‘Bóng ma AI’ âm thầm vào thế giới thực: Robot, xe tự lái… có an toàn như cam kết?

Trong nhiều năm qua, trí tuệ nhân tạo chủ yếu tồn tại trên màn hình. Bạn gõ câu hỏi và AI trả lời. Nó có thể viết email, tạo hình ảnh hoặc video, giải đáp thắc mắc và thậm chí hỗ trợ lập trình. Nhưng về bản chất, AI vẫn giống như một “bóng ma trong cỗ máy”, bị giới hạn trong chiếc điện thoại hay máy tính của bạn.

Mọi thứ thay đổi khi AI rời khỏi thiết bị và bắt đầu di chuyển trong thế giới thực. Khi đó, nó không còn chỉ là phần mềm, mà đã có “cơ thể”.

Khái niệm Physical AI (AI vật lý) dùng để chỉ các hệ thống trí tuệ nhân tạo được tích hợp vào máy móc có khả năng cảm nhận môi trường, đưa ra quyết định và thực hiện hành động thông qua phần cứng. Những ví dụ điển hình bao gồm robot, xe tự lái, hệ thống tự động hóa trong nhà kho hoặc robot phẫu thuật.

Theo một nghiên cứu của PwC công bố tháng 3/2026, thị trường Physical AI toàn cầu có thể đạt giá trị khoảng 430 tỷ Euro (tương đương 500 tỷ USD) vào năm 2030. Điều này cho thấy một cuộc chuyển dịch lớn: AI không chỉ “trả lời” con người mà còn hành động trong thế giới thực.

Physical AI là gì?

Physical AI là trí tuệ nhân tạo được nhúng vào các cỗ máy có khả năng nhận thức, ra quyết định, hành động trong môi trường vật lý.

Khác với chatbot, các hệ thống này thu thập dữ liệu từ thế giới ba chiều thông qua nhiều loại cảm biến. Chúng có thể sử dụng camera, micro, lidar (cảm biến laser đo khoảng cách) hoặc các cảm biến môi trường đo nhiệt độ, áp suất, độ ẩm và độ rung để hiểu những gì đang diễn ra xung quanh.

Sau khi thu thập dữ liệu, hệ thống xử lý thông tin theo thời gian thực và điều khiển các bộ phận cơ học như bánh xe, động cơ, cánh tay robot hoặc các cơ cấu khác để phản ứng.

Theo Zhengyang Kris Weng, kỹ sư hệ thống robot tại công ty Sunday, Physical AI không đơn giản chỉ là một chatbot được đặt bên trong robot.

Một chatbot có thể “bịa” ra nguồn trích dẫn cho bài luận mà không gây hậu quả lớn. Nhưng nếu một robot giao hàng đánh giá sai khoảng cách, nó có thể đâm vào người thật ngoài đời.

Hoạt động của Physical AI diễn ra theo một vòng lặp liên tục gồm bốn bước: nhận thức – quyết định – hành động – học hỏi.

Quá trình bắt đầu khi máy móc cố gắng hiểu thế giới thông qua dữ liệu từ các cảm biến. Tuy nhiên, những gì hệ thống nhìn thấy không phải là một bộ phim rõ ràng mà là một cơn bão dữ liệu hỗn loạn.

Ví dụ, trong cơn mưa lớn, AI phải phân biệt được đâu là chiếc balo của một đứa trẻ và đâu là hộp thư ven đường, hai vật thể có thể trông khá giống nhau trong dữ liệu hình ảnh bị nhiễu.

Để xử lý khối dữ liệu khổng lồ này, hệ thống sử dụng nhiều loại công nghệ AI khác nhau. Computer vision phân tích hình ảnh từ camera. Các mô hình machine learning nhận diện mẫu và dự đoán điều gì có thể xảy ra tiếp theo. Reinforcement learning giúp hệ thống cải thiện thông qua thử nghiệm và sai sót, học cách hành động hiệu quả hơn. Một số hệ thống mới còn sử dụng agentic reasoning, cho phép lập kế hoạch nhiều bước và phối hợp các hành động phức tạp.

Khi đã hình dung được môi trường xung quanh, AI phải quyết định nên làm gì. Đây là quá trình logic diễn ra trong tích tắc. Chẳng hạn, nếu một chiếc túi nhựa bay qua đường, hệ thống xe tự lái phải xác định liệu đó chỉ là vật nhẹ vô hại hay là thứ cần phải giảm tốc, như một hòn đá.

Sau khi quyết định, AI sẽ gửi lệnh tới phần cứng để biến quyết định thành hành động, chẳng hạn đánh lái xe hoặc điều khiển cánh tay robot gắp một vật thể.

Trong các hệ thống xe tự lái, chỉ cần một phần của vòng lặp này bị chậm dù chỉ vài phần nghìn giây, hậu quả có thể không phải là lỗi phần mềm đơn giản mà là tai nạn ngoài đời thực.

Theo Weng, hành động sai của robot thậm chí có thể làm hỏng chính robot. Nếu hệ thống không được huấn luyện để xử lý những tình huống lạ, nó có thể thất bại nghiêm trọng khi hoạt động trong môi trường thực tế.

Những ví dụ thực tế của Physical AI

Physical AI không còn là khái niệm tương lai xa. Một số ứng dụng đã tồn tại trong đời sống.

Xe tự lái là ví dụ rõ ràng nhất. Các hệ thống như Robotaxi hay xe tự hành của Waymo và Tesla sử dụng AI để phân tích dữ liệu cảm biến và điều khiển phương tiện.

Theo Weng, nhiều người không nhận ra rằng xe tự lái thực chất chính là robot di chuyển trên đường phố.

Những chiếc xe này liên tục thu thập dữ liệu từ môi trường xung quanh. Dữ liệu đó được dùng để cải thiện mô hình AI, tạo ra cái gọi là “data flywheel”, vòng lặp dữ liệu càng nhiều thì hệ thống càng thông minh.

Robot cũng xuất hiện dưới nhiều hình dạng khác nhau. Một số là robot hình người như Optimus của Tesla. Trong khi đó, các robot công nghiệp trong nhà kho, chẳng hạn robot Vulcan của Amazon, sử dụng AI để nhận diện, phân loại và di chuyển kiện hàng.

Trong lĩnh vực y tế, các hệ thống robot phẫu thuật như da Vinci hỗ trợ bác sĩ thực hiện các thao tác cực kỳ chính xác. Ngay cả robot hút bụi gia đình cũng là một dạng Physical AI cơ bản. Thay vì va chạm lung tung như trước đây, các thiết bị hiện đại sử dụng công nghệ lập bản đồ không gian để ghi nhớ sơ đồ ngôi nhà.

Physical AI cũng đang được áp dụng trong các thành phố thông minh. Singapore đã xây dựng “digital twin”, bản sao kỹ thuật số 1:1 của thành phố, để chạy các mô phỏng quy hoạch. Trong tương lai, AI vật lý có thể giúp vận hành cả đô thị, giống như ý tưởng đang được thử nghiệm trong dự án Woven City của Toyota tại Nhật Bản.

Tuy nhiên, phần lớn các hệ thống hiện nay vẫn chỉ giỏi trong một nhiệm vụ rất hẹp. Robot trong kho hàng có thể bốc xếp hộp rất tốt nhưng không thể đi mua đồ trong siêu thị. Tương tự, hệ thống xe tự lái có thể chạy tốt trên cao tốc nhưng vẫn gặp khó khăn trong những tình huống phức tạp như công trường xây dựng hoặc người lái xe thiếu kỷ luật.

Vì sao Physical AI khác với generative AI?

Các mô hình generative AI như ChatGPT dự đoán mẫu trong văn bản, hình ảnh hoặc âm thanh. Ngược lại, Physical AI phải dự đoán kết quả trong môi trường thực tế luôn thay đổi.

Generative AI được huấn luyện trên Internet, một kho dữ liệu khổng lồ nhưng tương đối tĩnh. Physical AI được huấn luyện trên thực tế và thực tế thì rất tốn kém.

Bạn có thể huấn luyện chatbot với hàng tỷ từ chỉ bằng chi phí điện và máy chủ. Nhưng để huấn luyện xe tự lái, bạn phải thực sự lái xe trên đường, đối mặt với băng đen, trọng lực, hay thậm chí biển báo giao thông bị vẽ bậy.

Việc thu thập dữ liệu vì thế diễn ra chậm hơn nhiều, vì máy móc phải di chuyển, tương tác với vật thể và quan sát môi trường theo thời gian thực.

Để giảm chi phí, các nhà phát triển sử dụng mô phỏng digital twin và các mô hình “world foundation model” để tạo dữ liệu tổng hợp. Những môi trường ảo siêu thực này cho phép robot học các quy luật vật lý và luyện tập các tình huống hiếm gặp mà không gây tai nạn ngoài đời.

Dù vậy, mô phỏng vẫn chưa hoàn hảo. Nhiều yếu tố vật lý như ma sát hay va chạm vẫn rất khó tái tạo chính xác trong thế giới ảo.

Thách thức về an toàn và độ tin cậy

Khi AI bước ra khỏi màn hình, độ tin cậy trở thành yếu tố sống còn.

Các hệ thống vật lý phải hoạt động trong môi trường khó dự đoán. Cảm biến có thể hỏng, camera có thể bị lóa và con người luôn hành xử theo cách mà dữ liệu huấn luyện không thể dự đoán hết.

Theo Weng, độ tin cậy là yếu tố thường bị đánh giá thấp. Một hệ thống có thể đưa ra nhiều quyết định trong điều kiện bất định và đôi khi vẫn không an toàn.

Thách thức lớn nhất là những tình huống hiếm gặp. Ví dụ một chiếc xe tải chở gà bị lật trên đường hoặc một con hươu bất ngờ lao qua trước đầu xe. Chính những tình huống này mới thực sự kiểm tra khả năng của hệ thống.

Khác với phần mềm, sai lầm cơ học không thể đơn giản “hoàn tác”. Một ứng dụng lỗi có thể sửa bằng bản cập nhật qua đêm, nhưng một robot gặp trục trặc hay một vụ va chạm xe tự lái đều gây hậu quả trong thế giới thật.

Các nhà nghiên cứu hiện đang phát triển khái niệm embodied AI, tức là trí tuệ nhân tạo học thông qua hành động trong thế giới vật lý chứ không chỉ qua dữ liệu văn bản.

Ý tưởng là trí tuệ sẽ trở nên mạnh mẽ hơn khi nó gắn liền với trải nghiệm thực tế.

Trong tương lai, robot có thể hỗ trợ chăm sóc người cao tuổi, tham gia cứu hộ thảm họa hoặc giám sát nông nghiệp tự động. Các nhà kho sẽ vận hành với mức tự động hóa cao hơn, còn hệ thống giao thông đô thị có thể trở nên ngày càng tự chủ.

Theo Weng, robot có khả năng xuất hiện nhiều nhất ở những nơi có công việc lặp lại và môi trường tương đối ổn định.

Physical AI đã tồn tại, dù vẫn ở dạng hạn chế. Trí tuệ nhân tạo từng chỉ là thứ bạn gõ vào để trò chuyện. Giờ đây, nó đã bắt đầu di chuyển và hành động trong thế giới thực. Và đó có thể là bước ngoặt lớn tiếp theo của cuộc cách mạng AI.