Fi0 — Khi một “bộ não” AI có thể di chuyển cùng nhiều thân robot khác nhau

Thay vì gắn trí tuệ nhân tạo cứng nhắc vào một mẫu robot duy nhất, Feagine Robotics thử một hướng tiếp cận mới: phát triển một mô hình nền tảng giúp giữ lại kỹ năng nhiệm vụ khi cỗ máy vật lý thay đổi. Mô hình này có tên Fi0 và được thiết kế để làm việc xuyên suốt giữa các dạng thân robot khác nhau — từ các cánh tay mềm cho đến mô-đun chuyên dụng — mà không phải huấn luyện lại toàn bộ hệ thống từ đầu.

Tại sao vấn đề “thay thân” lại gây khó cho robot?

Truyền thống trong robot học là phần cứng và phần mềm thường đi đôi: khi thay đổi cấu trúc cơ học, mọi giả định về kinematics, phản hồi cảm biến và chiến lược điều khiển có thể bị phá vỡ. Với robot mềm, thách thức càng lớn vì thân máy không có khớp cố định; nó biến dạng liên tục khi tương tác với môi trường. Kết quả là một kỹ năng học được trên cấu hình này không trực tiếp chuyển sang cấu hình khác được.

Fi0 là gì và nó giải quyết vấn đề ra sao?

Fi0 được mô tả như một cross-embodiment foundation model — tức một mô hình nền tảng xuyên thể hiện. Mục tiêu của Fi0 là bảo toàn “tri thức nhiệm vụ” khi chuyển đổi giữa các cỗ máy có cấu hình vật lý khác nhau. Một trong những thành phần then chốt của Fi0 là cấu trúc biểu diễn gọi là “Đồ thị thể hiện” (Embodiment Graph). Đồ thị này mã hóa thông tin về hình thái, cảm biến, cơ cấu truyền động và trạng thái hiện tại của robot vào quá trình ra quyết định.

Kiểm chứng bằng bộ ba cánh tay mềm kiểu “Bác sĩ Bạch Tuộc”

Để thử khả năng xuyên thể hiện của Fi0, Feagine giới thiệu ba mẫu cánh tay mềm điều khiển bằng dây gân mang tên mã A01, A02 và A03. Ba mẫu này được thiết kế theo thông số tăng dần nhằm đánh giá giới hạn xử lý của hệ thống:

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

Việc dùng ba cấu hình khác nhau cho phép kiểm tra xem Fi0 có thể áp dụng cùng một “tri thức nhiệm vụ” để điều phối hành động tương ứng trên từng thân máy hay không.

Cách Fi0 học từ một lần thị phạm

Một điểm nổi bật của Fi0 là khả năng học từ một lần thị phạm mà không cần quá trình huấn luyện lại phức tạp. Khi con người thao tác mẫu — ví dụ di chuyển một vật — Fi0 không cố gắng sao chép chính xác quỹ đạo chuyển động tay người. Thay vào đó, mô hình trích xuất các yếu tố cốt lõi của hành vi:

• nhận diện vật thể liên quan,
• trật tự các bước thực hiện,
• những điểm tiếp xúc quan trọng,
• mục tiêu cuối cùng của nhiệm vụ.

Từ các thông tin này, Fi0 sẽ tính toán cách phối hợp thân hiện tại của robot—căn cứ vào Embodiment Graph—để đạt được mục tiêu tương tự, bất kể robot đó có cấu tạo khác với tay người hay mẫu ban đầu.

Ý nghĩa đối với thiết kế hệ thống robot

Chiến lược của Fi0 thay đổi cách nhìn về xây dựng robot: thay vì cố gắng chế tạo một robot “tất cả trong một” để xử lý mọi nhiệm vụ, ý tưởng là phát triển một tầng trí tuệ dùng chung có thể cài đặt lên nhiều dạng cỗ máy chuyên dụng. Điều này mở ra khả năng:

• tối ưu hóa phần cứng cho nhiệm vụ cụ thể (ví dụ cánh tay cứng cho nhà máy, cánh tay mềm cho y tế),
• giữ lại và chia sẻ kỹ năng giữa các hệ thống khác nhau mà không phải thiết kế toàn bộ lại phần mềm,
• gia tăng tốc độ triển khai các giải pháp robot trên nhiều môi trường làm việc khác nhau.

Giới hạn và lộ trình tiếp theo

Feagine thừa nhận Fi0 vẫn ở giai đoạn đầu phát triển và cần thêm thử nghiệm trên quy mô phần cứng rộng hơn. Việc đánh giá độ bền, an toàn khi tác động vào môi trường thực tế, và hiệu năng khi đối mặt với tình huống ngoại lệ vẫn là những bài toán cần giải quyết trước khi ứng dụng rộng rãi. Tuy vậy, kết quả ban đầu cho thấy cách tiếp cận mô hình nền tảng xuyên thể hiện có thể giải quyết một nút thắt kỹ thuật lâu nay trong robot học.

Nên chú ý điều gì khi theo dõi công nghệ này?

Khi quan sát tiến trình của Fi0 và các mô hình tương tự, có vài khía cạnh hữu ích để đánh giá:

• khả năng chuyển giao kỹ năng giữa các cấu hình thực tế (transferability);
• tính ổn định của hành vi khi thân máy biến dạng nhiều;
• những yêu cầu về dữ liệu và cảm biến để Embodiment Graph hoạt động hiệu quả;
• khả năng xử lý tình huống không có tiền lệ (generalization) mà không cần huấn luyện lại.

Kết luận: một hướng tiếp cận hứa hẹn cho tự động hóa linh hoạt

Fi0 không phải là lời hứa biến mọi robot thành một thực thể duy nhất, mà là nỗ lực tách rời “tri thức nhiệm vụ” khỏi chi tiết cơ học cụ thể. Nếu tiếp tục tiến bộ, cách tiếp cận này có thể tạo điều kiện cho một hệ sinh thái robot đa dạng, nơi nhiều loại thân máy cùng chia sẻ một tầng trí tuệ chung. Điều đó giúp nhà thiết kế tập trung tối ưu phần cứng cho mục đích sử dụng, đồng thời tận dụng lại kỹ năng đã học trong một mạng lưới cỗ máy phong phú.

Câu hỏi thường gặp (FAQ)

Fi0 học từ một lần thị phạm như thế nào?

Fi0 trích xuất các yếu tố cốt lõi của hành vi—như nhận diện vật thể, trình tự bước, điểm tiếp xúc và mục tiêu—thay vì sao chép quỹ đạo chuyển động chính xác. Từ đó nó điều phối thân máy hiện tại dựa trên Embodiment Graph.

Tại sao robot mềm là thách thức lớn?

Robot mềm không có khớp định hình cố định và có thể biến dạng liên tục, khiến mô hình kinematic và chiến lược điều khiển phức tạp hơn so với robot công nghiệp truyền thống.

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

A01 có một đốt, hai bậc tự do, trọng lượng 750 gram, tải 200 gram; A02 hai đốt, bốn bậc tự do, tải 400 gram; A03 ba đốt, 6+1 bậc tự do, chiều dài khoảng 50 cm, tải 600 gram.

Fi0 đã sẵn sàng cho ứng dụng thương mại chưa?

Theo mô tả, Fi0 còn ở giai đoạn đầu và cần thêm thử nghiệm trên quy mô phần cứng rộng hơn trước khi được triển khai đại trà.

Những thông tin trên dựa trên mô tả và thử nghiệm ban đầu từ Feagine Robotics về mô hình Fi0 và bộ ba cánh tay thử nghiệm A01–A03. Công nghệ này mở ra một hướng mới trong cách thiết kế trí tuệ cho robot: phát triển một nền tảng có thể vận hành trên nhiều dạng thân khác nhau thay vì liên tục viết lại phần mềm cho từng mẫu riêng lẻ.

Để tìm hiểu sâu hơn về sản phẩm ghi chú số dùng màn E‑Ink, bạn có thể đọc thêm bài viết Đánh giá reMarkable Paper Pure chi tiết với phân tích về thiết kế, trải nghiệm viết và thời lượng pin.

Nếu bạn hứng thú với những ý tưởng thiết kế giúp giảm tải cảm giác trọng lượng trên cơ thể con người, bài viết về Ý tưởng ba lô trợ lực Lunavity giới thiệu nguyên mẫu ba lô 16 rotor và cơ chế hoạt động giúp hỗ trợ nhảy.

Với nhu cầu thiết bị học tập có màn hiển thị gần cảm giác như giấy, bài Đánh giá Honor Pad 20 cho học tập phân tích thiết kế màn “như giấy”, pin và tính năng hỗ trợ AI dành cho học sinh, sinh viên.

Để có thêm thông tin hữu ích và góc nhìn thực tiễn về chủ đề liên quan, bạn có thể tham khảo bài viết Lunavity: Ba lô 16 rotor hỗ trợ nhảy và ý tưởng làm nhẹ cơ thể. Nội dung này sẽ giúp bạn nắm rõ hơn các điểm then chốt và áp dụng dễ dàng hơn.

Để có thêm thông tin hữu ích và góc nhìn thực tiễn về chủ đề liên quan, bạn có thể tham khảo bài viết Honor Pad 20: Tablet màn hình như giấy, thiết kế dành cho học tập. Nội dung này sẽ giúp bạn nắm rõ hơn các điểm then chốt và áp dụng dễ dàng hơn.