Hitachi đặt cược vào chuyên môn công nghiệp để giành lợi thế trong cuộc đua Physical AI

Physical AI – nhánh trí tuệ nhân tạo điều khiển robot và máy móc công nghiệp ngoài đời thực – đang hình thành một “trật tự phân tầng” rõ rệt. Ở tầng trên cùng, các công ty như OpenAI và Google tập trung mở rộng các mô hình nền tảng đa phương thức. Ở tầng giữa, Nvidia xây dựng nền tảng và công cụ phục vụ phát triển Physical AI.

Còn ở một “phe thứ ba” là các nhà sản xuất công nghiệp truyền thống như Hitachi hay Siemens của Đức. Họ đưa ra một lập luận thầm lặng nhưng đầy thực tế: bạn không thể huấn luyện máy móc hiểu và vận hành trong thế giới vật lý nếu bản thân bạn chưa hiểu sâu thế giới đó.

Giờ đây, quan điểm này không còn nằm trên bàn họp chiến lược, mà đã bước xuống sàn nhà máy. Hitachi vừa chia sẻ cách tiếp cận của mình trong một cuộc phỏng vấn với Nikkei Asia.

Vì sao Physical AI không chỉ cần một mô hình tốt?

Kosuke Yanai, Phó giám đốc Trung tâm Đổi mới Công nghệ – AI của Hitachi, nói thẳng: Physical AI không thể được triển khai trong xã hội nếu thiếu một nền tảng hiểu biết có hệ thống, bắt đầu từ kiến thức vật lý và thiết bị công nghiệp.

Điểm mạnh của Hitachi, theo công ty, nằm ở hàng chục năm kinh nghiệm xây dựng đường sắt, hạ tầng điện lực và hệ thống điều khiển công nghiệp. Họ sở hữu công nghệ mô phỏng dòng nhiệt – mô hình hóa hành vi của khí và chất lỏng – cùng các công cụ xử lý tín hiệu để giám sát tình trạng thiết bị. Đây chính là nền tảng kỹ thuật giúp Hitachi tích lũy “kho tri thức sâu rộng về thiết kế sản phẩm và logic điều khiển”.

Từ ý tưởng đến triển khai thực tế: Daikin và JR East

Dù kiến trúc Physical AI tổng thể của Hitachi – mang tên Integrated World Infrastructure Model (IWIM) – vẫn đang ở giai đoạn xác thực khái niệm, hai dự án thực tế cho thấy cách tiếp cận này đã mang lại kết quả.

IWIM được mô tả là một hệ thống “mixture-of-experts”, kết hợp nhiều mô hình chuyên biệt, bộ mô phỏng và tập dữ liệu khác nhau.

Với Daikin Industries, Hitachi triển khai hệ thống AI có khả năng chẩn đoán lỗi trong thiết bị sản xuất điều hòa thương mại. Được huấn luyện từ hồ sơ bảo trì, sổ tay quy trình và bản vẽ thiết kế, hệ thống có thể xác định linh kiện nào có khả năng gặp sự cố khi phát hiện bất thường – loại “trực giác vận hành” vốn trước đây chỉ tồn tại trong kinh nghiệm của kỹ sư lâu năm.

Trong khi đó, hợp tác với East Japan Railway (JR East), Hitachi phát triển AI xác định nguyên nhân gốc rễ của sự cố trong các thiết bị điều khiển vận hành hệ thống quản lý giao thông đường sắt khu vực Tokyo. Hệ thống này còn hỗ trợ nhân viên xây dựng phương án xử lý. Trong một mạng lưới nơi mỗi sự chậm trễ có thể ảnh hưởng đến hàng triệu lượt di chuyển mỗi ngày, khả năng rút ngắn thời gian chẩn đoán sự cố mang ý nghĩa vận hành rất lớn.

Rút ngắn thời gian phát triển phần mềm điều khiển

Chiến lược Physical AI của Hitachi cũng thể hiện rõ trong hoạt động R&D. Tháng 12/2025, công ty công bố kết quả từ hai dự án trình bày tại hội nghị ASE 2025, tập trung giải quyết một nút thắt cố hữu của AI công nghiệp: thời gian và công sức cần thiết để viết và điều chỉnh phần mềm điều khiển.

Trong lĩnh vực ô tô, Hitachi và công ty con Astemo phát triển hệ thống sử dụng kỹ thuật retrieval-augmented generation (RAG) để tự động tạo kịch bản kiểm thử tích hợp cho ECU (bộ điều khiển điện tử). Hệ thống khai thác thông tin API phần cứng và tri thức thực tế của kỹ sư. Trong thử nghiệm với ECU đa lõi, công nghệ này giúp giảm 43% số giờ công kiểm thử so với cách làm thủ công.

Ở lĩnh vực logistics, Hitachi phát triển công nghệ quản lý biến thể, chia nhỏ phần mềm điều khiển robot thành các mô-đun có thể tái sử dụng dựa trên Robot Operating System (ROS). Bằng cách xác định trước các biến môi trường và yêu cầu vận hành của từng kho, hệ thống cho phép điều chỉnh quy trình robot gắp – đặt theo sản phẩm hoặc bố cục mới mà không cần viết lại phần mềm từ đầu.

An toàn là yêu cầu cấu trúc, không phải “phần thêm vào”

Một điểm xuyên suốt trong chiến lược Physical AI của Hitachi là coi an toàn như ràng buộc kỹ thuật cốt lõi. Công ty tích hợp công nghệ kiểm soát và độ tin cậy từ các dự án hạ tầng xã hội để ngăn AI hoạt động vượt ngoài thông số do con người phê duyệt.

Cách tiếp cận này bao gồm:

• Kiểm tra dữ liệu đầu vào để loại bỏ thông tin không phù hợp cho huấn luyện
• Xác minh đầu ra nhằm đảm bảo hành động của máy không gây nguy hiểm
• Giám sát thời gian thực mô hình AI để phát hiện bất thường vận hành

Khác với chatbot, Physical AI không thất bại trong môi trường thử nghiệm, mà thất bại ngoài đời thật. Và khi AI điều khiển tín hiệu đường sắt hoặc robot nhà máy, rủi ro ở cấp độ hoàn toàn khác.

Hạ tầng để hiện thực hóa tham vọng

Ở phía hạ tầng, Hitachi Vantara – nhánh dữ liệu và hạ tầng số của tập đoàn – đang triển khai các máy chủ NVIDIA RTX PRO Server sử dụng GPU RTX PRO 6000 Blackwell Server Edition, nhằm tăng tốc khối lượng công việc agentic và Physical AI.

Phần cứng này được kết hợp với nền tảng iQ của Hitachi để xây dựng digital twin – bản sao số của hệ thống vật lý – cho phép mô phỏng từ dao động lưới điện đến chuyển động robot ở quy mô lớn.

Trong khi đó, IWIM được thiết kế để kết nối nền tảng Cosmos mã nguồn mở của Nvidia với các LLM tiếng Nhật chuyên biệt và mô hình thị giác-ngôn ngữ thông qua giao thức Model Context Protocol (MCP). Mục tiêu là “khâu nối” mô hình, công cụ mô phỏng và bộ dữ liệu công nghiệp thành một hệ sinh thái thống nhất.

Cuộc đua Physical AI vẫn còn ở giai đoạn đầu. Nhưng lập luận của Hitachi – rằng chuyên môn lĩnh vực và dữ liệu vận hành quan trọng không kém kiến trúc mô hình – ngày càng khó bị xem nhẹ, nhất là khi các triển khai với Daikin và JR East bắt đầu chứng minh giá trị thực tế của cách tiếp cận này.