Hội nghị thường niên Diễn đàn Zhongguancun 2026｜Chuyên gia về trí thông minh thể chất thảo luận về bế tắc dữ liệu và cách phá vỡ các kịch bản

（Nguồn: Bắc Kinh Thương Báo）

Ngày 27 tháng 3, trong khuôn khổ Hội nghị thường niên Diễn đàn Trung Quan Thôn lần thứ năm 2026, “Diễn đàn tuyến đầu mở nguồn AI”, đã diễn ra một cuộc đối thoại bàn tròn xoay quanh trí tuệ thể xác (embodied intelligence). Theo “Báo cáo Phát triển Trung Quốc 2025” do Trung tâm Nghiên cứu Phát triển thuộc Quốc vụ viện công bố, ngành công nghiệp trí tuệ thể xác của Trung Quốc đang ở giai đoạn khởi động; quy mô thị trường dự kiến đến năm 2030 đạt 4000 tỷ nhân dân tệ và đến năm 2035 vượt mốc một nghìn tỷ. Trên vạch xuất phát của đường đua một nghìn tỷ này, các nhân vật lãnh đạo đến từ những công ty như Galaxy General, Qianxun Intelligent, Xingdong Yuan… đã có cuộc đối thoại sâu về việc xây dựng “kim tự tháp dữ liệu”, kiến trúc “đại não–tiểu não” và lộ trình triển khai vào bối cảnh thực tế, đồng thời thảo luận những thách thức then chốt và hướng tháo gỡ để năm 2026, trí tuệ thể xác chuyển từ phòng thí nghiệm sang ứng dụng quy mô lớn.

Vương Hà (王鹤), Người sáng lập Galaxy General: “Kim tự tháp dữ liệu” sẽ được sử dụng rộng rãi vào năm 2026

Năm 2025 trong lĩnh vực trí tuệ thể xác đã được “đốt cháy” hoàn toàn; dòng vốn đổ vào, các mô hình liên tục ra đời, và một số khái niệm ngày càng rõ ràng hơn, bao gồm định nghĩa về não đại và não tiểu của robot hình người.

Não chịu trách nhiệm tạo ra đầu ra từ cảm nhận, nhận thức đến lập kế hoạch hành động; còn não tiểu, thông qua các đầu ra đó, thực hiện chấp hành động tác theo cách “mang tính bền vững” (robust), đưa hành động lên cơ cấu/bản thể có độ linh hoạt cao và độ ổn định. Khi ghép “não đại” và “não tiểu” thành một thể, đã mở khóa các nhiệm vụ như thao tác, điều hướng, vận động toàn thân,…

Ở lớp dữ liệu, trí tuệ thể xác hình thành một kim tự tháp dữ liệu rõ ràng: tầng đáy là dữ liệu Internet, phía trên là dữ liệu hành vi của con người, rồi đến dữ liệu tổng hợp (synthetic data), và tầng đỉnh là dữ liệu của thế giới thực. Kim tự tháp dữ liệu này được xây dựng vào năm 2025 và sẽ được sử dụng rộng rãi vào năm 2026. Khi đó, toàn bộ hệ kỹ thuật kết hợp VLA (mô hình hành động ngôn ngữ–tầm nhìn) với thế giới hành động (world action model) sẽ bước vào một bước nhảy vọt thực sự.

Tịch Nguyệt (席悦), Đồng sáng lập Xingdong Yuan: Xây dựng “bánh đà dữ liệu” là chìa khóa để phá cục

Hiện nay, khó khăn lớn nhất của trí tuệ thể xác nằm ở dữ liệu. Muốn robot thực sự tự chủ làm việc trong nhà máy hoặc môi trường đặc thù, bắt buộc phải thu thập dữ liệu trong môi trường thực. Nhưng việc mở bối cảnh rất khó, chi phí thu thập quy mô lớn cao và lại cực kỳ tốn thời gian.

Giải pháp phổ biến hiện nay là mô phỏng lại bối cảnh thực; dựng môi trường 1:1 trong sân huấn luyện, nhưng cách này không đủ để giải quyết mọi vấn đề. Việc dựa vào kỹ sư thu thập dữ liệu, huấn luyện, triển khai rồi lặp lại vòng tuần hoàn này khiến mô hình cực kỳ kém hiệu quả và chi phí rất cao.

Cách giải của chúng tôi là xây dựng “bánh đà dữ liệu” từ thu thập dữ liệu đến vòng lặp khép kín của mô hình, để robot có thể tự xử lý corner case (trường hợp biên) trong môi trường thực, liên tục nâng cao hiệu suất của chính mình. Chúng tôi cũng đang khám phá mô hình thu thập dữ liệu kết hợp giữa con người và máy thật.

Cao Dương (高阳), Đồng sáng lập Qianxun: Năm 2025 là thời đại GPT-2.0 của trí tuệ thể xác, còn 2026 sẽ là GPT-3.0

Trong nhận thức của tôi, trí tuệ thể xác cũng tồn tại các giai đoạn như GPT-2.0, GPT-3.0. Năm 2025 thuộc thời đại 2.0: đã giải quyết được nhiều vấn đề cơ sở hạ tầng ở lớp dữ liệu, đồng thời chuẩn bị tốt cho các tiền đề trước khi triển khai theo quy mô. Trọng tâm công việc của năm 2026 sẽ là xử lý các mô hình ngày càng lớn, dữ liệu ngày càng nhiều, và đảm bảo hiệu quả khi triển khai theo quy mô.

Thực ra, trong quá trình phát triển, rất khó để thực sự nhìn rõ hiện tại đang ở giai đoạn nào, giống như “nhìn hoa trong sương”. Tôi định nghĩa giai đoạn đầu của năm 2025 là 2.0 hoặc 3.0 là vì một số mô hình ở hiện tại đã có năng lực khái quát cơ bản, giống như GPT-2.0: có khả năng hội thoại cơ bản, nhưng rất nhiều lúc nói không đúng. Dưới các nghiên cứu liên hợp giữa học giới và ngành công nghiệp, cuối năm 2026 hoặc giữa năm 2027 rất có khả năng sẽ xuất hiện các mô hình như GPT-3.0.

Trương Bằng (张鹏), Đồng sáng lập Zhi Ping: Xác thực theo bối cảnh là từ khóa của năm 2025

Điều quan trọng nhất của năm 2025 là đưa xác thực bối cảnh vào thực tế, để robot đi từ phòng thí nghiệm đến bối cảnh thực. Năm 2026 nhiều hơn sẽ tập trung vào cách làm cho mô hình robot ngày càng tốt hơn.

Về mặt kỹ thuật, cần đột phá năng lực “khái quát hóa” trong bối cảnh thực: từ kiến trúc mô hình, thiết kế hệ thống, để robot có thể thích ứng với nhiều bối cảnh hơn với chi phí nhỏ hơn—đây là một thách thức rất lớn đối với ngành. Chúng tôi mong muốn thu thập nhiều dữ liệu hơn trong bối cảnh thực; dựa trên các dữ liệu đó, thông qua các phương thức như tổng hợp (synthetic…), tạo ra nhiều giá trị hơn, đồng thời giảm chi phí. Trong bối cảnh thực, nên là sự hợp nhất giữa mô hình, phần cứng và hệ thống bối cảnh để cùng nhau giải quyết vấn đề.

Phóng viên của Bắc Kinh Thương Báo: Wei Wei

Tin tức số lượng lớn, diễn giải chính xác—tất cả đều có trên ứng dụng Sina Finance APP