AI bước vào kỷ nguyên thế giới vật lý
Từ khi ChatGPT xuất hiện, thị trường chủ yếu nhìn nhận AI qua góc độ "năng lực nhận thức" như tạo văn bản, viết mã và suy luận logic. Giai đoạn này tập trung vào việc giúp máy móc hiểu và tạo ra thông tin — tối ưu hóa các quy trình trong lĩnh vực số. Tuy vậy, nghiên cứu của Andreessen Horowitz cho thấy AI đang chuyển sang một kỷ nguyên mới: từ "hiểu thế giới" sang "tác động đến thế giới".
Sự thay đổi này có thể tóm tắt thành ba giai đoạn:
- Quá khứ: AI cung cấp thông tin (trả lời câu hỏi)
- Hiện tại: AI hỗ trợ ra quyết định (Agent)
- Tương lai: AI thực thi trực tiếp (Physical AI)
Nói cách khác, mục tiêu cuối cùng của AI không còn là "thông minh hơn", mà là "hữu ích hơn" — có thể thực hiện nhiệm vụ và tạo ra kết quả trong thế giới thực.
Ba hệ thống cốt lõi: Robotics, Auto Science và giao diện thế hệ tiếp theo
Trong khung Physical AI, a16z chia hệ sinh thái thành ba hệ thống cốt lõi, tạo thành một vòng tuần hoàn dữ liệu khép kín thay vì vận hành riêng lẻ.
-
Hệ thống robotics: nền tảng thực thi của AI trong thế giới vật lý. Robot đang phát triển từ thiết bị cơ khí thành hệ thống tích hợp giữa nhận thức, ra quyết định và kiểm soát. Ví dụ, dự án robot hình người của Tesla không chỉ là đổi mới phần cứng mà còn xây dựng hệ thống AI có thể thực hiện nhiệm vụ đáng tin cậy trong môi trường phức tạp.
-
Hệ thống khoa học tự động: nền tảng thí nghiệm tự động. Hệ thống này mở rộng vai trò của AI từ "tạo giả thuyết" đến "kiểm chứng giả thuyết". Quy trình gồm:
- AI hình thành giả thuyết nghiên cứu
- Hệ thống tự động thiết kế quy trình thí nghiệm
- Thiết bị thí nghiệm thực hiện và thu thập dữ liệu
- AI phân tích kết quả và cải tiến lặp lại
Cách tiếp cận khép kín này tự động hóa sản xuất tri thức và tạo ra lượng lớn dữ liệu chất lượng cao, có quan hệ nhân quả.
- Giao diện người-máy thế hệ mới: gồm AR, thiết bị đeo và giao diện não-máy (ví dụ Neuralink). Giá trị cốt lõi của các thiết bị này không nằm ở trải nghiệm người dùng mà ở khả năng thu thập dữ liệu. Chức năng chính:
- Ghi lại hành động con người từ góc nhìn thứ nhất
- Ghi nhận phản hồi sinh lý và vận động
- Trích xuất tín hiệu ý định tiềm ẩn
Những tiến bộ này giúp AI nhận được dữ liệu đầu vào xác thực và liên tục hơn.
Chuyển đổi mô hình dữ liệu: Từ dữ liệu internet sang dữ liệu thực tế
Hiện phát triển AI đang gặp nút thắt: giá trị gia tăng của dữ liệu internet giảm dần. Dù tập dữ liệu văn bản và mã nguồn rất lớn, giá trị biên lại ngày càng thấp. Physical AI mang đến nguồn dữ liệu mới — dữ liệu tương tác thực tế.
So sánh hai mô hình dữ liệu:
-
Dữ liệu internet
- Đặc điểm: Khối lượng lớn, dễ tiếp cận
- Hạn chế: Dựa vào tương quan, nhiều nhiễu
-
Dữ liệu thế giới thực
- Đặc điểm: Hiếm, tốn kém để thu thập
- Ưu điểm: Quan hệ nhân quả, xác minh được
Sự chuyển dịch này sẽ định hình lại lộ trình nâng cấp năng lực AI:
- Từ "hệ thống dự đoán" sang "hệ thống kiểm soát"
- Từ "tạo câu trả lời" sang "tối ưu hóa kết quả"
- Từ "huấn luyện ngoại tuyến" sang "phản hồi thời gian thực"
Hạ tầng nền tảng cho Physical AI
Về kỹ thuật, lõi cạnh tranh của Physical AI không nằm ở ứng dụng mà ở hạ tầng. Các thành phần chính gồm:
- Hệ thống mô phỏng: Động cơ tạo dữ liệu huấn luyện AI trong môi trường ảo, giảm mạnh chi phí thử nghiệm thực tế. NVIDIA Omniverse là ví dụ kết nối thế giới số và vật lý.
- World models: Hệ thống diễn giải môi trường vật lý — như chuyển động vật thể, thay đổi môi trường — làm nền tảng cho AI ra quyết định chính xác.
- Action models: Chuyển quyết định thành hành động chính xác, giúp AI chuyển từ "suy nghĩ" sang "thực thi".
- Cảm biến nâng cao: Cung cấp đầu vào đa chiều (thị giác, xúc giác, tín hiệu sinh học) để AI nhận thức thế giới toàn diện.
Tái cấu trúc giá trị: Ai nắm bắt làn sóng mới
Cùng với sự phát triển công nghệ, cấu trúc giá trị cũng thay đổi. Giá trị từng tập trung ở lớp ứng dụng đang thu hẹp, trong khi vai trò của lớp hệ thống và hạ tầng tăng lên.
Các điểm chính:
- Đồng nhất hóa lớp ứng dụng: Rào cản thấp, cạnh tranh cao
- Tăng giá trị lớp hệ thống: Robotics và hệ thống tự động hóa trở thành trung tâm
- Dữ liệu là rào cản: Dữ liệu thực tế khó sao chép và có giá trị lâu dài
Quan trọng nhất, Physical AI biến dữ liệu từ "tài nguyên có thể sao chép vô hạn" thành "tài sản cần tích lũy lâu dài".
Động lực đầu tư và ngành: Cơ hội và giới hạn
Về đầu tư, giai đoạn này có các đặc điểm cấu trúc riêng.
Thứ nhất, cường độ vốn tăng — Physical AI gần với các ngành như:
- Bán dẫn
- Năng lượng mới
- Hàng không vũ trụ
Điều này đồng nghĩa:
- Đầu tư lớn hơn
- Chu kỳ hoàn vốn dài hơn
- Rào cản kỹ thuật cao hơn
Thứ hai, chuỗi ngành chia ba tầng:
- Thượng nguồn: Tỷ lệ băm và nền tảng mô phỏng
- Trung nguồn: Tích hợp mô hình và hệ thống
- Hạ nguồn: Triển khai ứng dụng và kịch bản thực tế
Cuối cùng, nhịp phát triển theo ba giai đoạn:
- Ngắn hạn: Agent mở rộng trong thế giới số
- Trung hạn: Hệ thống hợp tác người-máy hoàn thiện
- Dài hạn: Physical AI đạt quy mô lớn
Lộ trình: Từ Agent đến Physical AI
Về dài hạn, tiến hóa của AI có thể tóm tắt thành ba giai đoạn:
- Cognitive AI (ví dụ ChatGPT): Giải quyết vấn đề hiểu và tạo dữ liệu
- Agent AI: Thực hiện nhiệm vụ trong môi trường số
- Physical AI: Thực hiện nhiệm vụ trong thế giới thực
Tiến trình này cho thấy xu hướng cốt lõi: AI chuyển từ "công cụ xử lý thông tin" thành "hệ thống thực thi trong thế giới thực".
Kết luận: Đích đến cuối cùng của AI
Tóm lại, các nhận định cốt lõi của a16z:
- AI sẽ bước vào thế giới vật lý
- Nguồn dữ liệu sẽ thay đổi căn bản
- Năng lực hệ thống sẽ vượt năng lực mô hình đơn lẻ
Cuối cùng, đích đến của AI không chỉ là hiểu thế giới sâu sắc hơn mà là khả năng hành động và tạo ra kết quả trong môi trường thực. Khi năng lực này phát triển, AI sẽ chuyển từ công cụ thành hạ tầng nền tảng — định hình lại cấu trúc ngành và dòng vốn trên quy mô lớn.
