Không chỉ một robot thông minh: Foundation model tương lai có thể điều phối cả “đội quân máy móc”

Robot foundation model đang tiến từ điều khiển một cỗ máy sang học chung giữa nhiều hình thái và phối hợp nhiều robot. Gemini Robotics 2 đã demo robot khác loại chia việc, còn nghiên cứu CoMuRoS cho thấy LLM có thể phân công và tái lập kế hoạch cho cả đội — nhưng khả năng mở rộng tới hàng trăm robot vẫn còn nhiều rào cản.

Tháng 8 24, 2026

Không chỉ một robot thông minh: Foundation model tương lai có thể điều phối cả “đội quân máy móc”

Trong phần lớn lịch sử robotics, mỗi robot giống một nhân viên được đào tạo cho đúng một vị trí. Cánh tay trong dây chuyền hàn một mối hàn. Robot kho hàng chạy một tuyến. Robot hút bụi tối ưu cho một căn nhà. Muốn đổi nhiệm vụ hoặc đổi phần cứng, kỹ sư thường phải viết lại logic, thu dữ liệu mới hoặc huấn luyện lại controller.

Foundation model đang đặt ra một tham vọng khác: thay vì xây một “bộ não” riêng cho từng robot và từng công việc, có thể huấn luyện một mô hình lớn trên nhiều nhiệm vụ, nhiều môi trường và nhiều kiểu cơ thể, sau đó thích nghi nó cho robot cụ thể.

Đến năm 2026, ý tưởng này bắt đầu đi thêm một bước. Không chỉ hỏi liệu một foundation model có thể điều khiển nhiều loại robot, các phòng thí nghiệm và công ty bắt đầu thử xem model có thể giúp nhiều robot phối hợp với nhau hay không.

Google DeepMind gọi đây là multi-robot collaboration trong Gemini Robotics 2. Một nghiên cứu khác công bố trên Frontiers in Robotics and AI tháng 8/2026 xây dựng kiến trúc CoMuRoS, nơi một LLM cấp quản lý nhận mục tiêu bằng ngôn ngữ tự nhiên, chia nhỏ công việc, phân cho từng robot theo khả năng và tự lập kế hoạch lại khi một thành viên gặp vấn đề.

Nếu hướng này tiếp tục trưởng thành, “robot thông minh” trong tương lai có thể không còn là một cỗ máy tự làm tất cả. Hệ thống có thể giống một đội lao động hỗn hợp: robot bánh xe vận chuyển, cánh tay robot thao tác chính xác, humanoid xử lý môi trường thiết kế cho con người, drone quan sát từ trên cao — tất cả nhận nhiệm vụ từ một lớp trí tuệ chung.

Nhưng cụm từ “một foundation model điều khiển cả đội quân máy móc” cũng rất dễ bị hiểu quá xa. Một model dùng chung cho nhiều robot chưa đồng nghĩa các robot biết hợp tác. Và một AI có khả năng phân công nhiệm vụ chưa đồng nghĩa nó nên trực tiếp xuất torque cho hàng trăm động cơ từ một server trung tâm.

Foundation model cho robot là gì?

Trong AI ngôn ngữ, foundation model được huấn luyện trên lượng dữ liệu lớn và có thể được thích nghi cho nhiều nhiệm vụ thay vì xây một model riêng từ đầu. Robotics đang cố áp dụng triết lý tương tự vào thế giới vật lý.

Một robot foundation model có thể nhận nhiều loại đầu vào như hình ảnh camera, video, ngôn ngữ, trạng thái khớp hoặc cảm biến lực. Đầu ra có thể là kế hoạch cấp cao, vị trí mục tiêu hoặc trực tiếp là chuỗi hành động cho robot.

Một lớp model đang được chú ý đặc biệt là Vision-Language-Action, viết tắt VLA. Nếu một vision-language model hiểu “chiếc cốc màu đỏ nằm cạnh bình nước”, VLA đi thêm một bước: biến hiểu biết đó thành hành động vật lý như đưa tay tới, nắm cốc và đặt nó vào khay.

NVIDIA GR00T N1, Google Gemini Robotics và nhiều model khác đều theo hướng đưa action vào không gian đầu ra của foundation model. Điểm chung là cố thoát khỏi paradigma “mỗi task một policy”.

Từ một cơ thể sang nhiều cơ thể

Khó khăn đầu tiên của robot foundation model là robot không có một “cơ thể chuẩn”. Một cánh tay 7 bậc tự do khác xa humanoid hai chân. Robot bốn chân không có bàn tay. Mobile manipulator vừa có bánh xe vừa có arm. Ngay cả hai humanoid cũng có số khớp, chiều dài chi và cảm biến khác nhau.

Google DeepMind đã nhấn mạnh khả năng multi-embodiment từ Gemini Robotics đời đầu. Gemini Robotics 1.5 năm 2025 cho thấy một số kỹ năng chỉ xuất hiện trong dữ liệu huấn luyện của robot ALOHA 2 vẫn có thể chuyển sang Apptronik Apollo hoặc robot hai tay Franka.

Đến Gemini Robotics 2 công bố ngày 30/7/2026, Google nói cùng một checkpoint có thể điều khiển nhiều embodiment khác nhau, từ Franka Duo đến humanoid Apollo 2. Phiên bản On-Device 2 còn được thiết kế để thích nghi với một robot hai tay mới bằng vài giờ dữ liệu, thường dưới 200 ví dụ theo công bố của hãng.

Skild AI theo đuổi một ý tưởng tương tự với khái niệm omni-bodied intelligence. Công ty nói Skild Brain được huấn luyện trên nhiều hình thái — quadruped, humanoid, cánh tay để bàn và mobile manipulator — nhằm tạo một lớp trí tuệ dùng chung thay vì controller bị khóa vào một thiết kế phần cứng.

Điểm hấp dẫn của cách tiếp cận này là dữ liệu có thể bắt đầu “chảy” giữa các robot. Một robot công nghiệp học được cách nhận ra trạng thái lắp ráp có thể đóng góp dữ liệu cho model nền; một embodiment khác sau đó hưởng lợi từ representation hoặc kiến thức chung dù động học của nó khác.

Nhưng “một model cho nhiều robot” chưa phải “nhiều robot hợp tác”

Đây là khác biệt quan trọng nhất khi nói về “đội quân máy móc”.

Giả sử cùng một foundation model có thể điều khiển một cánh tay robot và một humanoid. Nếu hai máy hoạt động ở hai nhà máy khác nhau và không hề trao đổi mục tiêu, chúng chỉ đang dùng chung trí tuệ nền. Đó chưa phải multi-robot coordination.

Để hợp tác, hệ thống cần thêm những câu hỏi ở cấp đội:

Ai nên làm nhiệm vụ nào?
Thứ tự công việc ra sao?
Robot nào đang rảnh, robot nào đang lỗi?
Nếu một robot không thể hoàn thành, ai sẽ tiếp quản?
Hai robot dùng chung không gian phải tránh nhau thế nào?
Khi tài nguyên có giới hạn, nhiệm vụ nào được ưu tiên?

Đây là bài toán task allocation, scheduling, coordination và replanning, khác với bài toán điều khiển một cánh tay gắp đúng vật thể.

Gemini Robotics 2 đã thử cho hai robot chia việc

Gemini Robotics 2 là một trong những ví dụ rõ nhất cho việc foundation model tiến lên cấp phối hợp nhóm.

Google DeepMind chia hệ thống thành nhiều lớp. Gemini Robotics ER 2 đóng vai trò reasoning cấp cao: hiểu môi trường, theo dõi video liên tục, lập kế hoạch nhiều bước và giao việc cho lớp hành động. Gemini Robotics 2 là VLA biến quan sát và chỉ dẫn thành motor control. Ngoài ra còn có Gemini Robotics On-Device 2 dành cho inference cục bộ với độ trễ thấp.

Trong demo multi-robot collaboration, Google cho Apptronik Apollo 2 và Franka F3 Duo cùng xử lý một workflow. Theo công ty, ER 2 có thể nhận biết điểm mạnh của từng embodiment, chia công việc và thực hiện handoff để hoàn tất nhiệm vụ mà một robot đơn lẻ khó làm hiệu quả.

Điểm đáng chú ý không phải hai robot đứng cạnh nhau — công nghiệp đã phối hợp nhiều robot từ lâu. Điểm mới nằm ở việc lớp reasoning dùng hiểu biết ngữ nghĩa về nhiệm vụ và khả năng robot để quyết định cách chia việc linh hoạt hơn thay vì toàn bộ trình tự được lập trình cứng từ trước.

Tuy nhiên, demo của Google hiện vẫn là bằng chứng ở quy mô nhỏ. Công ty nói rõ tính năng hỗ trợ hai robot cộng tác; điều đó chưa chứng minh cùng kiến trúc sẽ hoạt động ổn định với 20, 200 hay 2.000 robot trong một môi trường động.

CoMuRoS: một “quản lý AI” và nhiều robot cấp dưới

Một nghiên cứu peer-reviewed gần đây cho thấy cách kiến trúc này có thể được xây rõ ràng hơn.

Ngày 4/8/2026, nhóm tại IIT Gandhinagar và Vishwakarma Institute of Information Technology công bố CoMuRoS trên Frontiers in Robotics and AI. Hệ thống dùng một kiến trúc phân cấp lấy cảm hứng từ tổ chức con người.

Ở trên cùng là centralized task-manager LLM. Model nhận yêu cầu bằng ngôn ngữ tự nhiên, phân rã mục tiêu thành các subtask rồi phân bổ chúng dựa trên năng lực, hình thái và trạng thái của từng robot.

Mỗi robot có lớp reasoning cục bộ riêng, chuyển nhiệm vụ được giao thành các lệnh thực thi dựa trên primitive ROS2 sẵn có. Perception tại robot theo dõi sự kiện; nếu gặp chướng ngại, thất bại hoặc thay đổi liên quan, hệ thống báo lên task manager để lập kế hoạch lại.

Trong thử nghiệm phần cứng, nhóm báo cáo 9/10 lần thành công ở bài collaborative object recovery, 8/8 ở coordinated transport và 5/5 ở tình huống phục hồi có sự hỗ trợ của con người. Trong benchmark mô phỏng gồm 22 scenario, 54 task và khoảng 20 robot, độ correctness cao nhất của task allocation được báo cáo khoảng 0,91; benchmark replanning đạt gần 0,95 với model tốt nhất mà nhóm thử.

Đây chưa phải bằng chứng cho “swarm AI” ở quy mô công nghiệp. Nhưng nó cho thấy một xu hướng kiến trúc quan trọng: foundation model hoặc LLM không nhất thiết phải thay thế mọi controller. Nó có thể hoạt động như lớp tổ chức nằm trên những kỹ năng robot vốn đã đáng tin cậy.

Một đội robot tương lai có thể có ba tầng trí tuệ

Nếu ghép các hướng nghiên cứu hiện nay lại, một kiến trúc khả thi có thể chia thành ba tầng.

Tầng 1: orchestrator cấp đội. Một foundation model hoặc agent nhận mục tiêu như “chuẩn bị khu vực A cho ca sản xuất tiếp theo”, hiểu trạng thái toàn hệ thống, chia thành công việc và phân bổ tài nguyên.

Tầng 2: agent của từng robot. Mỗi robot nhận mục tiêu ở mức phù hợp với embodiment của mình: “mang thùng này tới workstation 4”, “siết bốn vít”, “quét khu vực phía sau máy”. Agent cục bộ chuyển mục tiêu thành chuỗi kỹ năng.

Tầng 3: controller thời gian thực. Các vòng điều khiển motor, balance, collision avoidance và safety chạy ở tần số cao ngay trên robot. Đây là nơi không thể chờ một model cloud suy nghĩ vài giây.

Cách phân tầng này giống một tổ chức hơn một con rối có hàng nghìn dây. AI cấp cao quyết định ai làm gì; robot cấp thấp vẫn tự quyết định động cơ phải quay chính xác ra sao trong 10 mili giây tới.

Tại sao không dùng một AI trung tâm điều khiển tất cả?

Về lý thuyết, một model đủ lớn có thể nhận camera của toàn bộ nhà máy và xuất hành động cho mọi robot. Trong thực tế, cách đó tạo hàng loạt vấn đề.

Độ trễ. Điều khiển cân bằng của humanoid hoặc tránh va chạm cần phản ứng ở thang thời gian rất ngắn. Dữ liệu đi tới cloud, chờ inference rồi quay lại có thể quá chậm và không ổn định.

Băng thông. Hàng chục robot, mỗi robot có nhiều camera RGB, depth, tactile sensor và proprioception, có thể tạo lượng dữ liệu khổng lồ. Gửi mọi frame lên một server trung tâm không phải chiến lược mở rộng tốt.

Single point of failure. Nếu toàn đội phụ thuộc một planner duy nhất, lỗi server hoặc lỗi mạng có thể làm toàn bộ hệ thống mất năng lực.

An toàn. Một model ngôn ngữ hallucinate ở cấp kế hoạch có thể gây phiền. Một model hallucinate trực tiếp ở cấp torque có thể gây thiệt hại vật lý.

Do đó, tương lai nhiều khả năng là trí tuệ phân tán: foundation model chia sẻ representation, kiến thức và kế hoạch, trong khi safety-critical control vẫn được giới hạn cục bộ.

Foundation model có thể biết robot nào “hợp việc” hơn

Ưu thế lớn của đội robot dị thể là không cần chế tạo một humanoid làm mọi thứ.

Robot bánh xe có thể vận chuyển hàng hiệu quả hơn humanoid trên sàn phẳng. Cánh tay công nghiệp có độ chính xác và tải trọng tốt hơn cho workstation cố định. Humanoid lại có lợi thế khi môi trường được thiết kế quanh cầu thang, tay nắm, kệ và dụng cụ cho con người.

Một orchestrator có hiểu biết ngữ nghĩa có thể ánh xạ yêu cầu công việc sang capability thay vì sang tên model robot cụ thể.

Ví dụ, với mục tiêu “dọn một khu vực sau sự cố”, planner có thể xác định cần các khả năng như quan sát từ xa, di chuyển qua lối hẹp, nâng vật thể nặng và thao tác van. Sau đó hệ thống phân nhiệm vụ dựa trên robot nào hiện có và tình trạng của chúng.

Đây là một thay đổi lớn so với automation truyền thống, nơi workflow thường được thiết kế quanh danh sách thiết bị cố định từ trước.

Robot hỏng một tay, đội vẫn có thể tiếp tục

Điều phối bằng AI trở nên đáng giá nhất khi thế giới không diễn ra đúng kịch bản.

Trong nhà máy truyền thống, một station lỗi có thể dừng cả line vì logic phụ thuộc vào trình tự cứng. Một hệ thống agentic có thể thử tái cấu hình công việc.

Nếu robot A không thể nâng vật thể do gripper lỗi, planner có thể chuyển bước đó sang robot B rồi giao A một nhiệm vụ quan sát. Nếu đường vận chuyển bị chặn, mobile robot khác có thể đi tuyến thay thế. Nếu một công đoạn chậm, hệ thống có thể phân thêm robot hỗ trợ.

CoMuRoS tập trung chính vào khả năng event-driven replanning này. Các robot báo lại sự kiện; task manager phân loại xem sự kiện có ảnh hưởng mục tiêu hay không rồi chỉ replanning khi cần.

Khả năng như vậy làm đội robot giống một hệ thống có khả năng phục hồi, thay vì chỉ là nhiều máy chạy cạnh nhau.

“Data flywheel” có thể mạnh hơn khi mọi robot học chung

Foundation model còn thay đổi kinh tế của việc thu dữ liệu.

Nếu mỗi robot có một model riêng, dữ liệu một máy thu được chỉ giúp máy đó hoặc cùng lắm cùng product line. Nếu nhiều embodiment dùng chung một foundation model, dữ liệu deployment có thể quay về để cải thiện representation hoặc policy nền rồi bản cập nhật mới được phân phối lại.

Skild AI gọi đây là một data flywheel. Công ty đang hợp tác với ABB Robotics, Universal Robots và NVIDIA để đưa một lớp “omni-bodied brain” vào nhiều nền tảng công nghiệp. Theo Skild, dữ liệu từ robot khác nhau có thể cùng đóng góp vào quá trình cải thiện model.

Reuters năm 2025 cũng mô tả chiến lược của Skild Brain là kết hợp simulation, video hành động của con người và dữ liệu từ robot thực tế để vượt qua tình trạng thiếu dữ liệu robotics.

Nếu vòng lặp này hoạt động ở quy mô lớn, một robot mới có thể không bắt đầu từ con số 0. Nó bắt đầu từ những gì foundation model đã học qua hàng nghìn deployment trước.

Nhưng dữ liệu giữa các cơ thể không dễ trộn

Đây cũng là nơi hype thường đi nhanh hơn kỹ thuật.

Một survey công bố tháng 8/2026 gọi vấn đề này là embodiment gap: ngay cả khi model học được representation hoặc kỹ năng có thể tái sử dụng, vẫn còn công việc để biến chúng thành hành động chạy được trên một robot có hình thái, cảm biến và giới hạn riêng.

Một action như “mở ngăn kéo” ở mức semantic có thể chung. Nhưng trajectory, lực nắm, vị trí camera, chiều dài tay và joint limit của hai robot có thể khác hoàn toàn.

Vì vậy, tuyên bố “one model, any robot” thường vẫn cần adapter, calibration, fine-tuning, motion retargeting hoặc low-level controller dành cho embodiment cụ thể.

Foundation model có thể thu hẹp khoảng cách, chưa xóa bỏ nó.

Quy mô 2 robot và 200 robot là hai bài toán khác nhau

Multi-robot coordination gặp một vấn đề rất quen thuộc trong khoa học máy tính: không gian lựa chọn tăng nhanh khi số agent tăng.

Với hai robot, planner chỉ cần cân nhắc một vài cách chia việc. Với hàng trăm robot và hàng nghìn task có dependency, bài toán scheduling trở nên khổng lồ.

Thêm vào đó là giao thông trong không gian chung. Mười robot chọn đường riêng vẫn có thể gây tắc nghẽn. Task allocation tối ưu trên giấy có thể thất bại nếu nhiều máy cùng muốn đi qua một cửa hẹp.

Đó là lý do foundation model khó có thể thay thế hoàn toàn các thuật toán truyền thống như constraint solver, graph search, operations research hoặc model-predictive control. Một hướng thực tế là để LLM hiểu yêu cầu và tạo constraint, sau đó dùng solver chuyên dụng để tối ưu phần toán học.

Nghiên cứu về multi-robot systems năm 2025–2026 cũng liên tục nhấn mạnh các hạn chế của LLM ở bài toán này: hallucination, reasoning toán học không ổn định, latency và thiếu guarantee chính thức.

Khi robot nói cùng “ngôn ngữ”, việc handoff dễ hơn

Một lợi ích thú vị của foundation model là tạo ra một lớp biểu diễn chung.

Trong automation truyền thống, robot A có thể mô tả trạng thái theo một API, robot B dùng schema khác và PLC dùng mã lỗi riêng. Kỹ sư phải viết integration logic cho từng cặp.

Nếu các agent đều có khả năng hiểu một semantic layer chung — chẳng hạn “khay 3 đã đầy”, “robot A không còn khả năng nâng 10 kg”, “workstation B đang chờ linh kiện” — việc phối hợp có thể linh hoạt hơn.

Google mô tả multi-robot collaboration của Gemini Robotics ER 2 theo đúng hướng này: robot khác loại có thể giao tiếp qua shared semantic understanding rồi thực hiện handoff.

Ngôn ngữ tự nhiên có thể trở thành giao diện ở cấp con người, nhưng dưới lớp đó hệ thống vẫn cần message có cấu trúc, timestamp, coordinate frame và constraint rõ ràng để vận hành đáng tin cậy.

Ứng dụng đầu tiên có thể không cần humanoid

Tiêu đề “đội quân máy móc” dễ gợi hình ảnh hàng chục humanoid cùng đi lại. Nhưng ứng dụng multi-robot foundation model thực tế có thể xuất hiện trước ở những hệ thống ít hào nhoáng hơn.

Kho hàng: mobile robot chở hàng phối hợp với arm tại trạm picking và camera cố định.

Nhà máy: robot hàn, cobot lắp ráp, AMR và inspection robot chia sẻ trạng thái sản xuất.

Nông nghiệp: một nhóm máy quan sát, làm cỏ, thu hoạch và vận chuyển có thể tái phân bổ theo điều kiện ruộng.

Ứng phó sự cố: robot bánh xích, drone và manipulator có thể đảm nhiệm những vai trò khác nhau trong khu vực nguy hiểm mà con người không nên tiếp cận.

Cơ sở hạ tầng: nhiều robot inspection có thể chia vùng kiểm tra, hợp nhất dữ liệu và gửi một robot có dụng cụ phù hợp tới vị trí phát hiện bất thường.

Ở các môi trường này, giá trị đến từ orchestration và khả năng tái lập kế hoạch, không nhất thiết từ việc mọi robot phải có hình người.

Một lỗi của foundation model có thể lan sang cả fleet

Chia sẻ trí tuệ tạo ra lợi ích quy mô, nhưng cũng tạo ra correlated failure.

Nếu 1.000 robot dùng 1.000 controller khác nhau, một bug có thể chỉ ảnh hưởng một dòng máy. Nếu tất cả phụ thuộc cùng một foundation model hoặc cùng một policy update, một lỗi chung có thể xuất hiện trên cả fleet.

Điều tương tự áp dụng với cybersecurity. Một orchestrator có quyền gửi nhiệm vụ tới nhiều robot là mục tiêu nhạy cảm hơn nhiều so với một robot độc lập.

Do đó, hệ thống quy mô lớn cần permission rõ ràng, cryptographic authentication, signed update, audit log, sandbox cho tool call, giới hạn vật lý ở local controller và cơ chế rollback.

Quan trọng hơn, robot không nên thực thi một lệnh chỉ vì foundation model tạo ra nó. Safety layer cần kiểm tra collision, force, workspace, tốc độ và các constraint trước khi action được phép đi xuống actuator.

Cloud hay on-device?

Một foundation model đủ lớn thường hấp dẫn để chạy trên data center, nhưng robot vật lý không thể phụ thuộc hoàn toàn vào cloud.

Google đã phản ánh chính trade-off này bằng việc tách Gemini Robotics ER 2 và Gemini Robotics On-Device 2. Reasoning cấp cao có thể tận dụng compute lớn; action cần latency thấp có thể chạy tại chỗ.

Trong một fleet, kiến trúc lai có thể gồm server trung tâm lập kế hoạch dài hạn, edge computer ở từng khu vực xử lý traffic và robot tự chạy controller phản xạ.

Đây giống hệ thần kinh nhiều cấp hơn một “siêu não” duy nhất.

Con người sẽ ra lệnh ở mức mục tiêu thay vì từng thao tác

Một trong những thay đổi đáng kể nhất nếu foundation model thực sự trở thành orchestrator là giao diện với con người.

Hiện nay, triển khai automation phức tạp thường đòi hỏi kỹ sư mô tả workflow bằng code, PLC logic, behavior tree hoặc hệ thống điều phối chuyên dụng.

Với agentic foundation model, người quản lý có thể đưa yêu cầu ở mức cao hơn: “dọn toàn bộ pallet ở khu B trước 17 giờ nhưng giữ lối thoát hiểm thông thoáng” hoặc “kiểm tra tất cả máy đang có độ rung vượt chuẩn và ưu tiên dây chuyền 2”.

Model chuyển ngôn ngữ thành constraint và task; hệ thống chuyên dụng kiểm chứng rồi phân phối xuống robot.

Đây là mục tiêu mà nhiều nghiên cứu multi-robot dùng LLM đang theo đuổi: làm cho mission specification linh hoạt hơn mà không bỏ đi các lớp kiểm tra cần thiết.

Đừng vội gọi đây là “ChatGPT moment” của robot fleet

Tháng 8/2026, nhiều lãnh đạo ngành robotics tiếp tục nói về một “ChatGPT moment” sắp tới cho embodied AI. Reuters dẫn CEO Unitree và lãnh đạo ACE Robotics dự đoán những bước nhảy lớn trong vài năm tới.

Nhưng robot gặp một giới hạn mà chatbot không gặp: sai trong thế giới vật lý có chi phí.

Một câu trả lời văn bản hơi sai có thể được sửa trong vài giây. Một robot chọn sai vật thể, va vào thiết bị hoặc bỏ sót bước an toàn có thể làm hỏng sản phẩm, dừng dây chuyền hoặc gây nguy hiểm.

Foundation model vì vậy không chỉ cần “thông minh hơn”. Nó cần khả năng dự đoán được, kiểm chứng được, phục hồi lỗi tốt và hoạt động ổn định trong hàng nghìn giờ.

Những demo hiện nay cho thấy hướng đi, chưa chứng minh độ tin cậy cấp công nghiệp cho đội robot lớn.

Từ robot generalist đến “tổ chức máy móc”

Giai đoạn đầu của embodied AI tập trung vào câu hỏi: một robot có thể học nhiều kỹ năng thay vì chỉ một kỹ năng không?

Giai đoạn tiếp theo đang đặt câu hỏi rộng hơn: một model có thể chuyển kiến thức giữa nhiều embodiment không?

Và bây giờ xuất hiện câu hỏi thứ ba: những embodiment đó có thể được tổ chức thành một hệ thống hợp tác, nơi chúng chia việc, trao đổi trạng thái và tự phục hồi khi kế hoạch thay đổi không?

Gemini Robotics 2 cho thấy multi-robot collaboration đã bước vào demo của một foundation model lớn. CoMuRoS cho thấy kiến trúc task-manager + local agents có thể chạy trên robot thật và replanning theo sự kiện. Skild cho thấy ngành đang đầu tư vào model nền được chia sẻ giữa nhiều loại phần cứng để tạo data flywheel.

Ba hướng này hội tụ vào một ý tưởng: đơn vị của robotics tương lai có thể không còn là một robot, mà là cả một hệ thống robot dùng chung một lớp trí tuệ.

Điều đó không có nghĩa một “AI tổng chỉ huy” sẽ điều khiển từng bước chân của hàng nghìn cỗ máy. Kịch bản khả thi hơn là một hierarchy: foundation model hiểu mục tiêu và chia việc; agent tại robot lập kế hoạch cục bộ; controller chuyên dụng giữ an toàn và thời gian thực.

Nếu mô hình này mở rộng được, lợi thế lớn nhất sẽ không phải một humanoid biết làm mọi nghề. Nó có thể là một đội máy móc không máy nào hoàn hảo, nhưng biết ai nên làm gì, khi nào cần đổi kế hoạch và cách học từ kinh nghiệm của cả đội.