy khả năng tiền huấn luyện sang thiết bị thực tế; sau đó, WALL-WM bắt đầu mô hình hóa đồng thời sự thay đổi của thế giới và hành động robot, trong khi X-Tokenizer khám phá cách các robot và hành động khác nhau được đưa vào một mô hình thống nhất. Đến WALL-SS, con đường này tiếp tục hướng tới một câu hỏi cốt lõi: Sau khi thực hiện một hành động, thế giới sẽ thay đổi như thế nào?

Đi xuyên suốt chuỗi khám phá này là sự đầu tư lâu dài vào việc mô hình hóa thống nhất “thế giới-hành động”. Robot không chỉ cần có khả năng hành động, mà còn phải dự đoán được hậu quả của các hành động và liên tục điều chỉnh hành vi của mình dựa trên kết quả. Khi mô hình, dữ liệu, bản thể và kinh nghiệm thực tế không ngừng tích lũy, những khám phá này dần hình thành một vòng lặp kỹ thuật phản hồi lẫn nhau.

Cơ sở hạ tầng của trí tuệ hình thể vẫn chưa hội tụ. Ở giai đoạn này, điều quan trọng thực sự không phải là mỗi lần thử nghiệm đều đoán đúng câu trả lời cuối cùng, mà là liệu có thể liên tục đưa ra các giả thuyết kiến trúc mới, xác minh bằng dữ liệu và thiết bị thực tế, sau đó điều chỉnh lộ trình dựa trên kết quả.

Việc công bố WALL-SS lần này cũng là sự tiếp nối của tư tưởng này. Không chỉ là một mô hình được ra mắt, mà còn là một lộ trình công nghệ có thể được ngành cùng xác minh: liệu tự hồi quy ở quy mô tiếp theo có phù hợp hơn với robot, hành động và kết quả có thực sự tương ứng với nhau, và liệu kiểm thử ảo có phản ánh chính xác hiệu suất trên thiết bị thực không. Các nhà nghiên cứu có thể dựa trên đây để tiếp tục khám phá, còn các công ty robot có thể trực tiếp xác minh xem nó có thể tích hợp vào hệ thống huấn luyện và đánh giá của họ hay không.

Đây cũng là ý nghĩa quan trọng hơn đối với ngành công nghiệp trí tuệ thể chất giai đoạn đầu: giảm chi phí khám phá ngành, đồng thời cho phép các hướng đi khác nhau được kiểm nghiệm trong các ứng dụng thực tế.

Trong vài năm qua, sự cạnh tranh về trí tuệ hình thể trong nước chủ yếu tập trung vào thân thể, dữ liệu và việc triển khai sản phẩm. Tuy nhiên, một ngành công nghiệp vẫn chưa được định hình không thể chỉ chờ đợi sự xuất hiện của kiến trúc trưởng thành rồi mới đuổi theo, mà còn cần có những người tham gia vào các vị trí cơ bản hơn như mô hình thế giới, biểu diễn hành động và mô hình học tập, liên tục tìm kiếm khả năng tiếp theo.

WALL-SS chắc chắn không phải là câu trả lời cuối cùng, nhưng nó đại diện cho một sự thay đổi: các công ty trong nước bắt đầu không chỉ đi theo các lộ trình đã có, mà còn đưa ra những giả định kiến trúc riêng của mình và mở ra để nhận sự kiểm định từ ngành công nghiệp.

Khi lộ trình công nghệ thực sự thay đổi, điều quyết định một công ty không phải là nó có theo kịp thế hệ trước không, mà là liệu nó có luôn duy trì khả năng khám phá thế hệ tiếp theo hay không.