Trí tuệ Không gian và Kỷ nguyên của các Mô hình Thế giới

Bóng ma của Kiến trúc sư trong Cỗ máy

Chúng ta đã dành 5 năm qua để hoàn thiện nghệ thuật “tán gẫu không thực thể”. Sự say mê thái quá với các Mô hình Ngôn ngữ Lớn (LLMs) đã vô tình cổ xúy cho một loại trí tuệ cực kỳ hoạt ngôn nhưng về cơ bản là… bị liệt. Những hệ thống này có thể tranh luận về đạo đức của Kant hay tái cấu trúc một codebase cũ rích trong vài giây, nhưng chúng vẫn là những “đứa trẻ mồ côi của thực tại”. Chúng không thể điều hướng trong một căn phòng đông người, không thể đoán được quỹ đạo của một chiếc ly đang rơi, hay hiểu được lực cản nhẹ nhàng của một đòn bẩy vật lý.

Đây chính là “Khoảng cách Phi thực thể” (Disembodied Gap) — sự nhận ra rằng một trí tuệ chỉ biết tư duy mà không có khả năng hành động là một dạng tồn tại khiếm khuyết. Thực tế đáng kinh ngạc là trong khi AI thuần kỹ thuật số đang chạm ngưỡng bão hòa ngôn ngữ, thì thị trường AI Vật lý (Physical AI) lại đang âm thầm tăng tốc hướng tới giá trị ước tính 960,38 tỷ USD vào năm 2033 [1]. Biên giới thực sự của AI không phải là thêm nhiều văn bản hơn; đó là sự làm chủ không gian, thời gian và những định luật vật lý không khoan nhượng.

Sự chuyển dịch từ “Ngôn từ sang Thế giới” (Words to Worlds) giống như một quá trình tiến hóa ngược. Trong tự nhiên, nhận thức không gian có trước ngôn ngữ phức tạp hàng trăm triệu năm. Con bọ ba thùy bò dưới đáy biển kỷ Cambri đã sở hữu trí tuệ không gian sơ khai trước khi tổ tiên loài người thốt ra lời nói đầu tiên [2]. Ngày nay, chúng ta đang chứng kiến sự trỗi dậy của các Mô hình Nền tảng Thế giới (World Foundation Models - WFMs). Đứng đầu là những người tiên phong như Fei-Fei Li hay các nền tảng như NVIDIA Cosmos. Chúng được thiết kế để cấp cho AI một “cơ thể vật lý” và một bộ giả lập nội tại, cho phép máy móc cảm nhận, suy luận và hành động trong môi trường 3D [3].

Giải mã: Nguyên lý gốc của Tâm trí Vật lý

Để hiểu cơ chế của Trí tuệ không gian (Spatial Intelligence), ta phải bóc tách nó về các nguyên lý cơ bản nhất. Trí tuệ trong thế giới thực được định nghĩa bằng khả năng tạo ra và thao tác trên các bộ giả lập nội tại. Con người không đi lại trong phòng bằng cách tính toán khoảng cách đến từng pixel; thay vào đó, chúng ta tạo ra một “bản đồ tinh thần” (mental map) tồn tại ngay cả trong bóng tối hoàn toàn [5].

Sự thật cốt lõi là: Thế giới 3D là “ngôn ngữ mẹ đẻ” của tự nhiên, còn ngôn ngữ chỉ là công cụ tổ chức riêng của con người [3]. Các LLM vận hành dựa trên các đơn vị từ ngữ (tokens), trong khi các mô hình thế giới vận hành dựa trên pixel hoặc voxels (pixel 3D) [3]. Công thức toán học của một mô hình thế giới thường liên quan đến một hàm chuyển đổi nhằm cập nhật trạng thái tiềm ẩn dựa trên các quan sát và hành động trước đó:

$$ h(t) = f(h(t-1), a(t-1), o(t)) $$

Trong đó $h(t)$ tóm tắt lịch sử liên quan, cho phép hệ thống dự đoán tương lai [6]. Bằng cách nén dữ liệu thực tế vào bộ giả lập này, chúng ta biến các tương tác vật lý nguy hiểm, tốn kém thành các truy vấn song song, chi phí thấp trong mô hình [7]. Đây là đòn bẩy kinh tế của Physical AI: một robot có thể học từ “trí tưởng tượng” của hàng triệu giờ giả lập thay vì những quy trình cứng nhắc được lập trình thủ công kiểu truyền thống [4].

So sánh các hình thái Trí tuệ

Đặc điểm	Ngôn ngữ (LLM)	Thị giác (Computer Vision)	Không gian (World Models)	Thực thể (Physical AI)
Đơn vị cơ bản	Tokens	Pixels	Voxels/Latents	Hành động (Actuations)
Chức năng lõi	Tương quan thống kê	Nhận diện thực thể	Giả lập động	Hành động vòng lặp kín
Hạn chế lớn nhất	Thiếu thực tế vật lý	Cảm nhận tĩnh	Cường độ tính toán lớn	Khoảng cách từ ảo sang thực

Sự phân rã này tạo nên cấu trúc gọi là “SpatialTree” [8]: bắt đầu từ cảm nhận mức thấp (L1), đến lập bản đồ (L2), tiến tới giả lập tinh thần (L3) và đỉnh cao là năng lực thực thi (L4) — khả năng hoàn thành các tác vụ đa bước trong môi trường mở. Các mô hình hiện tại đang làm chủ L1 và L2, nhưng để lên tới L3 và L4, chúng cần hiểu về trọng lực, ma sát và sự tồn tại vĩnh cửu của vật thể — những thứ mà LLM không bao giờ “đọc” mà hiểu được [9].

NVIDIA Cosmos và Kiến trúc của Thực tại

Nếu trí tuệ không gian là mục tiêu, thì NVIDIA Cosmos chính là hạ tầng. Cosmos không chỉ là một bộ code; nó là một hệ thống hiểu các định luật vật lý [10]. Thay vì dựa trên các engine vật lý cứng nhắc (hard-coded), Cosmos sử dụng các mô hình video tạo sinh quy mô lớn để mã hóa thực tại [12].

Cấu trúc của Cosmos chia làm hai nhánh: Cosmos-Predict (dự đoán tương lai) và Cosmos-Reason (suy luận logic).

Cosmos-Predict: Sử dụng kiến trúc khuếch tán (diffusion) và tự hồi quy (autoregressive) để mô phỏng trạng thái tiếp theo của thế giới [13].

Cosmos-Tokenize: Một thành phần quan trọng giúp nén dữ liệu video theo không gian - thời gian (tỉ lệ 8x8x8) [13]. Điều này cho phép AI “nhớ” được vị trí của một chiếc chìa khóa ngay cả khi nó bị che khuất tạm thời — một khả năng mà chúng ta gọi là “object permanence” (vật thể vẫn tồn tại dù không nhìn thấy).

Cosmos-Reason1 đóng vai trò là “Hệ thống 2” (System 2) — bộ não suy nghĩ chậm, thận trọng. Khi một robot dùng Cosmos nhìn thấy một chồng hàng trên pallet, nó không chỉ thấy “các khối vuông”; nó suy luận về trọng tâm, ma sát bề mặt và khả năng chồng hàng bị đổ nếu lấy một hộp ra [15]. Đó là sự chuyển mình từ bản năng sang logic trong môi trường vật lý.

Điểm nghẽn: “Bí mật bẩn thỉu” của dữ liệu giả lập

Nghe có vẻ hứa hẹn, nhưng thực tế thì sao? Có một sự thật trớ trêu: AI đôi khi trông rất “ngáo” khi bước ra đời thực. Nguyên nhân nằm ở “Sim-to-Real Gap” — khoảng cách giữa môi trường ảo và thực tế [4]. Suốt nhiều năm, giới robotics dựa vào một mánh khóe gọi là Domain Randomization (DR). Vì các engine vật lý thường có sai số toán học (như hiện tượng trôi năng lượng Hamiltonian), các nhà nghiên cứu gom tất cả các lỗi này vào hàng triệu biến thể ngẫu nhiên với hy vọng robot sẽ “trở nên cứng cáp” khi đối mặt với sai số [16].

Nhưng đây là một sai lầm nguy hiểm. Entropy trong thế giới thực không phải là nhiễu ngẫu nhiên; nó tuân theo các định luật không thể thương lượng. Khi một robot học từ “vật lý ảo tưởng” bước vào nhà máy, nó sẽ thất bại. Nó không thể cầm cờ-lê hay đi bộ mà không ngã vì mô hình nội tại về trọng lực của nó chỉ là trung bình cộng của các ảo giác thống kê thay vì hiểu biết thực tế [16]. Chúng ta gọi đây là “Nợ Vật lý” (Physical Debt) — cái giá phải trả khi xây dựng trí tuệ trên những nền tảng phớt lờ định luật nhiệt động lực học.

Sự kết hợp: AI như một “Cỗ máy tưởng tượng”

Tại Locuno, tôi tin vào một sự cộng hưởng (Synergy): AI nên tăng cường trực giác con người thay vì thay thế nó. Chúng ta cần chuyển từ ý niệm về một “hộp đen tự trị” sang “Cỗ máy tưởng tượng” (Machine Imagination Engine). Trong quy trình này, mô hình thế giới đóng vai trò là một sân chơi có độ trung thực cao, nơi các chuyên gia — kiến trúc sư, quản lý logistics — có thể giả lập các tình huống phức tạp trong thời gian thực. AI lo phần “vật lý”, con người lo phần “ý chí”.

Ví dụ thực tế: Từ du lịch đến kho bãi

SpotWize Global & Sự khám phá có chủ đích: Trong ngành du lịch, SpotWize đang dịch chuyển khỏi mô hình “quảng cáo rác” sang khám phá dựa trên ý chí. Ứng dụng này sử dụng bản đồ thế giới cá nhân hóa 3D, nơi mỗi điểm đến là một dấu mốc trong lịch sử trải nghiệm của người dùng [24]. Đây chính là một “mô hình thế giới cá nhân” — nơi AI gợi ý dựa trên bộ dữ liệu không gian của chính bạn, thay vì những thuật toán chung chung.

Digitized Yard (Bãi kho số hóa): Trong logistics, các bãi container ngoài trời thường là “vùng đất chết” — không được theo dõi và kém hiệu quả. Bằng cách dùng Computer Vision và Drone, AI tạo ra một “bản sao số” (digital twin) bền vững [20]. Khi một tài xế container đến, AI Concierge sẽ chỉ đường chính xác đến tận vị trí container cần tìm, tính toán cả tình trạng giao thông nội bộ và vị trí thiết bị [26]. Không còn cảnh tài xế chạy lòng vòng giữa nắng nóng để tìm một cái thùng sắt giữa hàng ngàn cái khác.

Ngành xây dựng: Bảo hiểm lao động bằng Robot

Tại Nhật Bản, lực lượng lao động ngành xây dựng đã giảm từ 6,85 triệu người (1997) xuống còn 4,77 triệu (2024) [27]. Tự động hóa ở đây không phải để cắt giảm chi phí, mà là một loại “bảo hiểm lao động”. Các robot in 3D hay robot phá dỡ điều khiển từ xa của Brokk có thể giảm tới 70% thời gian thi công [30]. Chúng sử dụng trí tuệ không gian để “nhìn” xuyên qua bụi bặm và mảnh vụn, duy trì nhận thức về môi trường 3D mà mắt người không thể làm được [9].

Phản biện: Nghịch lý năng lượng của AI thực thể

Khi chúng ta tôn vinh “sự thực thể hóa của tư duy”, ta cũng phải đối mặt với một đánh đổi cực lớn: Trí tuệ chỉ biết nghĩ thì rẻ, trí tuệ biết hành động thì đắt kinh khủng.

Nghịch lý Moravec chỉ ra rằng: những kỹ năng vận động mà đứa trẻ 2 tuổi làm được (cầm nắm, đi lại trên địa hình gồ ghề) lại đòi hỏi tài nguyên tính toán khổng lồ từ máy móc [4]. Điều này dẫn đến một nghịch lý môi trường: AI giúp tối ưu hóa năng lượng (ví dụ giảm 15,8% năng lượng điều hòa cho các tòa nhà), nhưng chính nó lại ngốn điện kinh hoàng. Tiêu thụ điện của các trung tâm dữ liệu dự kiến vượt 1,000 TWh vào năm 2030 [33].

Một “ảo giác” của chatbot có thể chỉ tạo ra một bức ảnh chế vui nhộn; nhưng một “ảo giác” của một chiếc máy xúc tự hành 50 tấn sẽ dẫn đến thảm họa. Chúng ta không thể coi các hạn chế về hạ tầng là những thông số có thể tinh chỉnh, mà phải xem chúng là những “ràng buộc khả thi nghiêm ngặt”.

Tầm nhìn: Làm chủ Kiến trúc của Thế giới Mở

Sự xóa nhòa ranh giới giữa kỹ thuật số và vật lý không phải là chuyện của tương lai; nó đang diễn ra ngay bây giờ. Lộ trình từ nay đến 2030 sẽ chứng kiến sự hội tụ của BIM (Mô hình thông tin công trình) và các mô hình thế giới, tiến tới xây dựng tự động hoàn toàn [28].

Để sống sót qua quá trình chuyển đổi này, bạn cần nhiều hơn là kỹ năng kỹ thuật; bạn cần một sự “xác tín nội tại” để điều hướng trong một thị trường đầy rẫy sự thổi phồng nhưng vẫn phải chân thành với các bài toán vật lý cốt lõi. Cách tiếp cận của “Locuno” không phải là chạy theo mọi trend tạo sinh, mà tập trung vào “mã nguồn” của trí tuệ tổng quát: sự làm chủ không gian.

Máy móc cung cấp sự giả lập; bạn cung cấp linh hồn. Đó là sự kết hợp sẽ phân định đâu là người dẫn dắt, đâu là kẻ “theo đuôi” trong kỷ nguyên AI Vật lý. Đã đến lúc bước ra khỏi thế giới phẳng của văn bản để tiến vào thực tại 3D rực rỡ và đầy thách thức. Bạn sẽ là kiến trúc sư, hay chỉ là một vị khách trọ trong cỗ máy?

Nguồn trích dẫn chính

• [1] Grand View Research (2026), Physical AI Market Size.
• [2] Kellyontech (2026), Fei-Fei Li & Spatial Intelligence.
• [10] NVIDIA Cosmos Documentation (2026).
• [15] arXiv:2503.15558, Cosmos-Reason1.
• [33] arXiv:2604.09705, Sustainability-Constrained AI.

Ngày đăng: 23 Th04, 2026 · Cập nhật: 5 Th05, 2026