3 năm tăng vọt lên 14 tỷ USD! SoftBank, NVIDIA cạnh tranh đầu tư hàng trăm tỷ định giá "kỳ lân"

Năm 2026, vòng tròn AI sẽ khai sinh ra 100 tỷ kỳ lân nhanh nhất. Skild AI đã hoàn thành đợt tài trợ Series C với mức định giá hơn 140 tỷ USD, và được SoftBank, Nvidia và Bezos đầu tư chỉ trong 3 năm thành lập. Người sáng lập đến từ Meta AI, công ty không xây dựng phần cứng robot, mà tập trung vào việc tạo ra một “bộ não phổ quát” Skild Brain, sử dụng các mô hình được chia sẻ để cung cấp cho robot khả năng vào thế giới vật lý.

Logic vốn của việc định giá tăng gấp mười lần trong hai năm

Skild AI là kỳ lân nhanh nhất phá vỡ 100 tỷ trong năm nay, với tốc độ phát triển nhanh và mở rộng định giá khốc liệt, điều này là hiện tượng ngay cả trong làn sóng đầu tư điên cuồng của AI. Chỉ hai tháng sau khi thành lập, công ty đã nhận được vòng hạt giống trị giá 14,5 triệu đô la do Lightspeed Ventures dẫn đầu, ra mắt thành công. Vào ngày kỷ niệm đầu tiên thành lập, Skild AI đã hoàn thành vòng gọi vốn Series A lên tới 300 triệu đô la và định giá sau đầu tư của nó đã tăng lên 15 tỷ đô la. Trong vòng chưa đầy hai năm, định giá của nó đã tăng gần gấp mười lần và khoản tài trợ Series C mới nhất của nó đã đẩy định giá của nó lên 140 tỷ đô la.

Lý do đặt cược vốn vào Skild AI rất đơn giản – thị trường lao động toàn cầu phải đối mặt với khoảng cách nghiêm trọng. Khoảng cách việc làm trong ngành sản xuất của Mỹ dự kiến sẽ lên tới 2,1 triệu vào năm 2030 và vấn đề già hóa dân số ở các nền kinh tế phát triển như châu Âu và Nhật Bản thậm chí còn nghiêm trọng hơn. Robot đa năng, có khả năng thực hiện các nhiệm vụ vật lý phức tạp, được coi là chìa khóa để giải quyết cuộc khủng hoảng năng suất. Tuy nhiên, ngành công nghiệp robot hiện tại rất phân mảnh và mọi nhà sản xuất đều đang cố gắng phát triển mọi thứ từ cấu trúc cơ khí đến hệ thống điều khiển, dẫn đến chi phí R&D cao và không có khả năng di chuyển khả năng giữa các nền tảng.

Mô hình phần mềm thuần túy của Skild AI là “chỉ làm não chứ không phải cơ thể” phù hợp với xu hướng chung của ngành chuyển từ “định hướng phần cứng” sang “mô hình AI và định hướng năng lực phần mềm”. Sequoia Capital viết trong báo cáo sau đầu tư: “Giá trị cốt lõi của Skild AI là sử dụng mô hình nền tảng được chia sẻ để mở khóa ‘khả năng nổi lên’ của robot trong thế giới thực. Điều này về cơ bản khác với khả năng không mở rộng của ‘bộ điều khiển một điểm’ trong quá khứ.” “Khả năng nổi lên” này tương tự như bước đột phá của GPT-3 trong việc hiểu ngôn ngữ, khi mô hình đạt đến điểm tới hạn, nó sẽ tự động có những khả năng không được dạy rõ ràng trong quá trình đào tạo.

Sự tham gia của SoftBank đặc biệt mang tính chiến lược. Gã khổng lồ công nghệ Nhật Bản đã mua lại ARM vào năm 2016 với giá 320 tỷ USD và đã triển khai trong lĩnh vực robot (chẳng hạn như mua lại Boston Dynamics). SoftBank Vision Fund được biết đến với sự tích cực trong đầu tư AI, và vị trí nặng nề này trong Skild AI cho thấy họ tin rằng “bộ não vũ trụ robot” là thị trường nghìn tỷ đô la tiếp theo. Sự bổ sung của Nvidia cung cấp sức mạnh tính toán và hỗ trợ sinh thái, đồng thời cơ sở hạ tầng đào tạo của Skild AI có thể sẽ được xây dựng trên cụm GPU của Nvidia. Khoản đầu tư cá nhân của Bezos thậm chí còn hiếm hơn, vì nhà sáng lập Amazon hiếm khi tham gia vào các dự án giai đoạn đầu và sự chứng thực của ông mang lại giá trị thương hiệu vô hình cho Skild AI.

Gen công nghệ của nhóm rời Meta

Câu trả lời cho khả năng kỹ thuật của Skild AI được ẩn giấu trong bối cảnh của đội ngũ sáng lập. Trước khi thành lập Skild AI, Deepak Pathak là một học giả và học viên nổi tiếng trong lĩnh vực trí tuệ nhân tạo và robot, từng là trợ lý giáo sư tại Đại học Carnegie Mellon và xuất bản một số bài báo được trích dẫn rộng rãi. Trong nhiệm kỳ của mình tại Meta AI, ông đã tham gia sâu vào một số dự án quan trọng về học tập thích ứng, di chuyển mô phỏng sang thế giới thực và đào tạo dữ liệu robot quy mô lớn.

Pathak tin chắc rằng trí thông minh tổng quát AI thực sự phải được xây dựng thông qua tương tác và thử nghiệm và sai sót trong thế giới thực, thay vì chỉ dựa vào dữ liệu văn bản hoặc hình ảnh kỹ thuật số. Khái niệm này đã bị đặt câu hỏi trong Meta, vì Meta tập trung vào metaverse và AI xã hội vào thời điểm đó, đồng thời đầu tư vào robot vật lý tương đối bảo thủ. Sự bất đồng chiến lược này cuối cùng đã thúc đẩy Pathak chọn bắt đầu kinh doanh và biến ý tưởng thành hiện thực.

Abhinav Gupta, cũng từ Meta AI, đã đạt được những thành tựu trong sự giao thoa giữa thị giác máy tính và học robot. Ông nhấn mạnh việc học kiến thức vật lý từ dữ liệu video quy mô mạng, cho phép máy móc hiểu các thuộc tính vật thể, định luật vật lý và ý định của con người. Trên thực tế, Gupta và Pathak đã hợp tác nhiều lần trong thời gian làm việc tại Meta để khám phá cách tái tạo “khả năng mới nổi” của các mô hình ngôn ngữ lớn thành robot vật lý.

Cả hai đều tin rằng ngành công nghiệp robot hiện tại phụ thuộc quá nhiều vào các giải pháp tùy chỉnh cho các nhiệm vụ cụ thể và phần cứng cụ thể, đồng thời thiếu một “bộ não phổ quát” có thể tổng quát hóa và có thể mở rộng, điều này hạn chế nghiêm trọng tiềm năng ứng dụng và tốc độ phổ biến của robot trong thế giới thực. Do đó, cả hai đã bắt đầu ấp ủ một dự án nội bộ trong giai đoạn sau của Meta để cố gắng xây dựng một mô hình nền tảng robot không phụ thuộc vào phần cứng cụ thể. Cuối cùng, vào đầu năm 2023, Pathak và Gupta quyết định rời Meta và bắt đầu kinh doanh toàn thời gian. Họ tin chắc rằng tương lai của ngành công nghiệp robot không phải là tạo ra nhiều “cơ thể” hơn mà là cung cấp một “bộ não” mạnh mẽ, có thể chia sẻ.

Khoảnh khắc GPT-3 trong ngành công nghiệp robot

Tua nhanh đến năm 2023, khi robot thông minh nở rộ ở khắp mọi nơi, nhưng mỗi robot cần đào tạo các thuật toán chuyên biệt từ đầu, dẫn đến chu kỳ R&D dài, chi phí cao và khả năng không thể giao tiếp giữa các robot khác nhau. Trong ngành công nghiệp tình báo hiện thân, luôn có một vấn đề gây khó khăn cho ngành: làm thế nào để khái quát hóa? Cái gọi là khái quát đề cập đến khả năng của một robot có thể nhanh chóng được sao chép sang các robot khác.

Điều này rất khó khăn đối với robot vì thế giới vật lý vô cùng phức tạp, không chắc chắn và rất năng động, và robot cần giải quyết các vấn đề khái quát hóa ở ba cấp độ nhận thức, ra quyết định và thực hiện cùng một lúc. Ví dụ: thay đổi ánh sáng, hiệu ứng thời tiết, lộn xộn nền, nhiễu che khuất, v.v., có thể gây ra những thay đổi mạnh mẽ trong việc phân phối dữ liệu đầu vào cảm biến trực quan. Ngay cả khi mỗi nhiệm vụ đơn giản (ví dụ: lấy, đi bộ) được học, khi kết hợp thành các nhiệm vụ phức tạp (ví dụ: “mở tủ lạnh, lấy đồ uống ra và rót vào cốc”), không gian ra quyết định sẽ tăng lên theo cấp số nhân.

Skild Brain giải quyết ba con đường kỹ thuật chính của khái quát hóa

Đào tạo trước đa phương thức quy mô lớn: Tìm hiểu kiến thức vật lý từ video web, môi trường mô phỏng và dữ liệu robot thực để tạo các biểu diễn chung trên các tình huống

Phần cứng độc lập với kiến trúc: Tách rời nhận thức và logic ra quyết định khỏi các cấu trúc cơ học cụ thể thông qua các lớp trừu tượng, để cùng một mô hình có thể được triển khai cho các dạng robot khác nhau như bánh xe, bàn chân và cánh tay

Cơ chế học tập liên tục: Dữ liệu do robot tạo ra trong quá trình thực hiện nhiệm vụ được gửi trở lại đám mây và mô hình liên tục được tối ưu hóa và trải nghiệm của mỗi robot có thể mang lại lợi ích cho toàn bộ mạng

Skild AI không tạo ra phần cứng robot, nhưng nhằm mục đích cài đặt một “bộ não phổ quát” cho tất cả các robot và những người sáng lập nó tuyên bố rằng họ đang tạo ra “khoảnh khắc GPT-3” của trí thông minh hiện thân. Skild Brain tách phần mềm khỏi phần cứng, tránh bị ràng buộc với một thiết kế phần cứng duy nhất. Đồng thời, nó hạ thấp ngưỡng ngành càng nhiều càng tốt, cho phép các nhà sản xuất hoặc nhà tích hợp robot khác tập trung vào tối ưu hóa phần cứng và triển khai kịch bản, đồng thời gọi trực tiếp API của Skild Brain để có được trí thông minh tiên tiến, đẩy nhanh đáng kể việc phổ biến các ứng dụng robot.

Triển vọng thương mại hóa cũng đầy hứa hẹn. Trong lĩnh vực công nghiệp và thương mại, robot trên dây chuyền sản xuất không phải ngừng hoạt động do trục trặc nhỏ; Trong cứu hộ thảm họa, robot có thể tiếp tục thực hiện các nhiệm vụ ngay cả khi chúng có “chân tay bị đứt lìa”; Trong thị trường tiêu dùng, một “bộ não” có thể được sử dụng “ngoài vỏ” để giảm đáng kể chi phí. Những nền tảng công nghệ này đang định hình lại sự hiểu biết của mọi người về AGI - chỉ riêng kiến thức kỹ thuật số không thể xây dựng AGI thực sự và các tác nhân máy móc phải học thông qua học tập “thực hành” để hiểu các quy luật vận hành thực tế trong thế giới thực.