Tái định hình định giá: dữ liệu và hạ tầng đánh giá trở thành trung tâm định giá của ngành trí tuệ hiện thân.

Tác giả | Chu Yue

Biên tập | Lizi

Logic thị trường của trí tuệ hiện thân đang thay đổi.

Trong hai năm qua, khi ngành nói về trí tuệ hiện thân, thứ được quan tâm nhiều nhất là mô hình và bản thể: “bộ não” của ai mạnh hơn, robot hình người của ai giống người hơn, và ai có động tác chính xác hơn. Đây là những biểu hiện năng lực trực quan nhất của trí tuệ hiện thân.

Điều này phù hợp với logic tiến hóa của các ngành công nghiệp mới. Mỗi khi một chu kỳ công nghệ khởi động, doanh nghiệp đứng dưới ánh đèn sân khấu đầu tiên thường là doanh nghiệp gần người dùng nhất và có sức tưởng tượng lớn nhất. Như thời kỳ đầu của xe tự lái, thị trường tập trung trước vào xe nguyên chiếc và Robotaxi; khi bùng nổ mô hình lớn, dòng vốn ưu tiên theo đuổi các công ty phát triển mô hình và ứng dụng. Trong giai đoạn khởi động của trí tuệ hiện thân, việc mô hình và thân máy (bản thể) nhận được định giá cao trước cũng là kết quả tự nhiên của sự phát triển ngành.

Tuy nhiên, khi ngành công nghệ chuyển từ “phòng thí nghiệm” sang “triển khai theo quy mô”, logic định giá của thị trường thường sẽ co lại về vị trí sâu hơn ở tầng nền tảng.

Xe tự lái đã thúc đẩy Scale AI—hệ thống sản xuất dữ liệu. Trong thời đại mô hình lớn, người thật sự đứng ở vị trí trung tâm của ngành lại là NVIDIA, đơn vị cung cấp cơ sở hạ tầng năng lực tính toán. Khi công nghệ càng đi theo hướng triển khai theo quy mô, ngành càng phụ thuộc vào hạ tầng nền tảng có thể hỗ trợ toàn ngành lặp lại và phát triển liên tục.

Bước sang năm 2026, trí tuệ hiện thân cũng đón một bước ngoặt: việc AI vật lý có thể triển khai theo quy mô hay không không còn phụ thuộc đơn thuần vào tham số mô hình, hình thái bản thể hoặc năng lực đơn điểm, mà phụ thuộc vào ai có thể cung cấp dữ liệu và hạ tầng đánh giá để robot phản hồi liên tục và học tập liên tục.

Thị trường vốn đang nhạy bén nắm bắt tín hiệu này và bắt đầu định giá lại nhóm hạ tầng của trí tuệ hiện thân.

Gần đây, Guanglun Intelligent công bố hoàn tất một vòng tài trợ mới. Vòng này do Ant Group dẫn đầu; đồng tham gia còn có các tổ chức quốc doanh, quỹ ngành và tổ chức tài chính nổi tiếng như JianTou Investment (Kiến Đầu Đầu Tư), Quỹ Cộng đồng nhà ở Vịnh Đại Vịnh (Dawanqu), Quỹ Senma Fangdao, Shandong FuHong (có tham gia quản lý quỹ ngành do Foxconn Industrial Internet quản lý), và các quỹ như Xineng Investment, Linqin Investment…; đồng thời, các cổ đông cũ như 37 Interactive Entertainment, Guofang Innovation, Dotting? (đầu tư dài hạn) và Ding Shi Asset Management cũng tham gia vượt mức (over-allotment).

Sau khi hoàn tất vòng tài trợ này, định giá của Guanglun Intelligent vượt 2 tỷ USD, trong vòng chưa đầy hai tháng đã tăng gấp đôi định giá. Con số này không chỉ làm mới kỷ lục định giá trong lĩnh vực hạ tầng dữ liệu và đánh giá trí tuệ hiện thân trên toàn cầu, mà còn tái định hình cục diện định giá của ngành hạ tầng dữ liệu và đánh giá cho AI vật lý.

Theo “Giáp Tý Quang Niên (Jiazi Guangnian)”, dữ liệu và hạ tầng đánh giá của trí tuệ hiện thân đang trở thành điểm tập trung định giá mới của ngành.

Guanglun Intelligent đang ở ngay trung tâm trọng điểm của ngành.

1. Năm đầu tiên của dữ liệu hiện thân ở quy mô,

Dữ liệu và hạ tầng đánh giá trở thành trung tâm giá trị mới

Trong thời đại mô hình ngôn ngữ lớn, cơ sở hạ tầng cốt lõi nhất của ngành AI là năng lực tính toán (compute). GPU, CUDA, cụm huấn luyện, dịch vụ suy luận và hạ tầng đám mây đã hỗ trợ bùng nổ nhanh chóng của AI trong suốt mười năm qua.

Khác với vậy, Scaling Law của AI vật lý không chỉ xảy ra trên tham số và năng lực tính toán. Nó đang dần chuyển từ Scaling theo tham số sang Scaling theo dữ liệu, môi trường và phản hồi. Robot cần học thế giới vật lý; nó phải xử lý lực, tiếp xúc, biến dạng, thất bại và phản hồi—điều này còn phức tạp hơn nhiều so với văn bản và hình ảnh thuần túy. Quan trọng hơn, thế giới vật lý thật không thể thử sai vô hạn, và cũng không thể lúc nào cũng được reset lại.

Vì vậy, để trí tuệ hiện thân thực sự đi vào giai đoạn triển khai theo quy mô, vấn đề cốt lõi không còn chỉ là “ai là người chế tạo ra robot trước”, mà là “ai có thể cung cấp liên tục dữ liệu vừa có thể mở rộng theo quy mô vừa có chất lượng cao, và có thể được đánh giá xác minh”.

Giai đoạn nửa cuối năm 2025, đột phá về năng lực mô hình của các doanh nghiệp “Generalist” trong trí tuệ hiện thân đã đưa Scaling Law của dữ liệu hiện thân lên sân khấu. Lần đầu tiên, nó được ngành kiểm chứng: bước nhảy về năng lực mô hình robot không chỉ đến từ mô hình lớn hơn, mà còn đến từ nguồn cung liên tục dữ liệu chất lượng cao. Ẩn sau đó là nhu cầu mang tính hệ thống đối với cơ sở hạ tầng dữ liệu nền tảng sau khi trí tuệ hiện thân bước vào thời đại tiền huấn luyện (pre-training).

Trước khi quy luật này được thị trường nhìn rõ, Guanglun Intelligent đã hoàn tất bố cục mang tính tiên phong. Các khám phá mô hình tiên phong như Generalist cũng được hỗ trợ bởi nền tảng hạ tầng tương ứng. Khi Generalist xác định rõ hướng phát triển cho ngành, Guanglun Intelligent trở thành một cách hiển nhiên là công ty hạ tầng đi đầu nắm bắt nhu cầu sớm và thúc đẩy ngành bước vào giai đoạn triển khai theo quy mô.

Bước sang năm 2026, phán đoán này bắt đầu chuyển từ tiến triển của mô hình sang kiểm chứng bằng thương mại. Trong quý đầu tiên năm nay, Guanglun Intelligent (Quang Luân) có thêm 5,5 tỷ NDT đơn hàng mới; doanh thu một quý vượt cả doanh thu cả năm của năm ngoái, lập kỷ lục mới trong ngành dữ liệu hiện thân (embodied data). Điều này thúc đẩy ngành tăng tốc tiến vào “Năm đầu tiên của dữ liệu hiện thân ở quy mô”.

Những đơn hàng này phản ánh hai dòng nhu cầu bức thiết từ thị trường trong và ngoài nước: một là các đội ngũ mô hình hiện thân và mô hình thế giới bước vào giai đoạn huấn luyện, lặp lại và đánh giá liên tục; hai là các bối cảnh ngành thực như công nghiệp, logistics, nông nghiệp, đồ gia dụng, ô tô… bắt đầu bỏ tiền thật cho việc huấn luyện, xác minh và triển khai robot. Guanglun Intelligent đúng là nằm ở điểm giao của hai đường cong nhu cầu này.

Hiện tại, Guanglun Intelligent đã xây dựng hoàn chỉnh một vòng khép kín: có thể tạo sinh dịch vụ dữ liệu con người và dữ liệu tổng hợp chất lượng cao để huấn luyện; đồng thời có thể tiến hành đánh giá mô phỏng theo quy mô xung quanh bối cảnh; và dựa trên triển khai để cung cấp phản hồi thực tế. Ở thời đại AI vật lý, huấn luyện mô hình, xác minh đánh giá và triển khai trong công nghiệp đều dựa vào cùng một bộ cơ sở hạ tầng để học tập và lặp lại liên tục.

Đây cũng là logic nền tảng khiến Guanglun Intelligent bị thị trường định giá lại. Ở thời đại mô hình lớn, NVIDIA liên tục được định giá lại—không chỉ vì phần cứng GPU bản thân, mà vì GPU, CUDA và cụm huấn luyện tạo thành “đế tính toán” (compute base) trở thành nhu cầu bắt buộc của toàn ngành mở rộng. Bước vào kỷ nguyên AI vật lý, logic tương tự đang chuyển dịch: mô hình và bản thể phải tiến bộ liên tục; muốn vậy cần nguồn cung dữ liệu có thể mở rộng theo quy mô, hệ thống đánh giá có thể tái tạo và một hạ tầng khép kín phản hồi từ thực tế. Guanglun Intelligent đang cung cấp hạ tầng khép kín về dữ liệu AI vật lý và đánh giá. Từ góc độ này, việc Ant Group (Kiến Nghịch) dẫn đầu vòng đầu tư (ant war投) cùng nhiều quỹ nhà nước, quỹ ngành và các cổ đông cũ tham gia theo cũng không chỉ thể hiện sự công nhận đối với Guanglun Intelligent, mà còn là tín hiệu rõ ràng rằng vốn đầu tư ngành bắt đầu đánh giá lại giá trị dài hạn của hạ tầng AI vật lý.

2. Vòng khép kín toàn bộ: con người - mô phỏng - triển khai:

Guanglun Intelligent biến dữ liệu AI vật lý và đánh giá thành hạ tầng

Nền tảng rào cản cốt lõi của Guanglun Intelligent không nằm ở việc “đặt cược trúng” một tuyến dữ liệu đơn lẻ nào, mà vì ngay từ đầu công ty đã định vị mình là hạ tầng cho AI vật lý.

Đây là một hạ tầng dữ liệu và đánh giá cho AI vật lý tích hợp xuyên suốt việc huấn luyện, đánh giá và phản hồi từ triển khai. Năng lực cốt lõi của nó được tạo thành từ lõi mô phỏng tự nghiên dạng full-stack bộ ba một thể, phản hồi dạng dữ liệu video con người và phản hồi từ triển khai thực tế.

Trước hết là mô phỏng.

Năng lực cốt lõi nhất ở tầng nền tảng của Guanglun Intelligent đến từ nền tảng mô phỏng tự nghiên dạng full-stack bộ ba một thể “giải quyết—đo lường—tạo sinh”. Phần “giải quyết” chịu trách nhiệm tái dựng lực, va chạm, tiếp xúc và biến dạng trong môi trường ảo, để mô phỏng có tính tin cậy về mặt vật lý; phần “đo lường” đưa các thuộc tính vật lý thật như vật liệu, tiếp xúc, ma sát, biến dạng vào hệ thống; phần “tạo sinh” thì mở rộng quy mô các quy luật vật lý này thành một “thế giới mô phỏng” có thể huấn luyện, có thể đánh giá và có thể tái sử dụng.

Đây cũng chính là lõi công nghệ của dữ liệu và hạ tầng đánh giá của Guanglun Intelligent.

Trong hệ thống này, mô phỏng là trung tâm liên kết giữa sinh dữ liệu, huấn luyện mô hình và đánh giá năng lực: một đầu, thông qua đánh giá mô phỏng để lộ ra ranh giới năng lực của mô hình trong các nhiệm vụ, môi trường và tương tác vật lý khác nhau. Đánh giá không chỉ quyết định liệu mô hình có thật sự tiến bộ hay không, mà còn quyết định cách dữ liệu và huấn luyện cho vòng tiếp theo sẽ tiến hóa ra sao. Ở đầu còn lại, mở rộng kinh nghiệm từ thế giới thực thành một lượng lớn dữ liệu có thể huấn luyện. Một mặt, thông qua đánh giá mô phỏng để phán đoán ranh giới năng lực của mô hình và ngược lại định nghĩa nhu cầu dữ liệu cho vòng tiếp theo; mặt khác, thông qua dữ liệu tổng hợp mô phỏng, tự động mở rộng kinh nghiệm tác vụ từ video con người, điều khiển từ xa và bối cảnh thực thành dữ liệu tổng hợp mô phỏng đa bối cảnh, đa nhiễu loạn và nhiều tham số vật lý.

Thứ hai là dữ liệu video của con người.

Để robot bước vào thế giới thực, trước hết cần hiểu con người hành động như thế nào trong môi trường thực: cách mở cửa, gắp, sắp xếp, lắp ráp; cách phân rã các bước trong nhiệm vụ phức tạp, xử lý tình huống bất thường và điều chỉnh hành động. Dữ liệu video con người cung cấp không phải mẫu tĩnh, mà là kinh nghiệm thao tác, cấu trúc nhiệm vụ và tri thức tiên nghiệm về hành vi trong thế giới thật.

Trước đây, giới bên ngoài thường dễ hiểu Guanglun Intelligent như một công ty mô phỏng, nhưng như vậy là chưa đầy đủ. Trên thực tế, Guanglun Intelligent đã biến dữ liệu con người và mô phỏng thành một bộ cơ sở hạ tầng khép kín, và khối lượng giao dữ liệu con người đứng đầu toàn cầu. Sản phẩm dữ liệu video con người của công ty bao phủ 25.000+ nút bối cảnh môi trường, 100.000+ loại tác vụ; tổng lượng giao vượt 1,5 triệu giờ dữ liệu con người chất lượng cao. Với đội ngũ mô hình, các dữ liệu này không chỉ để mô hình “nhìn thấy thế giới”, mà còn để mô hình hiểu cách con người hoàn thành tác vụ trong thế giới vật lý.

Một lần nữa, đó là dòng phản hồi quay về từ triển khai thực tế.

AI vật lý cuối cùng phải quay về hiện trường của ngành.

Triển khai theo bối cảnh không phải là điểm kết thúc nằm ngoài vòng khép kín, mà là nguồn phản hồi quan trọng nhất trong vòng khép kín. Triển khai thực tế sẽ phơi bày phân bố nhiệm vụ mới, các dạng thất bại mới và các ràng buộc bối cảnh mới. Những phản hồi này quay về hệ thống dữ liệu, mô phỏng và đánh giá, trở thành căn cứ cho huấn luyện và chẩn đoán năng lực của vòng kế tiếp.

Từ đó, Guanglun hình thành nên một bộ cơ sở hạ tầng khép kín dữ liệu và đánh giá của AI vật lý tiến hóa liên tục.

Lõi mô phỏng đảm bảo tính tin cậy về vật lý; dữ liệu con người cung cấp kinh nghiệm thực; đánh giá mô phỏng xác định ranh giới năng lực; phản hồi từ triển khai quay về các vấn đề thực tế. Ba yếu tố này không phải đơn giản song song, mà liên tục tuần hoàn, liên tục hiệu chỉnh và liên tục nâng cấp trong cùng một hệ thống. Tức là dữ liệu con người, đánh giá mô phỏng và phản hồi từ triển khai tạo thành vòng lặp ngoài; còn “giải quyết—đo lường—tạo sinh” trong mô phỏng chính là lõi công nghệ giúp vòng lặp này vận hành liên tục.

Dữ liệu video của con người cung cấp hành vi và kinh nghiệm tác vụ trong thế giới thực; mô phỏng sẽ mở rộng kinh nghiệm này theo quy mô thành dữ liệu tổng hợp mô phỏng; đánh giá xác định giới hạn năng lực mô hình và chỉ ra nhu cầu dữ liệu cho vòng tiếp theo; triển khai thực tế đưa mô hình trở lại hiện trường ngành, tạo ra những thất bại, phản hồi và ràng buộc tác vụ mới; các phản hồi lại được đưa trở về, thúc đẩy việc sinh dữ liệu cho vòng tiếp theo, mở rộng mô phỏng, lặp lại đánh giá và triển khai thực tế. Lõi này cùng với vòng lặp ngoài hướng đến một kết quả: dữ liệu chất lượng cao hơn và năng lực đánh giá tốt hơn.

Đối với các khách hàng đầu ngành, việc chọn Guanglun Intelligent không chỉ vì công ty có thể cung cấp dữ liệu chất lượng cao, mà còn vì những dữ liệu đó đến từ một hạ tầng được xác minh liên tục và được nâng cấp liên tục. Chất lượng dữ liệu, tiêu chuẩn đánh giá và vòng khép kín phản hồi đang trở thành tài nguyên cốt lõi mới trong thời đại AI vật lý. Việc Guanglun Intelligent đang làm chính là chuyển các năng lực nền tảng đó từ giao hàng theo dự án sang một hạ tầng có thể được gọi lại nhiều lần, tiến hóa liên tục và hỗ trợ toàn ngành lặp lại. Điểm dừng cuối cùng của hệ thống toàn khép kín “con người - mô phỏng - triển khai” của Guanglun không phải là số lượng, mà là chất lượng; không phải giao một lần, mà là hạ tầng AI vật lý chất lượng cao và tiến hóa liên tục.

3. Từ cơ sở hạ tầng đến lớp quy tắc:

Guanglun Intelligent đang định nghĩa các tiêu chuẩn quốc tế về dữ liệu AI vật lý, mô phỏng và đánh giá

Khi năng lực dữ liệu, mô phỏng và đánh giá được tái sử dụng thường xuyên với tần suất cao bởi nhiều bên trong ngành, các phương pháp, giao diện và hệ thống đánh giá sẽ dần lắng lại thành các tiêu chuẩn chung của ngành.

Nếu cơ sở hạ tầng giải quyết vấn đề “ngành có chạy được không”, thì tiêu chuẩn giải quyết “ngành có chạy xa hơn trên cùng một trật tự nền tảng hay không”. Cuộc cạnh tranh của giai đoạn tiếp theo trong trí tuệ hiện thân (embodied intelligence) đang chuyển từ việc xuất phát các năng lực kỹ thuật đơn điểm sang định nghĩa tiêu chuẩn hệ sinh thái cho cả ngành.

Để AI vật lý đạt quy mô trong ngành, ngành bắt buộc phải trả lời một loạt câu hỏi nền tảng: Làm thế nào để định nghĩa dữ liệu chất lượng cao? Làm thế nào để định nghĩa mô phỏng chất lượng cao? Làm thế nào để định nghĩa đánh giá chất lượng cao? Mô hình nên được huấn luyện, xác minh và triển khai như thế nào, và phản hồi từ triển khai sẽ đi vào hệ thống huấn luyện ra sao để liên tục nâng cao?

Ai có thể tham gia sâu vào việc định nghĩa các vấn đề này, thì người đó sẽ có nhiều cơ hội giữ vị trí then chốt trong tiến hóa của ngành ở giai đoạn tiếp theo. Và Guanglun Intelligent đang tham gia xây dựng các tiêu chuẩn nền tảng đó thông qua ba chiều kích.

Thứ nhất, tiêu chuẩn chất lượng dữ liệu.

Đối với các đội ngũ mô hình đầu ngành, thứ thực sự then chốt không phải là “nhiều dữ liệu hơn”, mà là dữ liệu chất lượng cao ở quy mô; chỉ khi có dữ liệu chất lượng cao, dữ liệu đó mới liên tục chuyển hóa thành việc nâng cao năng lực mô hình.

Đối với Guanglun Intelligent, dữ liệu chất lượng cao không phụ thuộc chỉ vào việc thu thập đơn thuần; mà được hình thành trong hệ thống “vòng lặp kép bên trong - bên ngoài”. Vòng ngoài tạo thành luồng tuần hoàn từ dữ liệu con người, đánh giá mô phỏng và phản hồi triển khai; vòng trong là nền tảng mô phỏng tự nghiên dạng full-stack với bộ ba “giải quyết - đo lường - tạo sinh” (trinity). Nhờ vậy, chất lượng dữ liệu không chỉ dựa vào thu thập một lần hay kiểm tra chất lượng thủ công, mà có thể liên tục được xác minh và nâng cấp trong quá trình sinh dữ liệu, huấn luyện, đánh giá, triển khai và phản hồi.

Năng lực khép kín này khi chuyển sang thương mại sẽ trực tiếp thành một chỉ số cốt lõi—“tỷ lệ bán lại dữ liệu” (tức là trong mỗi giờ, dữ liệu của Guanglun có thể bán cho bao nhiêu khách hàng khác nhau). Một bộ dữ liệu chất lượng cao có thể luân chuyển liên tục qua các khách hàng khác nhau, các giai đoạn mô hình khác nhau và các hệ thống tác vụ khác nhau, tạo ra giá trị cao hơn. Chỉ số này càng cao nghĩa là chất lượng dữ liệu càng ổn định; năng lực định nghĩa dữ liệu của Guanglun càng mạnh; chất lượng càng cao và mức độ công nhận của khách hàng cũng càng cao.

Ông Dương Hải Ba, đồng sáng lập kiêm Tổng giám đốc Guanglun Intelligent, cho biết trong các bối cảnh chất lượng cao, tỷ lệ bán lại dữ liệu của Guanglun Intelligent đã có thể vượt 10 lần. Chỉ số này không chỉ chứng minh tính ổn định của dữ liệu và mức độ được khách hàng công nhận, mà còn là một trong những nền tảng hỗ trợ cho 5,5 tỷ NDT đơn hàng mới tăng thêm trong quý 1 năm 2026 của công ty.

Thứ hai, tiêu chuẩn mô phỏng.

Năm 2026, Guanglun Intelligent nhận lời mời hợp tác liên ngành của Google DeepMind, NVIDIA và Disney Research; tham gia với vai trò ủy viên hướng dẫn cốt lõi trong dự án mã nguồn mở động cơ vật lý Newton tăng tốc bằng GPU. Guanglun Intelligent sẽ đóng vai trò chủ đạo trong các hướng công nghệ mô phỏng hiện thân quan trọng, cùng với bốn tổ chức quốc tế hàng đầu là NVIDIA, Google DeepMind, Disney Research và Toyota Research Institute thúc đẩy tiêu chuẩn mô phỏng AI vật lý mã nguồn mở thế hệ tiếp theo.

Sự xuất hiện của Newton TSC đánh dấu việc hạ tầng mô phỏng AI vật lý trên toàn cầu đang tiến tới sự thống nhất. Trước đây, tính toán song song của GPU, động lực học tiếp xúc độ chính xác cao, bài toán giải cơ cấu phức tạp, hệ sinh thái học robot và xác minh ở cấp công nghiệp đều bị phân tán trong các hệ thống khác nhau. Newton đặt toàn bộ các năng lực này vào cùng một kiến trúc mở, định nghĩa cách thiết kế, cách tiến hóa của hệ thống mô phỏng thế hệ tiếp theo, và cách được các nhà phát triển toàn cầu cùng các bối cảnh công nghiệp áp dụng.

Trong 5 chuyên gia mô phỏng hàng đầu ở Newton TSC, tiến sĩ Miles Macklin, tiến sĩ Yuval Tassa, tiến sĩ Xie Chen, tiến sĩ Moritz B?cher và tiến sĩ Michael Sherman lần lượt đại diện cho các lộ trình công nghệ cốt lõi trên toàn cầu như mô phỏng Warp, mô phỏng MuJoCo, định nghĩa SimReady dựa trên “bộ ba một thể”, mô phỏng Kamino và mô phỏng Drake, v.v.

Việc Guanglun Intelligent tham gia Newton có nghĩa là công ty không còn chỉ là người tham gia hệ sinh thái mô phỏng toàn cầu, mà bắt đầu tham gia đồng xây dựng các quy tắc của hạ tầng mô phỏng AI vật lý thế hệ tiếp theo. Đồng thời, trong việc triển khai hạ tầng mô phỏng, Guanglun Intelligent cũng hợp tác với Moore Threads xoay quanh năng lực tính toán, nền tảng mô phỏng và năng lực đánh giá dữ liệu; cùng xây dựng giải pháp dữ liệu tổng hợp mô phỏng tự nghiên nội địa. Sự kết hợp sâu giữa năng lực tính toán và mô phỏng nội địa sẽ củng cố hạ tầng tự chủ, có kiểm soát cho sự phát triển của trí tuệ hiện thân.

Thứ ba, tiêu chuẩn đánh giá.

Trong hệ sinh thái đánh giá, Guanglun Intelligent phối hợp với NVIDIA thúc đẩy việc xây dựng các khung đánh giá như Isaac Lab-Arena; nền tảng mô phỏng tự nghiên LeIsaac được tài liệu chính thức của Hugging Face ghi nhận. Đồng thời, công ty liên tục hợp tác đánh giá và đi theo hướng sinh ra thế giới cùng các đội ngũ tiên phong như Tongyi Qianwen và World Labs. Cốt lõi của các hợp tác này không chỉ là đồng xây dự án, mà là thúc đẩy các tiêu chuẩn ngành để đánh giá có thể lặp lại (reproducible), có thể so sánh và có thể mở rộng theo quy mô.

Ở cấp độ tổ chức tiêu chuẩn và hệ thống kiểm định - đánh giá, Guanglun Intelligent trở thành doanh nghiệp dân doanh duy nhất trong nhóm đầu tiên của cả nước thuộc Kế hoạch hành động về trí tuệ hiện thân, tham gia xây dựng bộ dữ liệu chất lượng cao và hoàn thiện cơ sở hạ tầng dữ liệu cho trí tuệ hiện thân. Đồng thời, công ty phối hợp với các tổ chức như Ủy ban Tiêu chuẩn Bảo chứng Tín hiệu quốc gia (Xinbiaowei) và các ủy ban tiêu chuẩn liên quan của Bộ Công nghiệp và Công nghệ Thông tin (MIIT) để thúc đẩy xây dựng hệ thống tiêu chuẩn.

Tính đến hiện tại, Guanglun Intelligent đã chủ trì hoặc tham gia 20 hạng mục tiêu chuẩn quốc gia và tiêu chuẩn ngành liên quan; phạm vi bao phủ các lĩnh vực trọng điểm như tiêu chuẩn chất lượng dữ liệu, nền tảng mô phỏng và bộ dữ liệu chất lượng cao trong công nghiệp. Đồng thời, công ty cũng đạt được thỏa thuận hợp tác với Trung tâm Kiểm định & Đánh giá Robot Quốc gia (trụ sở), cùng thúc đẩy xây dựng tiêu chuẩn kiểm định - đánh giá trọng yếu cho cơ sở hạ tầng của trí tuệ hiện thân và các tiêu chuẩn đánh giá ở cấp công nghiệp.

Vai trò của Guanglun đang thay đổi. Công ty không chỉ giao dữ liệu và đánh giá cho khách hàng, mà đang liên tục chuyển hóa chất lượng dữ liệu của chính mình, năng lực mô phỏng, hệ thống đánh giá và kinh nghiệm từ ngành thành các tiêu chuẩn chung của ngành.

4. Dữ liệu không phải là nhiên liệu:

Guanglun Intelligent muốn xây dựng hệ thống giáo dục cho AI vật lý

Khi trí tuệ hiện thân chuyển từ phòng thí nghiệm sang thế giới thực, một vấn đề cốt lõi bắt đầu nổi lên: robot rốt cuộc phải học như thế nào?

Việc con người thu nhận nhận thức là một quá trình liên tục kéo dài theo chu kỳ dài. Từ giáo dục phổ thông, giáo dục đại học đến học tập suốt đời, cá nhân không chỉ cần nạp thêm kiến thức, mà còn phải trải qua việc thử nghiệm, lặp lại và các phản hồi/thách thức đến từ bên ngoài một cách liên tục.

Robot hiểu thế giới vật lý cũng cần trải qua một quá trình như vậy. Đây chính là logic nền tảng của Guanglun Intelligent: xây dựng một hệ thống giáo dục để dạy robot học tập liên tục. Dùng dữ liệu con người để cung cấp các ví dụ chân thực; dùng thế giới mô phỏng để tạo môi trường huấn luyện; dùng hệ thống đánh giá để xác định ranh giới năng lực; rồi thông qua triển khai thực tế để đưa phản hồi mới về cho vòng huấn luyện tiếp theo.

Điều này cũng giải thích vì sao người sáng lập kiêm CEO của Guanglun Intelligent là ông Xie Chen không muốn coi dữ liệu đơn thuần như “nhiên liệu”.

Nhiên liệu là thứ tiêu hao; cốt lõi nằm ở nguồn cung, giá cả và hiệu suất. Giáo dục là một hệ thống; bản chất nằm ở việc học, phản hồi và tiến hóa. Nhiên liệu trả lời câu hỏi “máy có chạy được không”, còn giáo dục trả lời “robot có hình thành nhận thức và tiến hóa liên tục được hay không”. Cuối cùng, năng lực học tập liên tục sẽ quyết định giới hạn trần năng lực dài hạn của robot.

Chính vì vậy, Guanglun Intelligent lựa chọn làm đồng thời dữ liệu con người, đánh giá mô phỏng và phản hồi triển khai. Bởi vì giáo dục thực sự phải hướng tới mục tiêu cuối cùng: xuất phát từ thế giới thực mà cuối cùng “người học” sẽ bước vào. Các bối cảnh ngành thực định nghĩa những năng lực mà robot trong tương lai bắt buộc phải có, đồng thời cũng ngược lại định nghĩa robot hôm nay nên học gì. Công ty đặc biệt coi trọng chất lượng, phản hồi, tổng kết và cải tiến liên tục. Chỉ bằng cách đó mới có năng lực xây dựng một hệ thống giáo dục hướng tới AI vật lý. Đây không chỉ thử thách năng lực bàn giao của doanh nghiệp, mà còn là sự kính trọng trong kỹ thuật đối với năng lực công nghệ, đảm bảo chất lượng, cơ chế phản hồi và cải tiến liên tục.

Đây chính là lý do sâu xa khiến định giá ngắn hạn của Guanglun Intelligent tăng gấp đôi và tiếp tục làm mới kỷ lục định giá toàn cầu. Trong thập kỷ qua, lý do NVIDIA bước vào trung tâm ngành AI là vì họ định nghĩa và hỗ trợ hạ tầng tính toán của thời đại mô hình lớn; còn Guanglun Intelligent không chỉ nhờ năng lực kỹ thuật và năng lực triển khai thương mại dẫn trước, mà chủ yếu là vì đã định nghĩa hạ tầng dữ liệu và đánh giá của thời đại AI vật lý.

Guanglun chọn một lối đi lâu dài hơn, nền tảng hơn và cũng gần hơn tới “điểm đến cuối cùng” của ngành AI vật lý. Khi năm đầu tiên của trí tuệ hiện thân ở quy mô trong năm 2026 được mở ra, trọng tâm giá trị của AI vật lý cũng đang chuyển từ mô hình và bản thể sang dữ liệu, đánh giá và hạ tầng học tập liên tục. Và Guanglun Intelligent đang chiếm vị trí ngày càng cốt lõi trong quá trình chuyển dịch mô hình phát triển của ngành.