[TL;DR Hàng Ngày] Tôi đã chứng kiến đủ nhiều màn trình diễn hạ tầng để phân biệt rõ giữa bản demo chuẩn và một hệ thống sản xuất thực tế. Bài viết này lập luận rằng, AI thể chất có thể không còn bị giới hạn bởi trí thông minh mô hình tiếp theo—mà bởi lớp kỹ thuật phức tạp, hỗn loạn, biến các dự đoán token thành hành động vật lý ổn định. Và thật lòng mà nói? Đó chính là phần mà mọi người thường đánh giá thấp nhất. 📌 Vì sao điều này quan trọng ngay lúc này • Bài viết định nghĩa một “thời điểm ChatGPT” tiềm năng cho AI thể chất là khoảnh khắc một mô hình tổng quát như GPT-6 Astra có thể điều khiển robot thông qua một dòng API duy nhất. • Tin tốt: Khả năng của các mô hình nền tảng vẫn đang tăng tốc. • Tin xấu: Hạ tầng thể chất đang tụt hậu, nghĩa là các mô hình mạnh hơn chỉ làm lộ rõ điểm yếu của hệ thống triển khai nhanh hơn. 📌 Những gì FluxVLA Engine v2 bổ sung • Mở rộng đánh giá mô phỏng: 14 chính sách trên bộ kiểm tra vòng kín LIBERO thống nhất, cộng thêm 8 tích hợp chính sách trên RoboCasa GR-1, RoboTwin và RoboDojo. • Tối ưu suy luận trên 8 tổ hợp mô hình-thiết bị, tăng tần suất từ 2,31 lần đến 9,64 lần. • Triển khai trên phần cứng thực đã được xác minh từ điểm kiểm tra đến thực thi vòng kín trên ALOHA, Rebot, Franka hai tay và LimX Oli người máy. 📌 RL trực tuyến thực sự đã tạo ra sự khác biệt • Lấy SmolVLA làm ví dụ, sau khi tinh chỉnh bằng RL trực tuyến: – Tỷ lệ thành công LIBERO-10 tăng 10,0 điểm phần trăm. – RoboTwin Clean tăng 15,4 điểm phần trăm. • Cụ thể hơn, sau 40 vòng lặp ngoài: – LIBERO-10 tăng từ 66,2% lên 76,2%. – RoboTwin Clean tăng từ 45,9% lên 61,3%. • Dịch nghĩa: Ngay cả các mô hình nhỏ hơn cũng có thể đạt được những cải tiến đáng ngạc nhiên khi chúng ngừng là những người học bắt chước thuần túy và bắt đầu tương tác với môi trường. 📌 Chuẩn hóa là sức mạnh thầm lặng • Luận điểm cốt lõi của bài viết rất đơn giản: AI thể chất vẫn còn quá “dự án riêng lẻ”. • FluxVLA cố gắng chuẩn hóa chuyển đổi dữ liệu, giao diện mô hình, đào tạo, đánh giá và triển khai để các đội ngũ không còn lãng phí nhân tài vào việc thiết lập môi trường và viết lại giao diện. • Theo báo cáo, nó hỗ trợ Qwen-VL, GR00T, chuỗi π, DreamZero và thậm chí cả các phương pháp thuần API như GPT-6 Astra và MiniMax-M3.1-Flash. • Trong các cấu hình được nêu trong báo cáo, 11 trong số 13 chiến lược điểm kiểm tra cục bộ đạt hơn 95% tỷ lệ thành công trung bình trên LIBERO; ví dụ: DiT4DiT đạt 98,65% và π0.5 đạt 97,95%. 📌 Phần robot thực tế mới là nơi kỹ thuật trở nên nghiêm túc • Tăng tốc suy luận đạt được mà không thay đổi trọng số mô hình. • Đối với các đầu hành động kiểu GR00T, đầu ra được tăng tốc được báo cáo duy trì độ tương đồng cosine trên 0,99999, với sai số tuyệt đối tối đa khoảng 0,02. • Một cơ chế phối hợp khối thời gian thực cùng xử lý hậu kỳ quỹ đạo đã được giới thiệu để làm mượt tính liên tục hành động và đáp ứng các ràng buộc vật lý. • Trên LimX Oli, π0.5 hoàn thành 3 giai đoạn đầu tiên của nhiệm vụ di chuyển hộp 61,67% thời gian và cả 4 giai đoạn 33,33% thời gian—giá trị này ít mang tính khoe khoang hơn mà mang tính bản đồ điểm nghẽn. 📌 Con người trong vòng lặp có thể là động cơ quay, không phải phụ chú • Hệ thống hỗ trợ chuyển đổi thủ công liền mạch trong quá trình thực thi robot, kèm theo thu thập dữ liệu hiệu chỉnh tự động và gán phần thưởng. • Trong nhiệm vụ gấp khăn 8 giai đoạn trên ALOHA: – Mô hình bắt chước hành vi cơ sở: 62,1% – Với mô hình phần thưởng SARM: 78,5% – Với bắt chước hành vi trọng số lợi thế ARM: 99,4% • Sản lượng cũng tăng từ 18 tập/giờ lên 32 tập/giờ. Tôi nghĩ gì? Điểm sắc sảo nhất trong toàn bộ bài viết không phải là “bộ kiểm tra của chúng tôi lớn hơn”. Mà là AI thể chất có thể trở thành một cuộc đua hạ tầng trước khi trở thành cuộc đua thuần túy về mô hình. Nếu mỗi chính sách mới đều đòi hỏi xây dựng lại toàn bộ hệ thống, ngành công nghiệp sẽ tiếp tục trả một khoản thuế cho sự tiến bộ. Nếu hạ tầng trở nên mô-đun, tái sử dụng và… nhàm chán—theo cách tốt nhất—thì phần thú vị mới thực sự bắt đầu. Và đây là câu hỏi tôi muốn để ngỏ: Khi các mô hình tiên tiến trở nên có thể hoán đổi cho nhau, thì lợi thế cạnh tranh thực sự nằm ở đâu—ở mô hình, ở thân robot, hay ở vòng lặp dữ liệu-và-triển khai đằng sau cả hai?