AI không nhất thiết phải nằm trong “não” robot: Nó có thể thiết kế một cơ thể vốn đã dễ điều khiển hơn

Phần lớn nỗ lực làm robot “thông minh hơn” hiện nay tập trung vào phần mềm: thu thêm dữ liệu, huấn luyện policy lớn hơn, cải thiện perception hoặc cho model học nhiều kỹ năng hơn. Nhưng có một giới hạn rất vật lý mà phần mềm không thể xóa đi: nếu cánh tay quá ngắn, khớp đặt sai vị trí hoặc motor phải quay ở vùng bất lợi, một controller tốt đến đâu cũng phải làm việc khó hơn cần thiết.

Một công trình mới của Huy Ha, C. Karen Liu và Shuran Song đặt câu hỏi theo chiều ngược lại. Thay vì nhận một robot đã được chế tạo rồi tìm cách dạy nó làm nhiệm vụ, hệ thống Transformer Transformer nhận chuyển động cần thực hiện và thiết kế lại chính cơ thể robot cho chuyển động đó. “Cơ thể” ở đây không chỉ là vẻ ngoài: model có thể sinh ra chiều dài link, loại và vị trí joint, motor, khối lượng và các thông số quán tính, sau đó dùng cùng một mạng để dự đoán robot đó sẽ chuyển động ra sao và điều khiển nó.

Nhóm đã chế tạo một trong các thiết kế do model tạo ra trên nền robot hai tay ALOHA. Trong nhiệm vụ tung vải để trải phẳng, phần cứng được tối ưu giảm tracking error 73% và giảm tốc độ khớp cực đại 30% so với ALOHA nguyên bản. Thay đổi nhìn qua khá đơn giản: tay dài hơn và được lắp ngược phía sau workspace. Nhưng chính hình học mới khiến chuyển động tung vải trở nên phù hợp với cơ thể robot hơn.

Công trình mang tên Transformer Transformer: A Unified Model for Motion-Conditioned Robot Co-design, được nhóm giới thiệu cho Conference on Robot Learning 2026. Nó là một ví dụ cụ thể cho ý tưởng thường được gọi là morphological intelligence hoặc morphological computation: một phần “công việc tính toán” có thể được đẩy sang hình học, vật liệu và động lực học của cơ thể thay vì giao hết cho controller.

Một controller giỏi vẫn có thể mắc kẹt trong một cơ thể tệ

Trong robotics truyền thống, hardware và control thường được tối ưu ở hai giai đoạn tương đối tách biệt. Kỹ sư cơ khí quyết định kích thước thân, chiều dài cánh tay, số bậc tự do, actuator và giới hạn khớp. Sau đó nhóm control hoặc machine learning tìm policy phù hợp với phần cứng đó.

Cách làm này hợp lý về mặt quy trình, nhưng nó có thể bỏ qua một biến rất lớn: embodiment quyết định không gian chuyển động mà controller được phép khai thác. Một cánh tay dài hơn có thể chạm tới mục tiêu mà không cần xoay nhiều khớp cùng lúc. Một thân thấp hơn có thể ổn định hơn khi robot ném vật. Một chân rộng hơn có thể tăng support polygon và giảm yêu cầu giữ thăng bằng bằng phản hồi tốc độ cao.

Điều này không có nghĩa cơ thể “suy nghĩ”. Morphological intelligence là cách nói về việc cấu trúc vật lý làm giảm độ khó của bài toán điều khiển. Con người cũng dựa vào dạng cơ thể theo cách tương tự: gân lưu và trả năng lượng khi chạy, cấu trúc bàn chân phân phối lực, còn hình học xương khớp giới hạn nhiều chuyển động theo hướng có lợi mà não không cần tính lại từng lực vi mô.

Trong robot, nếu thiết kế cơ khí đảm nhận được một phần công việc đó, controller có thể dùng ít torque hơn, ít chuyển động bù hơn hoặc học nhiệm vụ nhanh hơn. Vấn đề là tìm ra hình học nào tốt cho một task cụ thể vốn là không gian tối ưu hóa rất lớn.

Transformer Transformer biến cả robot thành một chuỗi token

Khó khăn đầu tiên của nhóm là làm sao để một neural network có thể biểu diễn nhiều loại robot khác nhau trong cùng một định dạng. Một cánh tay sáu khớp, quadruped 12 khớp và humanoid hàng chục bậc tự do không có cùng topology, nên không thể đơn giản nhét chúng vào một vector có kích thước cố định.

Giải pháp được gọi là RoboTokens. Thay vì token hóa từ ngữ như language model, hệ thống token hóa các thành phần vật lý của robot: link, fixed joint, revolute hoặc prismatic joint, ball joint và motor. State và action cũng được biểu diễn thành token. Mỗi joint biết mình nối hai link nào; motor biết nó tác động lên joint nào.

Nhóm cho biết họ đã chuyển 11 robot từ MuJoCo Menagerie thành chuỗi chỉ khoảng 28–101 RoboTokens, bao phủ thiết bị từ bàn tay dexterous nặng 0,65 kg tới quadruped 67,5 kg, với 6–35 khớp chủ động. Cách biểu diễn này cho phép cùng một diffusion transformer nhận đầu vào là những cơ thể rất khác nhau mà không cần một adapter riêng cho từng robot.

Tên “Transformer Transformer” là một cách chơi chữ có chủ ý. Transformer thứ nhất nói tới robot có embodiment có thể thay đổi; Transformer thứ hai là kiến trúc self-attention dùng để xử lý các token đó.

Cho model xem chuyển động, rồi yêu cầu nó sinh ra cơ thể phù hợp

Bài toán mà nhóm gọi là motion-conditioned robot co-design bắt đầu bằng một target trajectory — chẳng hạn quỹ đạo đầu tay do con người biểu diễn. Người thiết kế cũng đặt reward cho điều mình quan tâm: bám quỹ đạo chính xác, dùng ít torque, giữ robot nhỏ hoặc kết hợp nhiều tiêu chí.

Transformer Transformer được huấn luyện như một dynamics model. Nó học quan hệ giữa embodiment, state và action thay vì chỉ học một reward cố định. Khi inference, model vừa sinh candidate hardware vừa dự đoán trạng thái và hành động tương ứng. Reward do người dùng định nghĩa được tính trên các dự đoán này.

Sau đó xuất hiện bước mà nhóm gọi là Dynamics Self-Guidance. Vì reward dự đoán là một hàm khả vi của các embodiment token, gradient của reward có thể được đưa ngược vào quá trình diffusion. Nói đơn giản, trong từng bước sinh robot, model có thể điều chỉnh thiết kế theo câu hỏi: thay đổi cấu trúc theo hướng nào sẽ khiến chuyển động tương lai đạt reward cao hơn?

Điểm này khác một black-box evolutionary search thuần túy. Một thuật toán như CMA-ES thường phải tạo nhiều thiết kế, chạy từng thiết kế trong simulator, chấm điểm rồi lặp lại qua nhiều thế hệ. Transformer Transformer đã học một mô hình dynamics, nên có thể đánh giá nhiều candidate song song trên GPU và dùng gradient để hướng quá trình sinh.

Trong benchmark của nhóm, các biến thể của model đạt chất lượng ngang hoặc cao hơn CMA-ES nhanh hơn đáng kể. Với bài toán bimanual tối ưu trên nhiều trajectory, trang dự án báo cáo CMA-ES mất hơn ba giờ, trong khi hệ thống diffusion hoàn thành trong dưới một phút. Đây là kết quả trong pipeline thử nghiệm của nhóm, không phải một tuyên bố rằng mọi bài toán mechanical design đều sẽ nhanh hơn ở cùng tỷ lệ.

Khi thêm penalty torque, model tự làm robot nhỏ và nhẹ hơn

Một trong những demo cho thấy rõ vì sao co-design khác với chỉ học control. Với quadruped thực hiện một chuyển động ném động, nếu reward chỉ ưu tiên tracking, model sinh thiết kế có trọng tâm thấp hơn và support polygon rộng hơn để tăng ổn định. Khi thêm penalty cho torque, robot được sinh ra nhỏ và nhẹ hơn trong khi vẫn bám chuyển động, giúp giảm khoảng 30% average torque trong ví dụ mà nhóm công bố.

Đây là phần gần nhất với ý tưởng “cơ thể thông minh”. Model không được bảo trước rằng trọng tâm thấp là tốt hay chân nên rộng hơn. Những đặc điểm hình học đó xuất hiện vì chúng làm dynamics của robot thuận lợi hơn cho reward đang được tối ưu.

Tuy nhiên, không nên diễn giải rằng AI đã phát hiện các định luật cơ khí hoàn toàn mới. Design space vẫn được con người định nghĩa; simulator, loại joint, actuator và các primitive geometry đều nằm trong phạm vi mà hệ thống biết cách biểu diễn. AI đang tìm cấu hình tốt bên trong không gian này, chứ chưa thể tùy ý phát minh mọi cơ cấu có thể chế tạo.

ALOHA tung vải: bằng chứng phần cứng đáng chú ý nhất

Phần thuyết phục nhất của nghiên cứu nằm ở thử nghiệm thật. Nhóm chọn thao tác cloth flinging trên ALOHA, một robot hai tay giá thấp thường dùng trong nghiên cứu manipulation. Tác vụ yêu cầu hai tay tăng tốc nhanh, vươn đủ xa và phối hợp theo quỹ đạo mà vải còn đưa thêm drag, khối lượng và ma sát khó mô hình hóa chính xác.

ALOHA gốc gặp khó trong việc bám target trajectory. Transformer Transformer được yêu cầu tối ưu embodiment cho reward liên quan tới tracking velocity. Thiết kế cuối cùng thay đổi hai đặc điểm chính.

• Link tay dài hơn: đủ để vươn qua quỹ đạo tung vải nhưng vẫn giữ khối lượng trong giới hạn torque của Dynamixel motor.
• Cách lắp tay đảo ngược: hai tay treo từ phía sau workspace, cho phép thực hiện kiểu underarm swing thay vì phải vung tay qua đầu.

Nhóm sau đó chế tạo cấu hình này thay vì chỉ kiểm tra trong MuJoCo. Trên phần cứng, thiết kế tối ưu giảm tracking error 73% và giảm maximum joint speed 30% so với ALOHA nguyên bản trong chuyển động mục tiêu. Video dự án cũng cho thấy robot tối ưu có thể tung và trải tấm vải trong trường hợp cấu hình gốc không thực hiện tốt cùng trajectory.

Điểm quan trọng là model không làm motor mạnh hơn và cũng không cần một policy “thông minh hơn” riêng cho thiết kế mới. Nó thay đổi cơ thể để nhiệm vụ vốn khó với phần cứng cũ trở thành một chuyển động dễ thực hiện hơn.

Nhưng đây chưa phải AI có thể bấm nút rồi in ra bất kỳ robot nào

Transformer Transformer vẫn có những giới hạn khá rõ. RoboTokens hiện biểu diễn geometry bằng các primitive, chưa hỗ trợ arbitrary mesh hoặc deformable body. Môi trường xung quanh và contact target cũng chưa được encode đầy đủ, vì vậy model chưa thực sự nhìn một nhà bếp, một vật thể và một nhiệm vụ rồi tự thiết kế toàn bộ robot tương tác với chúng.

Khả năng generalize của controller cũng chưa hoàn hảo. Nhóm báo cáo độ tương quan Pearson giữa cross-embodiment controller và một RL oracle chỉ khoảng 0,53 trên các embodiment do diffusion sinh ra. Một số hình dạng nằm ngoài vùng quen thuộc vẫn làm controller thất bại.

Dữ liệu huấn luyện cũng đắt. Với các controller whole-body dựa trên reinforcement learning, paper cho biết một RL expert cho mỗi lựa chọn thiết kế rời rạc có thể cần khoảng 16 giờ A100. Vì vậy, việc mở rộng sang nhiều design space hơn không chỉ là bài toán thêm robot vào dataset.

Cuối cùng, lợi ích được chứng minh trên một số không gian thiết kế và một prototype ALOHA cho task cụ thể. Nó chưa cho thấy AI có thể tự thiết kế một humanoid thương mại hoàn chỉnh với độ bền, dây điện, tản nhiệt, manufacturability, safety và chi phí sản xuất đều được tối ưu đồng thời.

Từ “AI điều khiển robot” sang “AI thiết kế thứ đáng để điều khiển”

Robotics trong vài năm gần đây thường xem intelligence như thứ nằm trong neural network: perception model hiểu camera, policy chọn action, rồi actuator thi hành. Transformer Transformer gợi ý một phân chia khác. AI có thể được dùng trước khi robot tồn tại để quyết định cơ thể nào khiến control problem trở nên dễ hơn ngay từ đầu.

Đây không phải sự thay thế cho AI controller. Cơ thể tốt vẫn cần perception, planning và feedback control để xử lý môi trường thật. Nhưng nếu morphology đã phù hợp với task, phần mềm không phải liên tục bù cho những quyết định cơ khí bất lợi.

Bước tiếp theo quan trọng sẽ là mở design representation sang geometry phức tạp, contact với môi trường và nhiều constraint chế tạo hơn. Nếu làm được, robot co-design có thể chuyển từ việc chọn chiều dài vài link sang một quy trình nơi chuyển động mong muốn, actuator, cơ cấu và controller được tối ưu như một hệ thống duy nhất.

Khi đó, “AI của robot” sẽ không chỉ là model chạy sau khi bật nguồn. Một phần của nó có thể đã được dùng từ trước để quyết định robot nên có cơ thể như thế nào.

Nguồn: Huy Ha, C. Karen Liu và Shuran Song, Transformer Transformer: A Unified Model for Motion-Conditioned Robot Co-design, 2026; trang dự án Transformer Transformer; và bài tổng quan Morphological computation—Past, present and future, Device, 2024.