MỸ – Trong bài viết mang tên “The AI productivity take-off is finally visible” (tạm dịch là “Sự bùng nổ năng suất nhờ công nghệ trí tuệ nhân tạo cuối cùng đã thành hiện thực”) được đăng trên tạp chí Financial Times vào ngày 15/02/2026, nhà kinh tế học Erik Brynjolfsson từ đại học Stanford (Stanford university) nhận định rằng sự gia tăng năng suất từ công nghệ trí tuệ nhân tạo (AI – aritificial intelligence) vốn được thảo luận từ nhiều năm trước, giờ đây đã khởi sắc. Phân tích của ông chỉ ra rằng năng suất lao động tại Mỹ đã tăng gần 2,7% vào năm 2025, con số này cao gấp hai lần mức trung bình của mười năm qua.
Tuy nhiên, những nhận định ở tầm vĩ mô này đối với ngành công nghiệp chỉ thực sự đáng tin cậy khi được phản ánh thông qua các số liệu vận hành thực tế trong tự động hóa. Đây chính là lúc robot học (robotics) (*) trở thành giai đoạn chuyển giao quyết định, biến những thuật toán AI trong mã nguồn thành những kết quả hữu hình trong thực tế. (*) Robot học: là một ngành khoa học và kỹ thuật liên ngành, tập trung vào việc thiết kế, xây dựng, vận hành và ứng dụng các loại robot.
Từ giai đoạn đầu tư đến giai đoạn thu hoạch Ông Brynjolfsson mô tả sự phát triển này như một đường cong J (J-curve) điển hình của các công nghệ đa năng (GPT – general-purpose technologies) (*), một mô hình mà trong đó, sự thay đổi hoặc đầu tư ban đầu thường đạt kết quả kém, và sau đó mới dẫn đến những cải thiện vượt bậc trên mức trung bình. Đó là một quy luật vừa đơn giản vừa không thể phủ nhận: chi phí đầu tư và chuyển đổi phải đi trước, thành quả đầu ra sẽ theo sau. (*) Công nghệ đa năng: là những công nghệ có thể ảnh hưởng đến toàn bộ nền kinh tế (thường ở cấp quốc gia hoặc toàn cầu). GPT có tiềm năng thay đổi mạnh mẽ xã hội thông qua tác động của chúng lên các cấu trúc kinh tế và xã hội hiện có. Các ví dụ điển hình về GPT là động cơ hơi nước, điện và công nghệ thông tin.
Theo ý nghĩa đó, ông mô tả các doanh nghiệp đang trong quá trình “chuyển dịch từ giai đoạn đầu tư sang giai đoạn thu hoạch”, nơi mà những nỗ lực chuyển đổi trước đây dần trở nên hữu hình dưới dạng “sản lượng có thể đo lường được”. Trong bối cảnh này, vai trò của robot học cực kỳ quan trọng để xác định liệu công nghệ AI có thực sự giải quyết được các tiêu chuẩn kinh điển của tự động hóa hay không.
Các chỉ số then chốt để đánh giá độ tin cậy và khả năng ứng dụng của robot tích hợp công nghệ AI chủ yếu bao gồm: – Nỗ lực tích hợp: mức độ phức tạp khi đưa hệ thống vào vận hành. – Sự đa dạng của danh mục linh kiện: khả năng xử lý nhiều loại chi tiết khác nhau. – Thời gian đưa vào vận hành: tốc độ triển khai thực tế. – Độ bền và thời gian hoạt động liên tục (uptime/MTBF – mean time between failures): khả năng vận hành ổn định trong chế độ 24/7.
Kiên trì vượt qua “đường cong J” để đạt sự trưởng thành về công nghiệp Những cuộc thảo luận hiện nay về robot hình người (humanoid) (*) đang đưa ra một cái nhìn thực tế rõ nét. Trong bài viết “Robots only half as efficient as humans” (tạm dịch là ‘Robot chỉ hiệu quả bằng một nửa con người’) trên tạp chí Financial Times ngày 25/01/2026, ông Michael Tam, Giám đốc thương hiệu tại công ty robot Trung Quốc UBTech, đã nhận định về mẫu robot hình người – Walker S2 chỉ đạt từ 30% đến 50% năng suất của con người, và kết quả đó “chỉ dành cho các công việc cụ thể như xếp chồng thùng hàng và kiểm tra chất lượng”. Ông Tam cũng giải thích về áp lực cạnh tranh mà các doanh nghiệp đang phải đối mặt: “Nếu Tesla có lợi thế trong việc đưa robot hình người của riêng họ vào dây chuyền sản xuất, thì tập đoàn BYD và các đối thủ khác có thể sẽ bị tụt lại phía sau.” (*) Robot hình người: là loại robot được thiết kế với cấu trúc cơ thể mô phỏng theo hình dáng của con người.
Xét theo logic về năng suất, điều này có nghĩa là các mẫu robot hình người hiện nay được thu mua không phải vì chúng đã ưu việt hơn về mặt kinh tế, mà vì các nhà sản xuất muốn đảm bảo các phương án về đường cong học tập (learning curve) (*) và lợi thế của người tiên phong. Điều này hoàn toàn khớp với luận điểm của Brynjolfsson: năng suất ở tầm vĩ mô không được tạo ra từ những buổi trình diễn (demo) hoành tráng, mà đến từ quá trình kiên trì vượt qua “đường cong J” để đạt sự trưởng thành trong ứng dụng công nghiệp. (*) Đường cong học tập: là đồ thị biểu diễn mối tương quan giữa kinh nghiệm/thời gian thực hiện nhiệm vụ và mức độ thành thạo/ hiệu suất đạt được. Lý thuyết này cho thấy khi càng thực hành nhiều, kỹ năng càng nâng cao, thời gian thực hiện giảm xuống và hiệu suất tăng lên theo thời gian.
Năng suất công nghệ AI trong robot học là một cuộc đua về quy mô Lĩnh vực robot công nghiệp truyền thống cho thấy tốc độ mở rộng quy mô (scaling) nhanh chóng trở thành một yếu tố chiến lược của khu vực khi công nghệ và hệ sinh thái đã sẵn sàng. Liên đoàn robot quốc tế (IFR – International federation of robotics) đã dẫn lời Chủ tịch Takayuki Ito trong báo cáo robot thế giới mới nhất: “Các số liệu thống kê mới cho thấy năm 2024 ghi nhận con số lắp đặt hàng năm cao thứ hai từ trước đến nay”, và ước tính tổng số lượng robot đang vận hành trên khắp thế giới đạt mức 4.664.000 đơn vị vào năm 2024.
Theo liên đoàn IFR, Trung Quốc đóng vai trò quyết định đối với động lực cạnh tranh, chiếm tới 54% tổng số lượt triển khai trên thế giới trong năm 2024. Đối với nền công nghiệp châu Âu, đây là một tín hiệu trực tiếp: Năng suất công nghệ AI trong robot học không chỉ đơn thuần là một bản nâng cấp công cụ, mà là một cuộc đua về quy mô, nơi dữ liệu, tiêu chuẩn tích hợp, chứng nhận an toàn và mạng lưới dịch vụ sẽ quyết định các đường cong chi phí.
Chi phí thích ứng trong các chương trình robot học đặc biệt cao Những phát hiện về “đường cong J của công nghệ AI trong công nghiệp” minh họa rất rõ lý do tại sao hiệu quả năng suất thường xuất hiện chậm trễ trong các số liệu thống kê. Mùa hè năm 2025, Trường kinh tế – quản lý thuộc Viện công nghệ Massachusetts (MIT – Massachusetts institute of technology) đã tổng kết các kết quả từ dữ liệu khảo sát ‘US census survey’ của Mỹ như sau:
“Việc áp dụng công nghệ AI có xu hướng làm chậm năng suất trong ngắn hạn”, và ngay cả sau khi đã thực hiện các biện pháp kiểm soát, vẫn ghi nhận “mức giảm năng suất 1,33 điểm phần trăm (percentage point) (*)”. Đồng thời, bà Kristina McElheran, Giáo sư quản trị chiến lược tại đại học Toronto, đã nhấn mạnh trong bối cảnh này: “Sự sụt giảm ban đầu này, tức mặt âm của đường cong J, là hoàn toàn có thật.” (*) Percentage point: là đơn vị dùng để đo lường sự thay đổi tuyệt đối giữa hai giá trị phần trăm.
Những chi phí điều chỉnh này đặc biệt cao trong các chương trình robot học bởi vì mọi chức năng của công nghệ AI đều phải được chuyển hóa vào thực tế phần cứng: từ sự sai lệch của cảm biến (sensor drift), dung sai của tay gắp (gripper tolerances), các cửa sổ quy trình (process windows) (1), sự đồng bộ hóa chu kỳ, khoảng cách an toàn, tiêu chuẩn vệ sinh, các khái niệm về phụ tùng thay thế cho đến việc xử lý các biến số hiếm gặp (“long-tail” variance) (2). Nếu thiếu đi các khoản đầu tư bổ trợ này, công nghệ AI có nhiều khả năng sẽ tạo ra những điểm nghẽn mới thay vì mang lại hiệu suất thiết bị tổng thể (OEE -overall equipment effectiveness) cao hơn. (1) Process window: chỉ phạm vi giới hạn của các thông số vận hành mà tại đó một quy trình có thể tạo ra sản phẩm đạt chất lượng yêu cầu. (2) “Long-tail” variance: trong thống kê và lĩnh vực AI/ robot học, “long-tail” variance chỉ những tình huống, sự kiện hoặc biến cố rất hiếm khi xảy ra nhưng lại gây ra rất nhiều rắc rối cho hệ thống.
Đâu là nơi bước nhảy vọt về năng suất của công nghệ AI sẽ xuất hiện đầu tiên trong lĩnh vực robot? Bước nhảy vọt về năng suất mà ông Brynjolfsson đã khẳng định sẽ sớm xuất hiện ở đâu trong bối cảnh robot học? Rất có khả năng đó là những khu vực mà công nghệ AI giúp giảm thiểu thời gian không tạo ra giá trị (non-value-added time) trong các hệ thống robot. Điều này được thực hiện thông qua việc thiết kế bố trí và rút ngắn thời gian chu kỳ nhanh hơn nhờ mô phỏng; tham số hóa tự động hơn cho hệ thống thị giác và kiểm tra; phát hiện các bất thường hiệu quả hơn cho công tác bảo trì dự đoán; và giảm bớt “số giờ kỹ thuật trên mỗi phân khu sản xuất” (engineering hours per cell) nhờ vào các gói phần mềm có khả năng tái sử dụng.
Các nhà kinh tế học cũng nhận thấy những dấu hiệu của hiệu ứng này đang bắt đầu xuất hiện ở một số lĩnh vực từ góc độ vĩ mô. Chẳng hạn, trong một bài bình luận vào đầu tháng 2, ông Stephen Brown từ công ty Capital Economics đã đưa ra kết luận từ sự tách rời giữa sản lượng và việc làm trong môi trường công nghệ thông tin và truyền thông (ICT environment) rằng: “Tất cả những điều này cho thấy công nghệ AI đang đóng góp đáng kể vào tăng trưởng năng suất”.
Đối với lĩnh vực robot học, điều này cho thấy bước nhảy vọt về năng suất sẽ không đến từ một cuộc cách mạng robot hình người bùng nổ tức thì, mà là kết quả tích lũy từ khả năng nhận thức nhạy bén hơn, sự tự chủ tin cậy hơn trong các tác vụ chuyên biệt, cùng với việc cắt giảm đáng kể chi phí tích hợp và vận hành. Nói cách khác, đó chính là những “đòn bẩy” then chốt giúp chuyển đổi các phân khu thử nghiệm (pilot cells) thành một cấu trúc nhà máy hoàn chỉnh và có khả năng mở rộng quy mô.
Để xem các tin bài khác về “Robot học”, hãy nhấn vào đây.
Nguồn: Hannover Messe
