Mô hình ngôn ngữ lớn giúp robot hiểu những chỉ dẫn còn mơ hồ

Một mô hình có nhiệm vụ làm rõ những chỉ dẫn còn mơ hồ của người dùng, trong khi mô hình còn lại xác định đâu là thông tin quan trọng và loại bỏ những yếu tố không liên quan.

Robot chọn lọc thông tin quan trọng từ hướng dẫn của con người. Ảnh: Midjourney

Hãy hình dung trong tương lai gần, bạn phải hướng dẫn một "nhân viên mới" làm việc. Điều đặc biệt là nhân viên đó là một robot. Cách dạy hiệu quả nhất sẽ là vừa trực tiếp làm mẫu, vừa giải thích bằng lời.

Ví dụ, bạn yêu cầu robot đặt một cốc cà phê lên bàn làm việc trong khi bạn đang họp trực tuyến. Điều bạn thực sự mong muốn không chỉ là đặt đúng vị trí, mà còn là robot không tiến quá gần bạn hoặc chiếc máy tính xách tay để tránh làm gián đoạn cuộc họp. Tuy nhiên, những chi tiết này thường không được nói ra đầy đủ.

Đó chính là thách thức lớn trong việc huấn luyện robot. Trước đây, các nhà nghiên cứu phải ghi lại rất nhiều thao tác mẫu hoặc viết hướng dẫn cực kỳ chi tiết. Nếu thiếu một trong hai, robot rất dễ hiểu sai yêu cầu.

Nhóm nghiên cứu tại Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo (CSAIL) thuộc MIT đã phát triển phương pháp Học tăng cường nghịch đảo có che thông tin (Masked Inverse Reinforcement Learning - Masked IRL) nhằm tự động hóa quá trình này. Phương pháp không chỉ giúp robot hiểu rõ hơn ý định của con người mà còn giảm gần năm lần lượng dữ liệu trình diễn cần thiết.

Đầu tiên, một mô hình ngôn ngữ lớn sẽ phân tích dữ liệu thu được từ các thao tác mẫu để diễn giải rõ hơn những yêu cầu còn mơ hồ. Chẳng hạn, thay vì hiểu đơn giản chỉ dẫn "hãy ở gần", hệ thống sẽ suy luận thành "hãy di chuyển sát bề mặt chiếc bàn". Nhờ đó, robot không chỉ biết phải làm gì mà còn hiểu lý do của từng thao tác.

Sau đó, mô hình ngôn ngữ thứ hai sẽ phân tích môi trường xung quanh, từ vị trí vật cản đến hình dạng của vật cần thao tác, rồi xác định đâu là thông tin thực sự quan trọng. Những yếu tố không ảnh hưởng đến nhiệm vụ sẽ bị loại bỏ. Ví dụ, việc người hướng dẫn tựa vào bàn trong lúc làm mẫu hoàn toàn không liên quan đến mục tiêu của robot sẽ bị bỏ qua.

Theo Minyoung Hwang, nghiên cứu sinh tiến sĩ tại MIT và là tác giả chính của công trình, mục tiêu của nhóm là giảm tối đa công sức của con người trong quá trình hướng dẫn robot. "Chúng tôi muốn robot hiểu được điều người dùng thực sự mong muốn, ngay cả khi họ không diễn đạt đầy đủ bằng lời", ông cho biết.

Theo nhóm nghiên cứu, Masked IRL đặc biệt hữu ích trong những tình huống mà con người thường mặc nhiên cho rằng robot sẽ tự hiểu. Chẳng hạn, khi lấy đồ ăn nhẹ trong bếp, robot có thể không biết cần tránh va vào chiếc máy tính xách tay trên bàn. Trong nhà máy, robot chuyển hàng cũng phải biết tránh các giá kệ hoặc thiết bị xung quanh dù người vận hành không nhắc đến.

Để học những nhiệm vụ này, robot sử dụng các cảm biến để ghi nhận môi trường và lưu lại toàn bộ quá trình con người trực tiếp điều khiển các khớp của robot thực hiện thao tác mẫu. Đây là phương pháp huấn luyện gọi là trình diễn động học (kinesthetic demonstration), trong đó con người "cầm tay chỉ việc", hướng dẫn robot cách gắp, di chuyển và đặt đồ vật.

Các thử nghiệm cho thấy phương pháp mới giúp robot ưu tiên đúng những thông tin quan trọng thay vì cố gắng ghi nhớ mọi chi tiết của môi trường. Trong cả mô phỏng và thử nghiệm thực tế, robot có thể khéo léo di chuyển một cốc cà phê vòng qua chiếc máy tính xách tay để đặt đúng vị trí trên bàn. Hệ thống cũng nhận diện chính xác những ưu tiên ngầm của người dùng - những điều họ không hề nói rõ - cao hơn tới 15% so với các phương pháp trước đây.

Không chỉ chính xác hơn, Masked IRL còn giúp robot học nhanh hơn. Trong các thử nghiệm mô phỏng, robot chỉ cần ít lần trình diễn hơn để nắm được cách thực hiện nhiệm vụ. Kết quả cũng cho thấy robot hoạt động hiệu quả hơn khi các chỉ dẫn mơ hồ được mô hình ngôn ngữ làm rõ trước khi lập kế hoạch chuyển động.

Hiệu quả này tiếp tục được chứng minh trên cánh tay robot thực tế với những nhiệm vụ chưa từng xuất hiện trong quá trình huấn luyện. Sau khoảng 50 lần trình diễn, robot đã có thể đưa một chiếc cốc đến gần người dùng mà vẫn chủ động tránh va vào máy tính xách tay. Robot cũng có thể lau mặt bàn trong khi luôn giữ chuyển động sát bề mặt bàn, hoặc đưa một gói khoai tây chiên cho người dùng nhưng vẫn giữ khoảng cách an toàn với cả người và chiếc bàn.

Theo các nhà nghiên cứu, hiện nay Masked IRL mới chỉ có khả năng suy luận những điều người dùng không nói ra. Trong tương lai, nhóm sẽ tích hợp thêm camera để robot có thể trực tiếp quan sát môi trường, nhận biết các vật thể xung quanh và tự xác định điều gì cần chú ý. Ví dụ, nếu được yêu cầu nhặt một món đồ chơi, robot sẽ nhận ra những quả chuối đặt gần đó không liên quan và tự động bỏ qua để tập trung vào mục tiêu.

Công trình do Minyoung Hwang cùng các đồng nghiệp tại MIT thực hiện và sẽ được trình bày tại Hội nghị Quốc tế IEEE về Robot và Tự động hóa (ICRA) năm 2026. Nghiên cứu mở ra một hướng tiếp cận mới trong đào tạo robot: thay vì buộc con người phải mô tả mọi chi tiết, robot sẽ ngày càng có khả năng hiểu ngữ cảnh và suy luận từ những điều chưa được nói thành lời. Đây được xem là bước tiến quan trọng để robot có thể cộng tác tự nhiên hơn với con người trong môi trường làm việc và cuộc sống hằng ngày.

(Nguồn: MIT News)