Mô hình nền cho robot: hứa hẹn và giới hạn

Trong xử lý ngôn ngữ, một mô hình lớn huấn luyện một lần rồi dùng cho vô số việc. Câu hỏi tự nhiên là liệu robot có đi theo con đường đó không. Câu trả lời hiện nay là có thể, nhưng ba trở ngại chưa được giải.

Hứa hẹn cụ thể là gì

Nếu tồn tại một mô hình nền cho robot, ba thứ sẽ thay đổi.

Không phải huấn luyện từ đầu cho mỗi nhiệm vụ. Thay vào đó là tinh chỉnh với ít dữ liệu, giống cách các mô hình ngôn ngữ được thích ứng cho từng việc.

Dữ liệu cộng dồn được. Dữ liệu thu ở phòng lab này làm lợi cho robot ở nơi khác, thay vì mỗi nhóm tự thu và tự dùng.

Robot mới dùng được ngay. Lắp mô hình lên một thân máy khác và nó hoạt động ở mức cơ bản, thay vì phải bắt đầu lại.

Ba điều này sẽ rút ngắn đáng kể thời gian và chi phí đưa robot vào một ứng dụng mới.

Trở ngại một: dữ liệu robot không giống dữ liệu văn bản

Văn bản có sẵn với khối lượng khổng lồ và gần như miễn phí. Dữ liệu thao tác robot thì ngược lại ở mọi khía cạnh.

Nó phải được tạo ra chứ không thu thập được từ nguồn có sẵn. Mỗi mẫu tốn thời gian thực. Nó gắn với một thân máy cụ thể. Và nó cần cả quan sát lẫn hành động tương ứng, tức là phải có thiết bị ghi đồng bộ.

Hệ quả: quy mô dữ liệu robot hiện nay nhỏ hơn dữ liệu văn bản nhiều bậc. Các quy luật mở rộng quan sát được ở mô hình ngôn ngữ chưa chắc áp dụng được khi dữ liệu bị chặn ở mức đó.

Trở ngại hai: mỗi thân máy một kiểu

Trong ngôn ngữ, một câu là một câu, không phụ thuộc thiết bị. Trong robot, cùng một nhiệm vụ trên hai thân máy khác nhau cho ra hai chuỗi hành động hoàn toàn khác.

Số khớp khác nhau, tầm với khác nhau, tay kẹp khác nhau, camera đặt ở vị trí khác nhau. Ngay cả khi cùng model, hai máy vẫn khác nhau về hiệu chỉnh và độ mòn.

Hướng xử lý hiện nay là tìm cách biểu diễn hành động ít phụ thuộc thân máy — ví dụ mô tả theo chuyển động của đầu công tác trong không gian, hoặc theo mục tiêu cần đạt thay vì theo lệnh khớp.

Đây là vấn đề mở, và tiến bộ ở đây có lẽ quan trọng hơn cả việc làm mô hình lớn hơn.

Trở ngại ba: đánh giá rất khó

Với mô hình ngôn ngữ, có thể chạy hàng loạt bài kiểm tra tự động trong vài giờ. Với robot, mỗi lần thử là một lần thao tác vật lý mất vài chục giây, cần người sắp lại hiện trường, và phụ thuộc vào tình trạng cụ thể của thiết bị hôm đó.

Điều này làm chậm toàn bộ chu kỳ nghiên cứu và khiến việc so sánh giữa các nhóm rất khó: mỗi phòng lab có thân máy khác, môi trường khác, cách sắp đặt khác.

Đó cũng là lý do các con số công bố trong lĩnh vực này nên được đọc thận trọng hơn so với các lĩnh vực có bộ kiểm thử chuẩn hoá tốt.

Theo dõi tiến bộ bằng chỉ dấu nào

Thay vì theo dõi kích thước mô hình hay số lượng video trình diễn, ba chỉ dấu sau nói lên nhiều hơn.

• Kết quả trên nhiệm vụ chưa từng huấn luyện, không phải trên nhiệm vụ đã có trong dữ liệu.
• Chuyển giao sang thân máy khác với lượng dữ liệu tinh chỉnh nhỏ. Đây là bài kiểm tra thật của ý tưởng mô hình nền.
• Kết quả tái lập được bởi nhóm khác trên phần cứng khác.

Một cách nhìn cân bằng: hướng đi này đã cho kết quả thật ở các nhiệm vụ thao tác trong môi trường bán cấu trúc, và đó là tiến bộ đáng kể so với vài năm trước. Nhưng khoảng cách tới một mô hình dùng chung cho mọi robot và mọi việc vẫn còn lớn, và trở ngại chính là dữ liệu chứ không phải kiến trúc.

Câu hỏi thường gặp

Đọc thêm trong Sim2real: từ mô phỏng ra máy thật và Robot hiện thân là gì.