Robot Apollo 2 xếp linh kiện ô tô: tỷ lệ thành công 96% nói lên điều gì?

Một khay linh kiện xếp sai thứ tự có thể buộc người lắp ráp dừng lại tìm đúng món. Công việc chuẩn bị khay tưởng đơn giản nhưng đòi hỏi nhận biết vật trong thùng, gắp lên mà không trượt và đặt đúng vị trí. Ngày 10/11/2026, Google DeepMind công bố Gemini Robotics 2.5, kèm thử nghiệm trên dây chuyền Mercedes-Benz: robot hình người Apollo 2 gắp và xếp linh kiện với tỷ lệ thành công 96% theo hãng. Đây là kết quả thử nghiệm ý tưởng trong môi trường sản xuất, chưa phải số đo về hiệu quả của một ca làm việc tự động hoàn chỉnh.

Từ một thùng lộn xộn tới khay có thứ tự

Chuẩn bị linh kiện cho lắp ráp, thường gọi là kitting, là việc gom các món cần dùng vào một bộ có tổ chức. Nếu mỗi xe cần một tổ hợp khác nhau, thứ tự và số lượng món trong khay cũng quan trọng. Robot phải tìm được linh kiện giữa các vật có thể che nhau, xác định chỗ để gắp và theo dõi khay còn thiếu món nào. Khác với việc nhấc một vật luôn nằm ở cùng tọa độ, lần gắp tiếp theo có thể bắt đầu từ một thùng đã thay đổi hình dạng bề mặt.

Theo DeepMind, thử nghiệm dùng một mô hình suy luận để theo dõi quy trình, còn mô hình hành động Gemini Robotics 2.5 điều khiển tay và cánh tay Apollo 2. Sự phân vai này phản ánh hai câu hỏi khác nhau: tiếp theo cần làm việc gì và phải cử động thế nào để làm được việc đó. Mô hình thị giác–ngôn ngữ–hành động kết hợp thông tin nhìn thấy, yêu cầu bằng ngôn ngữ và đầu ra phục vụ điều khiển, thay vì chỉ trả lời một câu hỏi về hình ảnh.

Nhìn đúng linh kiện chưa đủ để gắp đúng

Hãy hình dung robot đã nhận đúng một miếng kim loại nhưng cầm ở mép không chắc. Khi nâng lên, vật có thể xoay hoặc trượt. Khi đưa vào khay, tay robot có thể chạm thành trước khi vật xuống đúng chỗ. Những tình huống đó đòi hỏi cập nhật từ quan sát và trạng thái cơ thể trong lúc di chuyển, không chỉ chọn một quỹ đạo từ ảnh ban đầu. Một hệ thống vẫn có thể nhận diện tốt nhưng thất bại vì cơ cấu kẹp hoặc cách tiếp xúc không phù hợp.

Thân robot quyết định khoảng với tay, lực và độ linh hoạt mà mô hình được phép sử dụng. Mô hình quyết định sử dụng những khả năng đó ra sao trong tình huống hiện tại. Cùng một lệnh cấp cao, hai bàn tay khác nhau có thể cần các chuyển động khác nhau. Khi đánh giá công nghệ, cần tách năng lực của phần mềm khỏi lợi thế của cơ cấu cơ khí. Một kết quả tốt trên một cấu hình chưa tự cho biết kết quả khi đổi kẹp, vật liệu hoặc cách bố trí thùng.

Đọc tỷ lệ 96% cùng với cách tính một lượt thử

Tỷ lệ thành công chỉ rõ nghĩa khi biết một lượt thử bắt đầu và kết thúc ở đâu. Gắp thành công một món, hoàn tất một khay và chạy hết một chuỗi không cần người hỗ trợ là ba chỉ số khác nhau. Công bố của DeepMind mô tả thử nghiệm gắp và xếp linh kiện, nhưng một nhà máy muốn mua hệ thống cần thêm phân bố thời gian, định nghĩa lỗi và mức can thiệp. Bài toán kinh tế phụ thuộc cả những lần robot không hoàn thành được và thời gian khắc phục.

Một ví dụ giả định giúp thấy sự khác biệt: nếu mỗi thao tác có xác suất thành công 96%, mười thao tác độc lập đều thành công chỉ có xác suất khoảng 66%. Phép tính là lấy 0,96 nhân với chính nó mười lần. Đây không phải kết quả đo của Apollo 2: thao tác thực tế không nhất thiết độc lập và robot có thể tự thử lại. Ví dụ chỉ cho thấy không nên lấy tỷ lệ của một thao tác rồi áp nguyên cho cả chuỗi. Biết hệ thống phát hiện và phục hồi lỗi thế nào quan trọng ngang con số ở lượt đầu.

Tự thử lại đúng lúc có thể hữu ích hơn làm thật nhanh

Nếu robot biết mình đã làm rơi một món và gắp lại, nhà máy có thể chấp nhận thời gian tăng thêm trong một số việc. Nếu robot không nhận ra lỗi và báo khay hoàn thành, lỗi có thể đi tiếp tới người lắp ráp. Vì vậy, một phép thử nên cố tình có các biến động trong phạm vi được phép: vật đổi hướng, thùng gần hết hoặc món bị che. Cần quan sát robot phát hiện gì, dừng ở đâu và đưa thông tin nào cho người hỗ trợ. Việc tiếp tục di chuyển tự tin không phải dấu hiệu hoàn thành đúng.

Nhóm triển khai cũng cần đo cách robot phối hợp với người. Khi người bước vào vùng làm việc, hệ thống phải có hành vi được xác định và kiểm tra ở cấp thiết bị, bao gồm cơ cấu dừng và giới hạn chuyển động. Khả năng mô hình từ chối một câu lệnh không phù hợp là một lớp bảo vệ khác với cảm biến an toàn hoặc mạch ngắt. Một thử nghiệm AI xử lý tốt lời nói không thay thế việc đánh giá an toàn của máy đang chuyển động trong một nhà xưởng cụ thể.

DeepMind cho biết đang đưa phiên bản mới tới các đối tác robot. Với nhà máy quan tâm, bước tiếp theo có giá trị là thử trên đúng nhóm linh kiện, nhịp sản xuất và mặt bằng của mình. Hãy ghi số khay hoàn thành không cần hỗ trợ, thời gian khôi phục và lỗi lọt qua bước kiểm tra. Kết quả như vậy giúp quyết định phần việc nào có thể giao cho robot, phần nào vẫn cần người và thay đổi gì ở công đoạn trước để robot làm ổn định hơn. Tỷ lệ 96% là một dữ kiện khởi đầu cho cuộc đánh giá ấy, chưa phải câu trả lời đầy đủ.

Nguồn: Google DeepMind — Gemini Robotics 2.5, ngày 10/11/2026; Association for Advancing Automation — đối chiếu công bố.

Ảnh minh họa lập trình robot hình người — ZhanatKappassov; không phải Apollo 2 hay thử nghiệm tại Mercedes-Benz. Trang nguồn và tệp gốc; CC0 1.0. Dùng nguyên bản.