Thúc đẩy AI công nghiệp từ ứng dụng đơn lẻ đến bước nhảy vọt về năng suất

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

2026-07-19 14:34:28 Nguồn: QbitAI

Tác giả: Tiêu Tùng (Xiao Song)

Chủ tịch, Chủ tịch kiêm CEO Siemens Trung Quốc

Phó Chủ tịch Liên minh Sản xuất Thông minh Quốc tế

Kể từ đầu năm nay, "AI vật lý" – đặc trưng bởi sự tích hợp sâu rộng giữa trí tuệ nhân tạo và thế giới vật chất – đã trở thành tâm điểm phát triển của công nghệ và công nghiệp toàn cầu. Trí tuệ nhân tạo đang tăng tốc tiến vào các hiện trường sản xuất, đi sâu vào các nhà máy, phân xưởng và dây chuyền sản xuất, tiếp sức cho nền kinh tế thực mà đại diện tiêu biểu là ngành sản xuất.

Đề cương kế hoạch "Kế hoạch 5 năm lần thứ 15" của Trung Quốc đã nêu rõ việc "đẩy nhanh đổi mới công nghệ số và trí tuệ" và "triển khai toàn diện hành động 'AI+'". Đối mặt với vòng xoáy mới của cuộc cách mạng công nghệ và chuyển đổi công nghiệp, việc đẩy nhanh ứng dụng rộng rãi AI công nghiệp đã trở thành một bài toán bắt buộc đối với giới công nghiệp.

Bề rộng của các phân khúc công nghiệp, chiều sâu của hệ thống sản xuất, tốc độ đổi mới công nghiệp và thái độ cởi mở với công nghệ mới của Trung Quốc đã trở thành lợi thế độc đáo để phát triển AI công nghiệp. Tuy nhiên, để biến lợi thế này thành năng suất, cần phải giải quyết bài toán cấu trúc về sự thiếu hụt kết nối giữa huấn luyện mô hình và cung ứng dữ liệu trong quá trình triển khai AI công nghiệp. Các hiện trường công nghiệp cần thu thập đủ lượng dữ liệu, đặc biệt là dữ liệu mẫu âm (negative samples); chỉ thông qua cách này, việc huấn luyện mô hình mới trở nên hiệu quả và chính xác hơn. Chất lượng dữ liệu chính là chìa khóa thành công của AI công nghiệp. Lời giải nằm ở việc nắm bắt cốt lõi là "hiện trường" (scenario).

Hiện trường công nghiệp là "vùng nước sâu" của các ứng dụng trí tuệ nhân tạo. Nó có giá trị to lớn nhưng rào cản gia nhập lại cực kỳ cao. Sản xuất công nghiệp nhấn mạnh vào việc không chấp nhận sai sót, đòi hỏi sự nghiêm ngặt về tính xác định, độ tin cậy và an toàn. Trong khi đó, hiện trường công nghiệp lại chịu ảnh hưởng bởi nhiều yếu tố như thiết bị, quy trình, nhân sự và môi trường, khiến hệ thống trở nên vô cùng phức tạp, đồng thời có sự khác biệt rõ rệt giữa các ngành, các mô hình sản xuất và quy trình chế tạo khác nhau. Điều này khiến AI công nghiệp không thể theo đuổi cách phát triển bao phủ toàn diện, mà bắt buộc phải bắt đầu từ các hiện trường nghiệp vụ cụ thể, tiến hành từng bước trên cơ sở có thể truy xuất, kiểm chứng và kiểm soát được.

Trước hết, cần xác định chính xác các hiện trường có giá trị cao. Những hiện trường thực sự đáng ưu tiên đầu tư không phải là những nơi có khái niệm "hot" nhất, mà là những nơi hội tụ đủ bốn đặc điểm: điểm đau (pain point) có tần suất cao, dữ liệu có thể thu thập, giá trị có thể định lượng và có tiềm năng mở rộng, sao chép cũng như khái quát hóa hơn nữa.

Kiểm tra chất lượng là một hiện trường có giá trị cao điển hình, nơi hiệu quả ứng dụng của trí tuệ nhân tạo có thể được đo lường trực quan thông qua các chỉ số như hiệu suất và chi phí. Nền tảng kiểm tra chất lượng thông minh Smart Detection do Siemens phát triển đã được triển khai quy mô lớn tại nhiều nhà máy của Siemens ở Thành Đô, Nam Kinh, Tô Châu... Dữ liệu cho thấy, nền tảng này có thể giảm 90% chi phí phần cứng và rút ngắn chu kỳ bàn giao dự án từ "cấp tuần" xuống "cấp giờ".

Thứ hai, chỉ khi lấy hiện trường làm dẫn dắt, chúng ta mới có thể xây dựng hiệu quả các bộ dữ liệu công nghiệp chất lượng cao. Dữ liệu trong lĩnh vực công nghiệp không tự nhiên hoàn thiện hay sẵn sàng để sử dụng, mà phân tán rộng rãi trong các thiết bị, hệ thống và quy trình khác nhau, thể hiện các đặc tính như vô tổ chức, manh mún, đa nguồn không đồng nhất và đa phương thức. Đồng thời, một lượng lớn kiến thức then chốt ảnh hưởng đến chất lượng và hiệu suất sản xuất thường lắng đọng trong các quy chuẩn quy trình, kinh nghiệm vận hành và thực tiễn lâu năm của các kỹ sư hiện trường và những "bậc thầy" lành nghề. Nếu không được quản trị, tích hợp và gắn nhãn, dữ liệu này khó có thể hỗ trợ việc huấn luyện và sử dụng các mô hình lớn (large models) và tác nhân thông minh (agents).

Chỉ khi lấy hiện trường cụ thể làm dẫn dắt, việc phân loại dữ liệu mới có mục tiêu, thu thập dữ liệu mới không bị mất phương hướng và quản trị dữ liệu mới nắm bắt được trọng tâm. Chỉ như vậy, dữ liệu mới thực sự chuyển từ "tích lũy vô tổ chức" sang "sản xuất có trật tự", và các dữ liệu phân tán cùng kiến thức ẩn mới dần chuyển hóa thành tài sản huấn luyện mô hình hữu dụng, đáng tin cậy và hiệu quả, từ đó hiện thực hóa vòng lặp lành mạnh "Hiện trường - Dữ liệu - Mô hình", giúp trí tuệ nhân tạo thực sự "hữu dụng, dễ dùng" và có thể "yên tâm sử dụng".

Luyện đồng là một ví dụ điển hình. Trong hiện trường này, các vấn đề như hàm lượng đồng trong quặng nguyên liệu không ổn định, thiếu hụt nhân tài giàu kinh nghiệm, điều kiện nhiệt độ cao phức tạp và hay thay đổi đan xen lẫn nhau. Chỉ dựa vào dữ liệu đơn lẻ hoặc mô hình đơn điểm là khó có thể ứng phó hiệu quả; bắt buộc phải tích hợp dữ liệu thiết bị, kiến thức quy trình và kinh nghiệm chuyên gia xoay quanh hiện trường quy trình cụ thể. Siemens đã hợp tác với "Shiwu Ye" (Fifteen Metallurgical), tích hợp dữ liệu thiết bị từ 11 phân đoạn quy trình, cùng với kiến thức ngành và kinh nghiệm thực tế từ tài liệu chuyên ngành, quy chuẩn quy trình và những chia sẻ của các "bậc thầy", để tạo ra tác nhân thông minh đầu tiên trong ngành luyện đồng được đưa xuống tận biên (edge), giúp độ ổn định của phẩm cấp đồng băng – chỉ số then chốt ảnh hưởng đến chất lượng thành phẩm và tuổi thọ lò – tăng 15%.

Thứ ba, năng lực hệ thống tích hợp phần cứng và phần mềm là chìa khóa để hiện thực hóa giá trị hiện trường. Triển khai AI công nghiệp không phải là vấn đề triển khai một mô hình đơn lẻ, mà là một kỹ thuật hệ thống phức tạp, cần kết hợp sâu rộng với phần mềm công nghiệp, thiết bị điện toán biên, thiết bị chấp hành và quy trình công nghệ. Đặc biệt tại các hiện trường công nghiệp nơi thiết bị đa thế hệ cùng tồn tại và đa giao thức đan xen, nếu trí tuệ nhân tạo không thể nhúng vào các hệ thống dị biệt phức tạp, nó sẽ rất khó phát huy tác dụng thực sự.

AI công nghiệp không chỉ cần hiểu hiện trường và đưa ra kết quả suy luận, mà còn phải cho phép các thiết bị cũ và mới phối hợp với nhau, đảm bảo các lệnh được thực thi chính xác, xử lý ngoại lệ có cơ chế an toàn dự phòng, và hình thành vòng lặp khép kín thông qua việc phản hồi liên tục dữ liệu vận hành. Chỉ khi thông suốt toàn bộ chuỗi từ cảm biến, ra quyết định, thực thi đến phản hồi, AI công nghiệp mới có thể chuyển hóa từ năng lực kỹ thuật thành năng suất thực tế.

Xu hướng này đã được thể hiện trong các sản phẩm tác nhân thông minh công nghiệp thế hệ mới. Eigen – tác nhân thông minh kỹ thuật do Siemens công bố gần đây – là một trong những hệ thống AI thương mại hóa chính thức đầu tiên trên thế giới có khả năng tự lập kế hoạch và thực thi các nhiệm vụ kỹ thuật tự động hóa công nghiệp. Nó giúp trí tuệ nhân tạo không còn chỉ dừng lại ở các khung hội thoại, mà thực sự có thể nhúng vào quy trình làm việc then chốt của phát triển tự động hóa, hoàn thành các nhiệm vụ như lập trình PLC, trực quan hóa HMI, cấu hình thiết bị, giúp kỹ sư làm việc nhanh hơn, chính xác hơn và đáng tin cậy hơn.

Cuối cùng, AI công nghiệp không thể thành công nếu từng doanh nghiệp tự đóng cửa làm một mình. Để thực sự hướng tới quy mô, nó phải kiên trì đổi mới mở và phải được xây dựng trên cơ sở mở cửa hiện trường và phối hợp hệ sinh thái. Theo nghĩa này, mở cửa không phải là hạng mục bổ sung, mà là điều kiện cần thiết để phổ cập ứng dụng AI công nghiệp. Hiện nay, đã có các doanh nghiệp bắt đầu đẩy nhanh việc xác thực và tối ưu hóa các công nghệ liên quan trong môi trường công nghiệp thực tế thông qua các phương thức như mở cửa hiện trường và phối hợp thí điểm. Siemens cũng đang chủ động mở nhiều hiện trường nhà máy tại Trung Quốc cho các đối tác hệ sinh thái, triển khai các ứng dụng thí điểm xoay quanh trí tuệ hiện thân (embodied AI).

AI công nghiệp không phải là việc có thể hoàn thành trong một sớm một chiều. Nó đòi hỏi sự đầu tư lâu dài, tích lũy liên tục và mài giũa kiên trì trong các hiện trường thực tế như kiểm tra chất lượng, vận hành bảo trì thiết bị, tối ưu hóa tham số quy trình, tối ưu hóa lập kế hoạch sản xuất, tối ưu hóa chuỗi cung ứng, giảm tiêu thụ năng lượng, thiết kế tạo sinh (generative design)... Các ứng dụng tác nhân thông minh sẽ ngày càng phổ biến, hiện thực hóa sự thông minh hóa quy trình nghiệp vụ, nâng cao đáng kể hiệu quả vận hành và ra quyết định kinh doanh. Siemens sẵn sàng tiếp tục đồng hành cùng nhiều đối tác tại Trung Quốc, tích hợp sâu rộng kiến thức ngành, dữ liệu tích lũy và đổi mới công nghệ của chính mình, giúp trí tuệ nhân tạo bám rễ vào hiện trường, từ hiệu quả đơn điểm tiến tới bước nhảy vọt về năng suất. Chúng tôi cũng kêu gọi thúc đẩy hơn nữa việc mở cửa hiện trường và lưu thông dữ liệu, cùng tạo ra, cùng chia sẻ và cùng hưởng lợi từ kỷ nguyên AI công nghiệp.

Bài viết này do Siemens cung cấp, QbitAI được ủy quyền đăng tải lại, quan điểm thuộc về tác giả gốc.

Bản quyền thuộc về tác giả, không được phép đăng tải lại hoặc sử dụng dưới bất kỳ hình thức nào khi chưa được ủy quyền, mọi hành vi vi phạm sẽ bị xử lý theo pháp luật.