# Robot tự học và bài học về sự khó đoán của công nghệ

Đăng ngày: 2026-07-02

Tôi thấy cộng đồng AI đang dõi theo từng bước tiến của các hệ thống tự cải thiện, và gần đây, NVIDIA đã tạo ra một vòng lặp tự học khá thô sơ nhưng hiệu quả cho robot vật lý. Họ hình dung chuyện gì sẽ xảy ra nếu những ý tưởng hay nhất từ các tác nhân AI (AI agents) có thể được đưa vào thế giới thực, giúp siêu trí tuệ hiện thực hóa chính nó bằng robot. Dù những ví dụ hiện tại chỉ mang tính gợi ý, đây vẫn là một bước đi đáng chú ý. Phần mềm mà NVIDIA phát triển, gọi là ENPIRE, là một khuôn khổ mạnh mẽ dành cho các tác nhân mã hóa, được thiết kế để thực hiện chu trình phản hồi vật lý với bốn module cốt lõi: Environment (EN) cho việc tự động thiết lập lại và xác minh môi trường, Policy Improvement (PI) để tinh chỉnh các chính sách hoạt động, Rollout (R) để đánh giá các chính sách với một hoặc nhiều robot vật lý hoạt động song song, và Evolution (E) nơi các tác nhân mã hóa phân tích nhật ký, tham khảo tài liệu và cải thiện mã thuật toán để xử lý các lỗi. ENPIRE hoạt động tương tự các tác nhân mã hóa: một hệ thống giám sát các robot vật lý được giao nhiệm vụ. Robot sẽ cố gắng hoàn thành nhiệm vụ, thử nghiệm các chiến lược khác nhau, thất bại và học hỏi. Hệ thống không chỉ đánh giá kết quả mà còn tự động thiết lập lại môi trường khi thất bại. Điều này biến việc học của robot trong thế giới thực thành một quy trình tối ưu hóa có thể quản lý được bởi các tác nhân, giảm thiểu đáng kể nỗ lực của con người. Hai thành phần quan trọng để ENPIRE vận hành trơn tru là hệ thống đánh giá tự động, giúp chấm điểm kết quả mỗi thử nghiệm mà không cần sự can thiệp của con người, và hệ thống thiết lập lại tự động, đưa cảnh vật về trạng thái ban đầu cho lần thử tiếp theo. Về phần cứng, mỗi trạm thí nghiệm bao gồm hai cánh tay YAM (Yet Another Manipulator) từ I2RT trong cấu hình bimanual cố định, một bộ camera và một máy trạm duy nhất chạy máy chủ FastAPI, suy luận chính sách và tác nhân của trạm. Mỗi máy trạm được trang bị một card NVIDIA RTX 5090. Với những trang bị này, các tác nhân mã hóa tiền tuyến đã tự động phát triển chính sách để đạt tỷ lệ thành công 99% trong các nhiệm vụ thao tác khéo léo và phức tạp trong thế giới thực, như PushT (đẩy vật), sắp xếp các chốt vào hộp và dùng dao cắt dây buộc. Một nhiệm vụ khác mà họ thử nghiệm là việc robot chèn GPU vào bo mạch chủ. Hệ thống cũng cho thấy rằng việc sử dụng nhiều tác nhân (ví dụ: 8) thường mang lại giải pháp có điểm số cao hơn và nhanh hơn so với một tác nhân đơn lẻ, có lẽ do khám phá được nhiều không gian giải pháp tiềm năng hơn. Tuy nhiên, vẫn còn những thách thức về cơ sở hạ tầng. Các tác nhân mã hóa không sử dụng hết tài nguyên robot khi chúng đang đọc nhật ký, viết mã, gỡ lỗi hoặc chờ đợi mô hình ngôn ngữ hỗ trợ. Khi số lượng robot tăng lên, tỷ lệ sử dụng tài nguyên robot giảm trong khi tỷ lệ sử dụng GPU tăng, cho thấy sự khó khăn trong việc song song hóa tự nhiên. Nhưng câu chuyện về AI không chỉ có những tiến bộ đột phá, mà còn là một lời nhắc nhở về sự hạn chế của chính chúng ta. Tôi từng đọc một bài viết của Matthew Tokson từ Đại học Utah, ông ấy chỉ ra rằng con người chúng ta thường cực kỳ kém cỏi trong việc dự đoán cách công nghệ được xây dựng và sử dụng. Những dự đoán "hot take" về AI ngày nay, rất có thể sẽ sai lệch. Ông dẫn chứng nhiều ví dụ trong lịch sử, như việc các chuyên gia hàng đầu (Albert Einstein, Niels Bohr, Robert Oppenheimer) từng hoài nghi về khả năng phân hạch hạt nhân ngay trước khi nó được hiện thực hóa. Nhà kinh tế học đoạt giải Nobel Paul Krugman từng nói tác động của Internet sẽ không lớn hơn máy fax. Hay các nhà công nghệ từng nghĩ Internet sẽ thúc đẩy dân chủ, nhưng nó lại củng cố chế độ chuyên quyền ở nhiều nơi. Ngay cả biến đổi khí hậu, dù có bằng chứng hàng thập kỷ, vẫn bị nhiều nhà khoa học bác bỏ hoặc đánh giá thấp tác động. [category:AI & Innovation]

Canonical: https://www.tungpham.vn/blog/robot-tu-hoc-va-bai-hoc-ve-su-kho-doan-cua-cong-nghe