MBZUAI công bố PAN 2: Mô hình thế giới 29B nguồn mở tạo bước ngoặt cho AI vật lý
Điểm nhấn cốt lõi (Key Takeaways)
- Kiến trúc lai Generative Latent Prediction: Ghép nối bộ lập kế hoạch LLM (nhận thức khái niệm trừu tượng) cùng mô hình khuếch tán Multimodal Diffusion Transformer 29B để sinh video mô phỏng động học chuẩn xác tới 20 giây.
- Khả năng suy luận qua mô phỏng (Simulative Reasoning): Đạt tỷ lệ hoàn thành tác vụ đa bước 34,0% và dẫn đầu benchmark Physics-IQ, giúp robot 'tưởng tượng' trước hậu quả hành động nhằm triệt tiêu rủi ro thử - sai nguy hiểm.
- Mã nguồn mở Apache 2.0 toàn diện: MBZUAI công khai toàn bộ trọng số, mã nguồn và pipeline huấn luyện trên Hugging Face và GitHub, hỗ trợ vLLM-Omni ngay ngày đầu, phá vỡ thế độc quyền của các hệ thống đóng kín.
Viện Mô hình Nền tảng (IFM) thuộc Đại học MBZUAI vừa chính thức phát hành PAN 2 – mô hình thế giới 29 tỷ tham số nguồn mở hoàn toàn theo giấy phép Apache 2.0. Kết hợp bộ lập lịch LLM và mạng khuếch tán MMDiT, PAN 2 cho phép các hệ thống AI vật lý dự đoán và mô phỏng tương tác động học lên tới 20 giây trước khi hành động trong thế giới thực.

Trong làn sóng phát triển của trí tuệ nhân tạo, rào cản lớn nhất ngăn cách các mô hình ngôn ngữ lớn (LLM) với thế giới thực chính là sự thiếu hụt "nhận thức vật lý". Dù LLM có thể làm thơ, viết mã nguồn hay giải toán xuất sắc, chúng hoàn toàn mù tịt về trọng lực, ma sát, quán tính và sự va chạm của các vật thể. Để một robot hay xe tự hành hoạt động an toàn, chúng không thể dựa vào phương pháp "thử và sai" mạo hiểm trong thế giới thực.
Nhằm giải quyết nút thắt cốt tử này, Viện Mô hình Nền tảng (IFM) thuộc Đại học Trí tuệ Nhân tạo Mohamed bin Zayed (MBZUAI) đã chính thức trình làng PAN 2 – mô hình thế giới (World Model) đa dụng quy mô 29 tỷ tham số (29B) dành cho trí tuệ nhân tạo vật lý (Physical AI), được phát hành hoàn toàn mở theo giấy phép Apache 2.0.
Kiến trúc Generative Latent Prediction: Khi LLM kết hợp Diffusion Transformer 29B
Điểm đột phá căn bản của PAN 2 nằm ở cơ chế dự đoán tiềm ẩn tạo sinh (Generative Latent Prediction - GLP), kết hợp hài hòa hai cấp độ nhận thức độc lập nhưng tương hỗ chặt chẽ:
1. Nhận thức khái niệm (Conceptual Reasoning) với LLM Planner Khi nhận vào một hình ảnh khởi đầu của môi trường kèm theo chuỗi hành động được mô tả bằng văn bản tự nhiên, một mô hình ngôn ngữ lớn đóng vai trò bộ lập kế hoạch (LLM Planner) sẽ phân tích bối cảnh. Thay vì trực tiếp can thiệp vào từng pixel, LLM Planner chịu trách nhiệm lập luận cấp cao: xác định trình tự tương tác, quỹ đạo chuyển động của camera và định thời gian chuẩn xác cho từng hành vi của các tác tử trong khung cảnh.
2. Nhận thức tri giác và động lực học (Perceptual Reasoning) với 29B MMDiT Kế hoạch có cấu trúc thời gian - không gian này sau đó được chuyển giao cho phần lõi: một mạng biến đổi khuếch tán đa phương thức (Multimodal Diffusion Transformer - MMDiT) dày đặc với 29 tỷ tham số. Khác với các mô hình sinh video đại trà chỉ tinh chỉnh từ nền tảng có sẵn, MMDiT của PAN 2 được IFM huấn luyện từ đầu (from scratch) trên hàng trăm triệu video gán nhãn vật lý chi tiết. Mạng khuếch tán này ánh xạ văn bản kế hoạch thành các biểu diễn tiềm ẩn (video latents), trước khi bộ giải mã VAE (dựa trên Wan 2.2) tái tạo thành video độ nét cao với thời lượng mô phỏng liên tục lên đến 20 giây.

Khái niệm 'Simulative Reasoning' và bước nhảy vọt trên các benchmark
PAN 2 không đơn thuần là một công cụ tạo video thẩm mỹ như Runway hay Kling; nó là công cụ suy luận thông qua mô phỏng (Simulative Reasoning). Trước khi cánh tay robot nâng một cốc nước hay xe tự hành quyết định rẽ vào ngã tư trơn trượt, hệ thống điều khiển có thể gửi dự định tới PAN 2 để "chạy thử nghiệm trong tâm trí" (mental simulation).
Nếu video mô phỏng cho thấy cốc nước bị đổ hoặc xe mất kiểm soát, tác tử AI sẽ hủy bỏ hành động và tính toán phương án thay thế. Trên bài kiểm tra năng lực vật lý khắt khe Physics-IQ, PAN 2 thiết lập chuẩn mực vượt trội so với các mô hình tiền nhiệm. Đặc biệt, IFM ghi nhận PAN 2 đạt tỷ lệ thực thi thành công trọn vẹn lên tới 34,0% trên các chuỗi kế hoạch đa bước phức tạp – một con số kỷ lục đối với các mô hình thế giới mở, vốn thường gặp hiện tượng "ảo giác vật lý" (hallucination) hoặc suy biến khung hình chỉ sau 3-5 giây đầu tiên.
Đòn bẩy nguồn mở Apache 2.0 và sự dân chủ hóa Physical AI
Trong khi các ông lớn công nghệ giữ kín những mô hình thế giới tiên tiến như OpenAI Sora, Google Genie hay World Labs của Fei-Fei Li sau các giao diện API đóng, quyết định phát hành PAN 2 dưới giấy phép Apache 2.0 của MBZUAI là một bước ngoặt mang tính giải phóng cho cộng đồng nghiên cứu toàn cầu.
Toàn bộ trọng số mô hình (weights), mã nguồn suy luận và quy trình xử lý dữ liệu huấn luyện đều được mở công khai trên Hugging Face (IFM/PAN2) và GitHub. Hơn thế nữa, mô hình hỗ trợ ngay từ ngày đầu (day-one support) cho các khung thực thi tối ưu như vLLM-Omni, cho phép các nhóm nghiên cứu và doanh nghiệp dễ dàng triển khai trên các cụm GPU sẵn có mà không phụ thuộc vào hạ tầng độc quyền của bất kỳ hãng công nghệ nào.

Ý nghĩa và cơ hội cho hệ sinh thái công nghệ, doanh nghiệp Việt Nam
Đối với ngành công nghệ Việt Nam – nơi làn sóng tự động hóa nhà máy, kho vận thông minh (AGV/AMR) và nghiên cứu xe tự hành đang bước vào giai đoạn tăng tốc mạnh mẽ – PAN 2 mở ra những tiềm năng ứng dụng thiết thực:
- Tối ưu hóa Robotics công nghiệp và Logistics: Các kỹ sư Việt Nam có thể tích hợp PAN 2 vào hệ thống điều khiển robot phân loại hàng hóa hoặc cánh tay máy lắp ráp linh kiện, giảm thiểu thời gian cài đặt mô phỏng vật lý truyền thống vốn đòi hỏi thiết lập mô hình 3D phức tạp trên Gazebo hay Isaac Sim.
- Cơ hội nghiên cứu đỉnh cao với chi phí hợp lý: Thay vì tiêu tốn hàng chục triệu USD để xây dựng mô hình thế giới từ số không, các viện nghiên cứu và trung tâm AI trong nước (như VinAI, FPT, Viettel hay các trường đại học kỹ thuật) hoàn toàn có thể kế thừa checkpoint 29B này để nghiên cứu tinh chỉnh (fine-tune) cho các bài toán môi trường giao thông hoặc nông nghiệp công nghệ cao đặc thù tại Việt Nam.
Sự ra đời của PAN 2 đánh dấu bước chuyển mình quan trọng: kỷ nguyên mà trí tuệ nhân tạo không chỉ biết "nói và viết", mà đã thực sự bắt đầu học cách "nhìn, hiểu và dự đoán" quy luật vận hành của vũ trụ vật chất.
Mô hình thế giới (World Model) như PAN 2 khác biệt gì so với các mô hình sinh video giải trí như Sora hay Runway?
Các mô hình sinh video giải trí tập trung vào độ sắc nét và tính thẩm mỹ điện ảnh, nhưng thường vi phạm quy luật vật lý. Ngược lại, World Model như PAN 2 tập trung vào tính nhất quán nhân quả: dự đoán chính xác hậu quả vật lý thực tế của một hành động cụ thể tác động lên môi trường (như rơi vỡ, va chạm, ma sát) nhằm phục vụ việc ra quyết định của robot và AI.
Giấy phép Apache 2.0 của PAN 2 đem lại lợi ích gì cho các doanh nghiệp và nhà phát triển?
Giấy phép Apache 2.0 cho phép các cá nhân, nhóm nghiên cứu và doanh nghiệp toàn quyền sử dụng, chỉnh sửa, nhúng vào sản phẩm và thương mại hóa toàn bộ trọng số cũng như mã nguồn mà không phải trả phí bản quyền hay chịu ràng buộc độc quyền.
Bạn thấy thông tin này như thế nào? Hãy để lại cảm xúc!
Tác giả chuyên sâu về nghiên cứu trí tuệ nhân tạo, quy trình Agentic và giải pháp tự động hoá quy mô lớn.


