Giảm 65% chi phí AI: Bài học từ phần mềm đến xưởng máy

Giữa lúc mạng xã hội lan truyền video robot Optimus vụng về gập áo hay vấp ngã khi phát nước, một câu chuyện khác ít ồn ào hơn nhưng thực tế hơn nhiều vừa diễn ra ở tầng hạ tầng phần mềm: LegalOn cắt giảm được 65% chi phí sử dụng Codex hằng ngày mà không làm chậm nhịp độ phát triển của đội ngũ kỹ sư.

Con số 65% này là chi tiết đáng chú ý nhất đối với bất kỳ ai đang phải trả hóa đơn API hằng tháng. Nó cho thấy ranh giới rất rõ giữa hai thái cực của làn sóng AI hiện nay: một bên là bài toán tối ưu luồng việc số đã nhìn thấy hiệu quả tài chính rõ ràng, và bên kia là ảo tưởng mang trí tuệ ngôn ngữ nguyên bản áp đặt vào thế giới vật lý.

Nghệ thuật phân tầng: Đừng dùng búa tạ đập hạt dẻ

Cách LegalOn giảm chi phí không có gì bí hiểm: họ ngừng việc ném mọi tác vụ cho mô hình đắt nhất. Thay vào đó, đội ngũ kỹ thuật chia nhỏ công việc và định tuyến thông minh qua ba cấp độ mô hình Astra, Sol và Luna. Những việc đòi hỏi tư duy phức tạp hoặc phân tích ngữ cảnh dài mới cần tới mô hình đầu bảng, còn các tác vụ phụ trợ, hoàn thiện mã lệnh cơ bản hoặc trích xuất thông tin lặp lại được đẩy xuống cho các mô hình nhẹ hơn.

Cách làm này trùng khớp với lời khuyên thực tế gần đây trong giới lập trình: hãy dồn những việc vặt, mang tính thường quy của Claude sang cho Haiku gánh vác. Khi phân tách rành mạch như vậy, chất lượng đầu ra không đổi nhưng chi phí vận hành giảm sâu ngay lập tức.

Oracle cũng đang đi theo hướng thực dụng này khi tích hợp ChatGPT Work và Codex vào quy trình vận hành nội bộ. Thay vì kỳ vọng AI tự động hóa hoàn toàn từ đầu đến cuối, họ biến tri thức chuyên môn của các kỹ sư kỳ cựu thành các luồng việc lặp lại được trên môi trường số. Công việc tuyển dụng, rà soát mã nguồn hay quản lý hạ tầng từng ngốn vài ngày nay co lại còn vài phút.

Bí quyết ở đây không nằm ở việc mô hình thông minh đến mức nào. Bí quyết nằm ở chỗ dữ liệu đầu vào của doanh nghiệp đủ sạch, luồng xử lý đủ khép kín và kết quả trả về chỉ tồn tại dưới dạng byte dữ liệu. Nếu mô hình sinh sai một dòng code, hệ thống CI/CD sẽ báo lỗi, kỹ sư sửa lại prompt hoặc rollback trong vài giây. Chi phí cho một sai lầm trên màn hình máy tính luôn rất rẻ.

Thế nhưng, khi mang đúng tư duy đó áp vào một cánh tay máy hay một van xả áp suất ngoài đời thực, mọi chuyện hoàn toàn đảo lộn.

Ảo tưởng mang trí tuệ ngôn ngữ vào thế giới vật lý

Nhiều người nhìn vào khả năng làm thơ, viết code của ChatGPT hay khả năng tạo video chuẩn điện ảnh của Pollo AI rồi vội vã tin rằng việc tạo ra một robot quản gia biết dọn nhà chỉ còn là vấn đề thời gian ngắn. Elon Musk thậm chí còn tự tin tuyên bố robot Optimus có giá 20.000 USD sẽ sở hữu sự khéo léo vượt trội con người và thay thế phần lớn lao động phổ thông.

Thực tế thì giới nghiên cứu robot học không mấy lạc quan như vậy.

Sự biến thiên của thế giới vật lý là vô hạn, khác xa với không gian xác suất có giới hạn của từ ngữ. Một mô hình ngôn ngữ lớn (LLM) dự đoán từ tiếp theo dựa trên hàng nghìn tỷ token văn bản được sắp xếp ngăn nắp. Nhưng thế giới thực không vận hành bằng token. Độ trơn trượt của sàn nhà, độ mềm của một chiếc áo sơ mi chưa ủi, hay phản lực bất ngờ khi cầm một chai nước đều là những biến số liên tục và hỗn loạn.

Các kỹ sư robot nhận ra rằng việc dùng trí thông minh xây dựng từ văn bản và hình ảnh để bắt chước cử động con người đang vấp phải bức tường kỹ thuật rất dày. Robot hình người không đồng nghĩa với cỗ máy đa năng. Để làm chủ được tương tác vật lý, chúng ta cần một hướng đi hoàn toàn khác về thu nhận dữ liệu cảm giác và phản xạ thời gian thực, chứ không thể đơn thuần mở rộng quy mô tham số của các mô hình hiện nay rồi mong điều kỳ diệu xuất hiện.

Khi sai lầm của AI làm hỏng phần cứng thật

Khoảng cách giữa AI thuần số và AI vật lý thể hiện rõ nhất trong các nhà máy. Bà Arti Garg, Giám đốc kỹ thuật tại hãng phần mềm công nghiệp AVEVA, chỉ ra một nghịch lý: các mô hình nền tảng thế hệ mới ngày càng mạnh hơn nhưng cũng ngày càng khó đoán và khó giải thích hơn.

Trong môi trường văn phòng, một quyết định sai của AI agent chỉ tạo ra một bản nháp tồi. Nhưng trong hạ tầng công nghiệp, một lệnh điều khiển van áp suất sai lệch do AI “ảo giác” có thể làm vỡ đường ống hoặc gây mất điện diện rộng.

Khó khăn lớn nhất khi đưa AI vào vận hành công nghiệp gồm ba mắt xích:

• Dữ liệu phân mảnh trầm trọng: Dữ liệu nhà xưởng không nằm gọn trong các kho dữ liệu hiện đại mà rải rác khắp nơi, từ cảm biến đo xa cũ kỹ, nhật ký bảo trì viết tay, cho đến các bản vẽ kỹ thuật CAD lưu từ hai mươi năm trước.
• Rủi ro vận hành không thể hoàn tác: Mọi hành vi điều khiển vật lý đều để lại hậu quả cơ học tức thì, không có nút “Undo” hay cơ chế container reload như môi trường web.
• Giám sát con người bị quá tải: Khi AI đưa ra hàng trăm quyết định tự động mỗi phút, kỹ sư vận hành rất khó can thiệp kịp thời nếu thiếu cơ chế giải trình rõ ràng cho từng hành động của máy móc.

Muốn AI tự chủ an toàn trong công nghiệp, doanh nghiệp bắt buộc phải chuẩn hóa tầng dữ liệu và xây dựng các rào chắn kiểm soát nghiêm ngặt trước khi mơ đến chuyện lắp đặt cánh tay robot thông minh.

Lối đi nào cho kỹ sư công nghệ tại Việt Nam?

Nhìn vào bức tranh này, người làm kỹ thuật tại Việt Nam nên rút ra bài học gì cho các dự án của mình?

Thứ nhất, hãy tỉnh táo trước cơn sốt robot đa năng hay các giải pháp vật lý đao to búa lớn. Đừng vội dồn ngân sách vào những bài toán mà giới nghiên cứu toàn cầu còn đang loay hoay tìm đường đi. Đích đến trước mắt của tự động hóa vật lý vẫn là các cỗ máy chuyên dụng, phục vụ một mục đích hẹp trong môi trường đã được kiểm soát chặt chẽ, chứ chưa thể là những hình nhân biết đi lại linh hoạt.

Thứ hai, hãy dồn nguồn lực vào bài toán tối ưu chi phí và phân tầng mô hình như LegalOn đã làm. Nếu dự án của bạn đang dùng một API duy nhất của mô hình đắt tiền nhất để xử lý mọi yêu cầu từ người dùng, bạn đang lãng phí tiền bạc.

Việc thiết kế một hệ thống định tuyến thông minh - phân loại tác vụ nào dùng mô hình nhẹ cục bộ, tác vụ nào cần gọi mô hình thương mại tầm trung, và khi nào mới kích hoạt mô hình lớn - đem lại giá trị tài chính ngay trong tháng tới. Song song với đó, việc dọn dẹp các luồng dữ liệu nội bộ, từ tài liệu kỹ thuật đến nhật ký hệ thống, sẽ là nền tảng vững chắc nhất. AI chỉ phát huy sức mạnh khi nó đứng trên một nền dữ liệu sạch và được trao quyền trong một không gian mà cái giá của sai lầm luôn nằm trong tầm kiểm soát.