Embodied AI

AI hiện thân là lĩnh vực trí tuệ nhân tạo xây dựng các agent có thân thể, là robot vật lý hoặc avatar trong trình mô phỏng 3D; các agent này cảm nhận môi trường xung quanh thông qua cảm biến, tác động lên môi trường bằng động cơ hoặc bộ điều khiển mô phỏng và học từ kết quả hành động của chính mình. Vì mỗi hành động làm thay đổi những gì agent nhìn thấy tiếp theo, agent hiện thân tự thu thập trải nghiệm thay vì chỉ học từ một tập dữ liệu cố định gồm ảnh hoặc văn bản. Các tác vụ hiện thân điển hình gồm điều hướng trong một ngôi nhà xa lạ để tìm vật thể, khám phá căn phòng để trả lời câu hỏi về nơi đó, làm theo chỉ dẫn bằng lời nói và nhặt cũng như sắp xếp lại vật thể; lĩnh vực này cung cấp các phương pháp học làm nền tảng cho robotics hiện đại.

Nguồn gốc của AI hiện thân#

AI hiện thân phát triển từ phản ứng trước AI thuần túy biểu tượng. Cuối thập niên 1980, Rodney Brooks tại MIT chế tạo các robot đi bộ giống côn trùng, được điều khiển bằng nhiều lớp hành vi đơn giản nối cảm biến với động cơ; trong bài báo năm 1991 "Trí tuệ không cần biểu diễn", ông lập luận rằng trí tuệ nên được hình thành từ sự tương tác trực tiếp của máy móc với thế giới. Năm 1988, Hans Moravec nhận thấy máy tính đã có thể ngang bằng người trưởng thành trong trò cờ đam và các bài kiểm tra trí thông minh, nhưng không thể sánh với khả năng tri giác và di chuyển của trẻ một tuổi. Khoảng cách này, nay được gọi là nghịch lý Moravec, vẫn là thách thức cốt lõi của lĩnh vực.

Lĩnh vực hiện đại định hình trong giai đoạn 2017–2019, khi các trình mô phỏng 3D nhanh giúp việc huấn luyện agent với hàng tỷ bước trải nghiệm trở nên khả thi. AI2-THOR của Allen Institute for AI cung cấp các ngôi nhà tương tác, nơi agent có thể mở ngăn kéo và di chuyển vật thể; Habitat của Meta tải các bản quét 3D của nhà ở thực tế và kết xuất hơn 10.000 khung hình mỗi giây trên một GPU. Các tác vụ benchmark tiêu chuẩn gồm điều hướng đến điểm đích và vật thể, trả lời câu hỏi hiện thân, cũng như điều hướng bằng thị giác và ngôn ngữ. Năm 2019, Erik Wijmans cùng cộng sự huấn luyện một agent Habitat bằng học tăng cường sâu trong 2,5 tỷ bước, tương đương 80 năm trải nghiệm của con người; agent gần như luôn tìm được mục tiêu trong những ngôi nhà chưa từng thấy, chỉ sử dụng camera RGB-D cùng cảm biến GPS và la bàn.

Vòng lặp tri giác–hành động#

Agent hiện thân chạy theo một vòng lặp khép kín: đọc dữ liệu cảm biến, dựng hình ảnh về cảnh vật, chọn hành động, thực hiện hành động đó rồi quan sát những thay đổi.

Tri giác chuyển dữ liệu cảm biến thô thành các đại lượng cần thiết cho việc ra quyết định. Phát hiện đối tượng và phân đoạn instance tìm ra những vật thể mà agent có thể tương tác; ước lượng độ sâu và hợp nhất cảm biến xác định vị trí của chúng trong không gian 3D; ước lượng pose theo dõi con người và chuyển động của họ; còn SLAM thị giác dựng bản đồ đồng thời xác định vị trí agent trên bản đồ. Hướng dẫn bắt đầu nhanh Ultralytics ROS chạy Ultralytics YOLO26 bên trong node ROS1 hoặc ROS2 đăng ký các topic camera của robot; trong ví dụ về độ sâu, mask phân đoạn chọn pixel của đối tượng trên ảnh độ sâu đã căn chỉnh, rồi node xuất bản khoảng cách trung bình của đối tượng tới camera.

Các quyết định dựa trên bộ lập kế hoạch cổ điển, điều khiển dự báo theo mô hình hoặc policy đã học ánh xạ trực tiếp quan sát thành lệnh điều khiển động cơ. Mô hình thế giới, dự đoán cảnh vật sẽ thay đổi ra sao khi có hành động, cho phép agent thử nghiệm kế hoạch trong trí tưởng tượng trước khi di chuyển.

Cách agent hiện thân học hành động#

Học tăng cường trong môi trường mô phỏng cho phép agent học từ phần thưởng qua hàng triệu lần thử; ngẫu nhiên hóa miền thay đổi kết cấu, ánh sáng và vật lý để policy được huấn luyện trong mô phỏng có thể chuyển sang robot thực tế. OpenAI đã dùng phương pháp này vào năm 2019 để huấn luyện một bàn tay robot giải khối Rubik. Học bắt chước huấn luyện policy dựa trên các bản trình diễn điều khiển từ xa, từ sao chép hành vi đơn giản đến policy khuếch tán và phân đoạn chuỗi hành động, vốn dự đoán cùng lúc các chuỗi hành động tương lai ngắn.

Các model tiền huấn luyện quy mô lớn hiện cung cấp kiến thức tổng quát về vật thể và ngôn ngữ. RT-1 (2022) của Google học hơn 700 tác vụ từ 130.000 bản trình diễn được thu thập bằng 13 robot trong 17 tháng; RT-2 (2023) tinh chỉnh một mô hình thị giác-ngôn ngữ để xuất hành động robot dưới dạng token văn bản, đồng thời đưa ra thuật ngữ mô hình thị giác-ngôn ngữ-hành động (VLA). Sáng kiến Open X-Embodiment tập hợp các bản trình diễn từ 22 loại robot tại 21 tổ chức để huấn luyện model nền tảng trên nhiều dạng cơ thể. π0 của Physical Intelligence (tháng 10 năm 2024) bổ sung một chuyên gia hành động flow matching vào mô hình thị giác-ngôn ngữ 3 tỷ tham số để điều khiển robot ở tốc độ đến 50 Hz; các model Gemini Robotics của Google DeepMind, phát hành vào tháng 3 năm 2025, xây dựng mô hình VLA trên Gemini 2.0.

Các phương pháp này được triển khai trên xe tự hành, robot di động trong kho, cánh tay gắp và đặt có dẫn hướng thị giác, robot nông nghiệp và drone. Tất cả đều phải hành động theo những gì chúng nhìn thấy trong thời gian thực, thường bằng phần cứng AI biên được mang theo.

AI hiện thân và các thuật ngữ liên quan#

• AI vật lý: Thuật ngữ gần như đồng nghĩa, được NVIDIA phổ biến, chỉ AI cảm nhận và hành động trong thế giới thực thông qua robot, phương tiện và các loại máy móc khác. AI hiện thân còn bao gồm các agent chỉ tồn tại trong môi trường mô phỏng.
• Robotics: Ngành kỹ thuật chế tạo robot, bao gồm cơ khí, cơ cấu chấp hành và điều khiển cổ điển. AI hiện thân cung cấp năng lực tri giác và ra quyết định đã học, giúp robot xử lý những tình huống mà lập trình viên không lường trước.
• AI agent: Agent phần mềm hành động thông qua API, trình duyệt và mã. Chúng tuân theo cùng vòng lặp quan sát–quyết định–hành động nhưng không chịu tác động của vật lý, lực tiếp xúc hay luồng cảm biến liên tục.
• Trí tuệ không gian: Khả năng hiểu và suy luận về không gian 3D từ ảnh và các cảm biến khác, điều cần thiết để agent hiện thân di chuyển trong và thao tác với môi trường xung quanh.