# Ming-Yu Liu của NVIDIA: world model, Cosmos 3 và vì sao robot gấp đồ trước khi bác trứng

[Nate B Jones](https://homus.dev/speakers/nate-b-jones) · [AI News & Strategy Daily | Nate B Jones](https://homus.dev/orgs/ai-news-strategy-daily-nate-b-jones), [Ming-Yu Liu](https://homus.dev/speakers/ming-yu-liu) · [AI News & Strategy Daily | Nate B Jones](https://homus.dev/orgs/ai-news-strategy-daily-nate-b-jones)

> Ming-Yu Liu (NVIDIA) giải thích world model, kiến trúc Cosmos 3, policy model, harness cho robot và vì sao việc kiểm chứng được quyết định robot làm gì trước.

Topics: Agents, Evals

Canonical: https://homus.dev/talks/when-will-ai-make-me-scrambled-eggs-i-went-to-nvidia-to-find-out

## 1. Nate ở NVIDIA: world model là model sinh ra hành động

Nate B Jones nói cuộc trò chuyện hôm nay xoay quanh world model, và anh đang ở NVIDIA. Theo Nate (video đăng ngày 24/09/2026), mọi người biết tới NVIDIA vì chip, nhưng NVIDIA cũng làm rất nhiều việc phát triển model. Anh sẽ trò chuyện với Ming-Yu Liu, người mà Nate giới thiệu là người đứng đầu họ world model Cosmos; dòng tên trên màn hình ghi chức danh của anh là VP, Cosmos Lab tại NVIDIA (tính đến 09/2026).

![Ming-Yu Liu và Nate B Jones ngồi hai bên bàn họp ở NVIDIA](https://homus.dev/photos/ry9J1i3krIY-0020.jpg)

Ming-Yu Liu (trái) và Nate B Jones (phải) trong một phòng họp ở NVIDIA, nơi diễn ra cuộc trò chuyện (video đăng ngày 24/09/2026).

Cho những ai chưa biết, Nate giải thích (video đăng ngày 24/09/2026): world model là một model sinh ra hành động (action), giống như cách LLM sinh ra text. Ví dụ, nếu anh có một cánh tay robot, anh có thể bảo cánh tay đó thực hiện một hành động như cầm chai nước lên. Cái được sinh ra là một hành động trực tiếp. Nó không viết ra một đoạn text kiểu "hãy cầm chai nước lên", mà thật sự phát lệnh hướng dẫn cho robot làm việc đó.

![Bảng so sánh LLM và World Model theo bốn dòng Output, Unit, Scale, Verify](https://homus.dev/photos/ry9J1i3krIY-0043.jpg)

Bảng "LLM | World Model": ở dòng Output, LLM là Text còn world model là "Simulation + action"; dòng Unit là Token so với "Frame / action"; dòng Scale cả hai đều là "Data · model · thinking"; dòng Verify là "Tests / verifiable tasks" so với "Simulation / physical outcomes". Chân bảng ghi "Two kinds of models. A shared way to scale." (slide trong video đăng ngày 24/09/2026).

Theo Nate (video đăng ngày 24/09/2026), world model đã có quanh ta rồi. Anh có một con robot cắt cỏ nhỏ, có cả tên riêng, chuyên cắt cỏ cho nhà anh. Bên trong nó có một world model bé xíu, và model đó đưa ra chỗ con robot cắt cỏ sẽ đi tiếp trên bãi cỏ. Nate nói đó chỉ là một chút trong những gì anh đào sâu hôm nay, và anh rất háo hức được trò chuyện.

Nate mời Ming-Yu Liu tự giới thiệu: anh là ai, đang làm gì ở NVIDIA.

## 2. Ming-Yu Liu và niềm tin từ mười năm trước

Ming-Yu Liu nói anh là phó chủ tịch (vice president) của Cosmos Lab, và anh dẫn dắt Cosmos Lab phát triển nền tảng Cosmos (theo video đăng ngày 24/09/2026). Anh bắt đầu sự nghiệp là một nhà nghiên cứu Gen AI. Anh thuộc nhóm những người đầu tiên tin rằng nội dung thị giác trong tương lai sẽ được tạo ra bằng deep learning.

Anh kể (video đăng ngày 24/09/2026): mười năm trước, khi phỏng vấn xin việc ở đây, anh nói với nhà khoa học trưởng của NVIDIA rằng anh biết hôm nay người ta dùng đồ hoạ máy tính (computer graphics) để tạo nội dung thị giác, nhưng trong tương lai việc đó sẽ do AI làm. Ý kiến này khá gây tranh cãi vào lúc đó, vì hình ảnh mà model AI thời ấy tạo ra còn rất hạn chế: độ phân giải nhỏ, và người được tạo ra thường trông như zombie.

Nhưng anh thấy đây là một paradigm rất đẹp (theo video đăng ngày 24/09/2026): đưa mọi vấn đề về thành một bài toán học (learning problem), không cần đủ loại luật thiết kế bằng tay để tạo ra một thế giới 3D, chỉ cần dựa trên dữ liệu rồi tạo ra. Chỉ cần paradigm này scale được, thì nội dung thị giác sẽ được tạo ra bằng AI.

Theo Ming-Yu (video đăng ngày 24/09/2026), trong mười năm qua lĩnh vực này đã tiến bộ rất lớn, từ từ, từng bước một. Và bây giờ, anh nói, lượng nội dung do AI tạo ra đang tăng theo cấp số nhân. Một người trong hai nói thêm là nó đang tăng "super exponentially", người kia đồng ý.

Câu chuyện Ming-Yu Liu kể về niềm tin của anh từ mười năm trước rằng AI sẽ tạo ra nội dung thị giác (theo video đăng ngày 24/09/2026).

Nate tóm lại (video đăng ngày 24/09/2026): Ming-Yu đã đi sớm, mười năm trước anh đã thấy AI sẽ là một phần lớn của việc tạo video, và bây giờ anh phụ trách họ model Cosmos và hướng đi của nó.

## 3. NVIDIA là một công ty làm cho developer

Nate nói ai cũng nghĩ NVIDIA là chuyện GPU, vì đó là tất cả những gì mọi người nghe thấy (theo video đăng ngày 24/09/2026). Nhưng anh được biết NVIDIA có nhiều kỹ sư phần mềm hơn kỹ sư phần cứng, nên đây cũng là một công ty phần mềm. Anh nhắc tới thương vụ mua lại Hugging Face gần đây, rồi hỏi: trong gia đình NVIDIA, tập trung riêng vào thứ có thể gọi là world model thì như thế nào? Ming-Yu xác nhận cách gọi world model là đúng.

![Nate và Ming-Yu ngồi ở bàn, thẻ chú thích NVIDIA + Hugging Face hiện phía dưới](https://homus.dev/photos/ry9J1i3krIY-0355.jpg)

Thẻ chú thích "NVIDIA + Hugging Face" ghi "Agreed to acquire · announced September 3, 2026" và "Not yet closed · expected H1 2027": thương vụ đã được thông báo nhưng chưa hoàn tất, dự kiến trong nửa đầu năm 2027 (theo video đăng ngày 24/09/2026).

Ming-Yu trả lời (video đăng ngày 24/09/2026): NVIDIA là một công ty làm cho developer. Anh và đồng nghiệp ở NVIDIA làm ra máy tính để giúp developer build những sản phẩm tuyệt vời phục vụ khách hàng của họ. Và developer thường cần nhiều hơn là GPU. Họ cần CUDA để lập trình GPU tốt hơn, khai thác hết "cơ bắp" của GPU. Ngoài ra còn có các thư viện NVIDIA xây ở trên, và cả các AI model NVIDIA xây ở trên. Vậy là NVIDIA đang xây từng lớp phần mềm trên máy tính của mình.

Theo Ming-Yu (video đăng ngày 24/09/2026), máy tính của NVIDIA bây giờ gồm GPU, CPU và thiết bị mạng, nối chúng lại với nhau để phục vụ developer tốt hơn. NVIDIA cung cấp tool để developer tiết kiệm sức và đi nhanh hơn. Anh nói thử hình dung developer có thể tự tìm ra cách làm tool tốt hơn những gì NVIDIA cung cấp. Nhưng chính nhờ tự xây những tool này, anh và đồng nghiệp hiểu rõ hơn mình cần kiến trúc máy tính nào cho những thách thức sau này. Vậy nên NVIDIA đi theo chiều dọc (vertical) để biết rõ hơn cách làm máy tính phục vụ cả hệ sinh thái.

Nate nói điều đó rất hợp lý (theo video đăng ngày 24/09/2026). Sự tập trung vào khách hàng này là thứ anh đã thấy khi nói chuyện với các kỹ sư NVIDIA trong những dịp khác, nên có vẻ nó đi xuyên suốt cả công ty. Anh nói anh cũng đã nghe điều đó từ Jensen.

## 4. World model là gì, và Cosmos nhắm vào đâu

Nate nói khi bàn về world model và Cosmos, nhiều người trong chúng ta đến với AI ít nhất là từ sau ChatGPT, nên ta nghĩ theo token, nghĩ theo LLM (theo video đăng ngày 24/09/2026). World model là một cuộc chơi khác. Anh hỏi Ming-Yu: world model là gì, làm sao ta đi tới điểm này với world model, và Cosmos là gì?

Ming-Yu mở đầu (video đăng ngày 24/09/2026): con người có một mô hình nào đó về thế giới trước khi có ngôn ngữ. Nate chen vào rằng anh có một đứa con một tuổi nên anh biết điều này.

Ming-Yu nói tiếp (video đăng ngày 24/09/2026): ngôn ngữ rất hay. Nó mang tính biểu tượng (symbolic), mang ngữ nghĩa (semantic), nó ghi lại cách con người nghĩ về mọi thứ. Vì vậy, với GPT, mà anh xem là đột phá AI lớn đầu tiên, việc nó xảy ra trong miền ngôn ngữ là hợp lý. Ở đó gói một lượng thông tin khổng lồ, model học từ cách con người xử lý mọi việc, rồi có thể chat với bạn, và giờ có thể giúp bạn sinh code, review code.

World model, theo Ming-Yu (video đăng ngày 24/09/2026), đi từ một góc nhìn khác. Người ta xây world model để làm những việc khác nhau: để hiểu, ví dụ vì sao chuyện này xảy ra; hoặc để dự đoán chuyện gì sẽ xảy ra tiếp; hoặc để có một tấm bản đồ mà di chuyển trong không gian. Nên anh nghĩ world model thật ra là một tập hợp các model, không phải một model. Bạn xây một model cho một mục đích nào đó: bạn sống trong thế giới, có những việc bạn muốn đạt được, và bạn cần một mô hình nào đó về thế giới. Vì vậy có nhiều loại world model khác nhau.

World model trong nỗ lực Cosmos, nền tảng Cosmos mà anh và đồng nghiệp muốn xây, là để giúp các developer physical AI xây xe tự lái tốt hơn, robot tốt hơn, và cách tốt hơn để điều phối các máy móc khác nhau trong nhà máy (theo Ming-Yu, video đăng ngày 24/09/2026). Lý do là NVIDIA đã đặt mục tiêu cho physical AI trong những ngành dọc quan trọng này. Từ đó, nhóm bắt đầu nghĩ xem loại world model nào phù hợp để đáp ứng nhu cầu của developer trong các lĩnh vực này.

Và từ đó, theo Ming-Yu (video đăng ngày 24/09/2026), nhóm nhận ra cần có phần hiểu thế giới (world understanding): có thể giải thích chuyện gì đã xảy ra. Ví dụ, người công nhân này có đang làm theo quy trình an toàn trong sổ tay khi vận hành chiếc máy này không, hoặc trên dây chuyền sản xuất này, qua kiểm tra bằng hình ảnh, có lỗi (defect) nào không. Nate đáp: "Tất nhiên rồi."

Ba khả năng mà Ming-Yu Liu nói NVIDIA xác định là quan trọng cho physical AI, và Cosmos 3 gộp cả ba vào một model (theo video đăng ngày 24/09/2026).

## 5. Kiểm thử xe tự lái trong world model, rồi Cosmos 3

Ming-Yu lấy ví dụ xe tự lái (theo video đăng ngày 24/09/2026). Người làm xe tự lái, khi đã có một policy model, cách lái chiếc xe, cần một cách để kiểm chứng policy model đó chạy an toàn và chính xác. Một cách là có một đội xe cùng tài xế, đi ra đường để test. Cách đó khá tốn thời gian, và có những tình huống bạn không dễ gặp, nên bài test có thể không đầy đủ.

Nhưng nếu bạn tạo được một world model, thứ mà chiếc xe tự lái sẽ nhận thức được, thì giờ bạn chỉ cần cho policy tương tác với world model, và bạn biết được hiệu năng, độ chính xác, độ an toàn của nó trước khi đưa xe ra ngoài (theo Ming-Yu, video đăng ngày 24/09/2026). Vì vậy physical AI cũng cần một loại world model dùng để mô phỏng.

![Slide Test the rare case before the road so sánh Real fleet với World model](https://homus.dev/photos/ry9J1i3krIY-0903.jpg)

Slide "Test the rare case before the road": cột "Real fleet" ghi "Drivers + vehicles", "Slow to cover edge cases", "Some scenarios stay rare"; cột "World model" ghi "Simulated interaction", "Repeat difficult scenarios", "Score before deployment"; chân slide ghi "Conceptual comparison · simulation complements real-world testing" (slide trong video đăng ngày 24/09/2026).

Theo Ming-Yu (video đăng ngày 24/09/2026), ví dụ xe tự lái cũng đúng với robot và humanoid robot: bạn cần test được, cần một thứ đại diện (proxy) cho thế giới để test. Thế nên có phần hiểu thế giới, có phần mô phỏng thế giới, và đó là những thứ nhóm xác định là then chốt cho physical AI.

Anh kể (video đăng ngày 24/09/2026) rằng trong khoảng 1,5 năm qua, kể từ khi ra mắt Cosmos, nhóm dần xây một model cho từng phần. Rồi vào tháng 6, ở Computex, trong keynote của Jensen tại Đài Bắc, nhóm ra mắt Cosmos 3, gộp khả năng hiểu thế giới, mô phỏng thế giới và cả hành động trong thế giới vào một model duy nhất.

Lý do gộp được, theo Ming-Yu (video đăng ngày 24/09/2026): dù chúng phục vụ những mục đích khác nhau, chúng cùng mô hình hoá một thế giới, nên có một biểu diễn nền (underlying representation) có thể dùng chung. Anh tóm lại cách nhóm nghĩ: world model là cho physical AI, nhóm xác định những thứ then chốt nó cần, rồi cố đưa chúng về chung một chỗ để developer có một cách đơn giản mà dùng để giải bài toán của mình.

Nate nói một điều làm anh rất tò mò, và Ming-Yu đã nhắc tới từ đầu: con người phát triển một world model trước cả khi biết nói, vì khi còn là em bé ta đã mô hình hoá những căn phòng mình đi lại (theo video đăng ngày 24/09/2026). Điều đó làm anh liên tưởng tới robot và thời điểm hiện tại của ngành robot. Còn phần mô phỏng mà Ming-Yu nói sau đó: nếu anh muốn di chuyển trên sàn nhà máy, thì rất hữu ích khi mô hình hoá được sàn nhà máy đó và làm trong mô phỏng, với chiếc xe nâng chạy ngang, người đi ngang qua, hay pallet đổ xuống. Làm sao xử lý hết các edge case đó?

## 6. Ba kích cỡ model và bài toán real-time

Nate nói khi nghĩ qua kịch bản đó, một điều nổi bật là Cosmos sẽ phải deploy được theo cách rất, rất real-time và phản hồi nhanh, để robot di chuyển an toàn và làm việc an toàn trong không gian thật (theo video đăng ngày 24/09/2026). Anh hỏi: nhu cầu chạy real-time đã định hình kiến trúc model như thế nào?

Ming-Yu trả lời (video đăng ngày 24/09/2026): nhóm làm model nhiều kích cỡ. Trong Cosmos có ba kích cỡ: Super, Nano và Edge. Edge là bản nhỏ nhất, được làm để chạy real-time trên thiết bị edge, như NVIDIA Jetson Thor hay NVIDIA DGX Spark. Anh nói nhóm muốn model nằm ở nơi robot sống.

![Ming-Yu nói, thẻ chú thích Three sizes. Different jobs. liệt kê Super, Nano, Edge](https://homus.dev/photos/ry9J1i3krIY-1218.jpg)

Thẻ chú thích "Three sizes. Different jobs." ghi "SUPER 64B · data center", "NANO 16B · workstation", "EDGE 4B · on-device, real-time". Trong lời nói, Ming-Yu chỉ nêu tên ba kích cỡ; số tham số là của thẻ. Ngay sau đó một thẻ khác ghi "NVIDIA Jetson Thor · NVIDIA DGX Spark" kèm dòng "The model lives where the robot lives." (video đăng ngày 24/09/2026).

Theo Ming-Yu (video đăng ngày 24/09/2026), như vậy có một model nhỏ hơn, và tất nhiên model nhỏ thì kém năng lực hơn model lớn. Nhóm cũng có bản lớn nhất trong Cosmos 3 là Super, dành cho hiệu năng frontier, và bản này có thể nằm trong data center hoặc một máy tính mạnh hơn.

Ming-Yu nói (video đăng ngày 24/09/2026): đúng là một số tác vụ điều hướng phải chạy real-time. Nhưng có những tác vụ suy luận bậc cao hơn mà bạn có thể chờ, có thể kiên nhẫn. Vì vậy anh nghĩ một hỗn hợp model nhiều kích cỡ, một số nằm trong thiết bị nhúng, một số nằm trong data center, có thể là một sự kết hợp tốt để đáp ứng nhu cầu của physical AI.

Nate nói điều đó rất hợp lý, anh có thể thấy nhiều use case khác nhau nảy ra (theo video đăng ngày 24/09/2026).

## 7. Scaling law của world model: dữ liệu, kích cỡ, test-time

Nate nói khi bàn về quy mô của LLM, ta hay nói về scaling law (theo video đăng ngày 24/09/2026): ý tưởng rằng test-time inference cho phép ta scale, nghĩ càng lâu thì càng scale, rồi còn scale số tham số, v.v. Anh hỏi: phía world model có những thứ tương đương, kiểu scaling law cho world model không?

Ming-Yu nói có (video đăng ngày 24/09/2026). Scaling diễn ra theo nhiều mặt. Scale dữ liệu: nhiều dữ liệu hơn, có. Scale kích cỡ model: model lớn hơn thì chất lượng tốt hơn, có. Và điều thú vị là với phần sinh nội dung thị giác, phần mô phỏng của world model, còn có test-time scaling.

Anh giải thích cụ thể hơn (video đăng ngày 24/09/2026). Có một điều đã biết: nếu phần mô tả bằng text của nội dung thị giác bạn muốn sinh ra càng chi tiết, thì nội dung thị giác đó thường càng tốt. Vậy nên bạn có thể nghĩ tới việc làm test-time scaling kiểu LLM: liên tục suy luận, suy nghĩ, mô tả cảnh bạn muốn sinh ra, thế là có nhiều chi tiết hơn.

Ming-Yu đưa một trường hợp cực đoan, và anh nói rõ anh không bảo nhóm làm như vậy (theo video đăng ngày 24/09/2026): bạn có thể nói "pixel này phải có màu RGB như thế này", chỉ là một ví dụ. Nhưng về cơ bản, nếu bạn có mô tả rất chi tiết, bạn có thể ra video chất lượng rất cao. Bạn có thể nói: "từ giây thứ nhất tới giây thứ hai, robot đang làm việc này, bàn tay xoay 30 độ, giây tiếp theo xoay thêm 10 độ".

Theo Ming-Yu (video đăng ngày 24/09/2026), mô tả chi tiết như vậy cho kết quả sinh rất tốt, và đó là một dạng test-time scaling: nghĩ lâu hơn, mô tả nhiều hơn, thì được kết quả tốt hơn.

Bốn chiều scaling mà Ming-Yu Liu kể ra cho world model trong đoạn này và đoạn tiếp theo: dữ liệu, kích cỡ model, test-time và agent (theo video đăng ngày 24/09/2026).

## 8. Ly cà phê, agent scaling và chuyện dữ liệu thị giác

Nate nói anh là dân mê cà phê, nên anh hình dung thế này (video đăng ngày 24/09/2026): cánh tay robot đang rót cà phê vào bình Chemex. Trong thế giới đó, theo cách anh hiểu ý Ming-Yu, bạn có thể đầu tư nhiều hơn vào độ chi tiết của việc gán nhãn chuyển động trong không gian thật. Nếu bạn đầu tư vào gán nhãn rất chi tiết trên khắp không gian đó, biết chính xác cánh tay đang di chuyển tới đâu khi rót, thì bạn có một bộ dữ liệu phong phú hơn nhiều để suy luận, bạn có thể tái tạo chuyển động đó, và cũng có thể scale lên, suy ra những chuyển động mới khác.

Ming-Yu nói đó là một bản mô tả chuyển động chi tiết hơn diễn ra lúc test-time (theo video đăng ngày 24/09/2026). Cách nhóm làm mô phỏng là có một reasoner, dựa trên chỉ dẫn (instruction), dần mở rộng những gì cần có trong đầu ra mô phỏng. Đó là quá trình suy nghĩ mà bạn liên tục sinh ra phần mô tả, như cái chuyển động Nate vừa nói.

Nate nói đúng vậy, và anh không có ý nói là có một đám người ngồi làm việc đó: chính model tự làm (theo video đăng ngày 24/09/2026).

Ming-Yu nói tiếp (video đăng ngày 24/09/2026): trong thế giới agent này, có thể bạn không đạt được điều đó trong một lần. Bạn có thể gọi model nhiều lần trong một harness để sửa lỗi, rồi nó nói kiểu "tôi nghĩ robot cần lệch sang trái ba ngón tay", những kiểu chỉnh sửa như vậy. Nên scaling có thể diễn ra theo nhiều chiều: scale dữ liệu, scale kích cỡ model, test-time scaling, và cả agent scaling. Anh nói đó là điều anh muốn nói.

Nate nói điều đó rất thú vị, và anh muốn đưa ra một ý để xem Ming-Yu nghĩ sao (theo video đăng ngày 24/09/2026). Có vẻ một khác biệt nền tảng giữa LLM và world model là: khi bước vào không gian world model, dữ liệu có sẵn rất, rất phong phú. Còn với LLM, ta hay nói rằng mình đã hút hết cả internet và giờ phải scale bằng dữ liệu nhân tạo. Nhưng khi Nate nhìn thế giới quanh mình, dưới góc nhìn world model thì dữ liệu phong phú ở khắp nơi, nên có vẻ đó là một môi trường dữ liệu giàu hơn.

Ming-Yu nói theo một nghĩa nào đó thì đúng (video đăng ngày 24/09/2026), nhưng ngôn ngữ cũng rất cô đọng, có ý nghĩa ngữ nghĩa, và bạn thấy mọi thứ trong text. Trong thế giới thị giác có rất nhiều thứ bạn không thấy: hành động chính xác nào gây ra thay đổi này, rồi có che khuất (occlusion), có nhiều thứ không quan sát được. Và bạn đang làm việc với một thứ giống tín hiệu thô (raw signal) hơn, không như ngôn ngữ có thể mang tính biểu tượng hơn. Nate đáp: "Đúng vậy."

![Slide More pixels. Less observability. so sánh Text 1 token với Video H × W × 3 × frames](https://homus.dev/photos/ry9J1i3krIY-1803.jpg)

Slide "More pixels. Less observability.": bên phải ghi "TEXT · 1 token" và "VIDEO · H × W × 3 × frames", bên trái là một ô xám nhãn "UNOBSERVED"; chân slide ghi "Text is symbolic. Video includes raw signals and hidden causes." (slide trong video đăng ngày 24/09/2026).

Ming-Yu nói những thứ cần mô hình hoá là nhiều hơn... rồi tự sửa: anh không nên nói "nhiều hơn", vì ngôn ngữ cũng có thách thức của nó (theo video đăng ngày 24/09/2026). Ý anh là dù bạn có hàng tấn dữ liệu, số chiều của đầu ra lớn hơn nhiều, và thứ bạn muốn nắm bắt cũng nhiều hơn. Model cần học vật lý: khi bạn dùng máy thổi lá thổi một thứ gì đó, nó tản ra thế nào. Những thứ đó không dễ. Nate đáp: "Không, chúng rất khó."

## 9. Model có thật sự học được vật lý?

Nate nói đây là một hệ quả rất thú vị, và hỏi (video đăng ngày 24/09/2026): khi scale các model này lên, anh và nhóm có thấy, ở một mức nào đó, một sự hiểu biết về vật lý tự nổi lên (emergent) khi model hiểu mọi thứ tốt hơn không?

Ming-Yu trả lời (video đăng ngày 24/09/2026): nhóm thấy rằng khi kích cỡ dữ liệu tăng, phần vật lý mà model mô phỏng được cũng tốt lên. Nhưng nhóm thường thấy cần dùng tới một trình mô phỏng vật lý, như NVIDIA Omniverse hay Isaac, là những engine dựng sẵn. Nhóm dùng các physics engine đó để sinh dữ liệu tổng hợp (synthetic data), rồi dùng dữ liệu này để cải thiện khả năng vật lý của model.

Anh muốn nói thêm (video đăng ngày 24/09/2026): sau bao nhiêu năm người ta dồn công sức vào mạng neural deep learning, ở một mức nào đó nó vẫn là một hộp đen với chúng ta. Nên khó mà nói nó biết vật lý. Thật ra ta không biết nó có biết vật lý không. Nhưng ở mức nào đó, nó cố xấp xỉ quy luật chi phối dữ liệu mà bạn quan sát được. Và ta biết quy luật đằng sau những gì ta thấy là do vật lý chi phối. Nên nó cố xấp xỉ phần đó, nhưng gián tiếp, thông qua dữ liệu.

Nate đưa một ví dụ để chắc là khán giả hiểu (video đăng ngày 24/09/2026): nếu anh cầm chai nước này và thả rơi, nó sẽ tăng tốc ở 9,8 mét trên giây bình phương, điều ta biết từ phương trình. Theo cách anh hiểu ý Ming-Yu, bạn có thể cho model xem rất nhiều video, rất nhiều hình ảnh về cảnh đó, và nó bắt đầu xấp xỉ dáng vẻ của kiểu rơi đó, kiểu tăng tốc đó. Nhưng bạn cũng có thể đẩy nhanh sự hiểu đó bằng cách cho nó một physics engine để dựa vào trong lúc train, như Omniverse, để nó bắt đầu đào sâu vào đó.

Ming-Yu xác nhận đó là ý anh (theo video đăng ngày 24/09/2026). Ví dụ, một quả bóng va vào một quả bóng khác: loại dữ liệu này có thể không dễ có sẵn. Nên nhóm dùng engine để mô phỏng chuyển động Newton này, sự tương tác giữa các vật thể, và nó giúp ích.

Hai nguồn mà Ming-Yu Liu và Nate nói tới để model nắm được vật lý: thêm dữ liệu quan sát, và dữ liệu tổng hợp từ physics engine như Omniverse hay Isaac (theo video đăng ngày 24/09/2026).

## 10. Bên trong Cosmos 3: reasoner, generator và action

Ming-Yu nói anh muốn giới thiệu nhanh kiến trúc của Cosmos 3, rồi sẽ quay lại ý của mình (theo video đăng ngày 24/09/2026). Cosmos 3 là một kiến trúc transformer. Nó có một reasoner, suy nghĩ bằng ngôn ngữ. Nate chen vào rằng nhiều người không biết điều này: vậy là trong đó cũng có một thành phần ngôn ngữ.

Ming-Yu nói tiếp (video đăng ngày 24/09/2026): Cosmos 3 còn có một generator. Dựa trên phần suy nghĩ, trên biểu diễn đã học trong reasoner, nó sinh ra video mô phỏng. Nate hỏi lại: vậy là có thể suy luận biểu tượng ở phần ngôn ngữ này. Ming-Yu xác nhận là biểu tượng, và nói thêm: có video và action, model cũng có action ở đầu vào.

![Slide Inside Cosmos 3 với ba ô Reasoner, Generator, Action output trên một thanh Shared multimodal representation](https://homus.dev/photos/ry9J1i3krIY-2203.jpg)

Slide "Inside Cosmos 3": ô 01 "Reasoner · Language + visual understanding", ô 02 "Generator · Predict / simulate the world", ô 03 "Action output · Control a physical device", cả ba nằm trên thanh "Shared multimodal representation"; chân slide ghi "Two transformer towers · reasoning + generation; action is an output." (slide trong video đăng ngày 24/09/2026).

Ming-Yu nói action quan trọng, vì những gì bạn quan sát được trong thế giới là sự biến đổi do một hành động nào đó gây ra (theo video đăng ngày 24/09/2026). Và trong robotics, đôi khi đầu ra của bạn là action: nên làm hành động gì.

Nate nói thêm (video đăng ngày 24/09/2026): bạn không muốn gửi token để làm việc đó, bạn chỉ muốn nói "đây là hành động bạn nên làm", và điều khiển các servo. Ming-Yu đáp rằng mọi thứ trong mạng neural đều được biểu diễn dưới dạng token.

## 11. Thí nghiệm tư duy và những ứng dụng đầu tiên

Ming-Yu đưa ra một thí nghiệm tư duy (theo video đăng ngày 24/09/2026): liệu world model này có học được vật lý không? Giả sử ta liên tục thả bóng, và giả sử reasoner không biết định luật vật lý, nhưng nó cứ quan sát. Liệu qua việc học này, bằng cách nào đó reasoner có thể tự tìm ra đúng hệ số 9,8, mô hình hoá nó, rồi mô tả chính xác mọi thứ sẽ rơi thế nào không? Nếu điều đó xảy ra, anh nghĩ anh có thể tự tin hơn mà nói model này hiểu vật lý.

Nhưng thực tế, theo Ming-Yu (video đăng ngày 24/09/2026), nhóm chưa đạt tới trạng thái đó. Anh không nghĩ model đã tìm ra điều đó. Nhưng với reasoner này, nhóm có thể có cách nhìn vào xem model thật sự đã học được gì.

Nate tóm lại theo cách anh hiểu (video đăng ngày 24/09/2026): hiện giờ họ model Cosmos rõ ràng đang bắt chước (mimicking), và Ming-Yu thấy một con đường trong tương lai, với reasoning tower ở đó, để bắt đầu hiểu model đang xử lý và suy luận trên thông tin này như thế nào, nhờ vậy dần thấy được model thật sự hiểu vật lý tới mức nào.

Ming-Yu nói reasoning ở đây giống như cùng kiến trúc mà người ta dùng cho coding (theo video đăng ngày 24/09/2026): bạn có hàng tấn quan sát từ video thật, liệu bạn có học ra được chương trình không? Nate chen: "Có học được TypeScript không? Có học được JavaScript không?" Ming-Yu nói đúng hơn là một bản mô tả vật lý: hạt này đang chuyển động ra sao. Anh tin là có một con đường, nhưng anh không nghĩ nhóm đã tới đó.

Nate nói điều anh thấy thú vị là dù chưa tới đó, việc bắt chước đã đủ tốt để ta thấy những ứng dụng của world model rồi (theo video đăng ngày 24/09/2026). Anh hỏi Ming-Yu những ứng dụng anh yêu thích của họ model Cosmos.

Ming-Yu nói có vài ứng dụng (video đăng ngày 24/09/2026). Một là kiểm chứng policy (policy verification). Bạn có một policy lái xe, làm sao biết nó đủ tốt? Bạn có thể dùng model Cosmos để chạy thử (roll out) và chấm điểm, tính tỷ lệ thành công cho từng policy. Từ đó bạn dùng kết quả để chọn lọc, và có thể dồn đội xe vốn có hạn của mình vào những checkpoint, những policy hứa hẹn hơn.

Cách dùng Cosmos để kiểm chứng policy mà Ming-Yu Liu mô tả: chạy thử trong world model, chấm điểm, rồi dồn đội xe vào những checkpoint hứa hẹn (theo video đăng ngày 24/09/2026).

Theo Ming-Yu (video đăng ngày 24/09/2026), Cosmos cũng có thể được dùng làm policy model, hay action model. Khi ra mắt Cosmos, nhóm cho thấy nó đạt kết quả gắp và đặt (pick and place) rất tốt. Lý do là model này là một omni model trên các modality text, video và action. Khi bạn lấy action ra, nó là một policy model; và vì nó được học cùng với việc mô hình hoá động lực học của thế giới (world dynamics) và mô hình hoá ngôn ngữ, nó có thể làm theo chỉ dẫn, nhìn thấy động lực học, và dự đoán đúng hành động để hoàn thành tác vụ. Anh nói mọi người đang tìm ra thêm ứng dụng cho model của nhóm.

## 12. Policy là gì: ví dụ rẽ trái

Nate muốn đào sâu một chút (theo video đăng ngày 24/09/2026): anh nghĩ "policy" là thứ mọi người chưa quen nghe khi nói về AI và LLM, có lẽ đây là một thuật ngữ mới. Anh hỏi Ming-Yu sẽ mô tả policy thế nào cho một người không rành AI.

Ming-Yu nói policy model giống một AI có chủ đích điều khiển một thiết bị vật lý (theo video đăng ngày 24/09/2026): bạn sẽ ra lệnh gì cho nó, dựa trên tác vụ được giao và những gì quan sát được bằng hình ảnh.

Nate đưa ví dụ (video đăng ngày 24/09/2026): anh đang ngồi trong xe tự lái, mũi tên xanh hiện lên, anh được phép rẽ trái, và policy nói rằng anh có thể rẽ trái. Ming-Yu nói policy sẽ cho bạn các waypoint, quỹ đạo (trajectory). Nate nói thêm: giống như bạn rẽ trái bằng cách đi theo những dấu chấm trên đường.

![Slide A policy outputs the next action: một chiếc xe rẽ trái theo đường cong ở ngã tư, một xe vàng ở xa](https://homus.dev/photos/ry9J1i3krIY-2723.jpg)

Slide "A policy outputs the next action": một chiếc xe xanh rẽ trái theo một đường cong ở ngã tư, có biển rẽ trái và một xe vàng ở phía bên kia; dòng "01 · Predict the left turn" và chân slide ghi "Observe → predict a trajectory → act → observe again" (slide trong video đăng ngày 24/09/2026).

Ming-Yu nói policy chạy theo kiểu streaming, liên tục sinh ra, vì khi bạn đang rẽ, có thể có một chiếc xe khác định cắt ngang (theo video đăng ngày 24/09/2026). Nate chen: và giờ bạn phải chuyển hướng policy. Ming-Yu nói policy sẽ lấy đầu vào hình ảnh và dự đoán quỹ đạo mới.

Nate nói đây là cái mà ta gọi là action (theo video đăng ngày 24/09/2026): theo đúng nghĩa đen, có một vector trong không gian và thời gian mà bạn đang dự đoán và điều hướng theo. Ming-Yu xác nhận.

Nate nói điều đó rất hay (video đăng ngày 24/09/2026), và dù nghe như sẽ tốn compute và không thể làm ngoài đời thật, thì bạn đang lái xe ngay cạnh chúng lúc này, chúng đã ở đây rồi. Ming-Yu nói khi AI bước vào thế giới vật lý, ta sẽ thấy ngày càng nhiều policy model. Nate đáp rằng ta sẽ thấy.

## 13. Harness cho physical AI

Nate nói một phần lý do anh muốn có cuộc trò chuyện này là vì anh thấy điều quan trọng là tất cả chúng ta, như một tập thể, bắt đầu nghĩ về chuyện này rộng hơn (theo video đăng ngày 24/09/2026). Ming-Yu đã nhắc tới harness lúc trước. Giờ mọi người đã hơi quen với LLM và harness. Vậy harness cho một world model trông thế nào, khác ra sao?

Ming-Yu nói có nhiều điểm giống nhau (theo video đăng ngày 24/09/2026). Trong harness của LLM cũng có policy, và policy ở đó là về quyền bảo mật (security permission): bạn được dùng tài nguyên gì, bạn có được phép hack vào máy tính của người khác không, những thứ như vậy. Nhưng bỏ phần software ra, thì harness là việc điều phối (orchestration) các lần gọi model, cùng với tool use.

Vì vậy anh nghĩ harness cho physical AI sẽ rất giống, nhưng tool sẽ rất khác (theo Ming-Yu, video đăng ngày 24/09/2026). Tool sẽ là robot thật, có thể bạn cần một tool hiệu chỉnh camera (camera calibration), và model có thể là một policy model sinh ra action để điều khiển robot. Cũng có thể có một visual inspector, model cũng có thể là một visual inspector để đo xem robot đã hoàn thành tác vụ chưa.

![Slide Same orchestration. Different tools. so sánh LLM harness với Physical harness](https://homus.dev/photos/ry9J1i3krIY-2823.jpg)

Slide "Same orchestration. Different tools.": cột "LLM harness" ghi Files, APIs, Browsers, Code; cột "Physical harness" ghi Robots, Camera calibration, Visual inspection, Action control; chân slide ghi "Model calls + tool use" (slide trong video đăng ngày 24/09/2026).

Nate nói một trong những điều anh rút ra và bất ngờ là anh biết được giữa world model và LLM có nhiều điểm giống nhau hơn anh từng nghĩ (theo video đăng ngày 24/09/2026).

## 14. Chia bài toán khó thành bài toán nhỏ

Ming-Yu nói điều anh thích ở agentic AI là thế này (theo video đăng ngày 24/09/2026). Là một nhà nghiên cứu AI đã ở trong lĩnh vực này lâu, anh đã học nhiều loại AI model khác nhau. Bây giờ có hai loại model là dòng chính: GPT, kiểu autoregressive, dự đoán token tiếp theo; và diffusion model, bạn loại bỏ nhiễu từ từ, từng bước một. Hai loại model này có chung đặc điểm là chia một bài toán phức tạp thành những bài toán nhỏ, và giải từng cái một. Nate đồng ý.

Ming-Yu nói thêm: một token mỗi lần, thay vì sinh ra cả đoạn văn (theo video đăng ngày 24/09/2026). Nate nói vậy là diffusion model sinh ra toàn bộ trải nghiệm cùng lúc, còn kiểu kia chỉ một token mỗi lần. Ming-Yu sửa lại: diffusion sinh ra toàn bộ trải nghiệm thông qua việc loại bỏ nhiễu từng chút một. Nate nói: "Oh, okay", vì đó là cách nó chạy, đúng không, bạn bắt đầu với nhiễu thô, có một seed, rồi bạn bắt đầu... Ming-Yu nói tiếp: bạn làm nhiều bước.

Theo Ming-Yu (video đăng ngày 24/09/2026), điều anh thích ở agentic AI là nó cố giải một bài toán khó thông qua nhiều lần gọi model và gọi tool. Nó có đặc điểm chia một bài toán khó thành những bài toán nhỏ và thực hiện từng cái một. Và điều thú vị hơn là: trong LLM hay diffusion model, mọi bài toán con đều đồng nhất. Đều là cùng một bài toán dự đoán token tiếp theo, cùng một bài toán khử nhiễu. Còn trong agentic AI, lúc thì bạn gọi model, lúc thì bạn đưa những system prompt khác nhau cho model để nó làm những tác vụ khác nhau.

Ba cách chia một bài toán khó thành bài toán nhỏ mà Ming-Yu Liu so sánh: hai loại model dòng chính có bài toán con đồng nhất, còn agentic AI có bài toán con khác nhau (theo video đăng ngày 24/09/2026).

Ming-Yu nói cách chia một bài toán khó thành những bài toán nhỏ, dễ hơn như vậy, dựa trên những gì nhóm quan sát được, là một cách tiếp cận rất scalable (theo video đăng ngày 24/09/2026). Nate nói điều đó rất hợp lý. Ming-Yu nói thêm: chính vì vậy anh tin agentic AI cũng sẽ quan trọng với physical AI. Physical AI có những bài toán khó, và hợp lý khi giải chúng thành các bài toán con, qua một kiểu thực thi đồ thị (graph execution) gắn với từng tác vụ cụ thể hơn.

Nate nói đây đúng là chỗ anh muốn đi tới, Ming-Yu đã đoán trước ý anh (theo video đăng ngày 24/09/2026). Anh tóm lại: ta có hai cách cơ bản để giải bài toán, hoặc dự đoán token với kiến trúc token, hoặc đi theo hướng diffusion, nơi bạn gỡ bỏ từng phần một cách có phương pháp. Và khả năng phân rã bài toán đó scale được, cả với agent mà ta vận hành trong phần mềm lẫn trong không gian robot và vật lý.

Nate kể anh rất hào hứng với điều đó (video đăng ngày 24/09/2026), vì nghĩ mà xem, các agent ta dùng trong phần mềm, như agent trên máy của bạn, có những thiết kế skeuomorphic gợi tới robot. Ta nghĩ về các agent này như những con robot nhỏ trong máy mình: có mặt robot nhỏ, có ăng-ten nhỏ, đủ thứ. Ta cười khúc khích, ta bật cười, và đó là thiết kế phần mềm.

Nhưng theo Nate (video đăng ngày 24/09/2026), nó chạm tới một điều sâu hơn: ta có một mental model về thế giới robot gắn chặt với ý tưởng agent vận hành và thao tác được, thao tác bit trong trường hợp phần mềm, còn atom trong trường hợp phần cứng. Anh hỏi Ming-Yu nhìn agent và robotics trong thế giới có Cosmos thế nào, và một năm tới các use case có thể trông ra sao.

## 15. Agent cho robot, specialization và chuyện chi phí

Ming-Yu nói trong LLM, ta đã thấy một sự chuyển dịch dần sang thế giới agentic, và anh nghĩ điều tương tự sẽ xảy ra trong physical AI (theo video đăng ngày 24/09/2026). Nate nói điều đó rất thú vị. Ming-Yu nói tiếp: sẽ có physical agent thực hiện tool call, điều khiển robot, và có thể cả những tool số khác phù hợp với các tác vụ vật lý này. Anh nghĩ điều đó sẽ xảy ra, và ranh giới giữa chúng sẽ dần mờ đi.

Ming-Yu nói thêm (video đăng ngày 24/09/2026): anh và đồng nghiệp vẫn tin là cần specialization. Về lâu dài, cùng với sự phát triển của AI, khi các AI model đều trở nên rất mạnh, hiệu quả (efficiency) sẽ trở thành một tiêu chí chọn lựa chính. Nate chen: bên phần mềm thì nó đã là vậy rồi.

Ming-Yu nói đúng (theo video đăng ngày 24/09/2026), và bạn có một năng lực chứa (capacity) nhất định, năng lực theo kích cỡ model; bạn chỉ nhét được chừng đó thứ vào. Nếu bạn là một robot, bạn không bao giờ cần giải bài toán Olympic. Có thể điều đó tốt ở giai đoạn đầu, khi bạn cho nó một ít training, nhưng về sau bạn có lẽ không muốn phí năng lực chứa của mình.

Và theo Ming-Yu (video đăng ngày 24/09/2026), hình dạng của inference cũng sẽ khác. Khi mọi thứ chạy trong data center, bạn có thể gộp (batch) các API request từ nhiều người dùng khác nhau và giải trong một lần. Ta biết LLM giống kiểu bị giới hạn bởi bộ nhớ (memory bound) hơn, nhưng khi gộp lại, bạn tận dụng được compute ở đó. Còn ngoài thực địa, khi bạn là robot và đang cố thực thi, bạn không thể chờ. Nghĩa là compute cho các ứng dụng khác nhau sẽ khác nhau. Và vì khác biệt về compute đó, anh nghĩ sẽ có nhiều thiết kế kiến trúc model khác nhau; chúng sẽ có điểm chung, nhưng mỗi cái đều có phần chuyên biệt.

![Slide Your robot cannot wait so sánh Data center với In the field](https://homus.dev/photos/ry9J1i3krIY-3423.jpg)

Slide "Your robot cannot wait": cột "Data center" ghi "Batch many requests", "Optimize throughput", "Share the compute"; cột "In the field" ghi "One action now", "Optimize latency", "React in real time"; chân slide ghi "Different inference shapes favor different architectures." (slide trong video đăng ngày 24/09/2026).

Quay lại câu hỏi của Nate, Ming-Yu nói ý tưởng chia một bài toán khó thành những bài toán con dễ hơn là phổ quát, và nó scale được (theo video đăng ngày 24/09/2026). Nhưng rốt cuộc, nếu bạn không quan tâm tới chi phí, có lẽ bạn có thể có một model vạn năng để giải tất cả. Có điều cuối cùng chi phí sẽ quan trọng: bạn không thể nhét một siêu máy tính vào trong một... Nate chen: "Không ai làm vậy cả."

Ming-Yu nói vì thế sẽ có specialization trong kiến trúc, và vì có rất nhiều ứng dụng khác nhau nên sẽ có rất nhiều thứ khác nhau (theo video đăng ngày 24/09/2026). Đó là lý do NVIDIA tin vào GPU: bạn cần khả năng lập trình được, bạn cần GPU, và GPU dùng cho training phải hoán đổi được (fungible): khi bạn đổi kiến trúc, bạn vẫn train được, và khi đổi kiến trúc, bạn vẫn chạy inference được. Anh thấy những điều đó khá thú vị. Trả lời câu hỏi của Nate, anh nghĩ mọi thứ sẽ trở nên agentic, specialization là quan trọng, và specialization sẽ kéo theo những nhu cầu khác nhau về kiến trúc và compute.

## 16. Skill cho robot và một nghìn căn bếp

Nate nói một điều ta bắt đầu thấy, chắc chắn là trong vài tháng gần đây, là ý tưởng bạn có thể có một trí tuệ khá đa năng (general purpose) trên máy tính của mình, thứ gì đó từ họ Claude, từ họ OpenAI, gì cũng được, giờ thì cả họ open source với Hugging Face (theo video đăng ngày 24/09/2026). Và bạn có thể bắt đầu đưa cho nó, như một phần của harness, những skill chuyên biệt. Theo Nate, skill giống như những tấm thẻ công thức nấu ăn: chúng giúp agent học rất nhanh cách làm một việc một cách đáng tin cậy.

Nate kể một điều anh đã nghĩ khi bàn về agent trong robotics (theo video đăng ngày 24/09/2026): có thể bạn có một "capacity envelope", một form factor chung cho robot, nhưng bạn có thể có thứ gì đó tương tự cái mà ta gọi là skill trong phần mềm, giúp robot đó đi từ nấu một quả trứng tới gấp đồ giặt cho bạn. Anh hỏi đó có phải một cách nghĩ đúng không.

Ming-Yu nói đúng vậy, đó là một skill vật lý (physical skill) (theo video đăng ngày 24/09/2026). Khác biệt là thay vì liên tục thử một tool số và chuyển log đi, thì robot liên tục bác trứng, và cũng có thể có log cần xử lý: "khi tôi phát hiện ra điều gì đó, thì lần sau có lẽ tôi cần làm khác đi". Anh nói anh hoàn toàn đồng ý với Nate.

Nate hỏi (video đăng ngày 24/09/2026): ở thời điểm này, với physical AI, ta đã có thứ tương đương với file skill.md như bên phần mềm chưa, hay điều đó vẫn còn ở phía trước?

Ming-Yu nghĩ điều đó vẫn còn ở phía trước, dù anh đã thấy những công trình ban đầu cố đưa nó vào (theo video đăng ngày 24/09/2026). Khác biệt lớn là trong AI số, kiểm chứng và test có thể diễn ra rất nhanh, bạn chỉ cần một máy tính. Trong physical AI thì là một câu chuyện hoàn toàn khác. Nate đáp: đúng là vậy, nó khó. Ming-Yu đồng ý là khó.

Đó cũng là lý do nhóm muốn xây world model, theo Ming-Yu (video đăng ngày 24/09/2026): nếu có một proxy tốt cho thế giới và robot tương tác với thế giới đó, bạn có thể đổi compute lấy tốc độ phát triển (development velocity). Thay vì dựng một nghìn căn bếp khác nhau, giờ bạn chỉ cần cho physical agent tương tác với world model, rồi bạn có thể nhanh chóng tạo ra một nghìn căn bếp khác nhau trong world model, và scale từ sự tương tác đó.

![Slide 1,000 kitchens. One world model.: một căn bếp thật dẫn tới một lưới nhiều căn bếp mô phỏng](https://homus.dev/photos/ry9J1i3krIY-3823.jpg)

Slide "1,000 kitchens. One world model.": số 1 với nhãn "real kitchen" dẫn sang một lưới nhiều ô bếp, dòng chữ "Vary the layout. Repeat the test. Scale the learning." và chân slide "Trade compute for development velocity" (slide trong video đăng ngày 24/09/2026).

## 17. Verifiable reward: giặt đồ trước, trứng bác sau

Nate nói hai người đã bàn, ngay trước khi máy quay chạy, về ý tưởng miền kiểm chứng được (verifiable) và miền khó kiểm chứng hơn (theo video đăng ngày 24/09/2026). Khi anh nghĩ về robotics và thế giới thật mà ta đi lại trong đó, nhiều miền ngoài sản xuất, đặc biệt là trong nhà, không dễ kiểm chứng. Bố cục bếp của mỗi người mỗi khác. Phòng ngủ của mỗi người cũng khác, chỗ họ gấp đồ và cất đi cũng khác. Và nếu bạn thấy vậy là hỗn loạn, hãy chờ tới khi bạn ở trong phòng ngủ gấp đồ hay ở trong bếp cố nấu trứng. Anh hỏi: làm sao đi tới một trí tuệ tổng quát hoá được (generalizable) trong những không gian vật lý đó?

Ming-Yu nói ta biết rằng nếu có verifiable reward thì việc phát triển sẽ cực nhanh, như coding, math (theo video đăng ngày 24/09/2026). Nate đồng ý. Với physical AI, theo Ming-Yu, dữ liệu là một thách thức, và có được verifiable reward là một thách thức lớn khác, có lẽ còn lớn hơn. Ví dụ anh đang nấu một món: có thể anh mô phỏng được mọi thứ, nhưng cuối cùng món ăn ngon hay dở thì cần một con người ăn thử. Nate đáp: đúng vậy. Ming-Yu nói việc đó rất khó.

Nhưng theo Ming-Yu (video đăng ngày 24/09/2026), có những việc dễ kiểm chứng hơn. Ví dụ anh muốn gấp đồ, rồi anh có thể nhìn đầu ra hình ảnh và kiểm tra xem nó có làm theo lệnh, theo chỉ dẫn của anh không. Nếu anh muốn cắm cáp vào một thiết bị trong data center, anh có thể chạy software test để kiểm chứng nó có chạy hay không.

Vậy, theo Ming-Yu (video đăng ngày 24/09/2026), sẽ có những verifiable reward cần cho physical AI mà rất khó có được, như món ăn có ngon không. Nhưng sẽ có những cái khả thi với một số robot. Và sẽ có rất nhiều cái bạn làm được trong mô phỏng, rất nhiều reward làm được trong mô phỏng. Anh nghĩ những việc kiểm chứng được qua mô phỏng sẽ được giải nhanh hơn.

Nate nói điều đó rất hợp lý, nó giống như thứ tương đương với coding trong không gian agent, nơi bạn kiểm chứng được code có chạy (theo video đăng ngày 24/09/2026). Ming-Yu nói đúng vậy: càng đưa được nhiều thứ vào mô phỏng, ta càng làm verifiable reward nhanh hơn, và physical AI càng tiến hoá nhanh hơn.

![Slide Laundry before eggs: Laundry sooner, Perfect eggs later](https://homus.dev/photos/ry9J1i3krIY-4123.jpg)

Slide "Laundry before eggs": cột "Laundry" ghi "Sooner · A camera can check the finished fold."; cột "Perfect eggs" ghi "Later · A human still judges how they taste."; chân slide ghi "Ming-Yu Liu's assessment" (slide trong video đăng ngày 24/09/2026).

Nate chốt lại (video đăng ngày 24/09/2026): vậy là hai người đang nói rằng sẽ nhanh hơn để có một con robot trong nhà anh giặt đồ và gấp đồ đúng cách, so với một con robot làm được món trứng bác hoàn hảo. Ming-Yu đồng ý, và Nate nói anh nghĩ Ming-Yu đúng.

## 18. Họ model của NVIDIA, openness và mười hai tháng tới

Nate nói gần đây có rất nhiều tin về model và NVIDIA: có họ Nemotron, có họ Cosmos, và tất nhiên có thương vụ mua lại Hugging Face mới đây (theo video đăng ngày 24/09/2026). Anh hỏi NVIDIA đang nghĩ về họ model như một tổng thể thế nào, và mục tiêu lớn hơn mà Ming-Yu nghĩ tới khi bước vào khoảng một năm tới là gì.

Ming-Yu nói NVIDIA tin rằng AI sẽ tiếp tục tiến hoá, và các ứng dụng khác nhau sẽ cần những specialization khác nhau (theo video đăng ngày 24/09/2026). Đó là lý do có họ model này: Nemotron cho ngôn ngữ, cho coding; Cosmos cho world model; GR00T cho humanoid; Alpamayo cho xe tự lái; và BioNeMo cho y tế. Tên các model ở đây lấy theo thẻ chú thích "One ecosystem. Specialized models.", thẻ ghi "Nemotron · Cosmos · GR00T · Alpamayo · BioNeMo" và "Language / code · world models · humanoids · driving · healthcare" (video đăng ngày 24/09/2026).

Theo Ming-Yu (video đăng ngày 24/09/2026), NVIDIA tin cần có sự đa dạng, và tin sâu sắc vào tính mở (openness). API rất tốt, nó giúp bạn giải bài toán. Nhưng bạn chỉ có quyền truy cập API, bạn không biết đằng sau có gì. Nate chen: "Đó là một hộp đen." Ming-Yu nhắc lại: một hộp đen.

Ming-Yu kể (video đăng ngày 24/09/2026): hồi còn là nghiên cứu sinh, anh học từ code open source của người khác, và đổi mới xảy ra là nhờ tính mở. Anh tin thế giới sẽ tốt đẹp hơn nếu mọi người vẫn hiểu được đằng sau có gì, vẫn tiếp thu được ý tưởng mới và tạo ra những model ngày càng tốt hơn. Anh nói NVIDIA là cho developer, nên NVIDIA muốn developer có thêm tool, có thêm năng lực để sáng tạo. Đó là lý do NVIDIA dấn thân nhiều vào open source, open model.

Họ model chuyên biệt của NVIDIA mà Ming-Yu Liu kể ra, mỗi model cho một loại ứng dụng (theo video đăng ngày 24/09/2026).

Nate nói câu hỏi cuối là một câu vui mà anh luôn thích hỏi (theo video đăng ngày 24/09/2026): đi xa hơn Cosmos, Ming-Yu có thể dự đoán bất cứ điều gì. Nếu trong mười hai tháng tới một use case được mở khoá và làm anh bất ngờ theo hướng tích cực, kiểu "tôi không ngờ, scaling law đứng vững hơn tôi tưởng, và giờ use case mà hôm nay ta chưa làm được đã mở khoá", thì đó là gì? Có thể là cho Cosmos, điều đó cũng thú vị, nhưng với bất cứ thứ gì, Nate tò mò vì Ming-Yu đang ở rất sâu trong lĩnh vực này.

Ming-Yu nói nếu Nate hỏi anh câu này hai tuần trước, có lẽ anh đã mô tả đúng điều mà nay đã có người làm được (theo video đăng ngày 24/09/2026). Có tiếng chen vào: "And here we are", và Ming-Yu nhắc lại câu đó. Anh nói anh từng nghĩ tạo thế giới 3D là một bài toán khó. Nhưng thành quả đó cho thấy, qua verifiable reward: bạn gọi một công cụ để dựng một không gian 3D, một thế giới 3D, rồi chiếu ra và kiểm tra xem nó có khớp với mô tả của bạn không. Vòng lặp này cho bạn verifiable reward, nên bạn có thể nhanh chóng tạo ra những năng lực tuyệt vời, và mọi người đã chia sẻ những thứ tuyệt vời mà nó tạo ra. Anh thấy điều đó khá choáng ngợp.

Và anh nghĩ bất ngờ tiếp theo của anh sẽ là ý tưởng này nối với physical AI, với tool use vật lý như thế nào (theo Ming-Yu, video đăng ngày 24/09/2026). Có thể có một cách tuyệt vời để tìm ra verifiable reward mà hôm nay ta đã làm được, nhưng chưa phải ai cũng nhận ra, rồi ai đó bóp cò và thực hiện. Anh nói khi đó anh sẽ rất bất ngờ.

Nate nói đó là một điều anh thấy rất thú vị ở lĩnh vực AI (theo video đăng ngày 24/09/2026): anh đã thấy hết lần này tới lần khác những đổi mới mà một, hai hay ba nhà nghiên cứu có thể cùng viết một bài báo, cùng đưa ra một luận điểm về cách đẩy AI tiến lên trong một lĩnh vực cụ thể, có thể là quanh tính kiểm chứng được trong không gian vật lý. Rồi bỗng nhiên nó có mặt ngoài kia, và bỗng nhiên tất cả chúng ta đều học được từ nó, đều lớn lên. Anh nói anh không chờ nổi nữa, có rất nhiều điều để mong đợi.

Ming-Yu nói anh nghĩ sự lan toả tri thức, việc trao năng lực cho từng cá nhân, là rất quan trọng để làm thế giới tốt đẹp hơn, và nhiều người xuất thân từ nghiên cứu tin sâu sắc vào ý tưởng đó (theo video đăng ngày 24/09/2026). Nate nói đúng là họ tin như vậy, và đó là một trong những điều khiến anh thấy hy vọng.

Nate cảm ơn Ming-Yu đã dành thời gian, nói anh rất trân trọng và đây là một cuộc trò chuyện rất vui. Ming-Yu đáp: "Likewise."

## Nguồn và liên kết

- Tên gốc: When Will AI Make Me Scrambled Eggs? I Went To NVIDIA To Find Out.
- Sự kiện: [YouTube](https://homus.dev/events/youtube)
- Video gốc: [https://www.youtube.com/watch?v=ry9J1i3krIY](https://www.youtube.com/watch?v=ry9J1i3krIY)

- Kênh YouTube AI News & Strategy Daily | Nate B Jones (Nate B Jones): [youtube.com/channel/UC0C-17n9iuUQPylguM1d-lQ](https://www.youtube.com/channel/UC0C-17n9iuUQPylguM1d-lQ)

- NVIDIA Cosmos, trang có tiêu đề "NVIDIA Cosmos: Physical AI Development Platform" (đọc ngày 08/11/2026): [nvidia.com/en-us/ai/cosmos](https://www.nvidia.com/en-us/ai/cosmos/)

- Tổ chức NVIDIA Cosmos trên GitHub (đọc ngày 08/11/2026): [github.com/nvidia-cosmos](https://github.com/nvidia-cosmos)

- NVIDIA Omniverse, physics engine Ming-Yu và Nate nhắc tới (đọc ngày 08/11/2026): [nvidia.com/en-us/omniverse](https://www.nvidia.com/en-us/omniverse/)

- NVIDIA Isaac, trang có tiêu đề "Isaac - AI Robot Development Platform" (đọc ngày 08/11/2026): [developer.nvidia.com/isaac](https://developer.nvidia.com/isaac)

- NVIDIA Jetson Thor (đọc ngày 08/11/2026): [nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-thor](https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-thor/)

- NVIDIA DGX Spark (đọc ngày 08/11/2026): [nvidia.com/en-us/products/workstations/dgx-spark](https://www.nvidia.com/en-us/products/workstations/dgx-spark/)

- NVIDIA Nemotron (đọc ngày 08/11/2026): [nvidia.com/en-us/ai-data-science/foundation-models/nemotron](https://www.nvidia.com/en-us/ai-data-science/foundation-models/nemotron/)

- NVIDIA Isaac GR00T, trang có tiêu đề "Isaac GR00T | Humanoid Robot Development Platform" (đọc ngày 08/11/2026): [nvidia.com/en-us/industries/robotics/isaac-groot](https://www.nvidia.com/en-us/industries/robotics/isaac-groot/)

- NVIDIA Alpamayo, trang có tiêu đề "Open Models for Robotaxis and Autonomous Vehicles" (đọc ngày 08/11/2026): [nvidia.com/en-us/solutions/autonomous-vehicles/alpamayo](https://www.nvidia.com/en-us/solutions/autonomous-vehicles/alpamayo/)

- Tài liệu BioNeMo Framework (đọc ngày 08/11/2026): [docs.nvidia.com/bionemo-framework](https://docs.nvidia.com/bionemo-framework/latest/)

Nguồn: https://homus.dev/talks/when-will-ai-make-me-scrambled-eggs-i-went-to-nvidia-to-find-out · cập nhật 2026-11-08