HOA KỲ – Vào đầu tháng 6/2026, lĩnh vực trí tuệ nhân tạo công nghiệp ghi nhận nhiều bước tiến đáng chú ý. Tập đoàn NVIDIA công bố Cosmos 3, mô hình nền tảng cho AI vật lý nhằm hỗ trợ robot và các hệ thống tự động nhận biết, mô phỏng và phản ứng linh hoạt hơn với môi trường thực tế. Gần như cùng thời điểm, tập đoàn Siemens giới thiệu Intelligence Center X, nền tảng công nghiệp kết nối các tác nhân AI (AI Agent) với đội ngũ sản xuất, hướng tới việc đưa AI công nghiệp từ các dự án thử nghiệm riêng lẻ thành những ứng dụng có khả năng mở rộng trong nhà máy.

Chỉ vài tuần trước đó, Google cũng đã giới thiệu một “world model” (*) mang tên Gemini Omni tại hội nghị dành cho nhà phát triển I/O (một hội nghị thường niên của Google), đồng thời công bố kế hoạch đầu tư lên tới 190 tỷ euro cho dự án này.
(1) World model có thể hiểu là mô hình AI có khả năng mô phỏng cách thế giới vật lý vận hành, từ đó nhận biết môi trường, dự đoán diễn biến tiếp theo và hỗ trợ hệ thống tự động đưa ra hành động phù hợp.

Điểm chung của những công bố này nằm ở cùng một hướng đi: AI không chỉ dừng lại ở việc xử lý ngôn ngữ hay mô tả quy trình sản xuất, mà phải có khả năng hiểu và tương tác với thế giới vật lý. Các mô hình ngôn ngữ lớn có thể diễn giải hoạt động sản xuất, nhưng để thực sự can thiệp vào nhà máy, AI cần hiểu được cách thế giới vật lý vận hành. Đây chính là vai trò của các world model – nhóm mô hình đang từng bước làm thay đổi cán cân trong lĩnh vực AI công nghiệp. Chỉ trong vài tuần, một khái niệm vốn chủ yếu được giới chuyên môn quan tâm đã dịch chuyển vào trung tâm cuộc thảo luận về AI: world model. Phía sau khái niệm này là một câu hỏi có thể quyết định hàng tỷ euro đầu tư, đồng thời định hình tương lai của mọi nhà máy tự động hóa: AI sẽ hiểu và hành động trong thế giới thực như thế nào?

Thế giới không chỉ được tạo nên từ văn bản
Cuộc đua nhằm xác định loại trí tuệ nhân tạo nào có thể thực sự thành công đang diễn ra ngay trên sàn nhà máy. Trong vài năm qua, các mô hình ngôn ngữ lớn như ChatGPT, Gemini hay Claude đã gây ấn tượng nhờ khả năng thảo luận gần như mọi chủ đề, tiếp nhận tri thức từ khối lượng văn bản khổng lồ và phản hồi bằng ngôn ngữ tự nhiên, mạch lạc. Tuy nhiên, trong môi trường sản xuất, nơi sai lệch chỉ một phần trăm milimet cũng có thể biến một linh kiện thành phế phẩm, và một thao tác sai có thể làm tê liệt cả dây chuyền, năng lực này bắt đầu bộc lộ giới hạn. Một mô hình chỉ biết đến thế giới thông qua văn bản không thể thực sự hiểu thế giới đó. Đây chính là lúc các world model trở nên phù hợp hơn, khi chúng đang dần làm thay đổi cách AI được ứng dụng trong công nghiệp.

Diễn đạt trôi chảy, nhưng “mù” trước vật lý
Một mô hình ngôn ngữ lớn có thể mô tả dây chuyền lắp ráp chính xác đến mức tưởng như nó đã đứng cạnh hệ thống đó trong nhiều năm. Nó có thể nhận diện các mẫu lỗi, đề xuất cải tiến và trả lời các câu hỏi tiếp theo một cách mạch lạc. Tuy nhiên, khi thực tế bắt đầu can thiệp – một phôi gia công bị nghiêng, tay gắp robot bị trượt, hoặc máy móc khởi động trong một cấu hình chưa từng được dự đoán – sự tự tin ấy nhanh chóng mất đi.

Điểm thiếu hụt nằm ở chỗ mô hình không thể mô phỏng cách các vật thể vận động và tương tác trong không gian. Nó đã đọc rất nhiều về vật lý, nhưng chưa từng thực sự “trải nghiệm” vật lý.

“Hiểu biết rất hạn chế về logic”
Ông Yann LeCun, người từng nhận giải Turing và là nhà khoa học trưởng về AI lâu năm tại tập đoàn Meta, là một trong những tiếng nói chỉ trích mạnh mẽ nhất làn sóng cường điệu xung quanh các mô hình ngôn ngữ lớn. Theo ông, các mô hình ngôn ngữ có “hiểu biết rất hạn chế về logic”; chúng “không hiểu thế giới vật lý, không có trí nhớ dài hạn, không thể tư duy lý tính và không thể lập kế hoạch theo cấp bậc”.

Trong quan điểm của ông LeCun, đây không phải là vấn đề chỉ cần thêm thời gian để công nghệ trưởng thành, mà là giới hạn nằm ngay trong thiết kế của các hệ thống này. Quan điểm đó được ông thể hiện rõ bằng một quyết định gây chú ý trong ngành: cuối năm 2025, LeCun rời Meta sau 12 năm để thành lập AMI Labs tại Paris, startup tập trung hoàn toàn vào world model. Đến tháng 3/2026, công ty này đã huy động khoảng 1 tỷ USD, trở thành vòng gọi vốn hạt giống lớn nhất từng được ghi nhận tại châu Âu.

Ở chiều ngược lại, ông Greg Brockman, đồng sáng lập OpenAI, lại có quan điểm hoàn toàn khác. Ông cho rằng con đường tiến tới AI tổng quát đã hiện rõ, và các mô hình ngôn ngữ lớn đang là lực lượng dẫn dắt quá trình đó.

Một mô hình có khả năng mô phỏng thế giới thực
World model không đơn thuần là những mô hình ngôn ngữ lớn hơn, mà đại diện cho một hướng tiếp cận khác. Thay vì chủ yếu tính toán từ nào có khả năng xuất hiện tiếp theo, các mô hình này xây dựng một mô hình môi trường thực tế: vật thể rơi như thế nào, lực tác động ra sao, nguyên nhân nào dẫn đến hệ quả nào. Trên nền tảng đó, chúng có thể mô phỏng điều gì sẽ xảy ra tiếp theo trước khi sự việc thực sự diễn ra. Nói cách khác, thay vì chỉ mô tả hiện tượng, chúng mô phỏng các tình huống đó từ trước.

Những số liệu đáng tin cậy đầu tiên đã bắt đầu xuất hiện. Trong lĩnh vực robot, các nghiên cứu hiện nay cho thấy hiệu suất có thể tăng tới 30% khi hệ thống học thông qua các tình huống world model mô phỏng, thay vì học trực tiếp từ dữ liệu thô. Đây không chỉ là một cải thiện mang tính bề mặt, mà là sự thay đổi ở chính nền tảng vận hành của các hệ thống này.

Sự khác biệt có thể được minh họa qua một quy trình đơn giản. Nếu một linh kiện rơi xuống băng chuyền, mô hình ngôn ngữ sẽ mô tả sự việc sau khi nó xảy ra. Trong khi đó, world model có thể dự đoán cú rơi, phát hiện sớm sai lệch và điều chỉnh tay gắp trước khi lỗi thực sự phát sinh.

Các nhà nghiên cứu tìm kiếm một định nghĩa rõ ràng
Trong thời gian dài, khái niệm world model vẫn chưa có một định nghĩa thống nhất. Mỗi nhóm nghiên cứu lại diễn giải thuật ngữ này theo một cách khác nhau. Đến tháng 4/2026, một nhóm quốc tế đã đề xuất khung tham chiếu có tính hệ thống đầu tiên thông qua thư viện mã nguồn mở OpenWorldLib. Theo khung này, một world model phải có khả năng cảm nhận môi trường, tương tác với môi trường đó và lưu giữ các trạng thái của nó trong bộ nhớ.

Các hệ thống chuyển văn bản thành video như Sora được loại trừ khỏi định nghĩa này. Dù có thể tạo ra hình ảnh ấn tượng, chúng không có vòng phản hồi từ thế giới thực. Có lẽ nhận định quan trọng nhất của nghiên cứu này là các mô hình ngôn ngữ hiện nay, về nguyên tắc, đã có một số điều kiện tiền đề để phát triển theo hướng đó. Tuy nhiên, chặng đường phía trước vẫn còn rất dài.

HANNOVER MESSE 2026 cho thấy điều gì?
Tốc độ phát triển của lĩnh vực này đã được thể hiện rõ tại HANNOVER MESSE 2026. Lần đầu tiên, “Physical AI” trở thành một chủ đề độc lập ở vị trí trung tâm: trí tuệ nhân tạo không chỉ vận hành trên màn hình, mà hoạt động trực tiếp trong máy móc, hệ thống và robot. Ba ví dụ nổi bật đã thu hút sự chú ý.

Công ty Agile Robots giới thiệu Agile ONE, robot hình người có khả năng tự nhận thức môi trường, đưa ra quyết định độc lập và hành động theo thời gian thực trong các tình huống công nghiệp phức tạp mà không cần một chương trình cố định. Công ty SEW-EURODRIVE giới thiệu một configuration agent (2) cho phép đưa máy móc và robot vào vận hành thông qua đối thoại. Configuration agent (2) có thể hiểu là tác nhân AI hỗ trợ cấu hình máy móc hoặc hệ thống tự động, cho phép người vận hành thiết lập, điều chỉnh và đưa thiết bị vào hoạt động. 

Điểm đáng chú ý là hệ thống này chủ động không sử dụng kiến trúc LLM truyền thống, đồng thời định vị mình như một lựa chọn độc lập. Trong khi đó, tập đoàn Siemens trình diễn tại một cơ sở sản xuất giày linh hoạt điều cốt lõi của xu hướng này: một AI không chỉ đưa ra khuyến nghị, mà còn có thể tự can thiệp vào quy trình.

Mô hình nền tảng cho khả năng chuyển giao giữa các dạng robot khác nhau
Song song với đó, giới nghiên cứu đang phát triển một hướng tiếp cận có thể đơn giản hóa đáng kể quá trình tích hợp robot: các mô hình cho khả năng chuyển giao giữa những dạng robot khác nhau, hay còn gọi là cross-embodiment transfer (3). Theo cách tiếp cận này, một mô hình duy nhất được huấn luyện trên dữ liệu từ nhiều loại robot có thể được áp dụng cho cả những cỗ máy mà nó chưa từng gặp trước đó. Thay vì phải xây dựng lại từ đầu cho từng thiết bị, hệ thống có thể chuyển giao tri thức đã học sang phần cứng mới.
Cross-embodiment transfer (3) có thể hiểu là khả năng một mô hình AI chuyển giao kiến thức đã học từ nhiều loại robot hoặc cấu trúc phần cứng khác nhau sang một thiết bị mới, giúp robot mới thực hiện nhiệm vụ mà không cần huấn luyện lại hoàn toàn từ đầu. 

Mô hình ngôn ngữ và world model không phải đối thủ
Nghiên cứu Humanoid Robot Study 2026 của ông Tobias Bock từ Nexery đưa ra một đánh giá thực tế hơn: công nghệ này đang rời khỏi phòng thí nghiệm và những ứng dụng công nghiệp đầu tiên đã trở thành hiện thực. Tuy nhiên, để triển khai rộng rãi, các hệ thống vẫn còn thiếu khả năng tự chủ đủ bền vững và khả năng tích hợp ở quy mô lớn. Cùng lúc, Trung Quốc đang tăng tốc đáng kể, trong khi châu Âu phải nỗ lực để không bị bỏ lại phía sau. Từ đó có thể rút ra ba bài học thực tiễn:
– Thứ nhất, lựa chọn đúng kiến trúc cho từng nhiệm vụ là yếu tố then chốt. Mô hình ngôn ngữ và world model không phải là đối thủ, mà bổ trợ cho nhau. Mô hình ngôn ngữ phù hợp để giao tiếp với con người, trong khi world model nội tại phù hợp để can thiệp vào các quy trình vật lý. Nhầm lẫn giữa hai vai trò này đồng nghĩa với việc sử dụng sai công cụ.
– Thứ hai, năng lực lập kế hoạch trước sẽ quyết định độ tin cậy trong vận hành. Việc một hệ thống có thể đánh giá các hệ quả tiềm tàng, hay chỉ đơn thuần ngoại suy từ quá khứ, không phải là chi tiết mang tính học thuật. Đây chính là yếu tố quyết định một giải pháp chỉ hoạt động trong dự án thử nghiệm, hay có thể đứng vững trong môi trường sản xuất ba ca.
– Thứ ba, chiến lược dữ liệu đang trở thành một lợi thế cạnh tranh. World model không học từ văn bản, mà từ trạng thái vật lý, dữ liệu cảm biến và các quy trình thực tế. Những doanh nghiệp biết cấu trúc hóa và khai thác dữ liệu sản xuất, dữ liệu cảm biến ngay từ hôm nay đang đặt nền móng cho thế hệ AI tiếp theo.

Không còn là tầm nhìn xa, mà là bài toán chuẩn bị
Các mô hình ngôn ngữ đã chứng minh máy móc có thể xử lý ngôn ngữ tốt đến mức nào. Giai đoạn tiếp theo sẽ khó hơn nhiều: những cỗ máy có khả năng hiểu môi trường xung quanh và hành động trong chính môi trường đó. Với ngành công nghiệp, đây không còn là một viễn cảnh xa vời, mà là vấn đề chuẩn bị. Và sự chuẩn bị ấy bắt đầu từ dữ liệu nội bộ và lựa chọn đúng công nghệ.

Để xem các tin bài khác về “Trí tuệ nhân tạo”, hãy nhấn vào đây.

 

Nguồn: Hannover Messe