Trước đây, khi đánh giá robot, chúng ta thường xem trước nó có thể thực hiện được bao nhiêu động tác, chuyển động có mượt mà không và phần cứng mạnh đến đâu. Nhưng tôi cho rằng đó chỉ là những biểu hiện bên ngoài; điều thực sự quyết định tiềm năng phát triển trong tương lai của robot là liệu nó có thể không ngừng tiến bộ qua từng lần thực hiện nhiệm vụ hay không.
Bởi thế giới thực phức tạp hơn phòng thí nghiệm rất nhiều. Một nhiệm vụ gắp đồ vật tưởng chừng đơn giản nhưng lại bao gồm nhiều khâu như nhận diện vật thể, xác định vị trí, lập kế hoạch hành động và kiểm soát lực. Chỉ cần sai lệch ở bất kỳ khâu nào cũng có thể khiến nhiệm vụ thất bại.
Nếu tỷ lệ hoàn thành nhiệm vụ thành công của robot là 80%, thì trung bình sẽ có 20 lần thất bại trong 100 lần thực hiện độc lập. Con số này chỉ là ví dụ giả định nhằm minh họa vấn đề, không phải kết quả thử nghiệm thực tế của Axis.
Điều thực sự đáng quan tâm là liệu 20 lần thất bại này có giúp hệ thống phát hiện vấn đề hay không? Sau khi điều chỉnh chiến lược, tỷ lệ thành công có thể được cải thiện không?
Đây mới là điều thú vị nhất của Physical AI.
Một lý do quan trọng khiến tôi quan tâm đến @axisrobotics là vòng lặp huấn luyện và phản hồi mà công nghệ này hướng đến:
Con người làm mẫu → Tạo chiến lược → Robot thực hiện → Phản hồi kết quả → Tối ưu chiến lược → Thực hiện lại.
Thoạt nhìn, đây chỉ là một vòng lặp, nhưng điều nó quyết định là liệu robot có thể chuyển từ huấn luyện một lần sang liên tục cải tiến hay không.
Lấy ví dụ, nếu một nhiệm vụ gắp đồ vật tương tự cần được luyện tập 100 lần, thì điều thực sự quan trọng không phải là chỉ hoàn thành 100 thao tác này, mà là mỗi thao tác có cung cấp thông tin hữu ích hay không. Động tác nào ổn định hơn? Môi trường nào dễ dẫn đến thất bại hơn? Chiến lược nào có thể thích ứng với các vật thể khác nhau?
Khi có thể phân tích những vấn đề này thông qua dữ liệu, việc huấn luyện mới có cơ hội chuyển từ đơn thuần tăng số lần thực hiện sang tối ưu hóa có mục tiêu.
Tất nhiên, tăng số lần huấn luyện không nhất thiết đồng nghĩa với năng lực tăng tuyến tính. Chất lượng dữ liệu, độ chính xác của phản hồi và khả năng khái quát hóa của chiến lược đều rất quan trọng.
Tôi mong chờ Axis tiếp tục thúc đẩy các khâu này, để robot không chỉ thực hiện động tác theo một chương trình cố định mà còn có thể dần cải thiện hiệu suất thông qua phản hồi hữu ích.
Phần cứng quyết định robot có thể làm gì, còn cơ chế huấn luyện quyết định robot có cơ hội làm những việc đó tốt đến mức nào. Nếu trong tương lai, việc huấn luyện và phản hồi hiệu quả hơn có thể giảm chi phí thử sai lặp đi lặp lại, đồng thời nâng cao tính ổn định của robot trong nhiều môi trường khác nhau, thì phạm vi ứng dụng của Physical AI sẽ có cơ hội được mở rộng hơn nữa.
So với việc chỉ nhìn vào một màn trình diễn ấn tượng đến đâu, tôi muốn quan tâm hơn đến việc liệu hệ thống này có thể tích lũy kinh nghiệm lâu dài và thực sự chuyển hóa kinh nghiệm thành năng lực hay không.
Vì vậy, hãy cùng chờ đợi!
#AxisRobotics