Xiaomi-Robotics-1 chứng minh khối lượng dữ liệu quan trọng hơn kích thước mô hình trong lĩnh vực robot

Xiaomi vừa công bố Xiaomi-Robotics-1, một mô hình nền tảng (foundation model) đột phá giúp chuyển đổi mô hình huấn luyện robot từ việc tăng cường sức mạnh tính toán sang mở rộng quy mô dữ liệu khổng lồ. Bằng cách tận dụng phương pháp thu thập dữ liệu độc đáo, mô hình này cho thấy khả năng thích nghi chưa từng có trong các môi trường lạ và các tác vụ thao tác phức tạp.

Phá vỡ nút thắt dữ liệu bằng thiết bị kẹp cầm tay

Thách thức chính trong lĩnh vực robot luôn là "nút thắt dữ liệu" — sự khó khăn trong việc thu thập lượng lớn dữ liệu tương tác chất lượng cao mà không cần đến các cánh tay robot cố định đắt tiền. Xiaomi đã vượt qua rào cản này bằng cách sử dụng các thiết bị kẹp cầm tay di động được trang bị camera.

Thay vì lập trình cho robot, các kỹ thuật viên đã sử dụng các thiết bị cầm tay này để ghi lại các tác vụ thao tác trong hơn 1.700 môi trường đa dạng, bao gồm nhà bếp, văn phòng và nhà máy. Cách tiếp cận này đã tạo ra con số kinh ngạc là 100.000 giờ ghi hình chuyển động. Để giải quyết vấn đề dán nhãn, Xiaomi đã sử dụng một mô hình AI để tự động tạo các mô tả bằng văn bản cho từng phân đoạn chuyển động, hoàn tất việc dán nhãn toàn bộ tập dữ liệu chỉ trong hai tuần.

Định luật mở rộng (Scaling Law): Dữ liệu quan trọng hơn tính toán

Thông tin kỹ thuật cốt lõi từ nghiên cứu Xiaomi-Robotics-1 là việc có thêm dữ liệu huấn luyện mang lại hiệu quả vượt trội hơn đáng kể so với việc chỉ đơn thuần tăng kích thước mô hình hoặc sức mạnh tính toán. Mặc dù các mô hình lớn hơn giúp giảm sai số dự đoán, nhưng tỷ lệ thành công của robot trong các môi trường lạ đã tăng vọt từ 25% lên 75% khi khối lượng dữ liệu huấn luyện tăng lên.

Điều này phản ánh xu hướng trong thị giác máy tính (computer vision), nơi việc bổ sung dữ liệu mang lại nhiều giá trị hơn là tăng số lượng tham số. Đối với Xiaomi, điều này có nghĩa là con đường dẫn đến AI robot đa năng (General Purpose Robot AI) nằm ở sự đa dạng và quy mô của các tập dữ liệu thay vì chỉ xây dựng các mạng thần kinh lớn hơn.

Khả năng thích nghi vô đối và hiệu suất benchmark

Xiaomi-Robotics-1 được thiết kế để tuân theo các lệnh bằng lời nói hoặc văn bản và thích nghi với các tác vụ mới với sự tinh chỉnh (fine-tuning) tối thiểu. Trong quá trình thử nghiệm, mô hình đã được giao các thao tác phức tạp như xếp quần áo vào máy giặt, nạp giấy vào máy in và đóng gói vali.

Kết quả thu được rất rõ ràng:

  • Thích nghi nhanh chóng: Với chưa đầy 10 giờ huấn luyện chuyên biệt cho tác vụ, mô hình đã đạt tỷ lệ thành công 75%, vượt xa đối thủ Physical Intelligence (chỉ đạt 40%).
  • Thống trị bảng xếp hạng: Mô hình dẫn đầu bảng xếp hạng RoboCasa365 với khoảng cách lớn, đặc biệt là ở các tác vụ hỗn hợp chưa từng thấy trước đó.
  • Hiệu suất RoboDojo: Xiaomi-Robotics-1 đạt điểm cao hơn khoảng 58% so với đối thủ đứng thứ hai trên benchmark RoboDojo.

Mô hình cũng cho thấy thế mạnh đặc biệt trong việc xử lý các vật liệu mềm, dễ biến dạng như giấy — một lĩnh vực vốn gây khó khăn cho các hệ thống robot cứng nhắc từ trước đến nay.

Hướng đi mới cho ngành công nghiệp robot

Cách tiếp cận của Xiaomi đang đứng trước những ngã rẽ khác biệt so với các gã khổng lồ khác trong ngành. Trong khi Nvidia đang cố gắng biến vấn đề dữ liệu robot thành vấn đề tính toán thông qua việc tạo dữ liệu tổng hợp (synthetic data), và mô hình Orca của BAAI cố gắng học từ video không được dán nhãn, thì Xiaomi lại tập trung mạnh mẽ vào dữ liệu chuyển động được dán nhãn quy mô lớn và tự động.

Khi Xiaomi chuẩn bị phát hành mô hình và mã nguồn trên GitHub và Hugging Face, cả ngành công nghiệp đang theo dõi sát sao. Sự phát triển này cho thấy ranh giới tiếp theo của ngành robot sẽ không thuộc về những bên sở hữu chip mạnh nhất, mà thuộc về những bên sở hữu các tập dữ liệu chuyển động đa dạng và được dán nhãn tốt nhất.

Những điểm chính cần lưu ý

  • Mở rộng lấy dữ liệu làm trung tâm: Việc tăng khối lượng dữ liệu huấn luyện tỏ ra hiệu quả hơn trong việc nâng cao tỷ lệ thành công của robot so với việc tăng kích thước mô hình hoặc sức mạnh tính toán.
  • Phương pháp thu thập sáng tạo: Các thiết bị kẹp cầm tay đã cho phép Xiaomi tích lũy 100.000 giờ dữ liệu chuyển động trong 1.700 môi trường mà không cần đến các robot chuyên dụng.
  • Khả năng tổng quát hóa cao: Mô hình có thể đạt tỷ lệ thành công 75% đối với các tác vụ mới chỉ với chưa đầy 10 giờ huấn luyện bổ sung.