Lĩnh vực robot hình người gần đây liên tục nhắc đến "vào nhà máy", "vào gia đình", nhưng hiếm ai giải thích rõ những robot này học cách làm việc như thế nào. Câu trả lời không phải là một mô hình lớn thần kỳ nào đó, mà là những lao động bán thời gian ở hàng chục quốc gia trên thế giới, dùng iPhone buộc trên trán để quay từng khung hình cảnh họ rửa bát, gấp quần áo, chiên trứng.
Đây là sự thật được hé lộ trong một bài báo của MIT Technology Review đầu tháng 4.
iPhone trên trán, bước vào bếp
Cụ thể: buộc một chiếc iPhone lên trán, hướng về phía tay của mình, sau đó làm các công việc nhà theo hướng dẫn — gấp khăn, xúc thức ăn từ chảo vào bát, dọn dẹp mặt bàn bếp. Mỗi nhiệm vụ thường kéo dài vài chục phút, video được tải lên và được AI cùng người kiểm duyệt gắn nhãn, đánh dấu thời gian bắt đầu, thời gian kết thúc và vị trí của tay cho từng hành động.
Công ty chính thực hiện việc này là Micro1, có trụ sở tại Palo Alto, California, với các lao động hợp đồng tại hơn 50 quốc gia, tập trung chủ yếu ở Nigeria, Ấn Độ và Argentina. Mức lương 15 USD/giờ, được coi là khá cao so với thu nhập địa phương.
Về phía khách hàng, các công ty chế tạo robot hình người như Tesla, Figure AI, Agility Robotics đều mua những dữ liệu này. Robot muốn học cách làm việc trong môi trường gia đình thực tế thì mô phỏng là chưa đủ; dữ liệu thao tác của con người thực tế là nguyên liệu không thể thay thế.
Không chỉ Micro1. Scale AI tự nhận đã thu thập hơn 100.000 giờ dữ liệu tương tự. DoorDash thậm chí trả tiền để tài xế giao hàng tiện thể quay lại cảnh họ làm việc nhà. Toàn ngành chi hơn 100 triệu USD mỗi năm cho dữ liệu huấn luyện thực tế.
Không phải lần đầu, nhưng quy mô đang lớn dần
Việc dùng người gắn nhãn dữ liệu huấn luyện AI không phải chuyện mới. Nhận dạng hình ảnh thời kỳ đầu dựa vào lao động trên Amazon Mechanical Turk, xử lý ngôn ngữ tự nhiên dựa vào gắn nhãn văn bản quy mô lớn. Nhưng dữ liệu huấn luyện cho robot hình người có một khác biệt cốt lõi: nó không cần phân loại văn bản hay hình ảnh, mà là dữ liệu chuyển động ba chiều theo thời gian, kèm theo lực, nhịp điệu và tọa độ không gian.
Vấn đề này không thể giải quyết chỉ bằng dữ liệu tổng hợp, vì robot gặp quá nhiều khác biệt về ma sát, trọng lượng và chất liệu trong thế giới vật lý thực tế. Dữ liệu của Scale AI ngày càng đến từ các video do lao động được tuyển dụng riêng quay tại nhà, chứ không phải từ các chuyên gia trong phòng thí nghiệm.
Điều này có nghĩa là: ranh giới năng lực của robot hình người, ở một mức độ nào đó, được quyết định bởi những căn bếp gia đình trên khắp thế giới. Một robot có thể gấp được khăn với các chất liệu khác nhau hay không, phụ thuộc vào việc có đủ video thao tác với chất liệu tương ứng hay không.
15 USD một giờ: Công việc này có ổn định lâu dài không?
Người lao động có cảm nhận khá tích cực về công việc này.
"Cảm giác như mình đang làm một điều gì đó khác biệt so với cả thế giới." (Người tham gia Zeus)
Một người khác tên Dattu cho biết anh cảm thấy mình đang "để lại dấu ấn", khi dữ liệu của anh góp phần vào sự phát triển của robot. Nhưng các nhà nghiên cứu đặt câu hỏi về tính bền vững của ngành này. Ken Goldberg từ UC Berkeley nói thẳng:
"Mọi người đang đánh giá thấp thời gian cần thiết để thu thập đủ dữ liệu huấn luyện robot an toàn và có thể sử dụng được."
Vấn đề thực tế hơn là quyền riêng tư. Nội dung người lao động quay không chỉ là tay của họ, mà còn có đồ đạc trong nhà, ảnh gia đình, thói quen sinh hoạt, bố trí phòng ốc. Micro1 cho biết họ loại bỏ khuôn mặt và thông tin nhạy cảm, nhưng người lao động không biết dữ liệu cuối cùng được bán cho công ty nào, lưu trữ ở đâu, hay có bị bán lại hay không. Một số người đã yêu cầu xóa dữ liệu, nhưng không ai biết kết quả ra sao.
Nhà nghiên cứu Yasmine Kotturi từ Đại học Maryland cho rằng sự bất cân xứng thông tin này là một vấn đề mang tính cấu trúc: người lao động chịu rủi ro về thông tin nhưng không có quyền được biết tương ứng.
Còn một nguy cơ nữa: Aaron Prather từ ASTM International chỉ ra rằng nếu người lao động thao tác không đúng chuẩn khi quay (ví dụ dùng cách cắt không an toàn), những "mẫu sai" này có thể bị đóng gói vào dữ liệu huấn luyện, khiến robot học được thói quen nguy hiểm.
Chuỗi cung ứng này sẽ không biến mất
| Nhà cung cấp dữ liệu | Khối lượng dữ liệu | Nguồn lao động chính |
|---|---|---|
| Scale AI | 100.000+ giờ | Phân tán toàn cầu |
| Micro1 | Hàng chục nghìn giờ | Nigeria, Ấn Độ, Argentina |
| DoorDash | Không tiết lộ | Tài xế giao hàng |
Để robot hình người thực sự "vào gia đình", cần xử lý vô số tình huống: đồ nội thất đủ hình dạng, quần áo đủ chất liệu, bếp đủ kiểu bố trí, mặt bàn đủ độ cao. Đây không phải khối lượng có thể giải quyết bằng vài nghìn giờ dữ liệu, mà là hàng triệu giờ.
Chuỗi cung ứng dữ liệu toàn cầu, phân tán này sẽ tồn tại lâu dài và ngày càng lớn hơn. Trước khi robot có thể tự học hoàn toàn, con người phải chỉ cho chúng trước.
Chỉ có điều, người chỉ dẫn đó có thể đang ở trong một căn hộ thuê ở Nigeria, trên trán buộc một chiếc iPhone, vừa rửa bát vừa giúp robot tương lai học cách đi.
Nguồn tham khảo: CocoLoop, The gig workers who are training humanoid robots at home (MIT Technology Review)