Runway mở mã nguồn Praxis-1: Đưa AI video vào lĩnh vực điều khiển robot

Runway, công ty nghiên cứu AI nổi tiếng với các hệ thống tạo video như Gen-4.5, vừa chính thức công bố mô hình robot mới nhất có tên Praxis-1. Được cung cấp theo giấy phép Apache 2.0 đầy linh hoạt, toàn bộ trọng số (weights) và mã nguồn của mô hình hiện đã mở rộng cửa cho cả mục đích nghiên cứu lẫn thương mại.

Xuất hiện lần đầu trước một số đối tác chọn lọc vào cuối tháng 9, Praxis-1 đại diện cho nỗ lực kết nối các mô hình tạo video với AI hiện thân (embodied AI), giúp biến khả năng hiểu biết trực quan về thế giới vật lý thành các thao tác điều khiển robot chính xác.

Từ hiểu biết video đến điều khiển vật lý

Runway định nghĩa Praxis-1 là một "Mô hình Hành động Thế giới" (World Action Model). Thay vì học cách điều khiển robot hoàn toàn từ con số 0, kiến trúc của Praxis-1 được xây dựng dựa trên một mô hình video vốn đã được huấn luyện qua các thước phim tiêu chuẩn để hiểu cách các vật thể tương tác và di chuyển trong không gian. Sau đó, Runway tinh chỉnh mô hình này bằng các dữ liệu ghi lại hành động của con người cùng các dữ liệu chuyên biệt dành cho robot.

Về cơ chế hoạt động, Praxis-1 sẽ xử lý luồng khung hình từ camera, câu lệnh bằng ngôn ngữ tự nhiên và dữ liệu tọa độ vật lý của robot. Dựa trên các đầu vào này, mô hình sẽ dự đoán sự thay đổi của môi trường và tính toán các lệnh điều khiển động cơ tương ứng, đồng thời liên tục tối ưu hóa hành động mỗi khi có khung hình mới gửi về. Mô hình làm việc này hướng tới mục tiêu giảm thiểu khối lượng dữ liệu khổng lồ và đắt đỏ vốn là điều kiện bắt buộc để xây dựng các hệ thống tự động hóa truyền thống.

Các công ty robot như Standard Bots, Noble Machines và Ultra hiện đang đánh giá Praxis-1 trên nhiều dạng phần cứng khác nhau, từ cánh tay robot công nghiệp, hệ thống hai tay trong nhà kho cho đến các robot dạng người (humanoid).

Hiệu năng kiểm thử và các bài test thực tế

Cùng với đợt phát hành này, Runway đã công bố một báo cáo nghiên cứu chi tiết về điểm số kiểm thử (benchmark) nội bộ trên cả môi trường mô phỏng lẫn đời thực.

Trên bộ kiểm thử mô phỏng RoboLab-120 của Nvidia — nơi đánh giá 120 tác vụ phân loại, gắp và xếp chồng vật thể — Praxis-1 đạt tỷ lệ thành công 46,2%. Kết quả này giúp nó vượt qua FLUX 3 Action (42,9%) để vươn lên dẫn đầu phân khúc Mô hình Hành động Thế giới, đồng thời xếp thứ 5 chung cuộc, chỉ đứng sau hai tác tử AI (AI agent) và hai kiến trúc mô hình khác. Runway cũng lưu ý rằng kết quả kiểm thử này hiện chưa được bên thứ ba xác minh độc lập.

Trong các thử nghiệm thực tế trên cánh tay robot Franka, mô hình đã được kiểm tra qua 10 tác vụ khác nhau (như đặt quả chuối lên đĩa hoặc đóng ngăn kéo), với 10 lần thử cho mỗi tác vụ. Praxis-1 đã hoàn thành 88 trên tổng số 100 lần thử, vượt trội so với 80 lần thành công của FLUX 3 Action. Để thích ứng Praxis-1 với cánh tay Franka, hệ thống cần khoảng 277 giờ dữ liệu minh họa từ bộ dữ liệu công khai DROID, trong khi các cấu hình robot hai tay đòi hỏi từ 1.400 đến 2.600 giờ dữ liệu.

Runway cũng đánh giá khả năng thích ứng của Praxis-1 trên các phần cứng xa lạ bằng cách sử dụng dữ liệu từ nền tảng tay cầm di động của Google (vốn được dùng cho RT-1). Sau khi tinh chỉnh trên khoảng 95 giờ dữ liệu minh họa, Praxis-1 đạt tỷ lệ thành công trung bình 80% qua bốn tác vụ mô phỏng — bao gồm di chuyển lon nước ngọt và mở ngăn kéo — vượt xa mức 52,4% của mô hình RT-1 gốc.

Yêu cầu phần cứng và những hạn chế hiện tại

Các nhà phát triển hiện có thể truy cập mã nguồn của mô hình trên GitHub và tải xuống trọng số trên Hugging Face. Tại đây, Runway cung cấp cả mô hình nền tảng lẫn các điểm kiểm tra (checkpoints) đã được tối ưu sẵn cho từng loại robot cụ thể. Để chạy phiên bản Praxis-1 tiêu chuẩn, hệ thống cần GPU có tối thiểu 80 GB VRAM. Runway cũng đã phát triển một phiên bản nén dự kiến có thể chạy trên các card đồ họa 32 GB VRAM như RTX 5090, dù mức tiêu tốn VRAM đỉnh vẫn chưa được kiểm chứng thực tế.

Dù sở hữu tiềm năng lớn, Runway vẫn thẳng thắn chỉ ra một số hạn chế trong vận hành. Mô hình vẫn có thể nhầm lẫn giữa các vật thể có vẻ ngoài tương tự nhau và gặp khó khăn khi nhận các câu lệnh mờ ảo, thiếu rõ ràng. Do Praxis-1 chưa thể tự độc lập thực hiện các chuỗi tác vụ dài và phức tạp một cách tin cậy, các quy trình làm việc phức tạp bắt buộc phải được chia nhỏ thành các bước riêng biệt.

Runway định vị Praxis-1 chủ yếu như một "động cơ thi hành tốc độ cao" cho các chuyển động vật lý. Trong tương lai, mô hình này được kỳ vọng sẽ hoạt động song song với các mô hình lập luận cấp cao — những hệ thống đảm nhận nhiệm vụ phân rã các mục tiêu phức tạp thành từng chuỗi tác vụ nhỏ hơn có thể thực thi ngay lập tức.