Robot gia đình không chỉ cần học việc: Nó phải học cách sống cùng một con người trong nhiều năm

Một robot có thể học cách xếp bát đĩa sau vài lần làm mẫu vẫn chưa chắc đủ thông minh để sống trong nhà.

Trong môi trường gia đình, bài toán khó hơn nhiều so với việc hoàn thành một task.

Robot phải biết chiếc cốc nào chủ nhà thích dùng vào buổi sáng. Nó phải nhớ người này muốn được nhắc uống thuốc nhưng không muốn bị hỏi liên tục. Nó phải hiểu ghế giữa phòng khách hôm nay là chướng ngại cần tránh, nhưng ngày mai có thể đã được chuyển đi. Nó phải phân biệt một thói quen bền vững với một ngoại lệ chỉ xảy ra một lần.

Và quan trọng nhất: những điều robot học được về một con người hôm nay có thể không còn đúng sau sáu tháng, ba năm hoặc mười năm.

Đó là lý do thế hệ robot gia đình tiếp theo sẽ cần một năng lực rộng hơn “learning from demonstration”. Chúng phải tiến tới một dạng long-term adaptation: liên tục xây dựng ký ức về người, ngôi nhà và lịch sử tương tác; dùng ký ức đó để hành động tốt hơn; nhưng đồng thời biết quên, sửa và hỏi lại khi thế giới thay đổi.

Một loạt nghiên cứu trong năm 2026 đang bắt đầu chạm trực tiếp vào vấn đề này.

HUMEMBR, một công trình được chấp nhận tại IROS 2026, cho robot xây dựng memory về routine con người để trả lời các câu hỏi như một người thường ở đâu vào thời điểm nhất định. PARAssist, xuất hiện trên arXiv ngày 27/8/2026, học thụ động kiểu hỗ trợ mà từng người có xu hướng muốn nhận. Trong khi đó, nhóm Georgia Tech vừa thiết kế một nghiên cứu nhiều lần ghé thăm trong môi trường nhà thật để xem người không chuyên có thể tiếp tục dạy robot qua nhiều phiên như thế nào.

Những công trình này chưa tạo ra một robot đã sống cùng gia đình nhiều năm.

Nhưng chúng cùng chỉ về một thay đổi quan trọng trong robotics: robot gia đình không chỉ cần học thế giới vật lý. Nó phải học lịch sử của một mối quan hệ.

Một robot giỏi task vẫn có thể là một người bạn cùng nhà rất tệ

Phần lớn benchmark robot hiện nay hỏi những câu tương đối ngắn hạn.

Robot có mở được ngăn kéo không?

Có lấy đúng vật thể không?

Có gấp khăn không?

Có hoàn thành chuỗi hành động trong nhà bếp không?

Những benchmark này cần thiết vì manipulation vẫn là một bài toán rất khó. Nhưng nếu mục tiêu cuối cùng là đưa robot vào nhà, success rate của từng task chỉ là một phần của trải nghiệm.

Hãy tưởng tượng một robot hoàn thành chính xác 99% lệnh nhưng mỗi sáng đều hỏi lại: “Bạn muốn cà phê ở cốc nào?”

Hoặc nó nhớ rằng chủ nhà từng yêu cầu đặt thuốc trên bàn ăn, nhưng tiếp tục làm vậy sau khi người đó chuyển lịch uống thuốc sang buổi tối.

Hoặc nó tự động dọn một chồng giấy mà người dùng đang cố tình để nguyên vì đó là tài liệu làm việc.

Về mặt manipulation, robot không sai.

Về mặt sống chung, nó sai hoàn toàn.

Một review về human–robot interaction cho indoor mobile robots công bố năm 2026 chỉ ra rằng môi trường gia đình có mức độ phức tạp xã hội đặc biệt cao. Robot trong nhà phải thích nghi với nhiều người, routine thay đổi, quy tắc riêng tư, social cue và kỳ vọng khác nhau; personalization và long-term relationship building vì thế trở thành yêu cầu trung tâm chứ không phải tính năng phụ.

“Biết nhà” chưa đủ, robot còn phải “biết người”

Robot navigation truyền thống xây bản đồ không gian.

Nó học phòng khách nằm ở đâu, cửa bếp ở đâu, sofa chiếm bao nhiêu diện tích và tuyến đường nào không va vào bàn.

Nhưng một robot sống lâu dài với con người cần một loại bản đồ thứ hai: bản đồ hành vi theo thời gian.

Ví dụ:

• một người thường ở bếp lúc 7 giờ sáng;
• thường đặt kính đọc sách cạnh ghế sofa vào buổi tối;
• hay để chìa khóa ở bàn gần cửa nhưng đôi khi để trong túi áo;
• không muốn robot vào phòng ngủ khi cửa đóng;
• thích được hỏi trước khi robot dọn bàn làm việc;
• cần nhiều hỗ trợ hơn ở một số task nhưng muốn tự làm các task khác.

Thông tin này không thể rút ra chỉ từ floor plan.

Nó phải được học bằng cách quan sát lịch sử tương tác.

HUMEMBR: robot bắt đầu học routine thay vì chỉ học map

Một ví dụ rõ ràng là HUMEMBR – Human-Centered Memory for Embodied Robots, của Samira Huber và các cộng sự, được chấp nhận tại IROS 2026.

Nhóm nghiên cứu đặt ra một kiểu câu hỏi mà robot trong nhà hoặc môi trường chăm sóc có thể thường xuyên gặp:

“Người này thường ở đâu vào giờ này?”

“Khi nào họ thường rời khỏi khu vực?”

“Nếu cần tìm họ, nên kiểm tra chỗ nào trước?”

Để trả lời, robot không thể chỉ nhìn frame camera hiện tại.

Nó phải tích lũy quan sát trong một khoảng thời gian dài, tìm pattern và biến lịch sử đó thành một memory có cấu trúc.

HUMEMBR kết hợp quá trình xây dựng memory liên tục với cơ chế retrieval và query song song. Thay vì đưa toàn bộ lịch sử quan sát khổng lồ vào một LLM mỗi lần có câu hỏi, hệ thống lưu những biểu diễn có cấu trúc về routine con người rồi truy xuất phần có liên quan.

Nhóm báo cáo phương pháp này tốt hơn baseline kiểu nhét full context vào LLM trong bài toán reasoning dài hạn, đồng thời dùng ít token hơn. Hệ thống cũng được triển khai trên robot vật lý ở hai môi trường khác nhau.

Ý nghĩa lớn nhất không nằm ở một con số benchmark.

Nó nằm ở việc robot bắt đầu được thiết kế để coi lịch sử nhiều ngày là một phần của perception.

Ký ức robot không thể chỉ là một video dài vô tận

Giải pháp ngây thơ cho long-term memory là ghi lại mọi thứ.

Camera chạy 24/7.

Microphone lưu mọi cuộc nói chuyện.

Mọi vị trí đồ vật được ghi lại từng giây.

Sau một năm, robot có một kho dữ liệu khổng lồ.

Nhưng “lưu nhiều” không đồng nghĩa “nhớ tốt”.

Một robot thực sự hữu ích phải trả lời được những câu kiểu:

“Lần cuối tôi dùng hộp dụng cụ là khi nào?”

“Tôi thường để chìa khóa ở đâu?”

“Trong hai tuần gần đây mẹ có dùng phòng khách ít hơn không?”

“Cách tôi muốn robot pha trà tháng này có giống ba tháng trước không?”

Những câu hỏi này đòi hỏi memory có thời gian, ngữ cảnh và mức độ chắc chắn.

Một clip cũ không chỉ cần biết nó ghi gì; robot còn cần biết sự kiện xảy ra lúc nào, nó có còn đại diện cho hiện tại không và có bao nhiêu quan sát khác ủng hộ pattern đó.

Robot cần episodic memory và semantic memory giống hai lớp khác nhau

Một cách hữu ích để nghĩ về vấn đề là tách hai loại ký ức.

Episodic memory lưu các sự kiện cụ thể.

Ví dụ: “Thứ Ba tuần trước, người dùng đặt chiếc cốc xanh vào ngăn trên cùng.”

Semantic memory lưu knowledge được khái quát hóa.

Ví dụ: “Người dùng thường để chiếc cốc xanh trong ngăn trên cùng.”

Hai loại memory có vai trò khác nhau.

Nếu robot chỉ giữ episodic memory, kho dữ liệu sẽ phát triển gần như không giới hạn.

Nếu robot chỉ giữ semantic memory, nó có thể mất bằng chứng để hiểu tại sao một preference được hình thành và khi nào preference đó đã thay đổi.

Hệ thống sống lâu dài cần khả năng nén nhiều trải nghiệm thành pattern, nhưng vẫn giữ một số episode quan trọng để giải thích hoặc cập nhật pattern đó.

“Mind Palace” cho robot: nhớ quá khứ nhưng vẫn biết đi kiểm tra hiện tại

Một công trình tại CoRL 2025 mang tên Enter the Mind Palace tiếp cận vấn đề từ góc nhìn embodied question answering dài hạn.

Nhóm nghiên cứu lưu trải nghiệm của robot thành các world instance dựa trên scene graph – một kiểu memory có cấu trúc về vật thể, địa điểm và trạng thái theo thời gian.

Khi được hỏi một câu cần thông tin quá khứ, robot không chỉ truy xuất memory.

Nó còn phải quyết định: memory hiện có đã đủ để trả lời chưa, hay cần chủ động di chuyển đi quan sát thêm?

Đây là khác biệt quan trọng giữa AI agent trên máy tính và robot.

Nếu chatbot không biết một thông tin, nó có thể tìm database.

Nếu robot không biết “chiếc túi đỏ hiện đang ở đâu”, database cũ có thể không đủ. Nó phải đi tới căn phòng có xác suất cao nhất và nhìn.

Long-term memory trong robotics vì vậy luôn gắn với active perception: nhớ những gì đã thấy và biết khi nào cần quay lại thế giới thật để kiểm tra.

Robot không nên nhớ mọi thứ như nhau

Một người sống cùng bạn nhiều năm không nhớ từng vị trí của từng chiếc thìa mỗi ngày.

Robot cũng không nên.

Nó cần một chính sách quên.

Ví dụ, việc chiếc thìa nằm trên bàn lúc 14:03 ngày 12/6 có thể vô giá trị sau vài giờ.

Nhưng thông tin “người dùng dị ứng đậu phộng” có thể cực kỳ quan trọng và không được tự động xóa chỉ vì đã cũ.

“Không vào phòng làm việc khi đèn đỏ bật” có thể là một rule cần ưu tiên cao.

“Người dùng thích trà ít đường” có thể là preference tương đối ổn định nhưng vẫn cần khả năng sửa.

Như vậy memory management phải có nhiều tầng retention khác nhau:

• sự kiện tạm thời;
• thói quen có xác suất;
• preference cá nhân;
• quy tắc an toàn;
• quyền riêng tư và permission;
• thông tin cần người dùng xác nhận trước khi thay đổi.

PARAssist: một câu “giúp tôi với” có thể mang nghĩa khác với từng người

Ngày 27/8/2026, Pourya Aliasghari và Goldie Nejat công bố framework PARAssist – Personalized and Adaptive Robotic Assistance.

Bài toán của họ bắt đầu từ một thực tế rất đời thường: con người thường đưa ra yêu cầu mơ hồ.

“Giúp tôi với.”

“Lấy cái đó đi.”

“Tôi cần hỗ trợ.”

Một robot generic có thể phải hỏi lại nhiều lần.

PARAssist cố giải quyết bằng history cá nhân.

Hệ thống tạo candidate task dựa trên lịch sử hành động, hoạt động, vị trí, hội thoại và các yêu cầu trước đây của người dùng, sau đó đánh giá chúng qua một mô hình preference được học thụ động.

Một chi tiết đáng chú ý là hệ thống không chỉ ghi lại “người dùng từng yêu cầu robot làm X”.

Nó còn so sánh những task người dùng tự làm với những task họ thường yêu cầu trợ giúp, rồi suy ra profile về loại hỗ trợ mà người đó có xu hướng muốn.

Đây là bước dịch từ robot phản ứng theo lệnh sang robot xây user model.

Personalization tốt không phải càng chủ động càng tốt

Nếu robot đã học rằng một người thường nhờ lấy cốc nước sau khi ngồi xuống ghế sofa, nó có nên tự động mang nước tới mỗi lần người đó ngồi không?

Không nhất thiết.

Một trong những nguy cơ lớn của personalization là robot biến pattern thành quyền tự quyết quá sớm.

Con người thay đổi ý định theo bối cảnh.

Hôm nay người dùng đang khát.

Ngày mai họ chỉ ngồi xuống để buộc dây giày.

Nếu robot cứ dự đoán và hành động, thứ ban đầu giống “thông minh” có thể nhanh chóng trở thành phiền toái.

HRI vì vậy cần một khái niệm quan trọng: calibrated proactivity.

Robot không chỉ phải dự đoán đúng người dùng có thể muốn gì; nó còn phải biết mức chắc chắn nào đủ để tự hành động và mức nào chỉ đủ để hỏi.

Ba mức hành vi: tự làm, hỏi trước, hoặc đứng yên

Một robot sống chung lâu dài có thể cần mỗi action đi qua ba câu hỏi.

Thứ nhất: tôi có biết người dùng muốn gì không?

Thứ hai: nếu đoán sai, hậu quả lớn đến đâu?

Thứ ba: tôi có quyền thực hiện việc đó mà không hỏi không?

Ví dụ:

• đóng rèm lúc 10 giờ tối theo routine lâu dài: có thể tự làm;
• dọn các vật đang nằm trên bàn làm việc: nên hỏi;
• đổ thuốc cũ hoặc thực phẩm có vẻ hết hạn: có thể cần xác nhận rõ ràng;
• mở cửa cho người lạ: không được chỉ dựa vào một pattern học được.

Long-term learning vì vậy phải sống bên trong một hệ permission, không thể đứng một mình.

Một preference cũng có “ngày hết hạn”

AI personalization thường mắc một lỗi rất người: biến quá khứ thành định mệnh.

Nếu người dùng từng thích nhạc jazz, hệ thống cứ gợi ý jazz mãi.

Trong robot, vấn đề nguy hiểm hơn vì preference có thể dẫn tới action vật lý.

Một người từng muốn robot đặt thuốc bên trái giường có thể sau này đổi bên ngủ.

Người từng cần trợ giúp mặc áo có thể hồi phục sau chấn thương và muốn tự làm để tập vận động.

Một gia đình có trẻ nhỏ có thể đặt nhiều khu vực cấm robot, rồi thay đổi rule khi trẻ lớn lên.

Do đó, robot cần hiểu concept drift ở cấp con người.

Preference không phải hằng số.

Nó là một belief có thể thay đổi theo thời gian.

Ký ức tốt phải lưu cả uncertainty

Thay vì lưu:

“Chủ nhà uống cà phê lúc 7 giờ.”

Robot nên có một belief gần hơn với:

“Trong 22 ngày làm việc gần nhất, người này uống cà phê trong khoảng 6:50–7:20 ở 18 ngày; pattern yếu hơn vào cuối tuần.”

Dạng memory thứ hai giàu thông tin hơn rất nhiều.

Nó cho robot biết:

• pattern mạnh tới đâu;
• khi nào pattern có hiệu lực;
• có ngoại lệ theo ngày trong tuần không;
• lần cuối pattern được quan sát là khi nào.

Nếu người dùng đột ngột thay đổi routine trong hai tuần, confidence của thói quen cũ nên giảm.

Dạy robot một lần khác với sống cùng nó nhiều lần

Một nghiên cứu mới của Nina Moorman và các cộng sự tại Georgia Tech, nộp lên arXiv ngày 25/8/2026, cố tình chuyển bài toán Learning from Demonstration khỏi cấu hình lab một lần.

Nhóm thiết kế nghiên cứu trong Georgia Tech Aware Home, một môi trường nhà thật, với người tham gia là những người chăm sóc người lớn tuổi – bao gồm cả chuyên nghiệp và không chuyên.

Người tham gia dạy một cặp cánh tay JACO 2 qua nhiều lần ghé thăm.

Ở lần đầu, họ được học cách phân rã task và dạy skill.

Ở lần tiếp theo, họ nhận các hình thức feedback gồm foundation-model feedback, robot replay thật và augmented-reality replay.

Ở lần cuối, người tham gia phải tự định nghĩa domain và task của riêng mình.

Các domain gồm những việc quen thuộc như xếp hộp, trộn pancake, chuẩn bị bữa sáng, đặt bàn, nạp máy rửa bát và phân thuốc.

Điểm đáng chú ý là paper này hiện chủ yếu mô tả thiết kế nghiên cứu và dataset dự kiến, chưa phải báo cáo đầy đủ kết quả thống kê cuối cùng.

Nhưng câu hỏi mà nó đặt ra rất quan trọng: người bình thường có thể tiếp tục “nuôi” kỹ năng robot qua nhiều phiên mà không có kỹ sư robotics đứng cạnh hay không?

Robot cũng phải học cách người dùng dạy

Không phải ai cũng biểu diễn một task giống nhau.

Một người có thể dạy bằng chuyển động rất chậm và cẩn thận.

Người khác di chuyển nhanh.

Một người chia task thành nhiều bước nhỏ.

Người khác nghĩ theo mục tiêu lớn.

Qua thời gian, chính người dùng cũng học cách dạy robot tốt hơn.

Nghiên cứu trước đây về kinesthetic teaching đã cho thấy style và chất lượng demonstration có thể thay đổi qua nhiều session.

Điều này tạo ra một vòng thích nghi hai chiều.

Robot học người.

Người cũng học robot.

Một hệ gia đình tốt phải thiết kế cho sự đồng tiến hóa này, thay vì giả định user luôn đứng yên còn model là thứ duy nhất thay đổi.

Shared mental model có thể quan trọng không kém policy

Sống lâu dài với robot đòi hỏi người dùng biết robot đang nghĩ gì.

Nếu robot không nhặt một chiếc hộp vì confidence nhận dạng thấp, người dùng cần hiểu đó là giới hạn perception chứ không phải robot “lười”.

Nếu robot từ chối bước vào một phòng do privacy rule, người dùng cần biết rule nào đang được áp dụng.

Nếu robot hỏi lại một việc đã làm hàng trăm lần, user cần hiểu có điều gì trong ngữ cảnh hôm nay khác trước.

Đây là bài toán mental model alignment.

Con người cần có mô hình tương đối đúng về năng lực và giới hạn của robot.

Robot cũng cần mô hình tương đối đúng về mục tiêu, preference và kỳ vọng của con người.

Long-term trust chỉ bền khi hai mô hình này không lệch nhau quá xa.

Trust không phải điểm số chỉ tăng theo thời gian

Một robot sống cùng người dùng càng lâu chưa chắc càng được tin.

Trust có thể tăng khi robot hành động ổn định.

Nhưng một lỗi nghiêm trọng có thể phá hỏng nhiều tháng tích lũy.

Ngược lại, robot quá hoàn hảo trong những task đơn giản có thể khiến người dùng over-trust và giao cho nó những việc vượt ngoài capability thật.

Mục tiêu của HRI không phải tối đa hóa trust.

Mục tiêu là calibrate trust: người dùng tin đúng mức tương ứng với năng lực thực.

Điều này đặc biệt quan trọng khi robot có memory cá nhân. Một hệ thống nhớ đúng 99 lần nhưng hallucinate một ký ức sai ở lần thứ 100 có thể gây hậu quả vật lý.

Một robot nhớ nhiều cũng là một thiết bị giám sát cực mạnh

Long-term personalization có một mặt trái rất rõ.

Để biết thói quen của bạn, robot phải quan sát bạn.

Để biết ai thường xuất hiện trong nhà, robot phải nhận diện người.

Để hiểu routine, nó phải lưu lịch sử.

Để dự đoán nhu cầu, nó có thể cần nghe hội thoại, quan sát vị trí và ghi lại tương tác với đồ vật.

Đây là tập dữ liệu riêng tư hơn rất nhiều so với ảnh từ một camera an ninh đơn giản.

Một camera biết “người này đang ở phòng khách” đã nhạy cảm.

Một robot biết “người này thường thức dậy lúc 3 giờ sáng ba lần mỗi tuần, dùng thuốc ở ngăn này và hay tranh luận với thành viên kia trong gia đình” là một loại dữ liệu hoàn toàn khác.

Memory phải có quyền sở hữu rõ ràng

Một câu hỏi tưởng đơn giản nhưng chưa có câu trả lời chuẩn hóa rộng rãi:

ký ức của robot thuộc về ai?

Người mua robot?

Mọi thành viên trong nhà?

Nhà sản xuất?

Cloud service vận hành model?

Nếu một vị khách yêu cầu robot “đừng nhớ tôi”, hệ thống có xóa được toàn bộ trace liên quan không?

Nếu hai vợ chồng chia tay, historical memory được chia thế nào?

Nếu bán robot cho chủ mới, robot có phải “quên” chủ cũ hoàn toàn không?

Đây không phải những câu hỏi phụ về privacy policy.

Chúng là yêu cầu kiến trúc của một sản phẩm có long-term memory.

Robot nên có một nút “quên tôi” thật sự

Một hệ memory đáng tin cậy cần nhiều cấp kiểm soát.

• Xem robot đang nhớ gì.
• Sửa một memory sai.
• Đánh dấu một preference là tạm thời.
• Xóa một event.
• Xóa toàn bộ profile của một người.
• Đặt khu vực hoặc thời gian không được ghi nhớ.
• Giữ một số memory chỉ on-device.

Quan trọng hơn, xóa phải là xóa thật ở mọi layer liên quan, không chỉ ẩn một dòng trong giao diện trong khi embedding hoặc log vẫn còn ở backend.

Nhiều người trong cùng một nhà làm bài toán khó hơn nhiều lần

Tiêu đề “sống cùng một con người” là trường hợp đơn giản nhất.

Nhà thật thường có nhiều người.

Mỗi người có preference riêng.

Rule có thể mâu thuẫn.

Một người thích robot tự dọn.

Người khác không muốn robot chạm vào đồ cá nhân.

Cha mẹ cho phép robot nhắc trẻ làm bài nhưng trẻ lại yêu cầu nó im lặng.

Người chăm sóc muốn robot báo một số hành vi; người được chăm sóc lại muốn giữ riêng tư.

Robot cần một hệ quản lý quyền và xung đột chứ không chỉ một profile trung bình của “gia đình”.

Identity cũng không đơn giản như nhận diện khuôn mặt

Muốn personalize đúng, robot phải biết đang tương tác với ai.

Face recognition là một lựa chọn, nhưng không phải lúc nào cũng đáng tin hoặc được chấp nhận về privacy.

Voice ID, wearable, phone proximity, vị trí hoặc lịch sử hội thoại có thể bổ sung.

Nhưng sai identity trong robot nguy hiểm hơn sai profile trên một ứng dụng streaming.

Nếu robot lấy nhầm preference ăn uống của thành viên khác, hậu quả có thể liên quan dị ứng.

Nếu robot áp dụng permission của người lớn cho trẻ em, rủi ro còn lớn hơn.

Long-term personalization vì vậy phải đi cùng identity confidence và rule cho trường hợp hệ thống không chắc.

Robot phải phân biệt “thói quen” với “bí mật”

Một robot quan sát đủ lâu sẽ suy ra nhiều điều người dùng chưa từng nói trực tiếp.

Thời gian ngủ.

Tình trạng vận động.

Tần suất dùng thuốc.

Ai ghé nhà.

Ai ngủ ở phòng nào.

Những thay đổi trong routine có thể tiết lộ sức khỏe, quan hệ hoặc trạng thái tinh thần.

Do đó, memory policy không thể dựa duy nhất vào câu hỏi “dữ liệu có giúp robot làm task tốt hơn không?”

Nó còn phải hỏi “robot có nên biết điều này không?”

An toàn của lifelong learning khó hơn safety của model cố định

Một robot có policy cố định có thể được test trước khi bán.

Một robot liên tục học thì ngày thứ 500 không còn giống ngày thứ nhất.

Nó đã có memory mới.

Nó có user model mới.

Nó có thể thay đổi threshold chủ động.

Nó có những skill do người dùng dạy.

Điều này làm validation khó hơn.

Nhà sản xuất không thể chỉ chứng nhận một checkpoint rồi giả định behavior giữ nguyên mãi.

Hệ thống cần continuous evaluation, guardrail cố định và khả năng rollback khi adaptation tạo hành vi xấu.

Một “skill mới” không nên được học với quyền vô hạn

Giả sử chủ nhà dạy robot cách mở cửa ban công.

Robot học thành công.

Điều đó không có nghĩa skill này được phép gọi trong mọi context.

Nó có thể cần rule:

• không mở khi không có người lớn ở nhà;
• không mở khi cảm biến mưa đang kích hoạt;
• không mở nếu trẻ nhỏ đang ở gần;
• không thực thi qua một lệnh voice từ người không xác định.

Lifelong skill learning phải gắn skill với permission và safety condition ngay từ lúc lưu vào library.

Robot cần học cả những điều “không nên làm”

Con người sống chung tốt không chỉ vì biết cách giúp.

Họ còn biết lúc nào nên tránh can thiệp.

Một robot gia đình cần học negative preference:

Không hút bụi khi người dùng họp.

Không đi sát phía sau một người lớn tuổi trên cầu thang.

Không tự động dọn vật thể trên bàn vẽ.

Không nhắc một thông tin riêng tư khi có khách.

Không hỏi lại một câu gây khó chịu nếu user vừa từ chối.

Những “anti-task” này khó benchmark nhưng rất quan trọng cho long-term acceptance.

Thành công dài hạn phải được đo theo tuần và tháng, không chỉ theo episode

Nếu robot được thiết kế để sống cùng người nhiều năm, benchmark một buổi chiều là chưa đủ.

Một evaluation thực sự cần đo:

• task success theo thời gian;
• số lần user phải sửa robot;
• mức độ giảm của lệnh lặp lại;
• số prediction chủ động đúng và sai;
• trust calibration;
• privacy comfort;
• khả năng thích nghi khi routine đổi;
• khả năng quên memory không còn đúng;
• tỷ lệ người dùng tiếp tục sử dụng sau novelty period.

Đây là lý do các nghiên cứu longitudinal rất quan trọng.

Một robot có thể gây ấn tượng trong ngày đầu nhưng trở nên khó chịu ở tuần thứ ba.

Ngược lại, một robot ban đầu cần nhiều chỉ dẫn nhưng sau ba tháng giảm đáng kể workload của người dùng có thể là hệ thống tốt hơn.

“Nhiều năm” hiện vẫn là khoảng trống nghiên cứu lớn

Dù từ “long-term” xuất hiện ngày càng nhiều trong robotics, phần lớn nghiên cứu vẫn không thực sự kéo dài nhiều năm với cùng người dùng trong cùng nhà.

Có các study nhiều phiên.

Có deployment nhiều ngày hoặc nhiều tuần.

Có benchmark được thiết kế để reasoning qua history dài.

Có hệ thống nhớ routine và thử nghiệm trên robot thật.

Nhưng một robot consumer được quan sát khoa học khi sống cùng cùng một gia đình qua những thay đổi thật của nhiều năm vẫn rất hiếm.

Đó là khoảng cách quan trọng giữa “long-horizon AI” và “long-term relationship”.

Con người thay đổi nhanh hơn phần cứng robot

Nếu robot sống trong nhà 5–10 năm, nó sẽ chứng kiến những thay đổi mà một benchmark tĩnh không mô phỏng được.

Trẻ em lớn lên.

Người lớn tuổi giảm khả năng vận động.

Gia đình chuyển nhà.

Một thành viên mới xuất hiện.

Một người rời đi.

Đồ nội thất thay đổi.

Lịch làm việc đổi.

Bệnh lý mới xuất hiện.

Các chuẩn mực riêng tư trong gia đình cũng thay đổi.

Robot phải học lại mà không xóa sạch mọi thứ hữu ích trước đó.

Trong machine learning, đây liên quan tới continual learning và vấn đề catastrophic forgetting.

Trong nhà, nó còn là vấn đề xã hội.

Robot phải thay đổi mà vẫn giữ “tính cách” ổn định

Nếu behavior robot thay đổi quá nhiều sau mỗi tuần học, người dùng sẽ không biết nên kỳ vọng điều gì.

Một hệ sống lâu dài cần cân bằng hai lực đối nghịch:

adaptability: thay đổi theo user.

predictability: vẫn hành xử đủ nhất quán để người dùng tin tưởng.

Giải pháp có thể là tách core policy và preference layer.

Safety rule, social boundary và cách báo lỗi nên tương đối ổn định.

Thói quen hỗ trợ, thứ tự ưu tiên, vị trí đồ vật và cách giao tiếp có thể thích nghi nhiều hơn.

Một robot tốt có thể cần hỏi “tôi nhớ đúng không?”

Long-term memory không nên hoạt động hoàn toàn âm thầm.

Đôi lúc robot nên xác nhận:

“Tôi thấy gần đây bạn thường uống trà thay vì cà phê vào buổi sáng. Bạn muốn tôi cập nhật routine không?”

“Bạn đã yêu cầu tôi không vào phòng này ba lần. Bạn muốn đặt nó thành khu vực riêng tư cố định chứ?”

“Tôi nhớ bạn thường muốn giúp khi nâng hộp nặng. Điều này vẫn đúng không?”

Những câu hỏi này tạo một vòng memory reconciliation giữa người và robot.

Nó giúp user nhìn thấy model mà robot đang xây về mình và sửa trước khi belief sai trở thành action sai.

Tương lai có thể là “robot profile” được tích lũy như một mối quan hệ

Nếu một robot thực sự sống cùng người dùng trong nhiều năm, giá trị của nó có thể không nằm hoàn toàn ở hardware.

Một phần lớn giá trị nằm trong history đã tích lũy:

• skill library của riêng ngôi nhà;
• user preference;
• routine theo ngày và mùa;
• bản đồ động của đồ vật;
• permission;
• các lỗi cũ đã được sửa;
• cách giao tiếp mà user thích;
• những task robot biết người dùng muốn tự làm.

Một robot mới tinh có hardware tốt hơn có thể vẫn “ngu” về gia đình hơn robot cũ đã ở đó năm năm.

Điều này tạo một khái niệm thú vị: switching cost của embodied memory.

Nếu đổi robot, toàn bộ ký ức có chuyển sang thiết bị mới được không?

Nếu được, memory format có tương thích giữa hãng không?

Nếu không, người dùng có bị khóa vào một hệ sinh thái chỉ vì robot đã “biết mình quá rõ”?

Embodied AI sẽ cần portability của ký ức

Điện thoại mới có thể restore backup.

Máy tính mới có thể sync dữ liệu.

Robot tương lai có thể cần một thứ tương tự nhưng phức tạp hơn nhiều.

Không chỉ file và setting.

Mà cả:

• semantic map;
• preference graph;
• skill representation;
• safety permissions;
• personalization policy;
• và lịch sử correction.

Nhưng portability cũng kéo theo privacy challenge: một “bản backup của robot” có thể là bản mô tả cực kỳ chi tiết về đời sống gia đình.

Mục tiêu cuối không phải robot biết bạn càng nhiều càng tốt

Một sản phẩm AI thường quảng cáo personalization theo logic: càng nhiều dữ liệu, càng thông minh.

Với robot gia đình, mục tiêu tốt hơn là:

biết đủ để giúp, nhưng không biết thừa.

Nó không cần ghi nhớ mọi cuộc trò chuyện để biết lúc nào nên dọn bếp.

Nó không cần upload toàn bộ video phòng ngủ lên cloud để biết khu vực nào không được vào.

Nó không cần suy luận những đặc điểm nhạy cảm chỉ để optimize lịch nhắc.

Long-term intelligence phải đi cùng data minimization.

Robot “sống cùng” khác robot “làm việc cho”

Robot công nghiệp có thể được đánh giá bằng throughput, precision và uptime.

Robot gia đình phải tồn tại trong một không gian riêng tư, cảm xúc và đầy ngoại lệ.

Nó sẽ nhìn thấy con người khi khỏe và khi mệt.

Khi nhà gọn và khi nhà bừa.

Khi routine ổn định và khi cuộc sống đảo lộn.

Nó có thể biết nhiều hơn về đời sống hàng ngày của người dùng so với bất kỳ thiết bị điện tử nào trước đây.

Vì vậy, bài toán không chỉ là xây một model có manipulation tốt hơn.

Nó là xây một hệ thống có khả năng duy trì quan hệ chức năng với con người qua thời gian.

Một robot gia đình trưởng thành có thể phải học bốn thứ cùng lúc

Thứ nhất: học việc.

Cách mở tủ, gấp đồ, nấu món đơn giản, dọn bàn.

Thứ hai: học nhà.

Đồ vật ở đâu, không gian thay đổi ra sao, khu vực nào có nguy cơ.

Thứ ba: học người.

Preference, routine, capability, communication style và permission.

Thứ tư: học sự thay đổi.

Biết điều nào của ba lớp trên không còn đúng nữa.

Lớp thứ tư có thể là khó nhất.

Từ “generalist robot” tới “personal robot”

Foundation model đang đẩy robotics theo hướng generalist.

Một model được pretrain trên lượng dữ liệu rất lớn có thể biết nhiều task hơn ngay từ đầu.

Nhưng robot gia đình cuối cùng có thể cần đi qua một quá trình ngược lại.

Nó bắt đầu rất general.

Rồi sau nhiều tháng sống trong một nhà, nó trở nên ngày càng specific.

Nó biết chiếc bát nào không được cho vào máy rửa.

Nó biết ai hay quên kính.

Nó biết lúc nào nên tránh phòng khách.

Nó biết task nào người dùng muốn tự làm dù robot có thể làm nhanh hơn.

Đây có thể là khác biệt giữa một general-purpose robot và một personal robot.

Thử thách lớn nhất có thể không phải làm robot học nhanh hơn

Các demo Physical AI hiện tập trung mạnh vào tốc độ học skill mới.

Một video.

Một demonstration.

Vài phút dữ liệu.

Đó là những bước tiến rất quan trọng.

Nhưng nếu robot thực sự đi vào nhà, câu hỏi tiếp theo sẽ khác.

Nó không chỉ cần học một task trong 10 giây.

Nó phải nhớ phiên bản nào của task mà người dùng thích.

Biết preference đó có còn đúng không.

Biết lúc nào được phép tự làm.

Biết khi nào nên hỏi.

Biết điều gì không được ghi nhớ.

Và giữ toàn bộ hệ thống đó ổn định qua hàng nghìn ngày tương tác.

Robotics đã dành nhiều năm để dạy máy cách cầm, kéo, đẩy, mở và đặt.

Bước tiếp theo có thể khó hơn nhiều:

dạy nó cách trở thành một phần của đời sống mà không chiếm quyền kiểm soát đời sống đó.

Chưa có robot nào chứng minh bài toán “nhiều năm” đã được giải

Điều quan trọng là không nhầm hướng nghiên cứu với sản phẩm đã hoàn thiện.

HUMEMBR cho thấy robot có thể xây memory về routine con người và reasoning trên lịch sử dài hơn.

PARAssist cho thấy preference history có thể giúp robot diễn giải yêu cầu mơ hồ theo từng người.

Nghiên cứu Georgia Tech đưa learning from demonstration tới thiết kế nhiều phiên trong môi trường nhà thật.

Những kết quả này là các mảnh ghép.

Chúng chưa chứng minh một humanoid có thể sống với cùng gia đình trong 5 năm, tự cập nhật memory mà không drift, giữ privacy, tránh catastrophic forgetting và duy trì trust.

Đó vẫn là benchmark mà ngành chưa thực sự có.

Khi robot ở trong nhà đủ lâu, “thông minh” sẽ có một nghĩa khác

Trong demo, một robot thông minh là robot làm được việc chưa từng làm.

Trong đời sống dài hạn, một robot thông minh có thể là robot không cần được nhắc lại điều đã học.

Nó biết người dùng thích gì.

Nhưng không đóng khung họ trong sở thích cũ.

Nó nhớ những điều quan trọng.

Nhưng biết quên những điều không nên giữ.

Nó chủ động khi confidence cao.

Nhưng biết hỏi khi rủi ro lớn.

Nó trở nên hữu ích hơn sau mỗi tháng.

Nhưng vẫn đủ dễ đoán để người dùng cảm thấy mình kiểm soát được hệ thống.

Đó là một tiêu chuẩn khó hơn nhiều so với success rate của một task manipulation.

Và nếu robot gia đình thực sự trở thành một sản phẩm phổ biến, đây có thể mới là bài test cuối cùng:

không phải nó học công việc nhanh tới đâu, mà sau nhiều năm sống cùng nhau, con người có còn muốn nó ở trong nhà hay không.

Nguồn tham khảo

• Huber et al. – HUMEMBR: Learning Human Routines for Predictive Embodied Navigation, 2026; accepted to IROS 2026.
• Aliasghari & Nejat – PARAssist: A Framework for Personalized and Adaptive Robotic Assistance from Ambiguous User Requests, 2026.
• Moorman et al. – Longitudinal Robot Learning from Demonstration with Care Providers in a Home Environment, 2026.
• Ginting et al. – Enter the Mind Palace: Reasoning and Planning for Long-term Active Embodied Question Answering, CoRL 2025.
• Khan & Thurow – Human–Robot Interaction in Indoor Mobile Robotics: Current State, Interaction Modalities, Applications, and Future Challenges, Sensors, 2026.