Kính Smart có thể trông giống một tiện ích tiêu dùng đơn giản: camera trên mặt, loa trong tai và một trợ lý AI có thể trả lời các câu hỏi về những gì bạn nhìn thấy. Nhưng chính thiết bị đó có thể mang đến cho hệ thống AI thứ mà nó luôn thiếu: góc nhìn thứ nhất về cuộc sống thường ngày của con người.
Điều đó quan trọng vì dạy AI viết hay tạo hình ảnh rất khác với dạy một cỗ máy di chuyển trong thế giới vật lý. Robot cần hiểu vị trí của các đồ vật, điều gì xảy ra khi chúng di chuyển và cách bàn tay tương tác với những thứ có thể uốn cong, vỡ, tràn hay biến đổi hình dạng.
Meta đã dành nhiều năm nghiên cứu các thiết bị đeo có thể thu thập loại thông tin này. Kính Ray-Ban Meta đưa một phần công nghệ đó vào một sản phẩm tiêu dùng, giúp công ty có quyền truy cập vào dữ liệu được tạo ra trong những hoạt động thường ngày.
Một thử nghiệm kéo dài 72 giờ với chiếc kính, sử dụng các tính năng AI suốt cả ngày và yêu cầu cung cấp dữ liệu liên quan, đã hé lộ vì sao các bản ghi góc nhìn thứ nhất có thể hữu ích cho việc huấn luyện AI và vì sao quyền riêng tư ngày càng khó tách rời khỏi chính công nghệ này.
Cách AI học từ thế giới thực
Các mô hình ngôn ngữ lớn học từ những tập hợp khổng lồ tài liệu viết. Cách này hiệu quả với các hệ thống được xây dựng quanh ngôn ngữ, nhưng văn bản không thể mô tả đầy đủ cách con người làm những việc như đi qua bếp, nhặt một chai, đập một quả trứng hay tìm chìa khóa.
Con người học những điều đó qua nhiều năm trải nghiệm giác quan. Cựu nhà khoa học AI trưởng của Meta, Yann LeCun, lập luận rằng đến bốn tuổi, một đứa trẻ đã tiếp nhận lượng dữ liệu nhiều gấp 50 lần so với cả những mô hình ngôn ngữ lớn nhất. Quan điểm rộng hơn của ông là máy móc cần đầu vào giác quan phong phú hơn nếu muốn hiểu thế giới vật lý.
Với robot, điều đó nghĩa là học từ nhiều thứ hơn cả các chỉ dẫn. Nó cần dữ liệu về những gì con người thực sự làm, bao gồm những biến thể nhỏ khó diễn tả bằng lời. Ví dụ, cảnh một người rửa bát đĩa có vẻ tầm thường. Nhưng khi đoạn phim đó được gắn nhãn và chú thích, nó có thể cho hệ thống AI thấy vị trí của các đồ vật, cách bàn tay di chuyển và điều gì xảy ra khi có tình huống bất ngờ.
Loại dữ liệu huấn luyện này rất khó thu thập ở quy mô lớn. Camera đeo trên người là một giải pháp khả thi vì nó có thể ghi lại thế giới từ cùng góc nhìn với người đang thực hiện nhiệm vụ. Như lập luận của LeCun: “Nó cần đôi mắt”.
Vì sao Meta sử dụng kính Smart
Meta đã giải quyết bài toán này suốt nhiều năm qua Dự án Aria(cửa sổ mới), một chương trình nghiên cứu xây dựng quanh các máy tính đeo được dưới dạng kính. Các thiết bị nghiên cứu dùng camera và cảm biến khác để tìm hiểu cách con người tương tác với thế giới.
Dự án Aria cũng cho thấy kỳ vọng về quyền riêng tư có thể khác biệt đến mức nào giữa mục đích nghiên cứu và tiêu dùng. Hướng dẫn được Meta công bố nêu rằng người tham gia nghiên cứu được đào tạo về các nguyên tắc ghi hình phù hợp, những người trong nhà riêng phải đồng ý và đèn báo sáng cho biết khi âm thanh cùng video đang được thu thập.
Kính Smart dành cho người tiêu dùng hoạt động trong môi trường ít được kiểm soát hơn nhiều. Một người có thể đeo kính khi đi trên phố, mua sắm, pha cà phê hay làm việc nhà. Điều đó tạo ra nguồn dữ liệu góc nhìn thứ nhất hữu ích. Đồng thời, những người xung quanh người đeo cũng có thể xuất hiện trong các bản ghi mà không biết camera đang hoạt động.
Sự khác biệt này quan trọng vì giá trị của dữ liệu đến từ tính đời thường của nó. Giá trị nằm ở việc ghi lại những chi tiết nhỏ nhặt của cuộc sống hằng ngày.
Những gì robot cần học
Các nhà nghiên cứu đang giải quyết một số bài toán trông đơn giản với con người nhưng lại khó với máy móc. Một trong số đó là trí nhớ theo tình huống. Hỏi AI xem bạn để chìa khóa ở đâu nghe có vẻ dễ, nhưng hệ thống phải nhận diện đồ vật, hiểu lần cuối cùng nó được nhìn thấy là khi nào và theo dõi những gì đã xảy ra từ lúc đó đến nay.
Một bài toán khác là vật lý trực giác. Nếu bạn lăn một quả bóng về phía cái bàn, bạn đã có sẵn dự đoán về điều sẽ xảy ra. Con người hình thành những dự đoán này qua nhiều năm quan sát thế giới vật lý.
Vấn đề thứ ba liên quan đến tương tác giữa bàn tay và đồ vật. Buộc dây giày, cài cúc áo, nhặt một vật hay cầm nắm một mảnh vải đều đòi hỏi cỗ máy phải xử lý những đồ vật có thể uốn cong và biến dạng. Đó là những tình huống mà các bản ghi góc nhìn thứ nhất có thể ghi lại.
Trong thử nghiệm 72 giờ, các hoạt động thường ngày lại khớp một cách đáng ngạc nhiên với những bài toán nghiên cứu này. Việc lái xe liên quan đến dự đoán cách đồ vật di chuyển trong không gian. Nhặt một chai hay đập một quả trứng liên quan đến tương tác giữa bàn tay và đồ vật. Nhìn quả trứng lăn khỏi mặt bàn liên quan đến vật lý trực giác. Hỏi xem chìa khóa đã được để ở đâu là một nhiệm vụ trí nhớ theo tình huống.
Vấn đề không phải là mọi bản ghi tầm thường đều ngay lập tức trở thành dữ liệu huấn luyện hữu ích. Mà là hoạt động thường ngày của con người chứa đựng những ví dụ mà AI hiện thân cần đến.
Kính của Meta có thể ghi lại những gì
Meta cho biết kính Ray-Ban Meta không ghi liên tục mọi thứ xung quanh người đeo để huấn luyện AI. Theo công ty, dữ liệu dùng để huấn luyện AI và có thể được con người xem xét bao gồm các khẩu lệnh bằng giọng nói và video được ghi lại khi người dùng yêu cầu AI làm gì đó.
Khi AI cần phân tích những gì camera nhìn thấy, đoạn phim liên quan có thể được gửi đến máy chủ của Meta để xử lý. Sau đó, công ty có thể dùng thông tin đó để cải thiện các hệ thống AI của mình. Người dùng có thể hỏi kính về một đồ vật, một vị trí, một nhiệm vụ hay điều gì đó đang diễn ra trước mắt, tạo ra bản ghi về những tương tác đó từ góc nhìn thứ nhất.
Meta cũng đã giới thiệu Live AI, giúp trợ lý luôn sẵn sàng mà không cần câu đánh thức thông thường. Điều này khiến kính hữu ích hơn với vai trò trợ lý thời gian thực, đồng thời làm tăng khoảng thời gian camera và micrô có thể hoạt động.
Có một vấn đề quyền riêng tư khác khó giải quyết hơn bằng cài đặt. Người đeo kiểm soát thiết bị, nhưng những người xung quanh thì không. Trong thử nghiệm, khuôn mặt đã được làm mờ trong tài liệu được xem xét, nhưng những người xung quanh người đeo không biết mình đang bị ghi lại. Điều này khác với quy trình nghiên cứu Dự án Aria của Meta, nơi người tham gia và những người trong một số môi trường riêng tư nhất định phải đáp ứng yêu cầu đồng ý rõ ràng.
Điều gì cho thấy kế hoạch robot của Meta
Ý tưởng rằng Meta có thể dùng dữ liệu từ thiết bị đeo để chế tạo robot vẫn chỉ là giả thuyết về chiến lược rộng hơn của công ty, chứ không phải điều mà riêng chiếc kính chứng minh được. Tuy nhiên, có một số bằng chứng ủng hộ giả thuyết này.
Tháng 2/2025, Meta thành lập bộ phận robot hình người trong Reality Labs, cũng là tổ chức rộng lớn chịu trách nhiệm về kính Smart. Tháng 5/2026, Meta cũng mua lại Assured Robot Intelligence, một phòng thí nghiệm robot do Lerrel Pinto đồng sáng lập.
Meta cũng cho biết họ muốn công nghệ của mình trở thành lớp phần mềm cho robot hình người. Nghiên cứu của công ty đã tìm hiểu cách các bản ghi góc nhìn thứ nhất giúp robot học các nhiệm vụ vật lý. Điều đó khiến chiếc kính trở nên quan trọng hơn cả vai trò trợ lý AI. Nó tích hợp camera, micrô và AI vào một thiết bị mà người ta có thể đeo suốt cả ngày.
Các nguyên mẫu thiết bị đeo thế hệ tiếp theo của Meta được cho là đang hướng tới khả năng cảm biến liên tục hơn và theo dõi đồ vật tốt hơn. Những khả năng này có thể tạo ra dữ liệu hữu ích hơn về cách con người tương tác với thế giới vật lý.
Không có điều nào ở đây chứng minh rằng Meta đang bí mật thu thập mọi khoảnh khắc trong cuộc sống của khách hàng để chế tạo một đội quân robot. Nhưng nó cho thấy vì sao dữ liệu góc nhìn thứ nhất từ thiết bị đeo có thể có giá trị chiến lược với một công ty đang đầu tư mạnh vào cả AI lẫn robot.
Câu hỏi lớn hơn
Kính Smart khiến AI hữu ích hơn vì cho AI quyền truy cập vào thế giới xung quanh chúng ta. Cũng chính khả năng đó khiến kính khác biệt với những trợ lý AI mà hầu hết mọi người đã quen. Câu hỏi đặt ra là ai được quyền quyết định cách nguồn dữ liệu ngày càng mang tính cá nhân này được thu thập, xử lý và sử dụng.
Khi AI bước ra khỏi màn hình và đi vào thế giới vật lý, dữ liệu góc nhìn thứ nhất trở nên giá trị hơn.
Điều đó khiến việc hiểu rõ một thiết bị có thể nhìn, nghe, lưu trữ và gửi đi những gì ngày càng trở nên quan trọng.
