Robot tự học đang thay đổi cách máy móc tiếp nhận kỹ năng
Robot tự học là hệ thống máy móc có thể cải thiện cách thực hiện nhiệm vụ bằng cách tạo, thử nghiệm hoặc tiếp nhận dữ liệu kỹ năng mà không phải dựa hoàn toàn vào lập trình thủ công. Cuộc đua hiện nay không chỉ nhằm chế tạo robot hình người khéo léo hơn, mà còn tìm cách giúp chúng học việc nhanh và thích nghi với công việc mới. Unitree Robotics đang phát triển AI cho robot có khả năng tìm tài liệu nghiên cứu, tự viết mã, kiểm tra thuật toán trong mô phỏng rồi thử nghiệm trên robot vật lý. Theo nhà sáng lập Wang Xingxing, đây là sáng kiến quan trọng nhất của công ty trong năm nay. Hướng đi ấy đáng chú ý vì chuyển một phần công việc của kỹ sư sang chu trình tự động, nhưng con người vẫn phải đánh giá kết quả và phản hồi. Mục tiêu là giảm thời gian viết mã, gỡ lỗi và lặp lại thử nghiệm, chứ chưa phải loại bỏ vai trò kỹ sư.
Thời điểm này không phải ngẫu nhiên: ngành công nghệ đang tìm cách biến năng lực suy luận của các mô hình AI thành hành động trong thế giới vật lý. Tuy nhiên, mô phỏng chỉ là nơi sàng lọc ý tưởng; robot thật còn phải xử lý sai số cơ khí, bề mặt không đồng nhất và tình huống bất ngờ. Unitree vì thế đại diện cho kiểu robot tự học bằng cách cải tiến chính thuật toán điều khiển. Lợi thế tiềm năng là có thể thử nhiều phương án nhanh hơn; điểm yếu là một phương án hoạt động tốt trong mô phỏng chưa chắc ổn định khi triển khai.
Reward AI dạy thao tác bằng găng tay thông minh
Reward AI chọn một lối khác với mô hình OM-1: thay vì yêu cầu người hướng dẫn điều khiển robot từ xa, công ty dùng dữ liệu chuyển động ghi bằng găng tay thông minh Omnibody Hand. Người hướng dẫn đeo găng, trực tiếp bốc xếp hàng; Reward AI tuyên bố chưa tới 30 phút dữ liệu như vậy có thể giúp robot nắm một công việc mới. Một video cho thấy robot hình người chuyển các thùng hàng từ cốp xe Cybertruck, trong bối cảnh có hộp nhiều kích cỡ, vỉa hè gồ ghề và không gian xe chật. Điểm khác biệt nằm ở cách tạo dữ liệu: người dạy làm động tác thật, thay vì thao tác trên bộ điều khiển gắn với một cỗ máy cụ thể.
Nếu dữ liệu chuyển động của con người có thể dùng trên nhiều nền tảng cơ khí, cách này có tiềm năng giảm công sức thu thập lại dữ liệu mỗi khi đổi robot. Nhưng tuyên bố học trong chưa đầy 30 phút vẫn cần được kiểm tra độc lập; một video trình diễn chưa cho biết tỷ lệ thành công, số lần thử hay mức độ ổn định khi điều kiện thay đổi. Cũng cần phân biệt việc ghi lại thao tác với việc robot tự hiểu mọi khác biệt về lực, tầm với và cách cầm nắm. Reward AI đưa ra một hướng đáng thử, không phải bằng chứng rằng robot đã có thể bốc dỡ hàng đáng tin cậy trong mọi kho bãi.
Cùng giảm lập trình thủ công, nhưng học theo hai cách
Hai phương pháp cùng nhắm đến việc giảm phụ thuộc vào lập trình từng bước, nhưng khác nhau ở nguồn tạo kỹ năng. Unitree để AI viết và tinh chỉnh mã, dùng mô phỏng để thử thuật toán rồi mới đưa sang robot thật. Reward AI ghi nhận thao tác cơ thể người bằng găng tay, sau đó dùng dữ liệu đó để dạy robot thực hiện việc tương tự. Một bên cải thiện bộ điều khiển qua các vòng thử nghiệm; bên kia bắt đầu từ hành vi con người để tạo dữ liệu có thể tách khỏi một mẫu phần cứng. Vì vậy, chúng không phải hai phiên bản của cùng một giải pháp: kết quả của Unitree phụ thuộc vào chất lượng mô hình, mô phỏng và kiểm tra thực tế, còn cách của Reward AI phụ thuộc vào độ chính xác khi chuyển động tác người thành lệnh phù hợp với cơ cấu robot.
Sự khác biệt này quan trọng với khả năng nhân rộng. Mô phỏng có thể giúp thử nhiều thuật toán mà không cần liên tục vận hành máy thật, trong khi dữ liệu đeo găng có thể khiến việc dạy một thao tác mới gần với trình diễn trực tiếp hơn. Nhưng cả hai đều phải giải quyết khoảng cách giữa tín hiệu AI và chuyển động cơ khí thực tế. Kỹ sư Unitree vẫn tham gia đánh giá; còn với Reward AI, tuyên bố về dữ liệu dùng được cho nhiều loại robot cần được xác nhận trên các nền tảng khác nhau. Giảm lập trình thủ công là bước tiến có ý nghĩa, song không đồng nghĩa kỹ năng có thể chuyển giao nguyên vẹn.
Trình diễn chưa phải bằng chứng về độ tin cậy
Cần nhìn các màn trình diễn với sự thận trọng tương xứng. Unitree chưa làm rõ robot hoạt động ổn định đến đâu trong môi trường mới, còn mô hình Reward AI cần các bài kiểm tra chéo độc lập trong kho bãi thực tế, nơi áp lực thời gian và biến động lớn hơn cảnh quay giới thiệu. Rủi ro không chỉ là robot làm rơi một thùng hàng: khi máy móc chia sẻ không gian với người, sai sót về lực, hướng di chuyển hoặc nhận biết vật cản có thể gây nguy hiểm. Bởi vậy, các tiêu chí cần công bố gồm tỷ lệ hoàn thành, số lần lỗi, khả năng phục hồi sau lỗi và kết quả trong nhiều điều kiện vật thể, ánh sáng, mặt sàn khác nhau. Chưa có các phép đo này, tuyên bố tự học nhanh vẫn là lời hứa công nghệ.
Quy mô khó khăn thể hiện rõ ở đánh giá thực tế: theo Chỉ số AI năm 2026 của Đại học Stanford, robot chỉ hoàn thành thành công 12% nhiệm vụ gia đình trong các đợt thử nghiệm ngoài môi trường kiểm soát. Đây là lời nhắc rằng một thao tác được trình diễn thành công không đại diện cho năng lực sử dụng hằng ngày. Wang dự đoán robot hình người có thể làm việc như dọn phòng theo yêu cầu từ năm 2027 nếu giải quyết được bài toán kết nối đầu vào, đầu ra của AI với robot thật, nhưng ông cho rằng năm 2028 thực tế hơn. Với người dùng, triển vọng đáng quan tâm là robot làm việc nhà hoặc hỗ trợ bốc xếp; điều cần chờ trước tiên là bằng chứng về an toàn và độ ổn định.
Unitree và Reward AI cho thấy robot tự học có thể tiến lên từ hai phía: để máy tự tối ưu thuật toán hoặc để máy bắt chước thao tác con người. Cả hai đều có thể giảm gánh nặng lập trình, nhưng chưa thể thay thế thử nghiệm độc lập trong điều kiện thật. Kết luận hợp lý lúc này không phải robot đã sẵn sàng làm việc tự chủ, mà là ngành đang tìm được những cách dạy máy nhanh hơn. Chỉ khi các hệ thống chứng minh được hiệu quả lặp lại, an toàn và thích nghi ngoài phòng thử nghiệm, những màn trình diễn mới trở thành năng lực hữu ích.
