Không cần lập trình lại robot: Physical AI mới muốn học công việc chỉ bằng cách xem một video 10 giây

Trong nhiều thập kỷ, muốn một robot làm công việc mới thường đồng nghĩa với việc phải viết lại chương trình, thu thập dữ liệu mới hoặc huấn luyện lại policy. Generalist AI đang thử thay đổi mô hình đó bằng một ý tưởng nghe giống cách con người học việc hơn: cho robot xem một ví dụ ngắn, rồi yêu cầu nó tự làm lại.

Ngày 19/8/2026, Generalist AI công bố GEN-1.5, một robot foundation model mà công ty cho biết có thể tiếp nhận một lần trình diễn dài khoảng 3–12 giây và lập tức thử thực hiện nhiệm vụ mới mà không cần cập nhật trọng số hay fine-tune riêng cho task đó.

Generalist gọi cơ chế này là physical prompting – có thể hiểu là “prompt bằng hành động vật lý”. Nếu chatbot nhận một vài ví dụ văn bản trong cửa sổ ngữ cảnh rồi suy ra cách trả lời, GEN-1.5 nhận một chuỗi hành động mẫu trong context rồi suy ra robot cần làm gì tiếp theo.

Điều đáng chú ý không phải robot đã đạt độ tin cậy hoàn hảo. Thực tế, tỷ lệ thành công one-shot mà Generalist báo cáo mới ở mức trung bình 59% trên 10 nhiệm vụ thao tác khác nhau. Cột mốc đáng chú ý nằm ở chỗ một robot foundation model bắt đầu thể hiện khả năng học kỹ năng mới ngay trong lúc chạy, thay vì luôn phải quay lại vòng lặp thu dữ liệu → train → deploy.

Nếu hướng này tiếp tục tiến bộ, “lập trình robot” trong tương lai có thể bớt giống viết code và gần hơn với câu nói rất đời thường: “Nhìn tôi làm một lần nhé.”

“Video 10 giây” không có nghĩa robot xem YouTube rồi biết làm mọi thứ

Tiêu đề “học bằng video 10 giây” dễ gây ấn tượng rằng người dùng chỉ cần mở một clip bất kỳ trước camera rồi robot tự hiểu. Công bố kỹ thuật của Generalist thận trọng hơn.

GEN-1.5 có một cửa sổ ngữ cảnh khoảng 30 giây, nơi mô hình tiếp nhận video cùng các tín hiệu khác như trạng thái robot, dữ liệu cảm biến, ngôn ngữ và thông tin proprioception. Một physical prompt là chuỗi sensorimotor – nghĩa là không chỉ có hình ảnh về chuyện gì xảy ra, mà còn có thông tin liên quan đến hành động tạo ra chuyển động đó.

Dữ liệu trình diễn có thể đến từ robot, từ người sử dụng thiết bị cầm tay để ghi lại thao tác, hoặc trong một số thí nghiệm từ chính bàn tay con người được robot quan sát qua camera. Vì vậy, đây chưa phải công nghệ “xem một TikTok rồi học nghề”.

Nhưng sự khác biệt so với pipeline robot truyền thống vẫn rất lớn. Thay vì dùng nhiều chục hay nhiều trăm lần trình diễn để huấn luyện một policy riêng, hệ thống có thể dùng một ví dụ ngắn như một phần của context và thử task ngay sau đó.

Từ prompt chữ sang “prompt vật lý”

Điểm thú vị nhất của GEN-1.5 là phép so sánh với in-context learning của mô hình ngôn ngữ.

Với một LLM, người dùng có thể đưa vài cặp ví dụ hỏi–đáp rồi yêu cầu mô hình tiếp tục theo cùng quy luật. Mô hình không cần thay đổi trọng số chỉ để trả lời prompt hiện tại; nó sử dụng ví dụ nằm trong context để suy ra hành vi mong muốn.

Generalist đang thử mang cùng nguyên lý đó sang thế giới vật lý. Thay vì:

• Ví dụ văn bản → câu trả lời văn bản,

robot nhận:

• Ví dụ sensorimotor → chuỗi hành động vật lý.

Trong các demo mà công ty công bố, những nhiệm vụ gồm mở khóa kéo túi bút, vặn nắp lọ, quét một khối vào bát hoặc lấy một vật khỏi ví. Sau khi physical prompt được đặt vào context, GEN-1.5 tạo quỹ đạo điều khiển ở tần số 100 Hz để robot thực hiện task.

Điều này chuyển một phần bài toán “dạy robot” từ training-time sang inference-time. Robot không nhất thiết phải trở thành một model mới sau mỗi công việc; task mới có thể được mô tả bằng một ví dụ ngắn ngay trước lúc làm.

59% thành công: chưa đủ để giao dây chuyền sản xuất, nhưng đủ để đáng chú ý

Theo Generalist, GEN-1.5 đạt tỷ lệ thành công trung bình 59% ± 10% trên 10 nhiệm vụ khi chỉ dùng một physical prompt và không có gradient update.

Con số này cần được đọc đúng ngữ cảnh.

59% không phải độ tin cậy mà một nhà máy muốn thấy ở một robot đang vận hành liên tục. Một công việc production có thể yêu cầu tỷ lệ thành công cao hơn rất nhiều, khả năng tự phục hồi rõ ràng và các lớp an toàn độc lập.

Generalist cũng thừa nhận các task đánh giá hiện là những nhiệm vụ ngắn và tương đối đơn giản. Kỹ năng học trong context còn dễ vỡ hơn policy đã được fine-tune.

Tuy nhiên, mục tiêu của thí nghiệm one-shot không phải chứng minh robot đã “biết mọi nghề”. Nó kiểm tra một câu hỏi nền tảng hơn: liệu sau đủ nhiều pretraining trên tương tác vật lý, model có thể bắt đầu học hành vi mới chỉ từ context như LLM hay không?

Kết quả mà công ty báo cáo cho thấy câu trả lời ban đầu có thể là có.

Nếu cho thêm 5 phút dữ liệu, tỷ lệ thành công tăng lên 83%

GEN-1.5 không chỉ có chế độ one-shot. Generalist còn thử mức thích nghi rất nhẹ bằng gradient descent.

Với khoảng 5 phút dữ liệu cho mỗi nhiệm vụ, tương đương khoảng 50 lần trình diễn, và chỉ 10 bước gradient, tỷ lệ thành công trung bình mà công ty báo cáo tăng lên 83% ± 9%.

Trong chế độ cực ít dữ liệu hơn, một bước gradient trên khoảng một phút dữ liệu cũng đã tạo ra mức cải thiện đáng kể ở một task giữ lại để đánh giá.

Ý nghĩa ở đây là khoảng cách giữa “robot hoàn toàn chưa biết task” và “robot có một policy dùng được để tiếp tục tinh chỉnh” có thể thu ngắn rất mạnh.

Trong pipeline cũ, tạo một kỹ năng mới thường đòi hỏi thu thập dataset, train hàng nghìn hoặc hàng chục nghìn bước, đánh giá rồi triển khai checkpoint mới. Nếu foundation model đã mang trong nó đủ nhiều “kinh nghiệm vật lý” từ pretraining, quá trình thích nghi có thể giống việc gợi lại một kỹ năng gần như đã biết hơn là học từ đầu.

Pretraining đang trở thành “trường đời” của robot

Generalist cho biết GEN-1.5 đã được pretrain liên tục hơn tám tháng trên dữ liệu tương tác vật lý quy mô lớn. Công ty mô tả nguồn dữ liệu gồm những hoạt động được ghi nhận trong nhiều bối cảnh như nhà ở, kho hàng và nhà máy.

Đây là khác biệt lớn giữa robot foundation model và robot chuyên dụng truyền thống.

Một cánh tay robot cổ điển có thể thực hiện một chương trình cực kỳ ổn định, nhưng nó không có “vốn kinh nghiệm” rộng để suy ra một thao tác mới. Foundation model cố gắng xây vốn kinh nghiệm đó trước.

Khi model đã nhìn và thực hiện đủ nhiều biến thể của nắm, kéo, xoay, đặt, mở, đóng, đổi tay hoặc xử lý vật cản, một task mới có thể chỉ là tổ hợp hơi khác của những cấu trúc vận động đã tồn tại trong biểu diễn của nó.

Đây cũng là lý do Generalist cho rằng physical prompting xuất hiện như một năng lực nổi lên trong quá trình scale pretraining, chứ không phải một module được thiết kế riêng để one-shot learning.

Robot không chỉ bắt chước quỹ đạo, nó phải hiểu mục tiêu

Nếu robot chỉ ghi nhớ tọa độ cánh tay rồi phát lại, physical prompting sẽ không có nhiều giá trị ngoài một môi trường được căn chỉnh hoàn hảo.

Thử thách thực tế nằm ở chỗ vật thể có thể đặt lệch, góc camera thay đổi, tay robot bắt đầu từ tư thế khác hoặc một bước thao tác không diễn ra đúng như demo.

Generalist cho biết các behavior được prompt có thể tổng quát sang một số thay đổi về vị trí và kích thước vật thể, đôi lúc tự sửa lỗi hoặc tìm chiến lược khác để đạt cùng mục tiêu.

Một ví dụ đáng chú ý là khả năng phối hợp hai physical prompt khác nhau. Khi đưa vào context hai demo độc lập, model có thể nối chúng thành một hành vi dài hơn và tự tạo chuyển động trung gian như đổi vị trí hoặc regrasp.

Nếu năng lực này được cải thiện, một thư viện robot skill tương lai có thể không cần chứa hàng nghìn chương trình cứng. Nó có thể chứa những “đoạn mẫu” ngắn được ghép lại theo ngữ cảnh – gần với cách con người kết hợp các kỹ năng nhỏ để làm việc phức tạp.

Một physical prompt có thể đến từ simulator

GEN-1.5 còn cho thấy một khả năng thú vị khác: demonstration trong simulation có thể được dùng làm prompt cho robot thật.

Theo Generalist, pretraining của model không chứa dữ liệu mô phỏng. Tuy vậy, trong một số thử nghiệm, một chuỗi hành động được tạo hoàn toàn trong simulator vẫn có thể đặt vào context để hướng robot ngoài đời thực hiện task.

Điều này khác với sim-to-real truyền thống, nơi policy thường được train trong simulation rồi mang thẳng ra hardware. Ở đây, simulation có thể đóng vai trò nguồn tạo ví dụ, còn foundation model đã được pretrain từ kinh nghiệm vật lý chịu trách nhiệm diễn giải ví dụ đó.

Nếu cách tiếp cận này mở rộng tốt, một số công việc mới có thể được “dạy” bằng demo ảo trước, giảm nhu cầu con người phải lặp lại mọi thao tác trên robot thật.

Human-to-robot: xem tay người rồi làm theo

Một trong những phần gần nhất với hình dung “học bằng cách quan sát” là thí nghiệm human-to-robot.

Generalist cho biết trong một số trường hợp, con người thực hiện task bằng tay trong tầm nhìn camera của robot và hệ thống có thể tái tạo hành vi ngay sau đó.

Đây là bài toán khó vì cơ thể người và robot khác nhau. Bàn tay người có hình học, độ linh hoạt và kiểu tiếp xúc không giống gripper hay bàn tay máy. Robot không thể đơn giản sao chép tọa độ từng ngón.

Nó phải suy ra thứ quan trọng hơn: mục tiêu của thao tác là gì, tiếp xúc nào cần thiết và cách đạt mục tiêu bằng chính embodiment của mình.

Nếu giải được khoảng cách embodiment này ở quy mô lớn, video con người có thể trở thành nguồn dữ liệu cực kỳ giá trị cho Physical AI. Thay vì mọi kỹ năng đều phải được thu bằng chính loại robot đích, một phần kinh nghiệm có thể đến từ con người hoặc thiết bị khác.

Đây có thể là bước chuyển từ “programming” sang “teaching”

Robot công nghiệp thành công suốt nhiều thập kỷ nhờ một nguyên tắc gần như ngược lại: môi trường càng cố định, chương trình càng dễ ổn định.

Chiếc xe đi đến đúng vị trí. Mối hàn nằm đúng tọa độ. Jig giữ chi tiết đúng góc. Robot lặp lại cùng chuyển động hàng nghìn lần.

Physical AI nhắm tới lớp công việc khó đóng khung hơn: kho hàng thay đổi SKU, nhà máy có nhiều biến thể, phòng lab có vật thể mới, service robot phải làm việc trong không gian của con người.

Ở những nơi đó, viết chương trình riêng cho mọi tình huống không scale tốt.

Nếu foundation model có thể nhận task mới qua ngôn ngữ, demo hoặc physical prompt, giao diện với robot thay đổi rất mạnh. Người vận hành không nhất thiết phải biết lập trình. Họ có thể chỉ cần:

1. Đặt robot trước công việc.
2. Làm mẫu một lần hoặc vài lần.
3. Cho robot thử.
4. Thu thêm vài phút dữ liệu nếu cần độ ổn định cao hơn.
5. Chạy bộ eval trước khi đưa vào production.

Đó là một pipeline gần với huấn luyện nhân viên mới hơn là lập trình một máy tự động hóa cổ điển.

Nhưng “không cần lập trình lại” không đồng nghĩa “không cần kỹ sư”

Physical prompting có thể giảm công sức task-specific programming, nhưng không loại bỏ phần kỹ thuật phía sau robot.

Robot vẫn cần perception ổn định, control loop đủ nhanh, hardware phù hợp, giới hạn lực và tốc độ, emergency stop, hệ thống đánh giá, quan sát lỗi và quy trình xác nhận trước deployment.

Một robot đạt 59% success trong demo nghiên cứu chưa thể được đưa thẳng vào dây chuyền chỉ vì nó học nhanh.

Khả năng học nhanh thậm chí làm bài toán evaluation quan trọng hơn. Nếu một nhân viên có thể “prompt” robot bằng demo mới trong vài giây, doanh nghiệp cần biết hành vi đó được phép chạy ở đâu, trong điều kiện nào và failure mode nào có thể xảy ra.

Do đó, Physical AI có thể đồng thời làm giảm chi phí dạy task nhưng tăng nhu cầu cho robot evals, safety guardrail và continuous validation.

Các con số hiện vẫn chủ yếu đến từ chính Generalist

GEN-1.5 là một kết quả đáng chú ý, nhưng chưa nên được diễn giải như bằng chứng rằng robot tổng quát đã được giải quyết.

Các tỷ lệ 59% và 83% là kết quả do Generalist công bố trên bộ nhiệm vụ nội bộ của mình. Công ty cũng tự nhấn mạnh rằng các task one-shot hiện ngắn, đơn giản và độ tin cậy còn khiêm tốn.

Để đánh giá mức độ đột phá trong thực tế, ngành sẽ cần thêm benchmark độc lập, lặp lại trên nhiều hardware, môi trường và task dài hơn; đồng thời phải đo không chỉ success rate mà cả khả năng phục hồi, độ an toàn, thời gian hoàn thành và mức can thiệp của con người.

Nói cách khác, đây là một cột mốc về cách robot có thể học, chưa phải dấu chấm hết cho bài toán robot learning.

Điều gì sẽ xảy ra nếu robot có “prompt” giống chatbot?

Generative AI trở nên phổ biến một phần vì người dùng không cần huấn luyện một model riêng cho từng câu hỏi. Chỉ cần gõ prompt.

Robotics chưa có giao diện đơn giản tương đương. Khoảng cách từ “tôi muốn robot làm việc này” tới “robot thực sự làm được” vẫn thường chứa rất nhiều dữ liệu, kỹ thuật điều khiển và thử nghiệm.

Physical prompting đang gợi ý một giao diện mới: demonstration itself becomes the prompt.

Nếu một robot trong kho chỉ cần xem cách mở một loại hộp mới, một robot phòng lab xem cách lắp cartridge mới, hoặc robot dịch vụ xem cách dọn một loại bàn mới rồi có thể thử ngay, tốc độ triển khai automation sẽ thay đổi đáng kể.

Giá trị lớn nhất khi đó không nhất thiết nằm ở video 10 giây. Nó nằm ở việc nền tảng phía sau đã học đủ nhiều để 10 giây đó trở nên có nghĩa.

Giống như một kỹ sư giàu kinh nghiệm có thể hiểu một thao tác mới sau khi nhìn đồng nghiệp làm một lần, robot foundation model muốn tích lũy một “physical prior” đủ rộng để ví dụ ngắn chỉ còn đóng vai trò chỉ dẫn.

GEN-1.5 chưa đạt tới hình ảnh robot học nghề hoàn hảo sau một lần xem. Nhưng nó cho thấy một hướng đi rất rõ: tương lai của Physical AI có thể không phải là lập trình cho robot từng công việc một, mà là pretrain một nền tảng thật rộng rồi dạy công việc mới bằng ví dụ ngay lúc cần.

Nguồn tham khảo

• Generalist AI – GEN-1.5: Embodied Foundation Models are One-Shot Learners, 19/8/2026.
• Generalist AI – GEN-1: Scaling Embodied Foundation Models to Mastery, 2/4/2026.
• NVIDIA – Physical AI và quy trình sim-to-real cho robot.
• Tech Times – Generalist AI GEN-1.5 learns new robot tasks from a single demo.