Stanford cho GPT-6 Astra điều khiển thẳng robot humanoid, bỏ qua lớp mô hình VLA

Hầu hết các công ty robot humanoid (robot hình người) hiện chia “bộ não” robot thành ba tầng. Tầng trên là một mô hình thị giác – ngôn ngữ lớn (VLM), có nhiệm vụ hiểu khung cảnh và câu lệnh. Tầng giữa là mô hình thị giác – ngôn ngữ – hành động (VLA, vision-language-action), được huấn luyện riêng để biến sự hiểu biết đó thành lệnh vận động. Tầng dưới là bộ điều khiển tốc độ cao, giữ thăng bằng và đưa các khớp về đúng vị trí. Figure phổ biến cách chia này với Helix đầu năm 2025: “System 2” là một VLM chạy chậm ở 7–9 Hz, “System 1” là một policy (chính sách điều khiển) chạy nhanh ở 200 Hz. Sau đó Helix 02 thêm “System 0” chạy ở 1 kHz để giữ thăng bằng toàn thân.

Cuối tháng 9, Movement Lab của Đại học Stanford cùng Caltech công bố một trang dự án với câu hỏi thẳng thắn: mô hình frontier (mô hình tiên phong) đã mạnh đến mức này thì còn cần tầng giữa không? Hệ thống của họ, HomeBody, bỏ hẳn tầng đó. GPT-6 Astra, mô hình hàng đầu OpenAI ra mắt ngày 3/9, trực tiếp gọi một thư viện kỹ năng vận động nhỏ qua tool call (lệnh gọi công cụ có cấu trúc). Với cách làm này, một robot Unitree G1 đã dọn dẹp một căn bếp nó chưa từng vào và lấy ra một đồ vật mà nó nhớ là cất trong ngăn kéo. Theo nhóm tác giả, hệ thống không cần dữ liệu huấn luyện riêng cho căn bếp đó và cũng không phải huấn luyện thêm policy nào.

Ai làm, làm gì

Nhóm tác giả gồm Gio Huh (Caltech, sinh viên đại học sang Stanford nghiên cứu theo học bổng SURF), Cayden Gu và Takara E. Truong (Stanford). Hai người hướng dẫn với vai trò ngang nhau là C. Karen Liu và Guy Tevet (Stanford). Thí nghiệm diễn ra trong một căn bếp của Stanford Robotics Center. Nhóm đã đăng trang dự án ghi thời gian tháng 9/2026, và repository GitHub được tạo ngày 26/9. Tuy vậy, đến hôm nay README vẫn ghi “Code coming soon”, nên một số bài báo nói mã nguồn đã được công bố là chưa chính xác. Cũng chưa có bài báo trên arXiv. Trích dẫn BibTeX chỉ trỏ về trang dự án.

Trang dự án trình diễn hai nhiệm vụ:

“Dọn bếp”: gom hết các túi cà phê lên bàn đảo, vứt các hộp sữa và nước cam đã hỏng. Robot phải đi lại nhiều lượt, cầm và đặt đồ ở nhiều chỗ khắp phòng.
“Tôi quên thuốc, lấy giúp tôi được không?”: lọ thuốc ban đầu nằm khuất trong ngăn kéo. Robot dùng các keyframe (khung hình mốc) đã lưu để xác định ngăn kéo nào, mở bằng tay phải, lấy lọ thuốc đưa cho người, rồi dùng tay trái vứt một hộp sữa.

Cách hoạt động

Quy trình gồm ba bước.

1. Khám phá. Robot nhận lời dặn “Bạn là robot nhà bếp, hãy khám phá không gian này!”. Astra chọn các điểm dừng. Robot tự ghi lại luồng hình từ camera RealSense D435i, dữ liệu LiDAR kèm SLAM (định vị và lập bản đồ đồng thời), tư thế các khớp và các điểm dừng. Một video quay bằng iPhone ở chế độ 0.5× do người thực hiện bổ sung thêm chi tiết hình ảnh.

2. Real2Sim. Sau đó Astra đóng vai “tác tử Real2Sim”: từ dữ liệu trên, nó dựng một digital twin (bản sao số) của căn bếp trong NVIDIA Isaac Sim. Nhóm nhấn mạnh rằng chỉ có video thì không đủ. Khi chỉ dựa vào hình ảnh, mô hình phải đoán kích thước phòng, và chính hình học đo được từ SLAM mới làm bản sao đủ chính xác để robot đi lại và với tay lấy đồ. Robot tự định vị bằng Super Odometry, rồi dùng thuật toán ICP để khớp bản đồ của nó với mô hình mô phỏng. Các ảnh từ camera của robot được lưu cùng hệ tọa độ đó, kèm mô tả bằng chữ. Nhờ bộ nhớ không gian lâu dài này, robot tìm được cả những thứ đã khuất khỏi tầm nhìn.

3. Hành động. Ở mỗi bước, Astra nhận ảnh camera hiện tại, ngữ cảnh bản đồ, trạng thái bàn tay, các quan sát được gợi lại từ bộ nhớ và kết quả của kỹ năng vừa chạy. Sau đó nó chọn một trong năm kỹ năng (di chuyển, nhặt, đặt, mở ngăn kéo, lấy đồ trong ngăn kéo) cùng mục tiêu tương ứng. Giao diện các kỹ năng được thiết kế rất gọn:

Nhặt: nhận một điểm trên ảnh (tọa độ chuẩn hóa 0–1000) và chỉ định tay nào. Điểm này được đưa vào SAM 2 để tách vật thể, Fast-FoundationStereo ước lượng độ sâu, và tư thế cầm được tính bằng giải tích. Cánh tay đi theo đường spline có thời gian minimum-jerk (giảm giật tối đa), giải động học ngược dọc đường đi và kiểm tra va chạm.
Di chuyển: nhận đích 2D và hướng nhìn, tính bằng mét trong hệ tọa độ bản đồ.
Đặt: nhận tay nào, điểm thả 3D trong hệ tọa độ thân và khoảng cách thả.
Mở ngăn kéo: gộp căn tay nắm, móc tay và bước lùi thành một kỹ năng.

Thăng bằng khi với tay do bộ điều khiển toàn thân AMO đã huấn luyện sẵn đảm nhiệm. Lệnh cho tay và bàn tay chạy ở 250 Hz, còn policy AMO cập nhật ở 50 Hz. Toàn bộ phần chạy tại chỗ nằm trên một laptop Razer Blade có GPU RTX 4090. Astra chạy từ xa trên cloud.

Phần xử lý lỗi là chỗ HomeBody giống một agent phần mềm nhất. Bộ theo dõi SAMURAI và cơ chế visual servoing (điều khiển bám theo hình ảnh) tự sửa các lệch nhỏ mà không cần hỏi mô hình. Nếu bàn tay nắm vào khoảng không, kỹ năng thử lại một số lần có giới hạn với phương án cầm hoặc thế đứng khác. Chỉ khi hết cách tự sửa, kỹ năng mới báo lý do thất bại về cho Astra để nó đổi vị trí, đổi mục tiêu hoặc lập lại kế hoạch. Với lập trình viên, đây chính là vòng lặp agent gọi tool quen thuộc, chỉ khác là tác động phụ nằm ở động cơ.

Vì sao đáng chú ý

Hai năm qua, cả ngành gần như đồng thuận rằng robot đa năng cần VLA được huấn luyện trên lượng dữ liệu robot khổng lồ. Vì thế các phòng lab dựng cả trại điều khiển từ xa để thu dữ liệu, còn Figure có “Project Go-Big” nhằm học từ video con người ở quy mô internet. HomeBody là một bằng chứng theo hướng ngược lại: khi có bộ nhớ không gian tốt và API kỹ năng được thiết kế cẩn thận, một mô hình đa năng không được huấn luyện gì riêng cho robot vẫn lập được kế hoạch dài hơi. Điều này dời trọng tâm công sức kỹ thuật: thay vì thu thập dữ liệu trình diễn, người ta xây các kỹ năng chạy ổn định với giao diện rõ ràng, giống viết SDK hơn là huấn luyện policy. Thư viện kỹ năng được thiết kế để cắm thêm: có thể “nối một policy đã học, một thuật toán cổ điển hay một bộ điều khiển khác qua giao diện chung”.

Hướng đi này cũng khớp với một chuyển động lớn hơn. Tháng 9, Sam Altman nói trên podcast Sources rằng OpenAI “chắc chắn sẽ làm humanoid”, dù chưa đưa ra thiết kế, đối tác hay thời điểm nào. Nếu mô hình frontier đã điều phối được cơ thể robot qua tool, giá trị của ngành robot có thể dồn về phía ai nắm mô hình và hệ sinh thái kỹ năng.

Những gì bản demo chưa chứng minh

Nên xem đây là một bằng chứng khả thi thú vị, chưa phải kết quả nghiên cứu hoàn chỉnh.

Không có số liệu. Trang dự án không công bố tỷ lệ thành công, số lần thử, thời gian hoàn thành hay phân tích lỗi. Nhóm chỉ trình diễn hai nhiệm vụ trong một căn bếp và ghi “sẽ bổ sung thêm”. Các đoạn video kỹ năng được tua nhanh, có đoạn tới 14×, và có ghi lại cả những lần thử lại.
Ý tưởng không mới. SayCan của Google (2022) đã để mô hình ngôn ngữ chọn kỹ năng từ một thư viện kỹ năng đã học, đạt tỷ lệ lập kế hoạch đúng 84% trên 101 nhiệm vụ. Điểm mới ở đây là sự kết hợp: một mô hình mạnh hơn nhiều, thân robot humanoid, và digital twin do robot tự dựng dùng làm bộ nhớ.
Độ trễ và chi phí. Chính nhóm tác giả thừa nhận robot phải dừng giữa các kỹ năng để chờ Astra suy luận, Real2Sim tốn thêm thời gian thiết lập và tiền gọi API, còn servo ngón tay bị quá nhiệt khi chạy lâu. Việc gọi lên cloud ngay trong vòng điều khiển cũng khiến robot phụ thuộc vào mạng.
Năm kỹ năng là quá ít. Dọn bếp bằng nhặt, đặt và mở ngăn kéo khác xa gấp quần áo hay xử lý đồ mềm, đồ dễ vỡ. Đó lại chính là mảng mà VLA end-to-end (đầu cuối) đang muốn chứng tỏ ưu thế.
An toàn. System card (tài liệu đánh giá an toàn) của GPT-6 Astra bàn về rủi ro an ninh mạng, sinh học và alignment (căn chỉnh), nhưng không đề cập việc điều khiển robot vật lý. Đó là khoảng trống đáng chú ý khi chính tháng này đã có tin các agent của OpenAI dò quét website chính phủ. Một mô hình tự ứng biến với tool trên trình duyệt thì cũng có thể tự ứng biến với một cơ thể.

Dù kết luận còn khiêm tốn, bài học cho kỹ sư khá cụ thể: mô hình càng mạnh thì điểm nghẽn của robot càng giống bài toán thiết kế API, quản lý trạng thái và xử lý lỗi. Đó là những việc lập trình viên phần mềm vốn đã quen làm.

Ai làm, làm gì

Cách hoạt động

Vì sao đáng chú ý

Những gì bản demo chưa chứng minh

Nguồn