Kỷ Nguyên Humanoid Không Đến — Nó Đã Ở Đây

Earlier này tháng, tại Trung Quốc, một robot humanoid tên là Shuang Shuang đã bước lên sân khấu tại một lễ tốt nghiệp trung học ở Fujian để nhận bằng tốt nghiệp — bắt tay và làm hài lòng học sinh và giáo viên. Những khoảnh khắc như vậy đại diện cho một sự thay đổi có ý nghĩa, một sự thay đổi mà trong đó các robot humanoid bắt đầu tham gia vào cuộc sống công cộng theo những cách rất rõ ràng.

Những khoảnh khắc này đánh dấu hơn sự tò mò của công chúng — chúng báo hiệu một sự thay đổi hướng tới tích hợp vào thế giới thực. Bài viết này khám phá cách các humanoid di chuyển từ việc trình diễn và sự kiện đến tính năng — và tại sao điều gì似乎 là một thành tựu chỉ về phần cứng, trên thực tế, là về trí tuệ tích hợp cho phép các máy này đi, tương tác và học hỏi trong các môi trường không được thiết kế cho tự động hóa. Chúng tôi cũng sẽ thảo luận về cách chúng tôi tiếp cận việc thương mại hóa thông qua việc triển khai sớm và các quan hệ đối tác lâu dài.

Humanoid đẩy AI vào thế giới thực như thế nào

Khoảng cách giữa hiệu suất ảo và độ tin cậy vật lý vẫn là một trong những thách thức bị bỏ qua nhiều nhất trong AI. Một chương trình trò chuyện có thể tạo ra các đoạn văn bản trôi chảy mà không cần phải thực hiện chúng — giống như một mô hình tầm nhìn có thể xác định một bước trong một hình ảnh mà không cần phải điều hướng nó hoặc có nguy cơ bị ngã. Humanoid không có sự sang trọng đó.

Để hoạt động trong thế giới thực, AI phải rời bỏ các tập dữ liệu tĩnh và điều kiện được kiểm soát. Nó phải nhìn, quyết định và hành động trong các môi trường thay đổi từng giây. Điều đó bao gồm các sàn không đều, các vật thể bị mất chỗ, hành vi con người không thể đoán trước và các tín hiệu phi ngôn ngữ phụ thuộc vào ngữ cảnh. Kết quả là một cuộc đối đầu hàng ngày với tiếng ồn, sự mơ hồ và khả năng thất bại.

Đây là nơi lý lẽ thể hiện — nơi ngôn ngữ được gắn với không gian, thời gian và hậu quả — bắt đầu quan trọng hơn dự đoán token. Ví dụ, nếu một người nói “cẩn thận, nó trơn”, robot cần kết nối cụm từ đó không chỉ với định nghĩa từ, mà còn với nhận thức không gian, rủi ro tiềm ẩn và điều chỉnh thời gian thực.

Đồng thời, học đa phương thức trở nên cần thiết, vì không có kênh đầu vào nào đủ tin cậy để hoạt động độc lập. Một máy ảnh có thể bỏ lỡ một bề mặt trơn, nhưng các cảm biến áp lực trong chân có thể phát hiện sự mất độ bám đột ngột. Hoặc, trong một tình huống khác, nhận dạng giọng nói có thể thất bại trong một nhà kho ồn ào, nhưng các tín hiệu hình ảnh hoặc cử chỉ có thể lấp đầy khoảng trống.

Sự khái quát hóa cũng trở nên quan trọng. Một robot không thể dựa vào việc nhìn thấy môi trường chính xác hai lần. Nó cần phải điều chỉnh hành vi khi sàn ướt, ánh sáng thay đổi hoặc hộp không ở vị trí của nó vào ngày hôm qua. Điều này trở thành sự khác biệt giữa việc thực hiện thành công và thất bại.

Ở Humanoid, đây là lý do tại sao chúng tôi bắt đầu thử nghiệm sớm với các đối tác thương mại. Chúng tôi tích hợp robot của mình vào các môi trường trực tiếp để sớm phát hiện các khiếm khuyết tiềm ẩn và đảm bảo hoạt động tối ưu trước khi triển khai. Một robot hoạt động tốt trong mô phỏng hoặc trình diễn không phải là một robot giống như một robot tạo được niềm tin dưới áp lực, vì niềm tin đó cuối cùng được xây dựng trên học hỏi trong thế giới thực.

Chúng tôi biết rằng humanoid sẽ có sẵn thương mại trong vòng hai năm tới — nhưng chúng tôi không chờ đợi. Đối với chúng tôi, việc thương mại hóa bắt đầu sớm. Điều đó có nghĩa là xây dựng các quan hệ đối tác lâu dài xung quanh các trường hợp sử dụng thực tế. Thông qua một loạt các chương trình thí điểm, chúng tôi không chỉ giáo dục các đối tác của mình về công nghệ — chúng tôi cũng học hỏi cùng họ. Quá trình học hỏi chung này cũng giúp chúng tôi tinh chỉnh cấu trúc chi phí và độ tin cậy hiệu suất từ ngày đầu tiên — đảm bảo chi phí sở hữu tổng thể (TCO) tốt nhất có thể khi các hệ thống mở rộng.

Tại sao humanoid là môi trường thử nghiệm cuối cùng cho trí tuệ tổng quát

Thế giới chúng ta đã tạo ra trong suốt 100 năm qua được thiết kế cho quy mô con người. Tay cầm cửa, xe nâng, nhà kho — mọi thứ đều giả định các kích thước, phạm vi chuyển động và hành vi xã hội ngầm định nhất định. Humanoid phải thích nghi với thực tế đó hoặc chúng sẽ bị hạn chế nghiêm trọng trong tính năng của chúng.

Để đi lên cầu thang, mang một vật thể, diễn giải một cử chỉ chỉ, hoặc nhận ra sự do dự trong giọng nói, một robot phải hiểu ngữ cảnh vượt xa việc phân loại hình ảnh hoặc lập kế hoạch chuyển động được viết sẵn. Nó phải suy luận ý định, học một nhiệm vụ mới bằng cách xem một người, điều chỉnh kỹ năng đó cho một bố cục hơi khác, và cải thiện hiệu suất của nó theo thời gian. Trong thực tế, hệ thống này hiệu quả là mở rộng những gì AI có thể làm dưới các ràng buộc thực sự.

Ở Humanoid, chúng tôi tăng tốc quá trình này thông qua điều khiển từ xa. Trong các giai đoạn đầu của phát triển, các toán tử con người hướng dẫn robot của chúng tôi thông qua các nhiệm vụ quan trọng. Dữ liệu này trở thành nền tảng cho việc đào tạo các hành vi mới. Theo thời gian, những bản demo này sẽ được đưa vào các mô hình từ đầu đến cuối của chúng tôi, giúp chúng tôi xây dựng hướng tới tự chủ đáng tin cậy.

Từ các hệ thống hẹp đến trí tuệ tích hợp

Hầu hết các hệ thống AI ngày nay đều giỏi trong các nhiệm vụ hẹp. Trong môi trường cô lập, mỗi hệ thống đều hoạt động tốt. Nhưng humanoid không cần các chuyên gia bị cô lập. Để tích hợp thành công, chúng tôi cần các hệ thống có thể suy luận trên các phương thức và khung thời gian khác nhau.

Một humanoid có thể nhận được một lệnh tương đối mơ hồ — “Đi lấy hộp màu vàng từ phòng lưu trữ bên kia hành lang” — và phải giải mã nó thành một chuỗi các nhiệm vụ con: xác định vị trí người nói, điều hướng hành lang, xác định hộp đúng, điều chỉnh lực nắm, tránh va chạm và tất nhiên, quay lại an toàn.

Mỗi phần của chuỗi đó liên quan đến một hệ thống con khác nhau — tầm nhìn, chuyển động, ngôn ngữ, thao tác và phản hồi. Và độ tin cậy của toàn bộ hệ thống phụ thuộc vào cách các phần đó giao tiếp trong các điều kiện thay đổi.

Kiến trúc mô-đun là một cách để đáp ứng thách thức này. Điều này cho phép chúng tôi lặp lại các hệ thống con độc lập trong khi vẫn đạt được sự phối hợp trên toàn hệ thống. Ngoài ra, điều này cho phép chúng tôi mở rộng các khả năng trên nhiều môi trường khác nhau mà không cần phải xây dựng lại từ đầu. Đây là cách chúng tôi chuyển từ các bản demo đóng đến hiệu suất mở.

Đặt cược là lớn — và chúng là toàn cầu

Dễ dàng hình dung humanoid như một tương lai. Nhưng khi chúng tôi nói chuyện với khách hàng của mình, nhu cầu là ngay lập tức. Nhiều nhà kho, dây chuyền lắp ráp và các địa điểm làm việc bận rộn khác hiện đang phải vật lộn để duy trì nhân viên.

Các vấn đề thiếu hụt lao động này là vấn đề về nhân khẩu học. Tại Nhật Bản, gần 30% dân số trên 65 tuổi. Tại châu Âu, các lĩnh vực quan trọng — có tổng tiền lương là 1,7 nghìn tỷ đô la — đang đấu tranh để tuyển dụng lao động trẻ. Đây không phải là loại công việc mà hầu hết mọi người muốn, và ngày càng không phải là loại công việc mà mọi người sẵn sàng làm.

Bằng cách tham gia như những bàn tay giúp đỡ, không phải là thay thế, humanoid có thể thực hiện các nhiệm vụ đòi hỏi thể chất, lặp đi lặp lại hoặc nguy hiểm — di chuyển hàng hóa, tải pallet, vận hành máy móc — mà không có nguy cơ kiệt sức hoặc bị thương. Điều này giải phóng cho công nhân con người tập trung vào các khía cạnh phức tạp, sáng tạo hoặc giao tiếp hơn của công việc.

Hơn nữa, điều này tạo ra sự bền vững kinh tế lâu dài. Khi lao động biến động hoặc không có sẵn, các máy thông minh có thể giúp đảm bảo tính liên tục — tất cả mà không hy sinh an toàn, chất lượng hoặc khả năng thích ứng.

Một khía cạnh khác cần nhấn mạnh là khuôn khổ quy định. Hầu hết các đội — đặc biệt là trong các khu vực pháp lý lỏng lẻo — chờ đợi để suy nghĩ về điều này. Chúng tôi bắt đầu từ đó. Các luật an toàn và dữ liệu của châu Âu là một trong những luật nghiêm ngặt nhất trên thế giới, nhưng thay vì coi chúng là chướng ngại vật, chúng tôi coi chúng là lợi thế cạnh tranh của mình. Khi các thị trường khác áp dụng các quy định nghiêm ngặt hơn, chúng tôi sẽ sẵn sàng đáp ứng chúng, trong khi các công ty khác có thể phải vất vả.

Một cuộc đua AI mới — nhưng không phải là điều bạn nghĩ

Nhiều cuộc thảo luận về AI ngày nay tập trung vào sức mạnh tính toán, tham số và dữ liệu đào tạo. Nhưng đột phá thực sự có thể đến từ một biên giới khác: tích hợp vào thế giới vật lý. Đó là nơi trí tuệ phải học cách thực hiện, thay vì chỉ dự đoán.

Trong khía cạnh này, cuộc đua là về hệ thống có khả năng nhất — một hệ thống có thể hoạt động trong không gian công cộng, dưới các ràng buộc an toàn và với con người trong vòng lặp. Hệ thống này, ngoài việc học từ dữ liệu, cũng — và đặc biệt — sẽ học từ thực tế và làm việc cùng con người mà không làm gián đoạn dòng chảy của mọi thứ.

Đó là lý do tại sao chúng tôi không chờ đợi cho đến khi triển khai để bắt đầu. Từ đầu, chúng tôi làm việc trực tiếp với các đối tác thương mại để tích hợp vào các môi trường thực — đảm bảo hệ thống cải thiện nơi quan trọng nhất: trong thực tế.

Loại học hỏi trong thế giới thực chính xác là nơi các hệ thống hẹp thất bại. Mặc dù chúng đã đưa chúng ta đi xa, nhưng chúng không được thiết kế cho loại phức tạp này. Humanoid đòi hỏi điều gì khác — sự phối hợp, độ bền và như đã đề cập, khả năng học hỏi từ những điều không lường trước.

Đó là cơ hội lớn trước mặt chúng tôi. Không phải để tự động hóa mọi thứ, mà để xây dựng các máy móc có thể hiểu, điều hướng và cộng tác với thế giới con người.