Skild S1: Robot học việc qua một video

Tin chính là gì?

Theo BTNA, kỳ lân robot Skild AI đã công bố Skild S1, một mô hình nền tảng cho robot có khả năng học theo ngữ cảnh, hay In-Context Learning (ICL). Điểm đáng tiền nằm ở cách dạy: con người quay một video thị phạm thao tác, có thể dài hơn 10 phút, rồi robot thực hiện quy trình đó mà không cần fine-tuning, post-training hay cập nhật trọng số.

Skild S1 được thử với những công việc chưa xuất hiện trong dữ liệu huấn luyện như làm bánh kếp, pha cà phê, thay chậu cây và lắp ráp linh kiện. Với các tác vụ out-of-distribution (OOD), mô hình đạt tỷ lệ thành công 66% ngay lần thử one-shot đầu tiên. Mốc này vượt xa 9% của các mô hình Vision-Language-Action (VLA) điều khiển chủ yếu bằng ngôn ngữ. Theo dữ liệu công bố, cách fine-tuning truyền thống cần khoảng 380 lượt thị phạm để chạm mức 66% tương đương.

Vì sao đáng chú ý?

Robot lâu nay bị kẹt ở bài toán dữ liệu vật lý. LLM có thể học từ kho văn bản khổng lồ trên Internet; robot muốn học một động tác phải có dữ liệu cảm biến, hình ảnh và thao tác thật. Mỗi nhiệm vụ mới thường kéo theo lập trình lại, thu thập dữ liệu rồi fine-tuning. Đó là quy trình chậm, đắt và rất khó mở rộng khi nhà máy đổi SKU hoặc thay dây chuyền.

Skild S1 đổi đơn vị giao tiếp với robot: từ language prompt sang “action video prompt”. Video không chỉ nói “hãy lắp linh kiện”, mà cho robot thấy thứ tự thao tác, tư thế, vị trí vật thể và những chi tiết không gian 3D mà câu lệnh thường bỏ sót. Mô hình giữ nguyên trọng số, dùng video làm ngữ cảnh để suy luận hành động.

Đây là lý do nhiều người gọi nó là khoảnh khắc “GPT” cho embodied AI. So sánh này có phần cường điệu, nhưng ý chính đúng: robot đang tiến gần cách nhận một prompt mới rồi xử lý ngay, thay vì phải được huấn luyện riêng như thời “BERT”. SoftBank, Nvidia và Jeff Bezos hậu thuẫn Skild AI, công ty được định giá hơn 14 tỷ USD, cho thấy thị trường đang cược lớn vào hướng đi này.

Tác động thực chiến

Nếu kết quả giữ được khi triển khai ngoài phòng thử nghiệm, đội tự động hóa có thể thay đổi cách giao việc. Thay vì viết logic điều khiển tay hoặc tổ chức hàng trăm lượt thị phạm, kỹ thuật viên quay một quy trình chuẩn rồi để robot học từ bản ghi đó. Với ví dụ thay chậu cây hay lắp ráp linh kiện, quy trình từ quay mẫu đến robot vận hành được mô tả ở mức khoảng 11 phút.

Giá trị lớn nhất nằm ở các môi trường biến động: kho vận có hàng hóa đổi mẫu, xưởng lắp ráp nhiều SKU, hoặc đơn vị vận hành cần chuyển robot sang một thao tác mới liên tục. Mô hình “any robot, any task, one brain” cũng nhắm tới việc dùng một bộ não chung cho cánh tay công nghiệp, robot bốn chân và humanoid.

Dù vậy, doanh nghiệp không nên đọc con số 66% như giấy phép mua robot ngay ngày mai. Thành công one-shot là bước nhảy nghiên cứu đáng kể, nhưng nhà máy cần quy trình an toàn, thiết kế khu vực thao tác, video mẫu chuẩn và cơ chế phát hiện lỗi. Một robot làm sai 34 lần trên 100 lượt có thể chấp nhận được ở giai đoạn thử nghiệm, nhưng chưa đủ cho công đoạn gây hỏng sản phẩm hoặc rủi ro cho người.

Cường Nguyễn nhận định

Tôi đánh giá Skild S1 là một công bố đáng khen vì nó đánh trúng nút thắt thật của robotics: chi phí dạy robot, chứ không phải thiếu một chatbot biết mô tả hành động. Video thị phạm là giao diện tự nhiên hơn ngôn ngữ cho thế giới vật lý. Nó chứa vị trí, lực, nhịp thao tác và trình tự mà prompt chữ thường diễn đạt rất mơ hồ.

Nhưng gọi đây là ChatGPT của robot vẫn còn sớm. Khoảng cách giữa 66% và yêu cầu độ tin cậy của sản xuất công nghiệp rất lớn; phần cứng, độ bền cảm biến và các tình huống bất thường chưa biến mất chỉ vì model biết ICL. Khuyến nghị cụ thể: doanh nghiệp nên chọn một tác vụ ít rủi ro, có chu kỳ lặp lại và dễ đo lỗi để pilot bằng video thị phạm; đừng đem ngay robot học qua video vào khâu an toàn trọng yếu.

Câu hỏi thường gặp

Skild S1 khác gì mô hình VLA truyền thống?

Skild S1 dùng video thao tác làm action prompt để học nhiệm vụ mới theo ICL mà không cập nhật trọng số. Trên tác vụ OOD, Skild AI công bố mức thành công one-shot 66%, so với 9% của VLA điều khiển bằng ngôn ngữ trong dữ liệu được nêu.

Robot có cần fine-tuning sau khi xem video không?

Theo công bố về S1, câu trả lời là không: mô hình thực hiện tác vụ sau một video thị phạm mà không cần fine-tuning, post-training hoặc zero gradient updates.

Nhà máy nên chuẩn bị gì để thử nghiệm?

Hãy chuẩn hóa video mẫu, chọn tác vụ ít rủi ro, xác định tiêu chí thành công và bố trí bước kiểm tra lỗi. Giá trị của S1 nằm ở tốc độ chuyển giao, nhưng hiệu quả thực tế vẫn phụ thuộc môi trường thao tác có đủ ổn định để robot lặp lại hay không.

Nguồn tham khảo: BTNA