Đêm trước thị trường 5 nghìn tỷ: Cơ hội đầu tư của trí tuệ hiện thân × Web3 nằm ở đâu?

Tác giả: merakiki

Biên dịch: TechFlow

Trong nhiều thập kỷ, phạm vi ứng dụng của công nghệ robot rất hạn chế, chủ yếu tập trung vào việc thực hiện các nhiệm vụ lặp đi lặp lại trong môi trường nhà máy có cấu trúc. Tuy nhiên, trí tuệ nhân tạo (AI) ngày nay đang cách mạng hóa lĩnh vực robot, cho phép robot hiểu và thực hiện các chỉ dẫn của người dùng, đồng thời thích nghi với môi trường thay đổi liên tục.

Chúng ta đang bước vào một kỷ nguyên tăng trưởng nhanh chóng. Theo dự đoán của Citibank, đến năm 2035, toàn cầu sẽ triển khai 1.3 tỷ robot, phạm vi ứng dụng sẽ mở rộng từ nhà máy đến gia đình và ngành dịch vụ. Đồng thời, Morgan Stanley dự kiến chỉ riêng thị trường robot hình người có thể đạt quy mô 5 nghìn tỷ USD vào năm 2050.

Mặc dù sự mở rộng này giải phóng tiềm năng thị trường to lớn, nhưng cũng đi kèm với những thách thức lớn về tập trung hóa, niềm tin, quyền riêng tư và khả năng mở rộng. Công nghệ Web3, thông qua việc hỗ trợ mạng lưới robot phi tập trung, có thể xác minh, bảo vệ quyền riêng tư và hợp tác, mang lại giải pháp mang tính cách mạng để giải quyết những vấn đề này.

Trong bài viết này, chúng tôi sẽ đi sâu vào chuỗi giá trị robot AI đang phát triển, đặc biệt tập trung vào lĩnh vực robot hình người, và tiết lộ những cơ hội hấp dẫn do sự kết hợp giữa robot AI và công nghệ Web3 mang lại.

Chuỗi giá trị robot AI

Chuỗi giá trị robot AI bao gồm bốn tầng cơ bản: phần cứng, trí tuệ, dữ liệu và tác nhân. Mỗi tầng được xây dựng dựa trên các tầng khác, cho phép robot cảm nhận, suy luận và hành động trong môi trường thực tế phức tạp.

Trong những năm gần đây, dưới sự dẫn dắt của các đơn vị tiên phong như Unitree và Figure AI, tầng phần cứng đã đạt được tiến bộ đáng kể. Tuy nhiên, ở các tầng ngoài phần cứng vẫn còn nhiều thách thức then chốt, đặc biệt là sự thiếu hụt bộ dữ liệu chất lượng cao, thiếu mô hình nền tảng chung, khả năng tương thích kém giữa các thiết bị và nhu cầu về tính toán biên đáng tin cậy. Do đó, cơ hội phát triển lớn nhất hiện nay nằm ở tầng trí tuệ, tầng dữ liệu và tầng tác nhân.

1.1 Tầng phần cứng: “Cơ thể”

Ngày nay, việc sản xuất và triển khai “cơ thể robot” hiện đại dễ dàng hơn bao giờ hết. Trên thị trường hiện đã có hơn 100 loại robot hình người khác nhau, bao gồm Optimus của Tesla, G1 của Unitree, Digit của Agility Robotics và Figure 02 của Figure AI.

Nguồn: Morgan Stanley, “Humanoid 100: Bản đồ chuỗi giá trị robot hình người”

Tiến bộ này có được nhờ đột phá công nghệ ở ba thành phần then chốt sau:

• Bộ truyền động (Actuators): Đóng vai trò như “cơ bắp” của robot, bộ truyền động chuyển đổi lệnh số thành chuyển động chính xác. Sáng tạo trong động cơ hiệu suất cao giúp robot thực hiện các động tác nhanh và chính xác, trong khi bộ truyền động đàn hồi điện môi (Dielectric Elastomer Actuators, DEAs) phù hợp với các nhiệm vụ tinh vi. Những công nghệ này nâng cao đáng kể sự linh hoạt của robot, ví dụ Optimus Gen 2 của Tesla có 22 bậc tự do (DoF), cũng như G1 của Unitree, đều thể hiện sự linh hoạt gần giống con người và khả năng di chuyển ấn tượng.

Nguồn: Unitree trình diễn robot hình người mới nhất tại Hội nghị AI Thế giới WAIC 2025 trong trận đấu quyền anh

• Cảm biến (Sensors): Các cảm biến tiên tiến thông qua đầu vào hình ảnh, LIDAR/RADAR, xúc giác và âm thanh giúp robot cảm nhận và giải mã môi trường. Những công nghệ này hỗ trợ robot điều hướng an toàn, thao tác chính xác và nhận biết ngữ cảnh.

• Tính toán nhúng (Embedded Computing): CPU, GPU và bộ tăng tốc AI (như TPU và NPU) trên thiết bị có thể xử lý dữ liệu cảm biến và chạy mô hình AI theo thời gian thực, cho phép ra quyết định tự chủ. Kết nối độ trễ thấp đáng tin cậy đảm bảo phối hợp liền mạch, trong khi kiến trúc biên - đám mây lai cho phép robot chuyển giao các nhiệm vụ tính toán nặng khi cần thiết.

1.2 Tầng trí tuệ: “Bộ não”

Khi phần cứng ngày càng trưởng thành, trọng tâm của ngành chuyển sang xây dựng “bộ não robot”: mô hình nền tảng mạnh mẽ và chiến lược điều khiển tiên tiến.

Trước khi tích hợp AI, robot dựa vào tự động hóa dựa trên quy tắc, thực hiện các hành động được lập trình sẵn, thiếu trí tuệ thích nghi.

Các mô hình nền tảng đang dần được áp dụng vào lĩnh vực robot. Tuy nhiên, chỉ dựa vào các mô hình ngôn ngữ lớn (LLMs) chung là chưa đủ, vì robot cần cảm nhận, suy luận và hành động trong môi trường vật lý động. Để đáp ứng nhu cầu này, ngành đang phát triển các mô hình nền tảng robot đầu-cuối dựa trên chiến lược. Những mô hình này cho phép robot:

• Cảm nhận (Perceive): Nhận dữ liệu cảm biến đa phương thức (hình ảnh, âm thanh, xúc giác)

• Lập kế hoạch (Plan): Ước tính trạng thái bản thân, vẽ bản đồ môi trường và giải thích chỉ dẫn phức tạp, ánh xạ trực tiếp cảm nhận thành hành động, giảm can thiệp kỹ thuật thủ công

• Hành động (Act): Tạo kế hoạch chuyển động và xuất lệnh điều khiển để thực thi theo thời gian thực

Những mô hình này học “chiến lược” tương tác chung với thế giới, giúp robot thích nghi với nhiều nhiệm vụ và vận hành với trí tuệ, tự chủ cao hơn. Các mô hình nâng cao còn sử dụng phản hồi liên tục, cho phép robot học hỏi từ kinh nghiệm, từ đó tăng cường khả năng thích nghi trong môi trường động.

Mô hình VLA ánh xạ trực tiếp đầu vào cảm giác (chủ yếu là dữ liệu hình ảnh và chỉ dẫn ngôn ngữ tự nhiên) thành hành động robot, cho phép robot phát lệnh điều khiển phù hợp dựa trên những gì “nhìn thấy” và “nghe thấy”. Những ví dụ nổi bật gồm RT-2 của Google, Isaac GR00T N1 của NVIDIA, và π0 của Physical Intelligence.

Để tăng cường các mô hình này, thường tích hợp nhiều phương pháp bổ trợ, ví dụ:

• Mô hình thế giới (World Models): Xây dựng mô phỏng nội bộ môi trường vật lý, giúp robot học hành vi phức tạp, dự đoán kết quả, lập kế hoạch hành động. Ví dụ, Genie 3 mới ra mắt của Google là một mô hình thế giới chung có thể tạo ra môi trường tương tác đa dạng chưa từng có.

• Học tăng cường sâu (Deep Reinforcement Learning): Giúp robot học hành vi thông qua thử và sai.

• Điều khiển từ xa (Teleoperation): Cho phép điều khiển từ xa và cung cấp dữ liệu huấn luyện.

• Học theo mẫu (LfD)/Học bắt chước (Imitation Learning): Dạy robot kỹ năng mới bằng cách bắt chước hành động của con người.

Hình dưới đây minh họa cách các phương pháp này phát huy tác dụng trong mô hình nền tảng robot.

Nguồn: Mô hình thế giới: Lõi trí tuệ vật lý thúc đẩy chúng ta tiến tới AGI (World models: the physical intelligence core driving us toward AGI)

Một số đột phá mã nguồn mở gần đây, như π0 của Physical Intelligence và Isaac GR00T N1 của NVIDIA, đánh dấu tiến bộ quan trọng trong lĩnh vực này. Tuy nhiên, hầu hết các mô hình nền tảng robot vẫn tập trung hóa và đóng mã nguồn. Các công ty như Covariant, Tesla vẫn giữ lại mã nguồn và bộ dữ liệu độc quyền, chủ yếu do thiếu cơ chế khuyến khích mở.

Sự thiếu minh bạch này hạn chế sự hợp tác và khả năng tương tác giữa các nền tảng robot, nhấn mạnh nhu cầu về tiêu chuẩn chia sẻ mô hình minh bạch, an toàn trên chuỗi, quản trị cộng đồng và tầng tương tác liên thiết bị. Cách tiếp cận này sẽ thúc đẩy niềm tin, hợp tác và phát triển mạnh mẽ hơn cho lĩnh vực này.

1.3 Tầng dữ liệu: “Kiến thức” của bộ não

Bộ dữ liệu robot mạnh mẽ dựa trên ba trụ cột: số lượng, chất lượng và đa dạng.

Mặc dù ngành đã có nỗ lực tích lũy dữ liệu, quy mô bộ dữ liệu robot hiện tại vẫn còn rất nhỏ. Ví dụ, GPT-3 của OpenAI được huấn luyện trên 300 tỷ token, trong khi bộ dữ liệu robot mã nguồn mở lớn nhất Open X-Embodiment chỉ chứa hơn 1 triệu quỹ đạo robot thực, bao gồm 22 loại robot. Điều này còn cách xa quy mô dữ liệu cần thiết để đạt được khả năng tổng quát mạnh mẽ.

Một số phương pháp độc quyền, như Tesla thu thập dữ liệu thông qua nhà máy dữ liệu, cho nhân viên mặc đồ bắt chuyển động để tạo dữ liệu huấn luyện, thực sự giúp thu thập nhiều dữ liệu chuyển động thực tế hơn. Tuy nhiên, các phương pháp này tốn kém, độ đa dạng dữ liệu hạn chế và khó mở rộng.

Để đối phó với những thách thức này, lĩnh vực robot đang tận dụng ba nguồn dữ liệu chính sau:

• Dữ liệu Internet: Dữ liệu Internet có quy mô lớn và dễ mở rộng, nhưng chủ yếu là dữ liệu quan sát, thiếu tín hiệu cảm biến và chuyển động. Việc huấn luyện trước các mô hình ngôn ngữ hình ảnh lớn (như GPT-4V và Gemini) trên dữ liệu Internet có thể cung cấp các tiên nghiệm ngữ nghĩa và hình ảnh giá trị. Ngoài ra, thêm nhãn động học cho video có thể biến video thô thành dữ liệu huấn luyện có thể thao tác.

• Dữ liệu tổng hợp: Dữ liệu tổng hợp được tạo ra thông qua mô phỏng cho phép thử nghiệm quy mô lớn nhanh chóng và bao phủ các kịch bản đa dạng, nhưng không thể phản ánh đầy đủ sự phức tạp của thế giới thực, hạn chế này được gọi là “khoảng cách mô phỏng-thực tế” (sim-to-real gap). Các nhà nghiên cứu giải quyết vấn đề này thông qua thích nghi miền (như tăng cường dữ liệu, ngẫu nhiên hóa miền, học đối kháng) và chuyển giao mô phỏng-thực tế, tối ưu hóa mô hình lặp đi lặp lại và kiểm tra, tinh chỉnh trong môi trường thực.

• Dữ liệu thế giới thực: Dù khan hiếm và đắt đỏ, dữ liệu thế giới thực rất quan trọng để triển khai mô hình và thu hẹp khoảng cách giữa mô phỏng và thực tế. Dữ liệu thực chất lượng cao thường bao gồm góc nhìn thứ nhất (egocentric views), ghi lại những gì robot “nhìn thấy” trong nhiệm vụ, cùng dữ liệu chuyển động ghi lại động tác chính xác. Dữ liệu chuyển động thường được thu thập thông qua trình diễn của con người hoặc điều khiển từ xa, sử dụng thực tế ảo (VR), thiết bị bắt chuyển động hoặc dạy học xúc giác, đảm bảo mô hình học từ ví dụ thực chính xác.

Nghiên cứu cho thấy, kết hợp dữ liệu Internet, dữ liệu thực và dữ liệu tổng hợp để huấn luyện robot giúp nâng cao đáng kể hiệu quả huấn luyện và độ bền vững của mô hình (chú thích: độ bền vững là khả năng hệ thống giữ vững và mạnh mẽ khi gặp tình huống bất thường, nguy hiểm).

Trong khi tăng số lượng dữ liệu có ích, sự đa dạng dữ liệu còn quan trọng hơn, đặc biệt để đạt được khả năng tổng quát cho nhiệm vụ mới và hình thái robot mới. Để đạt được sự đa dạng này, cần có nền tảng dữ liệu mở và chia sẻ dữ liệu hợp tác, bao gồm xây dựng bộ dữ liệu đa cá thể hỗ trợ nhiều hình thái robot, thúc đẩy phát triển mô hình nền tảng mạnh mẽ hơn.

1.4 Tầng tác nhân: “Tác nhân AI vật lý”

Xu hướng phát triển thành tác nhân AI vật lý đang tăng tốc, những robot tự chủ này có thể hoạt động độc lập trong thế giới thực. Tiến bộ của tầng tác nhân phụ thuộc vào tinh chỉnh mô hình, học liên tục và thích nghi thực tế với hình thái riêng của từng robot.

Dưới đây là một số cơ hội mới nổi thúc đẩy phát triển tác nhân AI vật lý:

• Học liên tục và hạ tầng thích nghi: Thông qua vòng phản hồi thời gian thực và chia sẻ kinh nghiệm trong quá trình triển khai, giúp robot liên tục cải thiện.

• Kinh tế tác nhân tự chủ: Robot vận hành như các thực thể kinh tế độc lập – giao dịch tài nguyên như năng lực tính toán và dữ liệu cảm biến trên thị trường robot, đồng thời tạo thu nhập thông qua dịch vụ token hóa.

• Hệ thống đa tác nhân: Nền tảng và thuật toán thế hệ tiếp theo cho phép nhóm robot phối hợp, hợp tác và tối ưu hóa hành vi tập thể.

Sự kết hợp giữa robot AI và Web3: Giải phóng tiềm năng thị trường khổng lồ

Khi robot AI chuyển từ giai đoạn nghiên cứu sang triển khai thực tế trong thế giới thực, nhiều nút thắt lâu dài đang cản trở đổi mới và hạn chế khả năng mở rộng, độ bền vững và tính khả thi kinh tế của hệ sinh thái robot. Những nút thắt này bao gồm đảo dữ liệu và mô hình tập trung, thiếu niềm tin và truy xuất nguồn gốc, hạn chế về quyền riêng tư và tuân thủ, cũng như thiếu khả năng tương tác.

2.1 Những điểm đau mà robot AI phải đối mặt

• Đảo dữ liệu và mô hình tập trung

Mô hình robot cần bộ dữ liệu lớn và đa dạng. Tuy nhiên, dữ liệu và phát triển mô hình ngày nay rất tập trung, phân tán và tốn kém, dẫn đến hệ thống bị chia cắt, khả năng thích nghi kém. Robot triển khai trong môi trường thực động thường hoạt động kém do thiếu đa dạng dữ liệu và độ bền mô hình hạn chế.

• Niềm tin, truy xuất nguồn gốc và độ tin cậy

Thiếu hồ sơ minh bạch và có thể kiểm toán (bao gồm nguồn dữ liệu, quá trình huấn luyện mô hình và lịch sử vận hành robot) làm suy yếu niềm tin và trách nhiệm. Đây là rào cản chính đối với người dùng, cơ quan quản lý và doanh nghiệp khi áp dụng robot.

• Quyền riêng tư, an ninh và tuân thủ

Trong các ứng dụng nhạy cảm như robot y tế và gia đình, bảo vệ quyền riêng tư là điều tối quan trọng, đồng thời phải tuân thủ các quy định khu vực nghiêm ngặt (như Quy định Bảo vệ Dữ liệu Chung của Châu Âu - GDPR). Hạ tầng tập trung gặp khó khăn trong việc hỗ trợ hợp tác AI an toàn và bảo vệ quyền riêng tư, hạn chế chia sẻ dữ liệu và kìm hãm đổi mới trong các lĩnh vực được quản lý hoặc nhạy cảm.

• Khả năng mở rộng và tương tác

Hệ thống robot gặp thách thức lớn trong chia sẻ tài nguyên, học tập hợp tác và tích hợp trên nhiều nền tảng, hình thái khác nhau. Những hạn chế này dẫn đến hiệu ứng mạng bị chia cắt và cản trở chuyển giao năng lực nhanh chóng giữa các loại robot khác nhau.

2.2 Robot AI x Web3: Giải pháp cấu trúc thúc đẩy cơ hội đầu tư

Công nghệ Web3 thông qua mạng lưới robot phi tập trung, có thể xác minh, bảo vệ quyền riêng tư và hợp tác, giải quyết tận gốc các điểm đau trên. Sự kết hợp này đang mở ra những cơ hội thị trường đầu tư mới:

• Phát triển hợp tác phi tập trung: Thông qua mạng lưới khuyến khích, robot có thể chia sẻ dữ liệu, cùng phát triển mô hình và tác nhân thông minh.

• Truy xuất nguồn gốc và trách nhiệm có thể xác minh: Công nghệ blockchain đảm bảo nguồn gốc dữ liệu và mô hình, danh tính robot và lịch sử vận hành không thể bị thay đổi, điều này rất quan trọng đối với niềm tin và tuân thủ.

• Hợp tác bảo vệ quyền riêng tư: Các giải pháp mật mã tiên tiến cho phép robot cùng huấn luyện mô hình và chia sẻ hiểu biết mà không tiết lộ dữ liệu độc quyền hoặc nhạy cảm.

• Quản trị do cộng đồng dẫn dắt: Tổ chức tự trị phi tập trung (DAOs) hướng dẫn và giám sát hoạt động robot thông qua quy tắc và chính sách minh bạch, bao trùm trên chuỗi.

• Khả năng tương tác đa hình thái: Khung mở dựa trên blockchain thúc đẩy hợp tác liền mạch giữa các nền tảng robot khác nhau, giảm chi phí phát triển và tăng tốc chuyển giao năng lực.

• Kinh tế tác nhân tự chủ: Hạ tầng Web3 trao cho robot danh tính tác nhân kinh tế độc lập, cho phép giao dịch ngang hàng, đàm phán và tham gia thị trường token hóa mà không cần can thiệp của con người.

• Mạng lưới hạ tầng vật lý phi tập trung (DePIN): Chia sẻ tài nguyên tính toán, cảm biến, lưu trữ và kết nối ngang hàng dựa trên blockchain, tăng khả năng mở rộng và độ bền của mạng lưới robot.

Dưới đây là một số dự án đổi mới đang thúc đẩy phát triển lĩnh vực này, các ví dụ này cho thấy tiềm năng và xu hướng kết hợp giữa robot AI và Web3. Tất nhiên, chỉ mang tính tham khảo, không cấu thành khuyến nghị đầu tư.

Phát triển dữ liệu và mô hình phi tập trung

Nền tảng do Web3 thúc đẩy dân chủ hóa phát triển dữ liệu và mô hình thông qua khuyến khích người đóng góp (như mặc đồ bắt chuyển động, chia sẻ cảm biến, tải lên hình ảnh, gán nhãn dữ liệu, thậm chí tạo dữ liệu tổng hợp). Cách tiếp cận này xây dựng bộ dữ liệu và mô hình phong phú, đa dạng và đại diện hơn nhiều so với phạm vi của một công ty đơn lẻ. Khung phi tập trung còn nâng cao khả năng bao phủ các trường hợp biên, điều này rất quan trọng đối với robot vận hành trong môi trường không thể dự đoán.

Ví dụ:

• Frodobots: Giao thức crowdsourcing bộ dữ liệu thực tế thông qua trò chơi robot. Họ đã ra mắt dự án “Earth Rovers” – robot vỉa hè và trò chơi “Drive to Earn” toàn cầu, tạo thành bộ dữ liệu FrodoBots 2K Dataset gồm hình ảnh camera, dữ liệu GPS, ghi âm và dữ liệu điều khiển của con người, bao phủ hơn 10 thành phố, tổng cộng khoảng 2.000 giờ lái robot từ xa.

• BitRobot: Nền tảng khuyến khích mã hóa do FrodoBots Lab và Protocol Labs phát triển, dựa trên blockchain Solana và kiến trúc subnet. Mỗi subnet được thiết lập như một thử thách công khai, người đóng góp nhận phần thưởng token khi gửi mô hình hoặc dữ liệu, thúc đẩy hợp tác toàn cầu và đổi mới mã nguồn mở.

• Reborn Network: Tầng cơ sở của hệ sinh thái robot AGI mở, cung cấp bộ đồ bắt chuyển động Rebocap, cho phép bất kỳ ai ghi lại và kiếm tiền từ dữ liệu chuyển động thực của mình, thúc đẩy mở bộ dữ liệu robot hình người phức tạp.

• PrismaX: Tận dụng sức mạnh của cộng đồng toàn cầu, đảm bảo đa dạng và tính xác thực dữ liệu thông qua hạ tầng phi tập trung, thực hiện cơ chế xác minh và khuyến khích mạnh mẽ, thúc đẩy phát triển bộ dữ liệu robot quy mô lớn.

Bằng chứng truy xuất nguồn gốc và độ tin cậy

Công nghệ blockchain mang lại tính minh bạch đầu-cuối và quy trách nhiệm cho hệ sinh thái robot. Nó đảm bảo truy xuất nguồn gốc dữ liệu và mô hình có thể xác minh, xác thực danh tính và vị trí vật lý của robot, duy trì hồ sơ lịch sử vận hành và sự tham gia của người đóng góp rõ ràng. Ngoài ra, xác minh hợp tác, hệ thống danh tiếng trên chuỗi và cơ chế xác minh dựa trên quyền lợi đảm bảo chất lượng dữ liệu và mô hình, tránh đầu vào kém chất lượng hoặc gian lận làm hỏng hệ sinh thái.

Ví dụ:

• OpenLedger: Hạ tầng blockchain AI cho phép cộng đồng sở hữu bộ dữ liệu huấn luyện và triển khai mô hình chuyên dụng. Thông qua cơ chế “Proof of Attribution” (bằng chứng quy thuộc), đảm bảo người đóng góp dữ liệu chất lượng cao được thưởng công bằng.

Token hóa quyền sở hữu, cấp phép và kiếm tiền

Công cụ sở hữu trí tuệ gốc Web3 hỗ trợ cấp phép token hóa cho bộ dữ liệu chuyên dụng, năng lực robot, mô hình và tác nhân thông minh. Người đóng góp có thể sử dụng hợp đồng thông minh để nhúng điều khoản cấp phép trực tiếp vào tài sản của mình, đảm bảo tự động nhận thanh toán bản quyền khi dữ liệu hoặc mô hình được tái sử dụng hoặc kiếm tiền. Cách tiếp cận này thúc đẩy truy cập minh bạch, không cần cấp phép và tạo thị trường mở, công bằng cho dữ liệu và mô hình robot.

Ví dụ:

• Poseidon: Tầng dữ liệu phi tập trung toàn diện dựa trên giao thức Story tập trung vào IP, cung cấp dữ liệu huấn luyện AI được ủy quyền hợp pháp.

Giải pháp bảo vệ quyền riêng tư

Dữ liệu giá trị cao được tạo ra trong bệnh viện, phòng khách sạn hoặc gia đình rất khó thu thập qua kênh công khai, nhưng thông tin ngữ cảnh phong phú của nó có thể nâng cao hiệu suất mô hình nền tảng. Các giải pháp mã hóa biến dữ liệu riêng tư thành tài sản trên chuỗi, giúp truy vết, kết hợp và kiếm tiền, đồng thời bảo vệ quyền riêng tư. Công nghệ môi trường thực thi tin cậy (TEEs) và bằng chứng không kiến thức (ZKPs) hỗ trợ tính toán an toàn và xác minh kết quả mà không tiết lộ dữ liệu gốc. Những công cụ này cho phép tổ chức huấn luyện mô hình AI trên dữ liệu nhạy cảm phân tán, đồng thời duy trì quyền riêng tư và tuân thủ.

Ví dụ:

• Phala Network: Cho phép nhà phát triển triển khai ứng dụng vào TEE an toàn, dùng cho AI và xử lý dữ liệu bảo mật.

Quản trị mở và có thể kiểm toán

Huấn luyện robot thường dựa vào hệ thống hộp đen độc quyền thiếu minh bạch và khả năng thích nghi. Quản trị minh bạch, có thể xác minh rất quan trọng để giảm rủi ro và tăng niềm tin của người dùng, cơ quan quản lý và doanh nghiệp. Công nghệ Web3 cho phép phát triển hợp tác trí tuệ robot mã nguồn mở thông qua giám sát do cộng đồng dẫn dắt trên chuỗi.

Ví dụ:

• Openmind: Một stack phần mềm AI mở giúp robot suy nghĩ, học hỏi và hợp tác làm việc. Họ đề xuất tiêu chuẩn ERC7777, nhằm xây dựng hệ sinh thái robot có quy tắc có thể xác minh, tập trung vào an toàn, minh bạch và khả năng mở rộng. Tiêu chuẩn này xác định giao diện chuẩn hóa để quản lý danh tính con người và robot, thực thi bộ quy tắc xã hội, cũng như đăng ký và loại bỏ người tham gia, làm rõ quyền và trách nhiệm liên quan.

Suy nghĩ cuối cùng

Khi robot AI và công nghệ Web3 kết hợp, chúng ta đang bước vào kỷ nguyên mới nơi hệ thống tự chủ có thể hợp tác và thích nghi quy mô lớn. 3 đến 5 năm tới sẽ là giai đoạn then chốt, sự phát triển nhanh của phần cứng sẽ thúc đẩy ra đời các mô hình AI mạnh mẽ hơn, dựa trên bộ dữ liệu thực tế phong phú và cơ chế hợp tác phi tập trung. Chúng tôi kỳ vọng các tác nhân AI chuyên dụng sẽ xuất hiện trong nhiều ngành như khách sạn, logistics, tạo ra cơ hội thị trường mới khổng lồ.

Tuy nhiên, sự kết hợp giữa robot AI và công nghệ mã hóa cũng mang lại thách thức. Thiết kế cơ chế khuyến khích cân bằng, hiệu quả vẫn còn phức tạp và đang phát triển, hệ thống cần thưởng công bằng cho người đóng góp, đồng thời tránh bị lạm dụng. Độ phức tạp kỹ thuật cũng là vấn đề lớn, cần phát triển giải pháp bền vững, có thể mở rộng để tích hợp liền mạch nhiều loại robot. Ngoài ra, công nghệ bảo vệ quyền riêng tư phải đủ đáng tin cậy để giành được niềm tin của các bên liên quan, đặc biệt khi xử lý dữ liệu nhạy cảm. Môi trường pháp lý thay đổi nhanh cũng đòi hỏi chúng ta phải thận trọng để đảm bảo tuân thủ tại các khu vực pháp lý khác nhau. Giải quyết những rủi ro này và đạt được lợi nhuận bền vững là chìa khóa thúc đẩy tiến bộ công nghệ và ứng dụng rộng rãi.

Hãy cùng nhau theo dõi sự phát triển của lĩnh vực này, thúc đẩy tiến bộ thông qua hợp tác và nắm bắt cơ hội nổi lên trong thị trường tăng trưởng nhanh này.

Đổi mới công nghệ robot là một hành trình tốt nhất nên đồng hành cùng nhau :)

Cuối cùng, tôi xin cảm ơn Chain of Thought với bài viết “Robotics & The Age of Physical AI” đã hỗ trợ quý báu cho nghiên cứu của tôi.