Sóng não có thể là chìa khóa mới cho AI vật lý?

Ảnh: Tim Fernholz/TechCrunch

AI vật lý đang đứng trước một giới hạn không nằm ở kiến trúc mô hình, mà nằm ở chính sự khan hiếm dữ liệu huấn luyện từ thế giới thực, theo nhận định của Encord, công ty chuyên xây dựng công cụ dữ liệu để huấn luyện các mô hình AI. Tại nhà kho của công ty ở San Leandro, bang California, một nhân viên tên Andrew Ceja đang cẩn thận rút từng thanh gỗ khỏi tòa tháp Jenga đang chao đảo, trong khi đội một chiếc mũ gắn camera ghi lại mọi thứ anh nhìn thấy. Việc đeo camera để thu thập dữ liệu huấn luyện robot vốn không có gì mới, nhưng chiếc mũ Ceja đang đội còn tích hợp cảm biến đo sóng não trong lúc anh tháo dỡ từng khối gỗ.

Encord là một trong số ít startup, nhưng đang tăng nhanh về số lượng, đặt cược rằng rào cản thực sự tiếp theo của robot hình người và robot kho vận không phải kiến trúc mô hình, mà là sự khan hiếm dữ liệu huấn luyện vật lý từ thế giới thực. Thay vì chỉ giúp các công ty robot quản lý dữ liệu sẵn có, Encord đang xây dựng cả một mảng kinh doanh xoay quanh việc tạo ra loại dữ liệu mà khách hàng của họ chưa từng có.

Dữ liệu, chứ không phải kiến trúc mô hình, mới là nút thắt của AI vật lý

Chiếc mũ đo sóng não mà Ceja đang đội do Zander Labs chế tạo, một startup khoa học thần kinh của Đức đặt cược rằng việc đo hoạt động não bộ, nhằm suy ra các trạng thái tinh thần như sai sót, chủ đích hay bất ngờ, có thể tạo ra bộ dữ liệu hữu ích hơn để huấn luyện mô hình. Hợp tác giữa Encord và Zander hiện vẫn đang ở giai đoạn thử nghiệm. Encord cho biết mục tiêu trước mắt là xây dựng một bộ dữ liệu ban đầu có gắn nhãn sóng não, chạy qua các mô hình robot của khách hàng, rồi mới đánh giá xem dữ liệu này có thực sự cải thiện hiệu suất hay không trước khi quyết định mở rộng quy mô.

Lucas Gehrke, nhà khoa học thần kinh của Zander phụ trách giám sát dự án, cho biết mức độ hoạt động não bộ tại từng thời điểm trong một tác vụ có thể gợi ý cho những người xây dựng mô hình biết khi nào cần huy động phiên bản mô hình có công suất tính toán cao nhất.

Vineeth Velmurugan, người đứng đầu bộ phận robot learning của Encord, gọi đây là ranh giới tiên phong của nỗ lực giải quyết nút thắt dữ liệu trong ngành robot. Từng làm việc tại phòng thí nghiệm robot của OpenAI và công ty tự động hóa kho vận Berkshire Grey, Velmurugan gia nhập Encord để xây dựng đội ngũ tạo dữ liệu nội bộ của công ty.

Encord ban đầu được thành lập để giúp các công ty phát triển ứng dụng thị giác máy tính gán nhãn dữ liệu và đánh giá mô hình. Khi khách hàng của họ, những công ty robot hàng đầu mà Velmurugan cho biết không được phép nêu tên, bắt đầu áp dụng phương pháp học từ đầu đến cuối cho các tác vụ thao tác của robot, ban lãnh đạo Encord nhận ra họ sẽ phải tự sản xuất dữ liệu huấn luyện, thay vì chỉ quản lý dữ liệu sẵn có. Velmurugan nói thẳng rằng loại dữ liệu này đơn giản là chưa hề tồn tại.

Cuộc đặt cược rằng AI tạo sinh có thể làm được cho robot những gì nó đã làm được cho chatbot liên tục vấp phải cùng một rào cản. Các công ty xe tự hành tự thu thập dữ liệu thế giới thực, nhưng cách này rất khó mở rộng quy mô. Huấn luyện từ video cũng có thể mang lại hiệu quả nhất định, song lại thiếu độ chân thực của dữ liệu thế giới thực. Theo Velmurugan, ngành công nghiệp sẽ cần một bộ dữ liệu có quy mô gấp khoảng năm lần kho video của YouTube mới có thể tạo ra đột phá thực sự, và chính quy mô khổng lồ đó lý giải vì sao việc tạo dữ liệu đã trở thành một ngành kinh doanh, chứ không còn đơn thuần là bài toán nghiên cứu.

Video góc nhìn người đeo camera, cánh tay robot và cả cơ bắp con người

Các công ty phát triển bộ não cho robot hiện dựa vào hai nguồn dữ liệu chính, video góc nhìn thứ nhất do người vận hành đeo camera thu thập, thường được bổ sung thêm nhiều góc quay và chỉ số khác, cùng với dữ liệu thu được từ robot điều khiển từ xa. Encord khai thác cả hai nguồn này, thu thập video góc nhìn thứ nhất từ nhiều nhà máy trên khắp thế giới, đồng thời dùng cơ sở tại San Leandro để thử nghiệm những dạng dữ liệu mới, như sóng não, hoặc thu thập bộ dữ liệu riêng cho từng kỹ năng cụ thể nhằm tinh chỉnh mô hình.

Khi phóng viên TechCrunch đến thăm cơ sở này, các nhân viên vận hành robot đang sử dụng hệ thống hai cánh tay robot phối hợp, trong đó một cánh tay do người điều khiển trực tiếp và cánh tay còn lại mô phỏng lại từng chuyển động, để tạo dữ liệu cho các tác vụ như rót cà phê từ bình vào cốc, vốn rất dễ sánh đổ, hay xếp chồng các đồng phỉnh poker. Velmurugan cho biết hầu như mọi công ty robot hình người đều từng đề nghị Encord cung cấp loại dữ liệu này.

Trên các kệ chứa đồ trong nhà kho là hàng loạt vật dụng quen thuộc trong gia đình, từ lọ hoa giả, sách, rau củ nhựa, khay và xẻng vệ sinh cho mèo, đến những bó dây điện, tất cả đều là nguyên liệu để huấn luyện robot thực hiện các thao tác trong nhà.

Tại một trạm khác, một nhân viên vận hành khác tên Sofia Infante điều khiển cánh tay robot cắm và rút cáp mạng khỏi phía sau một máy chủ, đúng loại công việc mà các nhà vận hành trung tâm dữ liệu rất muốn tự động hóa, nếu robot có thể thao tác đủ chính xác. Khi trực tiếp cầm bộ điều khiển thử, phóng viên nhận ra vì sao việc này vẫn còn xa vời, những chiếc kẹp gắp của robot kém linh hoạt hơn nhiều so với ngón tay con người và thiếu hẳn số bậc tự do mà cánh tay người vẫn có sẵn.

Một dạng dữ liệu mới khác mà Encord đang phát triển sử dụng một bộ cảm biến gắn quanh cẳng tay để đo tín hiệu điện trong cơ bắp. Video quay bàn tay con người thao tác với đồ vật thường không ghi lại được toàn bộ bàn tay, nên Velmurugan kỳ vọng có thể dựng lại hình ảnh ba chiều về vị trí bàn tay tại mọi thời điểm dựa trên dữ liệu từ cảm biến cẳng tay, giúp mô hình hiểu tác vụ một cách đầy đủ và chính xác hơn.

Vì sao dữ liệu cho AI vật lý đắt hơn nhiều so với dữ liệu văn bản

Mỗi bộ dữ liệu của Encord đều được gắn thêm mô tả vật lý cho từng đoạn video, chẳng hạn ghi rõ tay phải đang siết bu lông, nhằm giúp các mô hình dựa trên LLM hiểu đúng những gì đang diễn ra. Velmurugan ước tính kiểu gán nhãn chi tiết như vậy có giá trị gấp khoảng 100 lần so với dữ liệu góc nhìn thứ nhất thô, ít được xử lý, khi dùng để huấn luyện cho một tác vụ cụ thể, trong khi chi phí sản xuất chỉ cao hơn khoảng 20 lần, một phép tính vẫn có lợi trên giấy tờ.

Nhưng chi phí cao hơn 20 lần vẫn là một khoản tiền không nhỏ, và đó chính là điểm giới hạn của việc so sánh AI vật lý với các mô hình ngôn ngữ lớn. Việc thu thập văn bản trên internet, cách mà các hãng AI ngôn ngữ từng dùng để xây mô hình bằng dữ liệu từ Stack Overflow và vô số trang web khác, gần như không tốn kém gì đáng nói đối với các phòng thí nghiệm hàng đầu. Trong khi đó, tạo ra dữ liệu huấn luyện vật lý lại hoàn toàn khác, loại dữ liệu này phải được sản xuất ra chứ không đơn thuần là thu thập, và điều đó làm thay đổi toàn bộ bài toán kinh tế của việc xây dựng các mô hình AI vật lý.

Theo Velmurugan, ngành này vẫn đang đạt được những tiến bộ nhất định. Nhờ có tầm nhìn bao quát nhiều chương trình khác nhau trong toàn ngành, anh có thể quan sát cách các startup lẫn những phòng thí nghiệm hàng đầu tìm ra phương pháp hiệu quả hoặc không hiệu quả để cải thiện mô hình AI vật lý. Vị trí đứng giữa nhiều công ty robot cùng lúc cũng là một phần lợi thế cạnh tranh của Encord, giúp công ty nhận ra kỹ thuật xử lý dữ liệu nào đang được cả ngành đón nhận trước khi bất kỳ khách hàng đơn lẻ nào kịp nhận ra điều đó.

Khối lượng công việc đó đủ để khoảng chục nhân viên vận hành robot tại cơ sở của Encord luôn bận rộn. Cả Infante và Ceja đều thuộc lực lượng lao động đang phát triển nhanh chóng, những người trực tiếp tạo ra nền tảng dữ liệu cho mạng nơ-ron nhân tạo, cả hai từng làm việc tại Scale, một công ty gán nhãn dữ liệu AI khác, trước khi chuyển sang Encord. Trước đó, Ceja từng làm việc tại một công ty xử lý rác thải, nơi niềm yêu thích công nghệ đã đưa anh đến vị trí phụ trách bảo trì một hệ thống phân loại rác bằng robot. Giờ đây, khi tòa tháp Jenga đổ sập trước mắt, anh cho biết mình thích thú với việc giải quyết từng bài toán huấn luyện robot mới mỗi ngày.