Machenta huy động 40 triệu USD ở vòng hạt giống để dạy robot nhiệm vụ mới chỉ qua một lần trình diễn

Dạy robot một công việc mới có thể mất nhiều thời gian hơn hẳn so với tự thực hiện công việc đó. Việc thu thập các lần trình diễn, chuẩn bị dữ liệu huấn luyện và cập nhật mô hình có thể biến một thay đổi nhỏ trong quy trình làm việc thành một dự án kỹ thuật lớn. Machenta đã huy động 40 triệu USD ở vòng hạt giống để rút ngắn quy trình này, đồng thời phát triển một mô hình nền tảng robot được thiết kế để tiếp thu một nhiệm vụ vật lý chỉ qua một lần trình diễn mà không cần huấn luyện bổ sung dành riêng cho nhiệm vụ đó.

Công ty có trụ sở tại London công bố khoản đầu tư vào ngày 27 tháng 10, với Creandum và Union Square Ventures cùng dẫn dắt vòng gọi vốn. Công ty sẽ dùng số vốn này để mở rộng quy mô mô hình và phát triển đội ngũ tại văn phòng kiêm phòng thí nghiệm mới ở King’s Cross.

Machenta gọi phương pháp của mình là “học robot tức thì”. Công ty cho biết đã trình diễn công nghệ này trong các nhiệm vụ đóng gói, lắp ráp và sắp xếp đồ đạc, trong đó robot thích ứng với những thay đổi sau khi chỉ được hướng dẫn một lần. Tham vọng của công ty rất lớn, nhưng cần xem những bằng chứng này là các màn trình diễn của một công nghệ đang phát triển, chứ không phải bằng chứng cho thấy robot đã có thể thực hiện mọi nhiệm vụ có thể xảy ra.

Học nhiệm vụ mới mà không cần một đợt huấn luyện mới

Điểm khác biệt cốt yếu nằm ở chỗ huấn luyện một mô hình không giống với việc dạy một mô hình đã được huấn luyện thực hiện một nhiệm vụ cụ thể. Machenta vẫn huấn luyện mô hình nền tảng của mình. Điều công ty muốn loại bỏ là nhu cầu thu thập một bộ dữ liệu mới quy mô lớn và tiến hành thêm một chu kỳ huấn luyện mỗi khi robot gặp một công việc mới.

“Trí thông minh không hẳn nằm ở những gì bạn đã có thể làm, mà ở tốc độ bạn học được cách làm điều mới”, Giáo sư Edward Johns, đồng sáng lập kiêm CEO của Machenta, cho biết trong thông báo.

Quy trình được đề xuất cố ý giữ đơn giản: trình diễn hành vi mong muốn, để robot quan sát rồi yêu cầu robot thực hiện nhiệm vụ. Trên thực tế, cách này sẽ biến phần trình diễn thành một chỉ dẫn dành cho mô hình hiện có, thay vì khởi đầu cho một dự án phát triển mô hình riêng.

Điều này đặc biệt hữu ích khi nhiệm vụ về cơ bản vẫn tương tự nhưng đồ vật hoặc cách sắp xếp chúng thay đổi. Robot chỉ có thể lặp lại một chuỗi thao tác cố định sẽ cần môi trường tuân theo chương trình của nó. Một hệ thống học hỏi hữu ích phải xác định mục tiêu mà phần trình diễn hướng đến, rồi điều chỉnh hành động cho phù hợp với tình huống trước mắt.

Dùng mô phỏng để huấn luyện khả năng học hỏi

Chiến lược huấn luyện của Machenta chuyển phần lớn gánh nặng tạo dữ liệu sang môi trường mô phỏng. Theo thông cáo, mục tiêu không phải là liệt kê mọi nhiệm vụ mà robot có thể sẽ gặp trong tương lai. Thay vào đó, mô hình được tiếp xúc với đủ tình huống đa dạng để hình thành khả năng có thể tái sử dụng, giúp nó học từ một ví dụ mới.

Điều đó làm thay đổi cách công ty kỳ vọng mở rộng quy mô. Nhiều nỗ lực nghiên cứu khả năng học hỏi của robot phụ thuộc đáng kể vào việc thu thập các lần trình diễn thực tế thông qua điều khiển từ xa hoặc ghi lại hoạt động của con người. Machenta đặt cược rằng trải nghiệm mô phỏng có thể cung cấp sự đa dạng cần thiết để robot học các nhiệm vụ mới, còn một lần trình diễn thực tế sẽ cung cấp chỉ dẫn khi triển khai.

Tài liệu giới thiệu kỹ thuật của công ty gọi hệ thống này là mô hình thị giác–trình diễn–hành động, hay VDA. Hệ thống nhận một lần trình diễn và các quan sát liên tục từ camera làm đầu vào, rồi dự đoán hành động theo vòng lặp kín. Công ty cho biết quá trình tiền huấn luyện chỉ sử dụng mô phỏng; ví dụ hướng dẫn và các quan sát trực tiếp là dữ liệu đầu vào từ thế giới thực tại thời điểm suy luận.

Sự khác biệt này rất quan trọng: tiền huấn luyện chỉ bằng mô phỏng không có nghĩa là robot khi triển khai hoạt động mà không cần thông tin từ thế giới thực. Robot vẫn phải diễn giải phần trình diễn, quan sát môi trường và lựa chọn hành động khi các điều kiện thay đổi.

Nghiên cứu nền tảng về học robot trong ngữ cảnh

Công ty phát triển dựa trên nghiên cứu của Johns và đồng sáng lập kiêm CTO Vitalis Vosylius tại Imperial College London. Johns là Giáo sư về Học tập Robot tại Imperial, và hai người đã xây dựng các phương pháp trước đó để robot học hành vi vật lý từ một số ít ví dụ.

Nghiên cứu Instant Policy của họ, được công bố tại ICLR 2025, mô tả phương pháp học bắt chước trong ngữ cảnh từ một hoặc hai lần trình diễn mà không cần huấn luyện thêm. Phương pháp này biểu diễn các lần trình diễn, quan sát và hành động dưới dạng đồ thị, đồng thời sử dụng một quy trình khuếch tán đã học để tạo cấu trúc đồ thị cần thiết cho việc dự đoán hành động.

Bài báo cũng mô tả cách huấn luyện bằng các lần trình diễn giả lập: những quỹ đạo được tạo trong môi trường mô phỏng để cung cấp một kho ví dụ phong phú. Các thử nghiệm bao gồm nhiệm vụ mô phỏng lẫn nhiệm vụ thực tế, cùng những nghiên cứu bổ sung về khả năng chuyển giao giữa các dạng thân robot và các chỉ dẫn được xác định bằng ngôn ngữ.

Nghiên cứu này giúp lý giải nền tảng khoa học của công nghệ, nhưng không chứng minh rằng mô hình thương mại hiện tại của Machenta có kiến trúc hoàn toàn giống như vậy. Công ty khởi nghiệp mô tả hệ thống mới hơn là một mô hình nền tảng được xây dựng từ hướng nghiên cứu này.

Học trong ngữ cảnh vốn đã quen thuộc trong các mô hình ngôn ngữ, nơi những ví dụ trong câu lệnh có thể định hình câu trả lời mà không cần cập nhật trọng số mô hình. Áp dụng ý tưởng đó vào robot khó hơn, vì đầu ra phải trở thành một chuỗi hành động vật lý trong những điều kiện thực tế, chứ không chỉ là một câu trả lời nghe có vẻ hợp lý.

Các màn trình diễn cho thấy điều gì—và những gì vẫn cần được kiểm chứng

Bài viết kỹ thuật của Machenta cho biết công ty đã tiến hành các thử nghiệm kéo dài một giờ với ba nhiệm vụ đơn giản có thể tự đặt lại: đặt khối thành công 74 lần trong 74 lần thử, chuyền tua vít 78 lần trong 78 lần thử và dựng đứng chai thành công 97 lần trong 99 lần thử. Công ty cho biết hai lần thất bại với chai là do nguy cơ va chạm và các hạn chế về động học.

Đây là những phép kiểm tra độ tin cậy ban đầu hữu ích, chứ chưa phải là một chuẩn đánh giá công nghiệp toàn diện. Bài viết cũng xem việc học trực tiếp từ bàn tay con người và vận hành bằng bàn tay dạng người là những hướng đi sơ bộ. Bài viết không chứng minh được khả năng thực hiện mọi loại nhiệm vụ hay hiệu suất đáng tin cậy ở mọi nơi làm việc.

Đối với người dùng tiềm năng, để biến một màn trình diễn thuyết phục thành một hệ thống có thể triển khai cần đáp ứng các yếu tố như khả năng lặp lại, khả năng khắc phục khi xảy ra lỗi, hành vi an toàn khi ở gần con người và những giới hạn thực tế của phần cứng robot. Học một chỉ dẫn nhanh chóng không thể giúp tay kẹp xử lý một vật mà nó không thể nắm bắt bằng lực cơ học.

Dù vậy, cơ hội thương mại là rất rõ ràng. Nếu thời gian hướng dẫn giảm đáng kể, việc cân nhắc sử dụng robot cho những công việc thay đổi quá thường xuyên để có thể biện minh cho quy trình lập trình và tích hợp kéo dài sẽ trở nên dễ dàng hơn. Điều đó có thể tác động đến cả việc triển khai trong nhà máy lẫn các ứng dụng quy mô nhỏ hơn, nơi khó tìm được hỗ trợ chuyên môn về robot.

Vòng gọi vốn hạt giống để mở rộng mô hình và đội ngũ

Machenta đang tham gia làn sóng đầu tư rộng lớn hơn vào trí tuệ robot có khả năng thích ứng. Bài đưa tin của Unite.AI về khoản đầu tư vào AI liên robot của Dream Labs cho thấy một nỗ lực khác nhằm giúp các năng lực đã học trở nên hữu ích trên nhiều loại máy móc. Machenta tập trung vào tốc độ biến một chỉ dẫn vận động mới thành hành vi có thể sử dụng.

Đối tác của Creandum, Kathi Wilhelm, nhấn mạnh rằng đội ngũ đã có nhiều năm nghiên cứu trước khi thành lập công ty. Rebecca Kaden, đối tác điều hành tại Union Square Ventures, nêu bật giá trị của những robot có thể nhanh chóng tiếp nhận một nhiệm vụ mới, thay vì phải trải qua một đợt huấn luyện riêng cho từng công việc.

Với Machenta, giai đoạn tiếp theo là chuyển nền tảng nghiên cứu đó thành năng lực rộng hơn và đáng tin cậy hơn. Khoản đầu tư 40 triệu USD giúp công ty có nguồn lực để mở rộng mô hình và tuyển dụng nhân sự cho lĩnh vực này, trong khi đội ngũ sáng lập mang vào doanh nghiệp sáu năm nghiên cứu về khả năng học một lần của robot.

Câu hỏi then chốt là khả năng học hỏi đó sẽ mở rộng đến đâu khi các nhiệm vụ trở nên đa dạng và đòi hỏi cao hơn. Nếu phương pháp này chứng tỏ được hiệu quả, thay đổi quan trọng sẽ nằm ở tính thực tiễn: mọi người có thể dành ít thời gian hơn để xây dựng quy trình huấn luyện và dành nhiều thời gian hơn để hướng dẫn robot thực hiện chính công việc họ cần.