World Labs biến một tác vụ robot thực tế thành hàng nghìn biến thể mô phỏng để huấn luyện.

Cộng thêm nghiên cứu AI Sao chép url vào clipboard Chia sẻ bài viết này Vào phần bình luận World Labs biến một nhiệm vụ robot trong thế giới thực thành hàng nghìn biến thể mô phỏng để đào tạo Jonathan Kemper Xem hồ sơ LinkedIn của Jonathan Kemper Ngày 15 tháng 8 năm 2026 Phòng thí nghiệm thế giới World Labs, công ty khởi nghiệp do nhà tiên phong AI Fei-Fei Li thành lập, đã tiết lộ một công cụ mô phỏng giúp đào tạo các hệ thống điều khiển robot hoàn toàn trong môi trường ảo. Sau đó, các mô hình này sẽ chạy ổn định trong nhiều giờ trên phần cứng thực. Công cụ "Real-to-Sim-to-Real" (R2S2R) của công ty biến các nhiệm vụ của robot trong thế giới thực thành mô phỏng để đào tạo và đánh giá các mô hình điều khiển, loại bỏ các bài kiểm tra đắt tiền trên phần cứng thực tế. Công nghệ này đến từ SceneX, một công ty khởi nghiệp được World Labs mua lại vào tháng 7. World Labs cho biết, nút thắt chính trong việc triển khai robot không phải là kiến ​​trúc mô hình mà là khối lượng kinh nghiệm khổng lồ mà robot cần có để hoạt động một cách đáng tin cậy. Dữ liệu trong thế giới thực rất tốn kém và khó kiểm soát, thậm chí các video trực tuyến cũng không bao gồm đầy đủ các đối tượng, điều kiện vật lý và trạng thái lỗi một cách có hệ thống. Một nhiệm vụ trong thế giới thực trở thành hàng nghìn biến thể được kiểm soát Công cụ này ghi lại các robot, cảm biến, môi trường và bản trình diễn nhiệm vụ, sau đó xây dựng lại chúng thành một thế giới ảo tương tác không chỉ trông giống như bản gốc mà còn hoạt động theo cách vật lý giống nhau. World Labs thực hiện được điều này bằng cách kết hợp các mô hình thế giới tổng quát với mô phỏng robot theo định hướng nhiệm vụ. Từ một nhiệm vụ thực tế duy nhất, hệ thống tạo ra hàng nghìn biến thể bằng cách thay đổi ánh sáng, vị trí và số lượng vật thể, môi trường xung quanh, các đặc tính vật lý như ma sát và góc camera. Để kiểm tra độ chính xác, World Labs chạy song song cùng một chuỗi hành động trong mô phỏng và thực tế, đồng thời so sánh các quan sát, chuyển động của vật thể và kết quả. Từ một nhiệm vụ được ghi lại, công cụ tạo ra hàng nghìn biến thể được kiểm soát để chính sách có thể học cách khái quát hóa. | Hình ảnh: Phòng thí nghiệm thế giới Các ví dụ được hiển thị bao gồm các vật thể cứng, có thể di chuyển và có thể biến dạng như định tuyến cáp, nhét đầu cáp đàn hồi vào lỗ và đóng hộp bằng cả hai tay. Các mô hình điều khiển chưa từng được đào tạo trên phần cứng thực Các mô hình điều khiển được đào tạo trong mô phỏng và sau đó chuyển sang robot thực. Một trong những nền tảng thử nghiệm là ALOHA, một thiết kế cánh tay kép nguồn mở của Stanford hoạt động thông qua việc điều khiển con rối với hai cánh tay điều khiển nhỏ hơn. Việc thiết lập này tốn một phần chi phí so với các hệ thống thương mại và tất cả các bản thiết kế đều được công khai, khiến ALOHA trở thành nền tảng tham khảo đáng tin cậy trong nghiên cứu chế tạo robot. Theo World Labs, mỗi mô hình chạy trong một giờ trên bốn nền tảng robot bổ sung mà không có sự can thiệp của con người. Các nhiệm vụ bao gồm từ quấn dây nguồn quanh tủ lạnh bằng cả hai tay cho đến định vị lại chính xác các ống nghiệm và tách các vật mỏng như bút đánh dấu hoặc bút chì khỏi một đống lộn xộn dày đặc. Công ty cho biết hệ thống này không bị ràng buộc với một mô hình điều khiển hoặc loại robot cụ thể, do đó, một thế giới đã được tái tạo một lần có thể được tái sử dụng sau này cho các mô hình mới và các robot khác nhau. Mô phỏng có thể thay thế cho phần cứng trong quá trình đánh giá chính sách World Labs lập luận rằng sự phát triển robot đang tụt hậu đáng kể so với các mô hình ngôn ngữ vì việc đánh giá các mô hình điều khiển chủ yếu đòi hỏi thử nghiệm trên phần cứng thực tế. Một mô phỏng vững chắc không nhất thiết phải đạt được tỷ lệ thành công tương tự như thực tế. Điều quan trọng là liệu nó có trả lời được những câu hỏi giống nhau hay không: Mô hình thất bại ở đâu, phiên bản nào tốt hơn và liệu những cải tiến có được chuyển giao cho robot vật lý hay không? Nhóm nghiên cứu đã thử nghiệm điều này với việc robot ALOHA dùng hai tay trao một khối lập phương. Theo World Labs, mô phỏng đã tái tạo cả những trường hợp cận biên khi robot chỉ vừa đủ nắm được khối lập phương bằng cạnh của nó và các lần thử thất bại tương ứng. Trên các loại mô hình khác nhau, bao gồm GR00T N1.6 và π₀.₅, và các giai đoạn huấn luyện, thứ hạng mô hình trong mô phỏng và thực tế vẫn giữ nguyên phần lớn. Điều này đúng với cả các vị trí khối lập phương đã biết và những vị trí chưa từng thấy trước đây. Mỗi điểm kiểm tra được đánh giá bằng 2.000 lần chạy mô phỏng và 100 lần chạy thực tế. Các chính sách hoạt động tốt hơn trong mô phỏng cũng hoạt động tốt hơn trên phần cứng và thứ hạng vẫn nhất quán. | Ảnh: World Labs Các nhóm phát triển có thể lọc bỏ các phiên bản mô hình yếu trong mô phỏng và dành các thử nghiệm phần cứng tốn kém cho những ứng cử viên triển vọng nhất. Trình mô phỏng là trung tâm trong chiến lược rộng lớn hơn của World Labs World Labs liên hệ những kết quả này với phân loại mô hình thế giới (world models) của họ. Trong khuôn khổ đó, trình mô phỏng là phần trung tâm vì nó biến một thế giới thành nơi các tác nhân phần mềm có thể hành động, học hỏi và được thử nghiệm. Công ty đưa ra sự tương đồng với lái xe tự hành, nơi một số hệ thống Cấp độ 3 và Cấp độ 4 thành công được huấn luyện trên sự kết hợp giữa dữ liệu thực và dữ liệu mô phỏng. World Labs định hình mục tiêu dài hạn của mình như sau: để mở rộng trí thông minh của robot, bạn phải mở rộng thế giới mà chúng học hỏi. Mức độ chuyển giao của những kết quả này sang các môi trường phức tạp hơn, các loại robot khác và các tình huống hàng ngày ít được kiểm soát hơn vẫn là một câu hỏi mở. World Labs được nhà nghiên cứu AI Fei-Fei Li thành lập vào năm 2024 để xây dựng các mô hình có trí thông minh không gian, hiểu được thế giới vật lý ba chiều. Một hệ thống ban đầu đã tạo ra các môi trường 3D có thể đi bộ được từ một bức ảnh duy nhất. Gần đây hơn, công ty đã huy động được một tỷ USD vốn đầu tư mạo hiểm để mở rộng các mô hình thế giới của mình vào lĩnh vực robot và khoa học. Công cụ R2S2R là ứng dụng cụ thể đầu tiên của tầm nhìn đó trong lĩnh vực robot. Nghiên cứu này góp phần vào một cuộc tranh luận rộng lớn hơn về vai trò mà các mô hình thế giới nên đóng trong lĩnh vực robot. Một nhóm nghiên cứu quốc tế gần đây đã cố gắng đưa ra một định nghĩa thống nhất về mô hình thế giới thực sự là gì, vạch ra ranh giới rõ ràng giữa các mô hình thế giới và các trình tạo video thuần túy. Một lĩnh vực liên quan là World Action Models, liên kết các dự đoán về tương lai gần trực tiếp với các lệnh điều khiển. Điều đó khác với cách tiếp cận của World Labs, nơi mô phỏng và chính sách vẫn