Robot đang thiếu dữ liệu hơn là thiếu AI? Dyna-2 học thế giới vật lý từ hơn một triệu giờ video

Các mô hình ngôn ngữ lớn có một lợi thế mà robot chưa từng có: chúng lớn lên cùng một “Internet” khổng lồ. Văn bản, hình ảnh, code và tài liệu số đã tạo ra nguồn dữ liệu đủ lớn để AI học những quy luật thống kê ở quy mô chưa từng thấy. Robot thì khác. Muốn dạy một cánh tay máy mở hộp, gấp quần áo hay xoay chìa khóa, cách truyền thống thường là cho người điều khiển robot thực hiện nhiệm vụ nhiều lần rồi ghi lại camera, vị trí khớp, lực và hành động.

Đó là dữ liệu rất có giá trị, nhưng mỗi giờ dữ liệu đều phải được tạo ra bằng phần cứng thật, người vận hành thật và thời gian thật. Robot không có một kho trải nghiệm sẵn có lớn như web.

Dyna Robotics đang thử đi vòng qua nút thắt này bằng một ý tưởng ngày càng quan trọng trong Physical AI: trước khi bắt robot học bằng robot, hãy cho AI quan sát con người làm việc ở quy mô cực lớn.

Tháng 8/2026, công ty công bố Dyna-2, một World-Action Model được tiền huấn luyện trên hơn một triệu giờ video góc nhìn thứ nhất của con người. Trong các thí nghiệm của Dyna, khi lượng dữ liệu tiền huấn luyện tăng từ 1.000 lên 10.000, 100.000 rồi 1.000.000 giờ, khả năng dự đoán hành động không chỉ cải thiện trên dữ liệu người mà còn tăng trên dữ liệu robot mà model chưa thấy trong giai đoạn tiền huấn luyện.

Nếu kết quả tiếp tục được tái lập ở nhiều hệ robot và phòng thí nghiệm độc lập, nó có thể thay đổi một câu hỏi nền tảng của ngành robotics. Thay vì chỉ hỏi “cần model lớn đến đâu?”, câu hỏi có thể trở thành: robot cần được nhìn thấy bao nhiêu phần của thế giới vật lý trước khi có thể học một kỹ năng mới với rất ít dữ liệu robot?

Robot có một vấn đề mà chatbot ít gặp hơn: dữ liệu hành động quá đắt

Một chatbot có thể học từ tài liệu đã tồn tại. Một robot cần dữ liệu gắn với hành động vật lý.

Để thu một giờ demonstration chất lượng cao, robot phải hoạt động ổn định, camera và sensor phải đồng bộ, người điều khiển phải thực hiện nhiệm vụ, môi trường phải được reset và các episode lỗi cần được lọc. Với task thao tác hai tay hoặc bàn tay nhiều ngón, quy trình còn phức tạp hơn.

Điều này tạo ra một nghịch lý. Muốn robot trở nên tổng quát, model cần trải nghiệm cực kỳ đa dạng. Nhưng càng muốn đa dạng, chi phí thu dữ liệu bằng robot thật càng tăng.

Dyna-2 đặt cược rằng phần lớn kiến thức nền về thao tác không nhất thiết phải học trực tiếp từ robot.

Con người đã tạo ra lượng video khổng lồ về nấu ăn, dọn dẹp, lắp ráp, gấp đồ, đóng gói và sử dụng công cụ. Những video đó không có motor torque hay joint command của robot, nhưng chúng chứa một thứ quan trọng: cách thế giới thay đổi khi một bàn tay tác động lên vật thể.

Dyna-2 thực sự học từ loại video nào?

Cụm từ “một triệu giờ video” dễ tạo cảm giác Dyna Robotics chỉ tải video Internet rồi đưa vào model. Mô tả kỹ thuật của công ty cho thấy quy trình có cấu trúc hơn nhiều.

Bộ dữ liệu tiền huấn luyện chủ yếu gồm video góc nhìn thứ nhất, thường được quay bằng camera gắn trên đầu, trong đó con người thực hiện các thao tác đời thường như nấu ăn, dọn dẹp, gấp đồ và lắp ráp. Dyna cho biết dữ liệu đến từ các đối tác thu thập dữ liệu và hoạt động nội bộ của công ty.

Sau đó, pipeline làm sạch và kiểm tra dữ liệu trích xuất quỹ đạo bàn tay 3D. Từ các quỹ đạo này, nhóm nghiên cứu tạo ra tín hiệu hành động giả lập, chẳng hạn đường đi của cổ tay và tín hiệu đóng/mở dựa trên khoảng cách giữa ngón cái và ngón trỏ.

Nói cách khác, Dyna-2 không chỉ “xem video”. Model được đặt vào một bài toán nơi chuyển động của con người đóng vai trò cầu nối giữa quan sát thị giác và hành động.

World-Action Model khác gì một model chỉ nhìn ảnh rồi ra lệnh?

Nhiều hệ robot hiện đại thuộc nhóm Vision-Language-Action, hay VLA. Input có thể là camera và câu lệnh, output là hành động robot.

Dyna-2 đi theo hướng World-Action Model. Kiến trúc của nó kết hợp hai nhiệm vụ: dự đoán cách video tương lai sẽ phát triển và dự đoán chuỗi hành động.

Điểm quan trọng không phải robot phải tạo ra video trước mỗi cử động. Theo mô tả của Dyna, ở thời điểm inference, policy vẫn có thể phản ứng trực tiếp mà không cần sinh toàn bộ video tương lai. Lợi ích của bài toán dự đoán video nằm ở giai đoạn học: nó ép representation chung phải nắm được động lực của cảnh vật thay vì chỉ tìm tương quan giữa một ảnh đầu vào và một command đầu ra.

Đây chính là ý tưởng “world model”: AI hình thành một biểu diễn nội bộ về những gì có khả năng xảy ra tiếp theo.

Nếu một chiếc cốc bị đẩy gần mép bàn, model không cần viết phương trình Newton để có ích. Nó chỉ cần học được rằng trạng thái của cảnh sẽ thay đổi theo những mẫu nhất định. Nếu bàn tay kéo một chiếc khăn, phần còn lại của vải sẽ chuyển động. Nếu nắp chai được xoay đúng hướng, vị trí tương đối giữa nắp và chai thay đổi. Những quy luật kiểu này có thể học từ quan sát ở quy mô lớn.

Từ 1.000 lên 1.000.000 giờ: Dyna tìm thấy một đường scaling khá rõ

Để kiểm tra ảnh hưởng của dữ liệu, nhóm nghiên cứu tạo bốn tập tiền huấn luyện lồng nhau gồm 1.000, 10.000, 100.000 và 1.000.000 giờ. Tỷ lệ dữ liệu từ các nguồn được giữ giống nhau, nhằm giảm khả năng kết quả tốt lên chỉ vì tập lớn hơn tình cờ chứa loại dữ liệu khác.

Trên tập validation của con người, các metric dự đoán đều cải thiện khi tăng dữ liệu và có thể được mô tả bằng dạng power law. Điều đáng chú ý hơn xuất hiện khi những checkpoint đó được đánh giá trên dữ liệu robot chưa từng có trong tiền huấn luyện.

Dyna dùng một bộ đánh giá 39 nhiệm vụ trên hai nền tảng robot hai tay cố định. Các nhiệm vụ gồm thao tác vải, buộc nút, đóng gói, làm sạch, phục vụ đồ ăn và lắp ráp. Theo công ty, thứ hạng của các checkpoint vẫn tăng đơn điệu theo lượng video người đã dùng để tiền huấn luyện.

Đây là kết quả mà nhóm gọi là human-to-robot transfer scaling law: thêm trải nghiệm của con người có thể cải thiện dự đoán trên embodiment robot mà model chưa thấy trước đó.

Cần nhấn mạnh rằng đây là kết luận do chính Dyna Robotics báo cáo từ hệ thống và benchmark của mình. Nó là bằng chứng thực nghiệm đáng chú ý, nhưng không nên được diễn giải thành một định luật phổ quát cho mọi kiến trúc robot trước khi có thêm tái lập độc lập.

Khi đưa model lên robot thật, xu hướng vẫn chưa biến mất

Nhóm nghiên cứu tiếp tục lấy các checkpoint ở bốn mức dữ liệu và hậu huấn luyện chúng bằng dữ liệu robot cho 14 nhiệm vụ. Mỗi nhiệm vụ sử dụng tối đa 10 giờ dữ liệu robot và cùng một công thức hậu huấn luyện.

Điểm trung bình chuẩn hóa trên 14 nhiệm vụ tăng lần lượt khoảng 20% → 28% → 45% → 53% khi quy mô tiền huấn luyện tăng từ 1.000 lên một triệu giờ. Checkpoint một triệu giờ đạt kết quả cao nhất ở 9 trong số 14 nhiệm vụ.

Một trường hợp đặc biệt là xoay chìa khóa trong ổ khóa. Các checkpoint tiền huấn luyện tới 100.000 giờ không hoàn thành được thao tác trong thử nghiệm được báo cáo, trong khi model một triệu giờ đạt tỷ lệ thành công 90%. Ở nhiệm vụ mở nắp chai bằng hai bàn tay robot nhiều ngón, chỉ một lượng rất nhỏ demonstration robot ở giai đoạn hậu huấn luyện cũng đủ để tạo ra khả năng thực hiện task và hiệu năng tiếp tục tăng theo quy mô tiền huấn luyện.

Điều này không có nghĩa một robot xem video người rồi lập tức làm được mọi việc. Model vẫn cần dữ liệu robot để thích nghi với cơ cấu chấp hành, hình học bàn tay, giới hạn khớp và dynamics cụ thể. Nhưng lượng dữ liệu robot cần ở giai đoạn cuối có thể nhỏ hơn nhiều nếu kiến thức nền về thế giới đã được học trước.

Thí nghiệm quan trọng nhất có thể không phải là “một triệu giờ”, mà là mục tiêu dự đoán video

Dyna còn thực hiện một ablation để kiểm tra liệu chỉ thêm dữ liệu hành động có đủ hay không.

Ba cách huấn luyện được so sánh: chỉ học action; học đồng thời action và video tương lai; và học action kết hợp thêm lượng lớn video chỉ dùng cho nhiệm vụ dự đoán tương lai.

Trong bộ 39 task robot, phiên bản có world modeling vượt action-only trên toàn bộ 39 nhiệm vụ ở các mức dữ liệu được so sánh. Quan trọng hơn, khi lượng action data được giữ cố định còn video-only data tăng lên, khả năng tổng quát hóa sang robot tiếp tục cải thiện.

Đó là lý do tiêu đề “robot thiếu dữ liệu hơn là thiếu AI” cần thêm một nửa câu nữa: không phải mọi dữ liệu đều có tác dụng như nhau, và model phải được buộc học đúng cấu trúc của thế giới từ dữ liệu đó.

Thêm video vào một architecture không phù hợp chưa chắc tạo ra scaling. Trong nghiên cứu này, Dyna kết luận mục tiêu dự đoán tương lai là thành phần then chốt để lợi ích từ video chuyển qua khoảng cách giữa cơ thể người và robot.

Meta từng cho thấy một tín hiệu tương tự với V-JEPA 2

Dyna-2 không phải ví dụ duy nhất của xu hướng dùng video Internet hoặc video người để bù cho sự khan hiếm dữ liệu robot.

Năm 2025, Meta công bố V-JEPA 2, một world model được tiền huấn luyện trên hơn một triệu giờ video Internet cùng dữ liệu hình ảnh. Sau đó, biến thể action-conditioned được hậu huấn luyện bằng chưa tới 62 giờ video robot không gắn nhãn từ bộ DROID.

Meta cho biết model có thể lập kế hoạch zero-shot cho robot Franka ở hai phòng thí nghiệm và thực hiện các nhiệm vụ pick-and-place với vật thể chưa quen, không cần thu dữ liệu riêng từ chính những robot trong môi trường triển khai đó.

Hai công trình có kiến trúc và mục tiêu khác nhau, nhưng cùng chỉ về một hướng: video có thể trở thành lớp pre-training quy mô lớn của robotics, còn dữ liệu robot thật được dùng như bước “grounding” cuối cùng.

Video giải quyết một bài toán kinh tế, không chỉ bài toán AI

Sự hấp dẫn của chiến lược này nằm ở economics.

Một triệu giờ robot demonstration đòi hỏi fleet phần cứng lớn, bảo trì, operator, không gian và hàng triệu lần reset môi trường. Một triệu giờ video người vẫn tốn chi phí thu thập, làm sạch và gắn tín hiệu, nhưng việc mở rộng camera trên người đơn giản hơn nhiều so với mở rộng robot.

Nếu một người có thể làm việc bằng đôi tay bình thường trong nhà bếp hoặc xưởng lắp ráp trong khi camera thu lại chuyển động, hệ thống dữ liệu không phải chờ robot trở nên đủ rẻ và đủ ổn định mới bắt đầu tích lũy kinh nghiệm.

Đây có thể là một thay đổi chiến lược đối với các công ty Physical AI. Lợi thế không chỉ nằm ở việc sở hữu robot tốt nhất, mà còn ở pipeline thu video người, chuẩn hóa quỹ đạo tay, làm sạch dữ liệu, chọn độ đa dạng phù hợp và nối dữ liệu đó với một lượng nhỏ trải nghiệm robot chất lượng cao.

Nhưng video vẫn thiếu những thứ rất quan trọng với robot

Một camera không cảm nhận mọi thứ mà bàn tay người cảm nhận.

Khi con người cầm một quả trứng, chúng ta biết lực kẹp qua xúc giác. Khi xoay núm vặn bị kẹt, cơ thể cảm thấy lực cản. Khi nâng một vật nặng, cơ và khớp cung cấp proprioception. Video thông thường không ghi lại đầy đủ lực tiếp xúc, mô-men, ma sát vi mô hay cảm giác vật liệu.

Đó là lý do “Internet video cho robot” không hoàn toàn tương đương “Internet text cho LLM”. Văn bản vốn đã là đầu vào trực tiếp của language model. Video người chỉ là quan sát gián tiếp của một cơ thể khác với robot.

Khoảng cách embodiment vẫn tồn tại. Bàn tay người có cấu trúc, độ mềm và khả năng cảm nhận khác gripper hai ngón hay bàn tay robot 20 bậc tự do. Một chuyển động cổ tay hợp lý với con người có thể không khả thi với cánh tay robot vì joint limit hoặc vùng workspace.

Dyna-2 cho thấy scale có thể làm khoảng cách này nhỏ đi trên các benchmark đã thử, chứ chưa chứng minh khoảng cách đó biến mất.

“Dữ liệu nhiều hơn” cũng không đồng nghĩa “video ngẫu nhiên nhiều hơn”

Chất lượng và phân phối dữ liệu vẫn quan trọng.

Dyna mô tả corpus của mình là video thao tác góc nhìn thứ nhất, có pipeline kiểm tra hand pose và lọc clip. Điều này khác xa một kho video hỗn hợp gồm phim, podcast, gameplay và camera cố định nơi bàn tay không nhìn rõ.

Muốn học thao tác vật lý, model cần thấy đủ nhiều tương tác hữu ích: mở, kéo, đẩy, nhấc, gấp, xoay, chèn, buộc, cắt, múc, xếp và phối hợp hai tay. Nếu một triệu giờ chỉ lặp lại cùng vài động tác, con số giờ lớn không bảo đảm khả năng tổng quát.

Trong tương lai, cuộc đua dữ liệu robot có thể chuyển từ “ai có nhiều giờ nhất” sang “ai có nhiều giờ trải nghiệm hữu ích và đa dạng nhất”.

Robot vẫn còn những nút thắt khác ngoài dữ liệu

Ngay cả khi world model giải được phần lớn pre-training, Physical AI vẫn phải đối mặt với nhiều vấn đề.

• Inference thời gian thực: robot phải phản ứng trong mili giây hoặc vài chục mili giây, không thể suy luận chậm như chatbot.
• Độ tin cậy: demo thành công vài lần không tương đương vận hành hàng nghìn giờ trong nhà máy.
• Hardware: actuator, truyền động, bàn tay, sensor và độ bền cơ khí vẫn giới hạn những gì policy có thể làm.
• Safety: một lỗi xác suất nhỏ có thể tạo ra hậu quả vật lý khi robot làm việc cạnh người.
• Evaluation: model cần được kiểm thử trên môi trường, vật thể và failure mode chưa thấy trong training.

Một cuộc điều tra của Reuters cuối tháng 8/2026 về ngành humanoid Trung Quốc cũng cho thấy khoảng cách giữa những màn trình diễn ấn tượng và công việc nhà máy ổn định vẫn còn lớn. Bài toán không chỉ là chế tạo cơ thể robot; intelligence, dữ liệu huấn luyện và độ tin cậy khi làm việc thật vẫn là những điểm nghẽn.

Dyna-2 chưa chứng minh rằng model size không quan trọng

Đây là giới hạn cần đọc kỹ trong nghiên cứu.

Ở thí nghiệm scaling chính, Dyna giữ cấu hình huấn luyện tương đương và thay lượng trải nghiệm từ 1.000 tới một triệu giờ. Nhóm tác giả nói rõ rằng các thí nghiệm scaling riêng theo compute và kích thước model được để lại cho nghiên cứu tương lai.

Vì vậy, không thể từ kết quả này kết luận robotics đã “đủ AI” và chỉ còn thiếu dữ liệu.

Một cách diễn giải hợp lý hơn là: khi architecture và objective đủ tốt, dữ liệu vật lý có thể trở thành một trục scaling độc lập rất mạnh. Robot có thể tiếp tục hưởng lợi từ model lớn hơn, compute nhiều hơn, sensor tốt hơn và hardware tốt hơn; Dyna-2 chỉ cho thấy thêm dữ liệu người có thể mang lại lợi ích dự đoán được mà không cần tiền huấn luyện trực tiếp trên robot.

Nếu scaling law này giữ vững, “data flywheel” của robotics sẽ thay đổi

Trong mô hình cũ, vòng lặp có dạng: mua robot → teleoperate → thu demonstration → train → đưa model lên cùng loại robot → lặp lại.

Một mô hình mới có thể là: thu video người ở quy mô lớn → pre-train world model → lấy một lượng nhỏ dữ liệu từ từng robot cụ thể → post-train → triển khai → thu failure và dữ liệu khó → quay lại pipeline.

Đây là một flywheel kinh tế hơn vì phần đắt nhất — robot time — không còn phải tăng cùng tốc độ với pre-training corpus.

Nó cũng mở khả năng chia sẻ tri thức giữa nhiều embodiment. Một model có thể học khái niệm “kéo khóa”, “gấp mép vải” hay “xoay nắp” từ người trước, rồi học cách ánh xạ khái niệm đó sang cánh tay hai ngón, humanoid hoặc bàn tay nhiều ngón ở bước sau.

Robot có thể đang ở giai đoạn “trước Internet” của chính mình

LLM phát triển nhanh một phần vì dữ liệu số đã tích lũy hàng chục năm trước khi các model hiện đại xuất hiện. Robotics chưa có lợi thế lịch sử đó.

Không có hàng tỷ giờ video đồng bộ giữa camera, joint state, torque, tactile và action của mọi loại robot được công khai trên mạng. Mỗi công ty đang tự tạo một phần nhỏ “Internet hành động” của riêng mình.

Dyna-2 gợi ý rằng robot có thể không cần chờ kho dữ liệu robot đó xuất hiện đầy đủ. Một phần kiến thức nền có thể được khai thác từ thứ nhân loại đã có với quy mô lớn hơn rất nhiều: video về con người tác động lên thế giới.

Nếu đúng, lợi thế lớn tiếp theo của Physical AI có thể không đến từ việc thêm vài tỷ tham số vào policy. Nó có thể đến từ việc tìm ra cách biến hàng triệu giờ trải nghiệm của con người thành representation mà nhiều loại robot đều dùng được.

Dyna-2 chưa phải lời giải cuối cùng. Kết quả hiện vẫn đến chủ yếu từ nhóm phát triển model, tập benchmark còn hữu hạn và robot vẫn cần hậu huấn luyện bằng dữ liệu vật lý thật.

Nhưng công trình đặt ra một câu hỏi đáng chú ý cho giai đoạn tiếp theo của robotics: nếu AI đã đủ khả năng học quy luật, liệu thứ robot thiếu nhất bây giờ có phải là cơ hội được quan sát thế giới đủ lâu?

Nguồn tham khảo

• Dyna Robotics, “Dyna-2: A 1-Million-Hour Scaling Law for World-Action Models”, tháng 8/2026.
• Dyna Robotics, “Training Dyna-2 at million-hour scale, repeatably”, tháng 8/2026.
• Meta AI, “Introducing the V-JEPA 2 world model and new benchmarks for physical reasoning”, 11/6/2025.
• Meta AI Research, V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning.
• Reuters, “China can build kung fu-fighting robots. But it can't get them to do factory work”, 27/8/2026.