Nói với robot "đừng làm đổ cà phê vào máy tính xách tay của tôi" và các máy móc ngày nay sẽ làm chính xác điều đó — và không làm gì hơn. Điện thoại để cạnh laptop? Máy tính bảng đang sạc ở phía bên kia bàn? Tắt radar của robot cho đến khi bạn đánh vần từng từ một, sửa bằng cách sửa tẻ nhạt.
Một nền tảng mới từ các nhà nghiên cứu của MIT và Đại học New York nhằm mục đích thu hẹp khoảng cách đó. Theo MIT News, hệ thống này có tên FLEX, cho phép các robot lập kế hoạch chuyển động tuân theo các hướng dẫn rõ ràng của con người đồng thời rút ra những khái quát rộng hơn từ chúng để cải thiện hiệu suất. Nhóm sẽ trình bày công việc tại Hội nghị thường niên về Học tập Robot (CoRL) trong tháng này. For more context on this story, see our ongoing AI news.
Nathan Dennler, một postdoc tại Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo (CSAIL) của MIT và là tác giả nghiên cứu cho biết: “LLM đã xem rất nhiều văn bản từ internet”. "Mọi người có thể đã viết về việc, 'Ồ, điện thoại của tôi bị rơi xuống nước và bây giờ nó không hoạt động' hoặc 'Tôi đã làm đổ cà phê vào máy tính và bây giờ nó không hoạt động'. Vì vậy, LLM đưa ra ý tưởng rằng chất lỏng cộng với các thiết bị sẽ khiến mọi thứ không hoạt động."
Từ một cảnh báo đến toàn bộ sách quy tắc
Trong một tình huống trình diễn được MIT News mô tả, một người quan sát một cánh tay robot mang cốc cà phê qua một chiếc bàn bừa bộn và gõ một lệnh duy nhất: "Không đổ lên máy tính xách tay!" Một robot thông thường sẽ thêm máy tính xách tay vào danh sách tránh và lên kế hoạch lại đường đi của nó. FLEX còn tiến xa hơn nữa — robot lý giải lý do tại sao máy tính xách tay lại quan trọng và điều chỉnh quỹ đạo của nó để tránh các thiết bị điện tử ở gần, bao gồm cả chiếc điện thoại mà người dùng chưa bao giờ đề cập đến.
Dennler nói: “Ý tưởng là có một số ý định cấp cao hơn đằng sau những lời bạn nói. "Mọi người hiểu điều này một cách tự nhiên. Nhưng bạn phải giải thích cẩn thận điều đó với robot, việc này tốn thời gian và công sức. FLEX cung cấp cho bạn giao diện giao tiếp với robot để nói, 'Khi mọi người nói điều này, họ có ý đó.'"
Nghiên cứu được dẫn dắt bởi Andreea Bobu, trợ lý giáo sư về hàng không và du hành vũ trụ tại MIT, người đứng đầu Phòng thí nghiệm nghiên cứu tự chủ và học tập hợp tác (CLEAR). Các đồng tác giả bao gồm Audrey Lee, người đã hoàn thành SM của mình tại MIT vào năm 2026 và Ilia Sucholutsky của Đại học New York.
Cách thức hoạt động của FLEX: Thêm, Tổng quát hóa, Mặt nạ
FLEX hoạt động như một quy trình gồm ba bước, chạy trong khoảng năm giây.
Bước 1: Thêm
Khi người dùng thực hiện chỉnh sửa ngôn ngữ tự nhiên, robot sẽ thêm tính năng có liên quan vào danh sách những thứ quan trọng đối với nhiệm vụ đang chạy. Nếu một người nói "Đừng làm rơi nó vào cốc của tôi!" trong khi robot mang một quả bóng bowling, chiếc cốc sẽ tham gia danh sách tránh và robot sẽ cập nhật quỹ đạo của nó. Bước này phản ánh cách các phương pháp trước đó luôn hoạt động - và đó là lúc rắc rối của chúng bắt đầu.
Dennler nói với MIT News: “Vấn đề xảy ra khi danh sách tính năng của bạn trở nên quá dài và một số tính năng không còn phù hợp nữa vì môi trường của bạn có thể đã thay đổi”. Một robot được yêu cầu tránh mọi vật thể sẽ trở nên chậm sửa hơn và lập kế hoạch chậm hơn, đồng thời gánh nặng liệt kê đổ lên vai con người.
Bước 2: Khái quát hóa
Đây là đóng góp cốt lõi của FLEX. Một mô hình ngôn ngữ lớn — GPT-4o, do nhóm triển khai — kiểm tra danh sách tính năng tích lũy và tìm kiếm các mẫu giữa các mục. Đối mặt với một chiếc cốc cùng với những đồ vật dễ vỡ khác mà người đó đã gắn cờ, LLM đưa ra một lớp chung: tránh những đồ vật dễ vỡ, ngay cả những đồ vật chưa bao giờ được đề cập đến. Bởi vì mô hình được đào tạo trên các thư viện văn bản rộng lớn của con người nên phần lớn kiến thức thông thường hàng ngày đều được cài đặt sẵn.
Dennler nói: “LLM đã thấy rất nhiều văn bản từ internet, từ đủ loại người và địa điểm. "Bởi vì họ đã được đào tạo rất nhiều về những điều đó nên một số kiến thức thông thường đó sẽ được áp dụng vào LLM."
Bước 3: Mặt nạ
Môi trường thực tế thay đổi và các quy tắc cũ gây ra hành vi thất thường. Bước thứ ba của FLEX sử dụng hệ thống thị giác máy tính tiêu chuẩn của rô-bốt để xác định những đối tượng được gắn cờ nào không còn tồn tại, sau đó xóa các mục đó khỏi danh sách tính năng — giữ nguyên các hạn chế của rô-bốt mà không cần sự can thiệp của con người.
Đã thử nghiệm trong mô phỏng cà phê, nến và bóng bowling
Nhóm đã đánh giá FLEX trong mô phỏng cánh tay robot thực hiện ba nhiệm vụ: phục vụ một tách cà phê, di chuyển một ngọn nến và mang một quả bóng bowling. Các tình nguyện viên tương tác với robot ảo bằng cách gõ các lệnh bằng ngôn ngữ tự nhiên như "Đừng làm đổ nước lên máy tính xách tay của tôi", "Tránh xa chồng giấy" và "Đừng làm rơi nước lên cốc".
Trong cả ba tình huống, robot tuân theo từng lệnh theo nghĩa đen đồng thời lý luận ở cấp độ cao hơn – tránh xa các thiết bị điện tử khi được cảnh báo về máy tính xách tay, tránh các vật dễ cháy khi được yêu cầu canh chừng ngọn nến và coi tất cả các vật dụng dễ vỡ là vùng cấm thả sau một cảnh báo cốc duy nhất.
Tại sao Common Sense lại là điểm nghẽn đối với Robot gia đình
Nghiên cứu nhắm đến một trở ngại dai dẳng trong lĩnh vực robot tiêu dùng: không ai vận chuyển robot đã biết những gì quan trọng trong nhà bạn. Việc lập kế hoạch quỹ đạo dựa trên vật lý là chính xác nhưng không rõ ràng và việc mong đợi người dùng thao tác các hàm chi phí toán học là điều không thể bắt đầu.
Dennler nói: “Robot sử dụng toán học để lập kế hoạch quỹ đạo của chúng. Nhưng chúng tôi không thể mong đợi người tiêu dùng học cách làm phép toán này để ra lệnh cho robot phải làm gì”. "Thay vì phải yêu cầu mọi người học cách sử dụng robot theo một cách cụ thể, mục tiêu là tương tác với robot thông qua ngôn ngữ tự nhiên."
Một loạt nghiên cứu về robot đã đưa ngôn ngữ vào quá trình học tập của robot - làm rõ mục tiêu nhiệm vụ, chuyển hướng quỹ đạo, xác định các đường dẫn an toàn. Nhưng MIT News lưu ý rằng các phương pháp hiện tại chủ yếu sử dụng ngôn ngữ để cho robot biết cách thực hiện một nhiệm vụ. Nhóm của Bobu đang tiến tới một lĩnh vực khác: trích xuất những sở thích cơ bản, không xác định của một người từ một số mệnh lệnh thông thường.
Bobu nói với MIT News: “Nhà của mỗi người đều khác nhau và mọi người đều quan tâm đến những thứ khác nhau, vì vậy không có robot nào có thể biết được điều gì quan trọng với bạn”. "Điều khiến tôi phấn khích về FLEX là nó có thể tiếp thu điều đó từ một hoặc hai câu thay vì yêu cầu bạn đánh vần mọi quy tắc - và đó là sự khác biệt giữa một con robot mà mọi người sử dụng và một con robot mà họ thực sự muốn có trong nhà của mình."
Điều gì xảy ra tiếp theo
Công trình được trình bày chi tiết trong bài báo "Chỉnh sửa biểu diễn được hướng dẫn bằng ngôn ngữ linh hoạt cho hành vi của robot thích ứng", được hỗ trợ một phần bởi Hiệp hội tác động AI tạo ra MIT và chương trình Trách nhiệm xã hội và đạo đức của máy tính của Trường Cao đẳng Máy tính MIT Schwarzman.
Các kết quả hiển thị cho đến nay chỉ là mô phỏng và việc chuyển hiệu suất đó sang phần cứng vật lý — với nhận thức lộn xộn hơn, ngôn ngữ ồn ào hơn và hậu quả thực sự — vẫn là trở ngại tiếp theo của lĩnh vực này. Nhưng hướng đi rất rõ ràng: khi robot di chuyển từ các lồng nhà máy vào nhà bếp và văn phòng, những cỗ máy thành công có thể là những cỗ máy không chỉ hiểu những gì chúng ta nói mà còn hiểu những gì chúng ta muốn nói.
Bài viết này dựa trên báo cáo của Jennifer Chu, được MIT News xuất bản vào ngày 9 tháng 11 năm 2026.---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
