Trí tuệ nhân tạo tạo sinh đang chia robot công nghiệp thành bốn lớp riêng biệt: (1) Mã dựa trên LLM và tạo kịch bản chuyển động cho các ngôn ngữ điều khiển hiện có; (2) Mô hình nền tảng thị giác-ngôn ngữ-hành động (VLA) để thao tác từ đầu đến cuối mà không cần lập trình rõ ràng; (3) Nền tảng mô phỏng tạo sinh tạo ra dữ liệu huấn luyện tổng hợp ở quy mô lớn; và (4) Lập trình ngoại tuyến được tăng cường bởi AI với các thiết bị điều khiển bằng ngôn ngữ tự nhiên. Tính đến năm 2026, Lớp 1 và 4 đang được sản xuất ở quy mô có thể đo lường được; Lớp 2 và 3 vẫn đang ở giai đoạn thí điểm.
Lớp 1: Tạo mã LLM và kịch bản chuyển động
Ứng dụng trực tiếp nhất của trí tuệ nhân tạo tạo sinh trong robot công nghiệp không yêu cầu phần cứng mới hoặc kiến trúc robot khác. Nó thay thế, hoặc ít nhất là tăng tốc, quá trình viết chương trình robot bằng ngôn ngữ dành riêng cho bộ điều khiển bằng cách sử dụng các mô hình ngôn ngữ lớn được huấn luyện trên các kho mã bao gồm cú pháp lập trình robot.
Bộ điều khiển robot công nghiệp mỗi loại sử dụng một ngôn ngữ độc quyền: mã FANUC Teach Pendant (TP), ABB RAPID, KUKA Robot Language (KRL) và URScript của Universal Robots là bốn ngôn ngữ được sử dụng rộng rãi nhất trong ngành công nghiệp ô tô và sản xuất nói chung. Một lập trình viên ngôn ngữ tự nhiên (LLM) có kinh nghiệm với các ngữ pháp ngôn ngữ này có thể tạo, hoàn thiện và gỡ lỗi chương trình từ các lệnh bằng ngôn ngữ tự nhiên theo cách tương tự như GitHub Copilot hoàn thiện Python hoặc JavaScript. Sự tương đồng này là có chủ ý: các công cụ robot LLM đời đầu được định vị rõ ràng là "GitHub Copilot dành cho lập trình robot".
ABB đã tiến xa nhất trong số các nhà sản xuất thiết bị gốc (OEM) với tính năng hỗ trợ AI hướng đến sản xuất được tích hợp trong RobotStudio, nền tảng OLP của hãng. Việc tích hợp LLM nội bộ của ABB cho phép các kỹ sư mô tả mục tiêu quỹ đạo bằng ngôn ngữ đơn giản, chẳng hạn như “tạo đường đi của mỏ hàn dọc theo mặt bích trên cùng của giá đỡ này với góc mỏ hàn 60 độ và tốc độ di chuyển 0.4 m/s”, và nhận mã RAPID làm đầu ra. Kỹ sư xem xét, điều chỉnh và xác nhận; LLM rút ngắn giai đoạn thiết kế chứ không phải loại bỏ hoàn toàn kỹ sư.
Dự án Robotics Copilot của Microsoft Research, được công bố năm 2024, đã chứng minh một kiến trúc trong đó các mô tả kỹ năng bằng ngôn ngữ tự nhiên được chuyển đổi thành mã chính sách robot có cấu trúc thông qua một lớp trung gian LLM. Hệ thống này xử lý các tác vụ gắp và đặt cũng như lắp ráp được mô tả hoàn toàn bằng tiếng Anh, với LLM suy luận các tham chiếu đối tượng từ ngữ cảnh của khung cảnh thay vì yêu cầu nhập tọa độ rõ ràng. Khung nghiên cứu (kỹ năng thông qua ngôn ngữ tự nhiên) đã ảnh hưởng đến các tích hợp thương mại sau này.
Nền tảng Zero Downtime (ZDT) của FANUC đã bổ sung thêm một lớp hỗ trợ LLM để giải thích các bất thường và đề xuất mã sửa lỗi, định vị nó không phải là một công cụ soạn thảo chương trình mà là một công cụ tăng tốc gỡ lỗi và bảo trì cho các thư viện mã TP hiện có.
Theo quan sát từ các dự án thí điểm tạo mã LLM ban đầu trong môi trường sản xuất ô tô và chế tạo nói chung, thời gian lập trình cho các chương trình robot mới giảm từ 25–40% khi các công cụ hoàn thiện mã LLM được tích hợp vào quy trình làm việc OLP tiêu chuẩn, với mức giảm lớn nhất đối với các chương trình lặp đi lặp lại, có thể tham số hóa như trình tự gắp và đặt linh kiện và các đường hàn tiêu chuẩn. Mức giảm đáng kể đối với chuyển động phối hợp đa trục phức tạp, nơi thời gian xem xét của kỹ sư chiếm ưu thế hơn thời gian viết mã.
Những hạn chế là có thật. LLM có thể tạo ra mã RAPID hoặc TP đúng cú pháp nhưng không hợp lệ về mặt động học: các đường dẫn đặt công cụ nằm ngoài không gian làm việc có thể tiếp cận của robot, hoặc tạo ra các điểm kỳ dị ở cổ tay tại giữa đường đi. Mã được tạo ra yêu cầu cùng một bước kiểm tra khả năng tiếp cận và phát hiện va chạm như các chương trình OLP được viết thủ công. LLM rút ngắn thời gian soạn thảo; nó không thay thế việc xác minh. Đây là một hạn chế về cấu trúc cho đến khi các công cụ xác minh chính thức được tích hợp trực tiếp vào quy trình tạo mã, một lĩnh vực đang được nghiên cứu tích cực tính đến năm 2026.
Để hiểu rõ hơn về cách thức tích hợp mã tạo bằng AI với hệ sinh thái phần mềm OLP rộng lớn hơn, hãy xem bài viết liên quan của chúng tôi về chủ đề này. Lập trình ngoại tuyến, mô phỏng và mô hình kỹ thuật số song sinh cho hàn robot (2026).
Lớp 2: Mô hình nền tảng VLA để thao tác từ đầu đến cuối
Mô hình thị giác-ngôn ngữ-hành động (VLA) thể hiện một cách tiếp cận hoàn toàn khác biệt đối với lập trình robot. Thay vì tạo mã cho bộ điều khiển xác định, mô hình VLA nhận hình ảnh từ camera và hướng dẫn bằng ngôn ngữ tự nhiên làm đầu vào và xuất ra các hành động của robot trực tiếp, dưới dạng một mạng nơ-ron duy nhất từ đầu đến cuối. Không có bộ lập kế hoạch đường đi riêng biệt, không có chỉ định tọa độ rõ ràng, không có bộ xử lý hậu kỳ. Mô hình khái quát hóa từ phân bố huấn luyện của nó sang các đối tượng và cấu hình mới theo những cách mà các phương pháp dựa trên mã không thể làm được.
Các mốc nghiên cứu quan trọng
Quá trình nghiên cứu VLA đã tăng tốc đáng kể kể từ năm 2023. RT-2 (Google DeepMind, 2023) đã chứng minh rằng một mô hình được khởi tạo từ nền tảng ngôn ngữ-hình ảnh được huấn luyện trước có thể thể hiện khả năng suy luận đột phá, thực hiện các nhiệm vụ mà nó chưa từng được huấn luyện rõ ràng bằng cách kết hợp các khái niệm được học từ dữ liệu quy mô web. Điều này đã thiết lập tiền lệ cho việc sử dụng các mô hình nền tảng lớn làm xương sống cho chính sách của robot.
OpenVLA (Đại học Stanford, 2024) cung cấp một giải pháp thay thế hoàn toàn mở về trọng số với 7 tỷ tham số dựa trên kiến trúc Prismatic VLM. Giấy phép Apache 2.0 và khả năng tinh chỉnh của OpenVLA đã biến nó thành nền tảng nghiên cứu và thí điểm công nghiệp ban đầu chính cho các phòng thí nghiệm và nhà tích hợp không có quyền truy cập vào hệ thống điện toán độc quyền của Google.
Robot π0 (2024–25) của Physical Intelligence đã giới thiệu một đầu hành động khớp luồng thay thế cho việc phân loại mã thông báo rời rạc, tạo ra các quỹ đạo mượt mà hơn, phù hợp hơn với các nhiệm vụ khéo léo nhiều giai đoạn. Robot Helix (2024–25) của Figure AI, được triển khai trên hình người Figure 02 tại nhà máy Spartanburg của BMW, sử dụng phương pháp hai mô hình: một VLM cấp cao xử lý việc hiểu cảnh trong khi một mô hình cảm giác vận động cấp thấp thực thi ở tần số điều khiển, tách vòng lặp suy luận ngôn ngữ khỏi vòng lặp điều khiển thời gian thực.
Gemini Robotics (2025) của Google DeepMind áp dụng họ mô hình đa phương thức Gemini cho các nhiệm vụ thao tác khéo léo và suy luận không gian 3D. NVIDIA GR00T N1 và GR00T-Mimic (2025) tạo thành một bộ VLA dành riêng cho người máy hình người — trọng số của GR00T N1 được công khai, biến nó trở thành một trong những mô hình nền tảng người máy hình người đầu tiên có sẵn để tinh chỉnh từ bên ngoài. Quy trình GR00T-Mimic đi kèm tạo ra dữ liệu trình diễn tổng hợp từ video của con người, phần nào thu hẹp khoảng cách dữ liệu điều khiển từ xa.
Bộ dữ liệu Open X-Embodiment, được tập hợp bởi hơn 60 phòng thí nghiệm trên 22 loại robot khác nhau, vẫn là nỗ lực chia sẻ dữ liệu liên tổ chức quan trọng nhất trong lĩnh vực này. Việc huấn luyện trên bộ dữ liệu đa dạng này giúp cải thiện khả năng khái quát hóa giữa các loại robot: một chính sách được huấn luyện trên Open X-Embodiment có thể chuyển giao đáng tin cậy hơn sang phần cứng robot mới so với một chính sách được huấn luyện trên dữ liệu của một nền tảng duy nhất.
Theo Chỉ số AI Stanford 2025, số lượng bài báo được bình duyệt về học máy robot và điều khiển robot dựa trên mô hình nền tảng đã tăng hơn 60% từ năm 2022 đến năm 2024, vượt xa tốc độ tăng trưởng của bất kỳ lĩnh vực phụ nào khác của trí tuệ nhân tạo ứng dụng. Chỉ số này lưu ý rằng việc triển khai trong công nghiệp thường chậm hơn so với việc công bố nghiên cứu trung bình từ 18 đến 36 tháng đối với các tác vụ thao tác đòi hỏi độ chính xác dưới milimet, phản ánh khoảng cách giữa tính khả thi của việc trình diễn và độ tin cậy ở cấp độ sản xuất.
Trạng thái triển khai công nghiệp
Tính đến năm 2026, việc triển khai VLA trong môi trường sản xuất công nghiệp tập trung vào hai loại ứng dụng mà tính linh hoạt là yếu tố quan trọng nhất và chi phí cho các lỗi không thường xuyên có thể quản lý được: chọn hàng hóa trong thùng chứa đa dạng và lắp ráp linh hoạt cho các tác vụ có dung sai lỏng lẻo. RFM-1 của Covariant trong việc thực hiện đơn hàng thương mại điện tử là ví dụ triển khai thương mại được nhắc đến nhiều nhất. Các chương trình thí điểm trong ngành ô tô với Figure AI Helix đại diện cho trường hợp thử nghiệm công nghiệp nặng dễ thấy nhất.
Hàn, thao tác tải trọng nặng và lắp ráp chính xác vẫn nằm ngoài phạm vi sản xuất hiện tại của VLA. Hành vi suy luận ngẫu nhiên của các đầu hành động mạng nơ-ron tạo ra sự biến thiên có thể vượt quá dung sai quy trình trong các ứng dụng yêu cầu độ lặp lại dưới 0.1 mm. Riêng đối với hàn, các yêu cầu về khả năng truy xuất nguồn gốc quy trình hàn đủ điều kiện (WPS) theo ISO 3834 và AWS D1.1 tạo ra những rào cản bổ sung cho việc thay thế thực thi đường dẫn xác định bằng suy luận chính sách xác suất.
EVST, với lộ trình phát triển sản phẩm hiện bao gồm... robot hình người, bàn tay khéo léo thu thập dữ liệu và robot bốn chân Cùng với các dòng robot công nghiệp và hệ thống hàn, sản phẩm này được định vị xuyên suốt quá trình chuyển đổi này. Nền tảng tay robot khéo léo thu thập dữ liệu của hãng giải quyết được nút thắt cổ chai về dữ liệu minh họa mà quá trình đào tạo VLA phụ thuộc vào. Đây là lĩnh vực mà đầu tư phần cứng hiện nay có tác động trực tiếp đến chất lượng mô hình nền tảng. Để biết thêm thông tin về kiến trúc AI thể hiện và cơ chế mô hình VLA, xem Trí tuệ nhân tạo thể hiện trong robot công nghiệp: Mô hình VLA đang thay đổi lập trình robot như thế nàoĐể hiểu rõ hơn về cơ sở hạ tầng thu thập dữ liệu hỗ trợ các mô hình này, vui lòng xem [liên kết]. Thu thập dữ liệu AI thể hiện: Điều khiển từ xa và chuyển đổi từ mô phỏng sang thực tế (2026).
Lớp 3: Mô phỏng tạo sinh và dữ liệu huấn luyện tổng hợp
Các mô hình VLA cần dữ liệu minh họa ở quy mô lớn. Điều khiển từ xa vật lý — con người điều khiển robot thông qua giao diện xúc giác trong khi hệ thống ghi lại trạng thái khớp và luồng video từ camera — là nguồn dữ liệu chất lượng cao nhất, nhưng nó tốn kém và chậm. Theo quan sát trong ngành, việc thu thập một tập dữ liệu minh họa có thể sử dụng được cho một nhiệm vụ thao tác mới tốn khoảng 10–100 giờ làm việc của người vận hành cho mỗi biến thể nhiệm vụ. Mô phỏng tạo sinh giải quyết nút thắt cổ chai này bằng cách tạo ra dữ liệu huấn luyện tổng hợp trong phần mềm với chi phí thấp hơn nhiều so với điều khiển vật lý.
NVIDIA Cosmos và Isaac Sim 4.5
Các mô hình nền tảng NVIDIA Cosmos World Foundation, được công bố cùng với GR00T tại GTC 2025, tạo ra các video huấn luyện có tính khả thi về mặt vật lý từ các lời nhắc bằng văn bản hoặc hình ảnh. Thay vì kết xuất mô phỏng truyền thống, Cosmos tạo ra video tổng hợp chân thực như ảnh chụp, phù hợp hơn với các thông số hình ảnh thực tế từ camera, giảm thiểu thành phần dịch chuyển miền hình ảnh trong khoảng cách giữa mô phỏng và thực tế. NVIDIA Isaac Sim 4.5 cung cấp môi trường mô phỏng chính xác về mặt vật lý, chạy các môi trường song song trên cơ sở hạ tầng GPU của NVIDIA để thu thập dữ liệu quỹ đạo robot ở quy mô mà việc huấn luyện mô hình nền tảng yêu cầu.
Sự kết hợp giữa Cosmos để tạo video tổng hợp chân thực và Isaac Sim để thu thập dữ liệu quỹ đạo dựa trên vật lý song song, tạo nên giải pháp tích hợp của NVIDIA cho vấn đề dữ liệu huấn luyện dành cho các mô hình nền tảng robot hình người và robot công nghiệp.
Các phần mềm mô phỏng tạo sinh mã nguồn mở và học thuật
Genesis (Đại học Thanh Hoa) là một nền tảng mô phỏng tạo sinh mã nguồn mở sử dụng vật lý khả vi và bố cục cảnh tạo sinh để tạo ra các kịch bản huấn luyện đa dạng với thông lượng cao. DreamGen áp dụng các mô hình khuếch tán video để tạo ra các bản trình diễn thao tác robot dựa trên mô tả ngôn ngữ, cho phép tăng cường dữ liệu mà không cần thêm thời gian thao tác vật lý của robot. RoboCasa cung cấp một chuẩn mực mô phỏng quy mô lớn cho các nhiệm vụ thao tác trong gia đình và nhà bếp, đặc biệt hữu ích cho việc huấn luyện robot hình người trong các kịch bản khéo léo hai tay.
Khoảng cách giữa mô phỏng và thực tế: Tiến độ năm 2024–25
Khoảng cách giữa mô phỏng và thực tế (sự suy giảm hiệu suất của thuật toán khi một mô hình được huấn luyện trong môi trường mô phỏng được triển khai trên robot vật lý) đã thu hẹp đáng kể từ năm 2023 đến năm 2025 thông qua ba cơ chế. Ngẫu nhiên hóa miền (thay đổi ngẫu nhiên các kết cấu, ánh sáng, khối lượng vật thể và hệ số ma sát trong quá trình huấn luyện mô phỏng) vẫn là kỹ thuật được sử dụng rộng rãi nhất. Kết xuất ảnh chân thực thông qua Cosmos và các công cụ tương tự làm giảm sự dịch chuyển miền hình ảnh. Và các đường dẫn dữ liệu lai kết hợp các quỹ đạo tổng hợp với một lượng nhỏ dữ liệu điều khiển từ xa thực tế đã cho thấy sự cải thiện hiệu suất nhất quán so với huấn luyện thuần mô phỏng hoặc thuần thực tế trong các bài kiểm tra hiệu năng đã được công bố.
Theo dữ liệu về hệ sinh thái nhà phát triển do NVIDIA công bố, tính đến đầu năm 2026, hơn 700 công ty công nghiệp đã sử dụng NVIDIA Omniverse và Isaac Sim cho các ứng dụng mô phỏng kỹ thuật số, tạo dữ liệu tổng hợp và bản sao kỹ thuật số, trong đó thao tác robot và điều hướng robot di động là những lĩnh vực ứng dụng hàng đầu. Các số liệu về mức độ sử dụng của nhà phát triển do NVIDIA công bố là một chỉ số gián tiếp cho thấy tốc độ mà cơ sở hạ tầng mô phỏng tạo sinh đang được ứng dụng vào quy trình công nghiệp, mặc dù chi tiết triển khai trên mỗi ô không được công bố riêng.
Lớp 4: OLP ngôn ngữ tự nhiên và thiết bị dạy học được hỗ trợ bởi trí tuệ nhân tạo (AI).
Lớp 4 áp dụng trí tuệ nhân tạo tạo sinh tại điểm mà hầu hết việc lập trình robot nhà máy hiện đang diễn ra: bảng điều khiển lập trình (teach pendant), hoặc phần mềm tương đương trong công cụ OLP. Sự khác biệt so với Lớp 1 nằm ở ngữ cảnh. Lớp 1 tạo ra mã đa năng từ các mô tả ngôn ngữ. Lớp 4 tích hợp trực tiếp với một quy trình cụ thể — hàn, sơn, lắp ráp — và tạo ra các chương trình chuyển động được tham số hóa đầy đủ, nhận biết quy trình từ các đầu vào ngôn ngữ tự nhiên ở cấp độ người vận hành, bao gồm các tham số quy trình, chứ không chỉ là các đường dẫn hình học.
Ví dụ thực tiễn minh họa giá trị của lớp này: người vận hành hướng dẫn hệ thống hàn, “hàn một đường hàn 200 mm ở góc dưới cùng của chi tiết này,” và hệ thống trả về đường đi của mỏ hàn hoàn chỉnh với góc tiếp cận, tốc độ di chuyển, thông số đường hàn và cài đặt điện áp được lấy từ thư viện quy trình, mà không cần định nghĩa điểm tham chiếu thủ công. Người vận hành xác nhận và chạy. Điều này khác biệt về mặt chất lượng so với công cụ tự động hoàn thành mã tạo ra cú pháp RAPID từ mô tả hình học; đây là một hệ thống tạo quy trình hoàn chỉnh từ đầu đến cuối.
Triển khai của nhà cung cấp
ABB RobotStudio đã tích hợp một trợ lý ngôn ngữ tự nhiên kiểu Copilot, chấp nhận mô tả quy trình và trả về các chương trình robot có cấu trúc để xem xét. Việc tích hợp này nằm trên lớp mã RAPID — LLM phân tích quy trình, sau đó tạo ra RAPID — thay vì yêu cầu kỹ sư phải chỉ định trực tiếp chương trình ở cấp độ ngôn ngữ. Đối với các ứng dụng hàn, trợ lý có thể tham chiếu thư viện nguồn điện hàn của RobotStudio để tự động điền các thông số hồ quang.
Nền tảng ZDT của FANUC đã bổ sung khả năng chẩn đoán bằng ngôn ngữ tự nhiên và đề xuất khắc phục sự cố, hỗ trợ chứ không thay thế quy trình soạn thảo mã TP. Trợ lý này diễn giải các mã cảnh báo và các bất thường về thời gian chu kỳ bằng ngôn ngữ dễ hiểu và đề xuất điều chỉnh thông số, giảm sự phụ thuộc vào các lập trình viên chuyên nghiệp cho các nhiệm vụ bảo trì và hiệu chỉnh định kỳ.
Trong số các nhà sản xuất thiết bị gốc (OEM) triển khai khả năng Layer 4 trong các ứng dụng hàn chuyên biệt, hệ thống hàn EVS-AI của EVST tích hợp khả năng quét tự động bằng thị giác 3D với việc tạo đường dẫn tự động. Camera 3D quét phôi, trích xuất hình học đường hàn và dữ liệu lắp ráp, và hệ thống tạo ra một chương trình hàn robot hoàn chỉnh — đường dẫn, hướng mỏ hàn, tốc độ di chuyển và các thông số quy trình — dựa trên thư viện quy trình hàn RX được tải sẵn các hình học mối nối điển hình và trình tự nhiều lớp. Hệ thống loại bỏ việc lập trình thủ công cho các mối nối góc, mối nối giáp mí và mối nối chồng tiêu chuẩn trên thép carbon và nhôm, đồng thời hỗ trợ các trình tự hai dây và nhiều lớp cho các bộ phận có độ phức tạp cao hơn. Chứng nhận của bên thứ ba CE, SGS và TUV bao gồm việc tích hợp vào môi trường sản xuất được quản lý chất lượng. Điều này định vị hệ thống EVS-AI ở giai đoạn sẵn sàng sản xuất của Layer 4, khác biệt với các phương pháp tiếp cận LLM-first vẫn đang được kiểm chứng tại các nhà cung cấp khác. Để so sánh chi tiết về bộ phần mềm bao gồm hệ thống này, hãy xem Lập trình ngoại tuyến, mô phỏng và mô hình kỹ thuật số song sinh cho hàn robot (2026).
Theo dữ liệu của IFR World Robotics, tỷ lệ robot hàn mới được lắp đặt và trang bị phần mềm lập trình ngoại tuyến hoặc phần mềm mô phỏng tiên tiến đã tăng từ khoảng 25% vào năm 2019 lên ước tính 48% vào năm 2024. Việc bổ sung giao diện tạo đường dẫn bằng ngôn ngữ tự nhiên thể hiện lớp khả năng gia tăng tiếp theo so với OLP, và dữ liệu từ những người dùng tiên phong là các nhà tích hợp hệ thống hàn cho thấy các hệ thống quét 3D thành đường dẫn hỗ trợ AI giúp giảm thời gian lập trình sản phẩm đầu tiên từ 80–95% đối với các hình dạng mối hàn góc và mối hàn giáp mí tiêu chuẩn so với các phương pháp OLP thủ công.
Mức độ sẵn sàng theo ngành dọc công nghiệp theo ứng dụng
Mức độ sẵn sàng ứng dụng AI tạo sinh khác nhau đáng kể giữa các ngành công nghiệp. Các yếu tố quyết định bao gồm yêu cầu về dung sai, nghĩa vụ truy xuất nguồn gốc theo quy định và chất lượng, tính sẵn có của dữ liệu và chi phí thiệt hại do thất bại.
Hàn
Kiểm soát chất lượng bằng thị giác AI và theo dõi đường hàn AI được triển khai ở quy mô sản xuất trong các dây chuyền hàn kể từ năm 2026 — đây là các triển khai Lớp 4 sử dụng camera ánh sáng cấu trúc và mô hình khớp mẫu, chứ không phải suy luận VLA. Việc tạo đường hàn hoàn chỉnh dựa trên VLA, trong đó chính sách mạng nơ-ron điều khiển chuyển động của mỏ hàn mà không cần thư viện quy trình xác định, ước tính sẽ đạt được triển khai sản xuất có kiểm soát vào năm 2026-2028 đối với các hình dạng thép carbon tiêu chuẩn, với điều kiện các tiêu chuẩn truy xuất nguồn gốc WPS được cập nhật để phù hợp với các bản ghi đường hàn do AI tạo ra.
Lắp ráp và sản xuất đa dạng sản phẩm
Hệ thống lắp ráp dẫn hướng bằng thị giác AI sử dụng phương pháp chèn điều khiển lực và suy luận ràng buộc LLM đang được triển khai thí điểm tại các nhà sản xuất ô tô cấp 1 và các nhà sản xuất điện tử tiêu dùng. Các tác vụ có yêu cầu dung sai trên 0.5 mm (định tuyến cáp, kẹp gài, đặt nhãn) là những ứng dụng phù hợp nhất trong ngắn hạn. Các tác vụ chèn có dung sai chặt chẽ (dưới 0.1 mm) vẫn sử dụng bộ điều khiển chuyển động cổ điển để điều khiển chính xác, trong khi VLA xử lý việc lựa chọn tác vụ và định vị thô phía trên lớp xác định.
Hậu cần và chọn hàng từ thùng
Việc chọn và xếp pallet các mặt hàng đa dạng đại diện cho lĩnh vực triển khai VLA (Value-Based Learning) phát triển nhất vào năm 2026. Hệ thống robot xếp pallet RFM-1 của Covariant và Dexterity đã vượt qua giai đoạn thử nghiệm và đi vào sản xuất tại các trung tâm phân phối. Lợi thế thương mại của việc xử lý các SKU mới mà không cần lập trình riêng cho từng mặt hàng được hỗ trợ trực tiếp bởi khả năng khái quát hóa mô hình nền tảng.
Ô tô hạng nặng và cấp 1
Các ngành sản xuất tải trọng nặng (thép kết cấu, vận hành dây chuyền ép, thân xe) và các xưởng thân xe ô tô cấp 1 vẫn sử dụng bộ điều khiển xác định. Các yêu cầu về kiểm soát quy trình theo tiêu chuẩn IATF16949, nghĩa vụ ghi nhật ký kiểm toán và chi phí vốn cho thời gian ngừng hoạt động ngoài kế hoạch khiến cho suy luận AI ngẫu nhiên không khả thi về mặt thương mại ở quy mô lớn vào năm 2026. Các môi trường này sẽ áp dụng AI tạo sinh chủ yếu thông qua Lớp 1 (tạo mã để tăng tốc OLP) và Lớp 3 (tạo dữ liệu mô phỏng) trước khi triển khai VLA Lớp 2.
Theo báo cáo năm 2025 của Viện McKinsey Global Institute về trí tuệ nhân tạo (AI) trong hoạt động công nghiệp, các ngành sản xuất có yêu cầu chứng nhận chất lượng nghiêm ngặt (ô tô, hàng không vũ trụ, thiết bị y tế) áp dụng các công cụ tự động hóa AI với tốc độ chỉ bằng khoảng một nửa so với ngành sản xuất và hậu cần nói chung, chủ yếu là do gánh nặng xác thực bổ sung do yêu cầu của hệ thống quản lý chất lượng đặt ra. Báo cáo ước tính rằng các công cụ lập trình được tăng cường bởi AI (Lớp 1 và Lớp 4 trong khuôn khổ được mô tả ở đây) sẽ đạt được mức độ áp dụng rộng rãi trong các ứng dụng robot công nghiệp phi ô tô vào năm 2028, trong khi việc triển khai VLA đầy đủ trong môi trường chất lượng được chứng nhận sẽ cần thêm từ hai đến bốn năm nữa sau ngưỡng đó.
Rủi ro và rào cản
Ảo giác và An toàn: Những quỹ đạo không an toàn do Trí tuệ nhân tạo tạo ra
Các mô hình ngôn ngữ lập trình (LLM) có thể tạo ra các chương trình robot hợp lệ về mặt cú pháp nhưng lại không an toàn về mặt động học hoặc động lực học. Một đường dẫn được tạo ra có thể đặt đầu cuối của robot nằm ngoài không gian làm việc có thể tiếp cận được, đi qua điểm kỳ dị, hoặc quy định vận tốc khớp vượt quá giới hạn động học. Đây không phải là rủi ro lý thuyết — nó đã được quan sát thấy trong các dự án thí điểm tạo mã LLM ban đầu khi các bước xác thực bị bỏ qua hoặc rút gọn. Biện pháp giảm thiểu cần thiết là một lớp xác minh chính thức bắt buộc: phân tích khả năng tiếp cận, phát hiện va chạm và kiểm tra giới hạn động học phải được áp dụng cho mọi đường dẫn do AI tạo ra trước khi tải lên bộ điều khiển vật lý. Không có hệ thống tạo mã AI nào được phép bỏ qua lớp này, bất kể đầu ra của mô hình có vẻ đáng tin cậy đến mức nào.
Đối với các mô hình VLA, thách thức về an toàn mang tính cơ bản hơn. Phản ứng của một chính sách mạng nơ-ron đối với các đầu vào nằm ngoài phạm vi phân phối — hình dạng đối tượng mới, điều kiện ánh sáng bất ngờ, cảnh bị che khuất một phần — có thể suy giảm một cách nhẹ nhàng hoặc thất bại đột ngột, và việc dự đoán điều nào sẽ xảy ra không hề đơn giản với các công cụ diễn giải hiện tại. Tiêu chuẩn ISO 10218-3, sẽ bao gồm mã robot do AI tạo ra và lập kế hoạch chuyển động do AI điều khiển, đang trong giai đoạn tiền phát triển tính đến năm 2026. Phương pháp tạm thời, phù hợp với lý luận của SOTIF (ISO 21448), là xác định một miền thiết kế hoạt động nghiêm ngặt và hạn chế hoạt động của AI bên ngoài miền đó cho đến khi có thêm bằng chứng xác thực.
Tính toán chi phí và tác động của vốn đầu tư.
Việc chạy suy luận VLA trong một dây chuyền sản xuất yêu cầu một nút tính toán GPU chuyên dụng. Một mô hình 7 tỷ tham số (quy mô OpenVLA) có thể chạy trên một GPU tầm trung duy nhất với tần số suy luận 6–10 Hz; các mô hình lớn hơn yêu cầu nhiều GPU cao cấp. Theo quan sát từ các nhà tích hợp dây chuyền robot khi đánh giá việc triển khai VLA, chi phí phần cứng GPU cho một nút suy luận duy nhất làm tăng thêm khoảng 4,000–8,000 USD vào chi phí đầu tư của dây chuyền, tương đương với mức phí cao hơn 5–10% so với một dây chuyền robot thông thường với giá phần cứng hiện tại. Đây là một khoản chi phí đầu tư bổ sung có thể quản lý được ở quy mô lớn, nhưng không phải là nhỏ đối với các nhà sản xuất vừa và nhỏ khi đánh giá lợi tức đầu tư trên cơ sở từng dây chuyền.
Quyền sở hữu trí tuệ và dữ liệu
Khi các hệ thống AI học hỏi từ các quỹ đạo sản xuất được tạo ra tại các cơ sở của khách hàng — cho dù thông qua các công cụ LLM tích hợp của nhà cung cấp hay các quy trình huấn luyện VLA — vấn đề pháp lý về quyền sở hữu đối với các cải tiến mô hình và trọng số đã được huấn luyện vẫn chưa được giải quyết. Bộ dữ liệu Open X-Embodiment đã thiết lập tiền lệ cho việc chia sẻ dữ liệu liên tổ chức trong giới học thuật theo các điều khoản của Creative Commons, nhưng dữ liệu sản xuất thương mại hoạt động theo các ràng buộc khác nhau. Người mua nên yêu cầu các nhà cung cấp robot AI đưa ra các điều khoản hợp đồng rõ ràng về việc lưu giữ dữ liệu, quyền cải tiến mô hình và các hạn chế sử dụng cạnh tranh trước khi cam kết sử dụng các nền tảng học hỏi từ dữ liệu quỹ đạo cụ thể của từng cơ sở.
Khoảng trống tiêu chuẩn: Không có tiêu chuẩn ISO nào cho mã lập trình robot do AI tạo ra.
ISO 10218-1 và ISO 10218-2 quy định về an toàn thiết kế và tích hợp robot. ISO/TS 15066 đề cập đến cơ sinh học tiếp xúc giữa robot cộng tác và con người. Không có tiêu chuẩn nào trong số này đề cập cụ thể đến các chương trình chuyển động do AI tạo ra. ISO 10218-3, phần mở rộng được đề xuất nhằm bao gồm điều khiển robot và tạo mã do AI điều khiển, đang trong giai đoạn tiền phát triển tính đến năm 2026. Cho đến khi tiêu chuẩn này được công bố, các nhà sản xuất triển khai mã do AI tạo ra trong môi trường chất lượng được chứng nhận phải tự xây dựng các lập luận xác thực của riêng họ và ghi lại chúng một cách riêng biệt với hồ sơ tuân thủ tiêu chuẩn.
Khung ứng dụng: Năm bước từ đội tàu hiện tại đến việc tăng cường bằng trí tuệ nhân tạo
Trên thực tế, quá trình chuyển đổi từ đội robot được lập trình theo cách thông thường sang sản xuất được hỗ trợ bởi trí tuệ nhân tạo (AI) diễn ra theo từng giai đoạn. Việc cố gắng nhảy thẳng đến triển khai VLA mà không có các lớp trung gian sẽ tạo ra gánh nặng xác thực và tỷ lệ thất bại cao hơn so với việc áp dụng từng bước.
Kiểm tra lại đội ngũ robot hiện có: các thương hiệu robot và ngôn ngữ điều khiển nào đang được sử dụng, tỷ lệ chương trình được lập trình thủ công so với chương trình được tạo tự động bằng OLP là bao nhiêu, và thời gian lập trình trung bình cho mỗi chi tiết mới là bao nhiêu. Thông tin cơ bản này giúp xác định nơi việc tạo mã LLM lớp 1 mang lại lợi ích nhanh nhất và những ô nào đủ điều kiện để áp dụng OLP tăng cường AI lớp 4. Nếu không có thông tin này, các quyết định áp dụng sẽ dựa trên giả định chứ không phải bằng chứng.
Chọn một ngôn ngữ điều khiển được sử dụng trên nhiều cụm máy tính (FANUC TP hoặc ABB RAPID là những lựa chọn phổ biến nhất) và chạy thử nghiệm trong 60-90 ngày với công cụ hoàn thành mã LLM. Đo thời gian lập trình trước và sau khi sử dụng, theo dõi số lượng lỗi do AI tạo ra được phát hiện trong giai đoạn kiểm định, và ghi lại mức độ kỹ năng cần thiết để đạt được chất lượng đầu ra chấp nhận được. Mục tiêu là có được con số tiết kiệm thời gian đã được xác thực và một bức tranh rõ ràng về những trường hợp cần sự xem xét của con người.
Đối với các dây chuyền hàn hoặc lắp ráp có tỷ lệ thay đổi linh kiện cao, hãy đánh giá hệ thống quét 3D thành đường dẫn hoặc hệ thống tạo quy trình bằng ngôn ngữ tự nhiên. Đo thời gian lập trình sản phẩm đầu tiên, yêu cầu kỹ năng của người vận hành và tỷ lệ lỗi trong lần sản xuất đầu tiên so với tiêu chuẩn OLP. Đối với hàn, hãy xác minh rằng thư viện quy trình của hệ thống bao gồm các loại mối nối và vật liệu liên quan trước khi triển khai.
Xác định một hoặc hai ứng viên cho cụm điều khiển có nhiều loại linh kiện (hơn 20 mã sản phẩm khác nhau), yêu cầu dung sai không quá khắt khe (độ chính xác vị trí trên 0.5 mm là chấp nhận được) và chi phí cho các lỗi không thường xuyên ở mức chấp nhận được. Xây dựng kế hoạch thu thập dữ liệu thử nghiệm, thường là 100-300 giờ vận hành từ xa trên toàn bộ phạm vi nhiệm vụ mục tiêu, trước khi bắt đầu huấn luyện mô hình. Chạy lớp VLA trên bộ điều khiển xác định hiện có; không thay thế bộ điều khiển chuyển động đạt tiêu chuẩn an toàn.
Dựa trên kết quả thí điểm từ Bước 2–4, hãy xây dựng một kế hoạch đầu tư 24 tháng định lượng hóa các yếu tố sau: giảm chi phí nhân công lập trình (Lớp 1 và 4), giảm thời gian chuyển đổi (Lớp 4), chi phí đầu tư GPU trên mỗi cell (Lớp 2), và thời gian dự kiến để đạt được trạng thái sẵn sàng sản xuất VLA cho các ngành ứng dụng cụ thể trong cơ sở. Bao gồm chi phí cho công việc tuân thủ tiêu chuẩn (kiểm tra tính hợp lệ của mã do AI tạo ra so với các yêu cầu của ISO 10218) như một khoản mục riêng biệt, chứ không phải là một khoản mục được thêm vào sau.
So sánh các lớp: Khả năng sẵn sàng sản xuất, nhà cung cấp, chi phí và rủi ro chính
| lớp | Sẵn sàng cho sản xuất? | Các nhà cung cấp/nền tảng tiêu biểu | Chi phí ước tính cho mỗi ô | Rủi ro chính |
|---|---|---|---|---|
| Lớp 1: Tạo mã LLM và kịch bản chuyển động | Có — đang được triển khai tại các nhà sản xuất tiên phong; bước xác thực là bắt buộc. | GitHub Copilot (chung), ABB RobotStudio Copilot, FANUC ZDT LLM assistant, Microsoft Robotics Copilot (nghiên cứu) | 0–5,000 USD/năm (đăng ký phần mềm); không kèm phần cứng bổ sung | Tạo quỹ đạo không an toàn nếu thiếu lớp xác minh chính thức; chưa có tiêu chuẩn ISO nào cho mã do AI tạo ra. |
| Lớp 2: Mô hình nền tảng VLA | Chỉ dành cho thử nghiệm thí điểm — chọn linh kiện từ thùng chứa và lắp ráp với dung sai lỏng; chưa được kiểm định cho hàn hoặc các quy trình có dung sai chặt chẽ. | Covariant RFM-1, Trí tuệ vật lý π0, Figure AI Helix, Google DeepMind Gemini Robotics, NVIDIA GR00T N1 | Phần cứng GPU giá từ 4,000 đến 8,000 USD cộng với chi phí thu thập dữ liệu đáng kể (100-300 giờ vận hành từ xa cho mỗi tác vụ) | Suy luận ngẫu nhiên vượt quá dung sai quy trình; không đạt tiêu chuẩn ISO 10218-3; chi phí thu thập dữ liệu cao. |
| Lớp 3: Mô phỏng tạo sinh | Giai đoạn thử nghiệm/công cụ — được sử dụng như dữ liệu bổ sung cho quá trình đào tạo của VLA; không phải là hệ thống sản xuất độc lập. | NVIDIA Cosmos, NVIDIA Isaac Sim 4.5, Genesis (Thanh Hoa), DreamGen, RoboCasa | Từ 0 USD (mã nguồn mở) đến hơn 50,000 USD/năm (NVIDIA doanh nghiệp); chi phí tính toán GPU tính thêm. | Khoảng cách giữa mô phỏng và thực tế vẫn tồn tại; chất lượng dữ liệu tổng hợp phụ thuộc vào độ chính xác vật lý; lợi tức đầu tư (ROI) gắn liền với việc triển khai VLA, hiện vẫn đang trong giai đoạn thử nghiệm. |
| Lớp 4: OLP được hỗ trợ bởi AI / Thiết bị dạy học bằng ngôn ngữ tự nhiên | Có — được triển khai trong sản xuất cho các hình dạng hàn tiêu chuẩn, lắp ráp và môi trường chuyển đổi đa dạng sản phẩm. | ABB RobotStudio + Copilot, FANUC ZDT + LLM assistant, hệ thống hàn EVST EVS-AI (quét 3D + tự động định tuyến), Inrotech AdaptiveARC | 40,000–120,000 USD mỗi ô (phần cứng + phần mềm cho quá trình quét 3D hoàn chỉnh; tích hợp LLM riêng lẻ sẽ có giá thấp hơn) | Giới hạn phạm vi bao phủ của thư viện quy trình: các mối hàn hợp kim đặc biệt nhiều lớp phức tạp vẫn yêu cầu OLP thủ công; yêu cầu kiểm toán khả năng truy xuất nguồn gốc WPS làm tăng chi phí xác thực. |
Câu Hỏi Thường Gặp
Nhà sản xuất nên bắt đầu với lớp trí tuệ nhân tạo tạo sinh nào trong lĩnh vực robot công nghiệp?
Lớp 1 (tạo mã có sự hỗ trợ của LLM) là điểm khởi đầu có rủi ro thấp nhất. Nó tích hợp vào các công cụ OLP và ngôn ngữ điều khiển hiện có mà không cần thay đổi phần cứng hoặc kiến trúc an toàn. Thời gian tiết kiệm được từ 25–40% trong việc lập trình robot có thể đạt được trong các triển khai thí điểm trong vòng 30–90 ngày. Lớp 4 (bộ điều khiển từ xa được tăng cường bởi AI) là bước tiếp theo hợp lý, đặc biệt đối với các xưởng hàn và lắp ráp có nhiều loại chi tiết khác nhau. Các dự án thí điểm VLA (Lớp 2) nên được hoãn lại cho đến khi các lớp đơn giản hơn ổn định và cho đến khi thu thập được đủ dữ liệu chứng minh — thường là 100–300 giờ vận hành từ xa.
Các nhà sản xuất xác minh độ an toàn của quỹ đạo di chuyển do trí tuệ nhân tạo tạo ra như thế nào?
Thực tiễn tốt nhất hiện nay là tích hợp bất kỳ mục tiêu chuyển động nào được tạo ra bởi LLM hoặc VLA vào một bộ giám sát an toàn xác định, thực thi các giới hạn không gian làm việc, giới hạn vận tốc, giới hạn mô-men xoắn khớp và kiểm tra tránh va chạm bất kể yêu cầu của lớp AI là gì. ISO 10218-1 và ISO 10218-2 quy định về an toàn thiết kế và tích hợp robot; ISO/TS 15066 bao gồm lực tiếp xúc của robot cộng tác. ISO 10218-3 (bao gồm mã robot do AI tạo ra) đang trong giai đoạn tiền phát triển tính đến năm 2026. Cho đến khi tiêu chuẩn đó được công bố, khung lý luận SOTIF (ISO 21448) từ ngành ô tô — xác định miền thiết kế hoạt động và hạn chế hoạt động của AI bên ngoài miền đó — cung cấp một phương pháp xác thực khả thi.
Việc áp dụng công nghệ tạo mã hỗ trợ bởi AI có tạo ra sự phụ thuộc vào nhà sản xuất thiết bị gốc (OEM) hay không?
Điều này phụ thuộc vào lớp triển khai. Các trợ lý LLM được tích hợp vào các công cụ OLP của nhà cung cấp (ABB RobotStudio Copilot, FANUC ZDT) là dành riêng cho nhà sản xuất thiết bị gốc (OEM): mã RAPID hoặc TP được tạo ra có thể di động, nhưng bản thân trợ lý AI lại gắn liền với nền tảng của nhà cung cấp. Các công cụ LLM mã nguồn mở và của bên thứ ba nhắm mục tiêu đến nhiều ngôn ngữ điều khiển khác nhau sẽ tránh được hạn chế này. Đối với các mô hình nền tảng VLA, NVIDIA GR00T N1 cung cấp các trọng số mở, trong khi Physical Intelligence π0 và Figure AI Helix là độc quyền. Người mua nên đánh giá khả năng di động của các trọng số mô hình đã được huấn luyện và dữ liệu huấn luyện trước khi cam kết sử dụng một nền tảng đóng.
Các mẫu đế VLA sẽ sẵn sàng cho các ứng dụng hàn sản xuất hàng loạt khi nào?
Dự báo chung cho giai đoạn 2026–2028 là việc triển khai hạn chế trên các hình dạng mối hàn tiêu chuẩn (mối hàn góc, mối hàn giáp mí, mối hàn chồng trên thép carbon hoặc nhôm), với điều kiện ba yếu tố phát triển: độ tin cậy của thuật toán VLA đạt thời gian hoạt động trên 99% trong quá trình sản xuất nhiều ca; một tiêu chuẩn ISO cho mã robot do AI tạo ra mà các khung chất lượng hàn có thể tham chiếu; và cơ sở hạ tầng thu thập dữ liệu trình diễn đầy đủ ở cấp độ nhà máy. Việc hàn các vật liệu có hình dạng phức tạp và hợp kim đặc biệt có thể sẽ vẫn sử dụng các hệ thống dựa trên OLP mang tính xác định cho đến năm 2028 và sau đó.
Ai sở hữu các quỹ đạo di chuyển của robot được tạo ra bởi các hệ thống trí tuệ nhân tạo được đào tạo dựa trên dữ liệu sản xuất của khách hàng?
Tính đến năm 2026, vấn đề này vẫn chưa được giải quyết về mặt thương mại và pháp lý. Bộ dữ liệu Open X-Embodiment đã thiết lập tiền lệ chia sẻ dữ liệu học thuật theo các điều khoản của Creative Commons, nhưng dữ liệu sản xuất thương mại hoạt động theo các ràng buộc khác nhau. Khi các hệ thống AI học hỏi từ dữ liệu hành trình khách hàng, các điều khoản hợp đồng giữa nhà sản xuất và nhà cung cấp AI sẽ quy định việc lưu giữ dữ liệu, quyền cải tiến mô hình và các hạn chế sử dụng cạnh tranh. Người mua nên yêu cầu sự rõ ràng trong hợp đồng về quyền sở hữu dữ liệu, quyền đối với mô hình và việc xóa dữ liệu khi kết thúc hợp đồng trước khi triển khai bất kỳ nền tảng AI nào học hỏi từ dữ liệu sản xuất cụ thể của cơ sở.
Đọc liên quan
- Trí tuệ nhân tạo thể hiện trong robot công nghiệp: Mô hình VLA đang thay đổi lập trình robot như thế nào — Kiến trúc, tiêu chuẩn và xác thực an toàn cho các mô hình VLA một cách chuyên sâu
- Thu thập dữ liệu AI thể hiện: Điều khiển từ xa và chuyển đổi từ mô phỏng sang thực tế (2026) — cơ sở hạ tầng dữ liệu minh họa mà các mô hình nền tảng phụ thuộc vào
- Lập trình ngoại tuyến, mô phỏng và mô hình kỹ thuật số song sinh cho hàn robot (2026) — Bộ phần mềm hàn bốn lớp bao gồm hệ thống tự học AI
- Hệ thống tự động hóa quy trình — tích hợp hệ thống, tiêu chuẩn an toàn và khung vận hành
- Các nhà sản xuất robot cộng tác hàng đầu năm 2026: So sánh — Bức tranh tổng quan về các nhà cung cấp robot cộng tác, bao gồm sự khác biệt về khả năng trí tuệ nhân tạo.
Các tài liệu tham khảo bên ngoài:
Báo cáo Robot Thế giới IFR 2025 |
Chỉ số AI Stanford 2025 |
ISO 10218-2: An toàn của hệ thống robot và tích hợp |
NVIDIA Isaac Có