Fi0 — Mô hình AI giúp ‘bộ não’ theo kịp mọi hình hài robot

Thử tưởng tượng bạn có một thuật toán thông minh được thiết kế một lần nhưng có thể điều khiển nhiều loại robot khác nhau: từ cánh tay kim loại cứng trong nhà máy đến những cánh tay mềm, linh hoạt hoạt động trong môi trường y tế. Fi0 là nỗ lực hướng tới viễn cảnh đó — một mô hình nền tảng nhắm tới việc bảo tồn và tái sử dụng tri thức thực hiện nhiệm vụ khi phần cứng thay đổi.

Tại sao việc “thay đổi hình hài” là vấn đề lớn?

Trong phát triển robot truyền thống, trí tuệ nhân tạo thường gắn chặt vào cấu trúc cơ khí cụ thể. Khi phần cứng thay đổi — ví dụ, từ một càng hai khớp sang một cánh tay mềm nhiều đoạn — hầu hết logic điều khiển và chiến lược thực hiện nhiệm vụ không còn phù hợp. Hệ quả là phải huấn luyện lại hoặc viết lại phần mềm từ đầu, gây tốn kém về thời gian và nguồn lực.

Ý tưởng trung tâm của Fi0

Fi0 được Feagine Robotics phát triển theo hướng một “foundation model xuyên thể hiện” — tức là một tầng trí tuệ chung có khả năng biểu diễn và xử lý thông tin nhiệm vụ độc lập với hình thái vật lý cụ thể của robot. Mục tiêu không phải là biến mọi robot thành cùng loại máy, mà là tạo ra một bộ não chung có thể điều phối nhiều dạng cơ thể khác nhau.

Thử nghiệm với bộ ba cánh tay mềm “Bác sĩ Bạch Tuộc”

Để đánh giá năng lực của Fi0, Feagine triển khai ba biến thể cánh tay mềm lấy cảm hứng từ hình ảnh “Bác sĩ Bạch Tuộc”, mang mã A01, A02 và A03. Mỗi mẫu thiết kế theo thông số tăng dần nhằm kiểm tra giới hạn biểu diễn và điều phối của mô hình:

• A01: một đốt linh hoạt, hai bậc tự do, trọng lượng 750 gram, tải trọng 200 gram.
• A02: hai đốt, bốn bậc tự do, khả năng mang tải 400 gram.
• A03: ba đốt uốn, 6+1 bậc tự do, chiều dài cánh tay khoảng 50 cm, tải trọng lên tới 600 gram.

Những con số này được sử dụng để quan sát cách Fi0 thích nghi khi số đốt, bậc tự do, trọng lượng và khả năng chịu tải thay đổi — tức là khi “hình hài” vật lý biến đổi mạnh.

Embodiment Graph — cách Fi0 nhìn nhận hình hài robot

Để cho một mô hình chung hiểu và điều phối nhiều dạng robot, Fi0 sử dụng một cấu trúc biểu diễn gọi là “Đồ thị thể hiện” (Embodiment Graph). Về cơ bản, thành phần này mã hóa các yếu tố thiết yếu của một máy: hình thái học (số đốt, chiều dài), vị trí và loại cảm biến, cơ chế truyền động cùng trạng thái hiện thời. Khi được đưa vào quá trình suy luận, đồ thị giúp Fi0 so khớp thông tin nhiệm vụ với khả năng vật lý sẵn có của từng robot.

Nhờ Embodiment Graph, mô hình không cố gắng dịch từng chuyển động cụ thể sang robot mới. Thay vào đó, nó hiểu các yếu tố quan trọng của nhiệm vụ và tìm cách phối ghép các khả năng hiện hữu của robot để đạt được kết quả tương đương.

Học nhanh từ một lần thị phạm — điều gì được trích xuất?

Một khả năng đáng chú ý của Fi0 là học ngay từ một lần quan sát thao tác của con người mà không cần quá trình huấn luyện lại kéo dài. Khi người hướng dẫn thực hiện một công việc mẫu — ví dụ di chuyển vật từ điểm A sang B — Fi0 không đơn thuần sao chép đường đi của bàn tay người. Thay vào đó, mô hình tách ra các thành tố cốt lõi của hành động:

• Nhận diện vật thể và các đặc điểm liên quan.
• Chuỗi bước cần thực hiện và thứ tự tương tác.
• Các điểm tiếp xúc quyết định (những nơi cần nắm hoặc chạm).
• Mục tiêu cuối cùng của thao tác.

Sau khi trích xuất các yếu tố này, Fi0 sử dụng Embodiment Graph để tự động quyết định cách phân bổ các thao tác lên cơ cấu của robot hiện tại — nghĩa là chọn các điểm tác động, điều khiển các động cơ hoặc mô phỏng uốn cong để đạt mục tiêu tương đương, dù cơ cấu thực tế có khác biệt.

Ưu điểm và giới hạn hiện tại

Hướng tiếp cận của Fi0 giải quyết một nút thắt quan trọng: tăng khả năng tái sử dụng trí tuệ giữa các nền tảng phần cứng. Thay vì phát triển và bảo trì nhiều bộ điều khiển riêng rẽ cho mỗi loại robot, các nhà thiết kế có thể xây dựng một tầng trí tuệ dùng chung và lắp đặt nó lên những cỗ máy chuyên dụng khác nhau.

Tuy nhiên, Fi0 vẫn đang trong giai đoạn thử nghiệm ban đầu. Cần mở rộng kiểm chứng trên quy mô phần cứng lớn hơn để đánh giá độ ổn định, hiệu suất trong các môi trường phức tạp và khả năng xử lý sai lệch dữ liệu cảm biến trong thực tế. Những giới hạn về tính toán, độ trễ phản ứng hoặc trường hợp nhiệm vụ quá đặc thù vẫn là các thách thức cần theo dõi.

Ý nghĩa đối với thiết kế robot và tự động hóa

Thay đổi tư duy từ “robot đa năng duy nhất” sang “bộ não chung + nhiều thể hiện chuyên dụng” có thể làm thay đổi cách xây dựng hệ sinh thái tự động hóa. Các robot chuyên dụng, nhỏ gọn và tối ưu cho từng ứng dụng vẫn giữ vai trò quan trọng; điểm mới là khả năng cập nhật và chia sẻ chiến lược hành vi giữa những cỗ máy này mà không phải thiết kế lại trí tuệ nhân tạo từ đầu.

Điều này mở ra một số lợi ích thực tế: giảm thời gian tích hợp, dễ triển khai cập nhật phần mềm, và khả năng tận dụng tối đa tính chuyên biệt của từng thiết kế phần cứng. Trong dài hạn, mô hình như Fi0 có thể thúc đẩy sự đa dạng về phần cứng khi việc phát triển và bảo trì trí tuệ tập trung trở nên khả thi hơn.

Câu hỏi thường gặp

Fi0 là gì và do ai phát triển?

Fi0 là một mô hình nền tảng xuyên thể hiện do Feagine Robotics phát triển, mục tiêu giúp bảo tồn tri thức nhiệm vụ khi chuyển giao giữa các robot có cấu trúc khác nhau.

Ba mẫu A01, A02, A03 khác nhau như thế nào?

Các mẫu khác nhau theo thông số cơ khí: A01 có một đốt và hai bậc tự do với tải 200 g; A02 có hai đốt và bốn bậc tự do với tải 400 g; A03 là bản lớn nhất với ba đốt, 6+1 bậc tự do, dài khoảng 50 cm và tải 600 g.

Embodiment Graph đảm nhiệm vai trò gì?

Embodiment Graph mã hóa thông tin về hình thái, cảm biến, truyền động và trạng thái robot để mô hình biết cách ánh xạ các yếu tố nhiệm vụ vào khả năng vật lý hiện có của từng cỗ máy.

Kết nối thực tế — cần theo dõi điều gì tiếp theo?

Fi0 mở ra triển vọng giảm chi phí tích hợp hệ thống robot và thúc đẩy phát triển các thiết kế phần cứng chuyên biệt hơn. Song, để đánh giá tầm ảnh hưởng thực sự, cần quan sát cách mô hình vận hành ở môi trường công nghiệp, y tế và các nhiệm vụ đòi hỏi độ chính xác cao khi mở rộng quy mô. Những bước thử nghiệm rộng rãi và minh bạch về hiệu năng sẽ quyết định mức độ ứng dụng thực tế của phương pháp này.

Nếu bạn quan tâm đến cách các nền tảng trí tuệ chung có thể thay đổi cách ta chế tạo robot, Fi0 là một trong những ví dụ cần theo dõi chặt chẽ trong thời gian tới.

Để khám phá thêm về thiết bị ghi chú điện tử có thiết kế mỏng và trải nghiệm viết gần với giấy thật, bạn có thể tham khảo bài viết đánh giá reMarkable Paper Pure chi tiết — bài viết này phân tích kích thước, trọng lượng và cách reMarkable tối ưu trải nghiệm ghi chú cùng thời lượng pin.

Nếu tò mò về các dự án thử nghiệm tạo cảm giác nhẹ khi nhảy bằng rotor, hãy đọc bài phân tích khám phá ba lô rotor Lunavity do nhóm Đại học Tokyo phát triển để hiểu cơ chế và mục tiêu tạo lực đẩy hỗ trợ bật nhảy.

Để mở rộng kiến thức về cách sóng âm lan truyền qua các môi trường khác nhau và ứng dụng trong sonar, siêu âm hay địa chấn, bạn có thể xem bài viết hiểu rõ tốc độ âm thanh khác nhau với các ví dụ thực tế minh họa.