Giữa Máy Móc Và Thuật Toán: Hành Trình Gian Nan Đưa AI Vào Nhà Máy Sản Xuất Việt Nam
Một buổi sáng tháng Ba, kỹ sư Nguyễn Minh Tuấn đứng giữa xưởng sản xuất linh kiện điện tử tại Bình Dương, tay cầm máy tính bảng hiển thị dashboard phân tích dữ liệu thời gian thực. Hệ thống AI mà nhóm của anh mất 14 tháng triển khai vừa phát cảnh báo lỗi trên băng chuyền số 3. Nhưng thay vì tự động dừng dây chuyền như thiết kế ban đầu, hệ thống... không làm gì cả. Nguyên nhân: cảm biến kết nối với máy móc sản xuất từ năm 2008 không tương thích với giao thức truyền dữ liệu hiện đại.
"Chúng tôi đã xây dựng một bộ não cực kỳ thông minh, nhưng lại không có hệ thần kinh để kết nối với cơ thể," Tuấn chia sẻ. Đây không phải câu chuyện cá biệt. Đó là thực trạng chung của hàng trăm doanh nghiệp sản xuất Việt Nam đang nỗ lực bước vào kỷ nguyên công nghiệp 4.0.
Khoảng Cách Giữa Phòng Lab Và Sàn Nhà Máy
Việt Nam hiện là một trong những trung tâm sản xuất lớn nhất Đông Nam Á, với kim ngạch xuất khẩu hàng hóa vượt 370 tỷ USD trong năm 2023. Áp lực cạnh tranh từ các thị trường như Bangladesh, Indonesia, và thậm chí từ làn sóng reshoring của Mỹ đang buộc các nhà máy phải nâng cao hiệu suất. AI được xem là chìa khóa — nhưng chìa khóa đó đang mắc kẹt ở cửa.
Theo khảo sát của Bộ Công Thương năm 2023, chỉ khoảng 12% doanh nghiệp sản xuất vừa và lớn tại Việt Nam đã triển khai thành công ít nhất một ứng dụng AI trong quy trình vận hành. Con số này thấp hơn đáng kể so với mức 34% tại các nền kinh tế phát triển trong khu vực như Hàn Quốc hay Nhật Bản.
Nguyên nhân không phải thiếu tham vọng. Mà là thiếu nền tảng.
Ba Rào Cản Lớn Nhất Mà Không Ai Muốn Thừa Nhận
Hạ tầng dữ liệu rời rạc và không đồng nhất
Phần lớn nhà máy tại Việt Nam vận hành với thiết bị từ nhiều thế hệ khác nhau, mua từ nhiều quốc gia khác nhau, sử dụng nhiều chuẩn giao tiếp khác nhau. Một nhà máy dệt may tại Hưng Yên có thể đang chạy đồng thời máy móc Đức từ thập niên 1990, thiết bị Trung Quốc mua năm 2015, và một vài robot Nhật Bản nhập về năm 2021. Không có hệ thống nào trong số này "nói chuyện" với nhau một cách tự nhiên.
Bà Lê Thu Hà, Giám đốc Vận hành tại một công ty sản xuất bao bì tại Đồng Nai, mô tả tình huống của mình như "cố gắng dịch đồng thời từ tiếng Anh, tiếng Nhật và tiếng Trung mà không có phiên dịch viên."
Thiếu hụt nhân lực am hiểu cả hai lĩnh vực
AI engineer giỏi không thiếu ở Việt Nam — TP.HCM và Hà Nội đang đào tạo hàng nghìn kỹ sư dữ liệu mỗi năm. Nhưng những người vừa hiểu thuật toán machine learning, vừa có kiến thức về quy trình sản xuất công nghiệp thì cực kỳ hiếm. Đây là khoảng trống mà các trường đại học chưa lấp đầy được.
Anh Phạm Đức Lộc, Project Manager tại một startup công nghệ sản xuất ở Hà Nội, chia sẻ: "Chúng tôi mất trung bình 6 tháng để một kỹ sư AI mới có thể thực sự hiểu được quy trình vận hành nhà máy đủ để xây dựng mô hình có giá trị thực tiễn. Chi phí học hỏi đó không ai tính vào ngân sách dự án."
Tâm lý kháng cự từ bên trong
Đây là rào cản ít được thảo luận nhất, nhưng lại gây ra nhiều thất bại nhất. Công nhân và giám sát dây chuyền — những người hiểu rõ nhất hoạt động thực tế của nhà máy — thường không được tham vấn trong giai đoạn thiết kế hệ thống AI. Kết quả là các mô hình được xây dựng dựa trên dữ liệu lịch sử "sạch" trong khi thực tế sản xuất luôn có những biến số bất ngờ mà chỉ người trong nghề mới biết.
Cách Startup Việt Nam Đang Tiếp Cận Khác Biệt
Điều đáng chú ý là một thế hệ startup công nghệ sản xuất Việt Nam đang từ chối sao chép mô hình của các tập đoàn công nghệ lớn phương Tây. Thay vì bán các nền tảng AI tổng quát và để khách hàng tự tùy chỉnh, họ chọn cách nhúng sâu vào từng ngành hàng cụ thể.
Một công ty tại TP.HCM chuyên phục vụ ngành chế biến thủy sản đã phát triển hệ thống kiểm tra chất lượng bằng thị giác máy tính được đào tạo riêng trên hàng triệu hình ảnh tôm, cá, mực Việt Nam — không phải bộ dữ liệu tổng quát từ ImageNet. Độ chính xác cao hơn, chi phí triển khai thấp hơn, và quan trọng nhất: công nhân tại nhà máy hiểu và tin tưởng hệ thống vì nó phản ánh đúng thực tế công việc của họ.
Một startup khác tại Đà Nẵng đang xây dựng giải pháp theo mô hình "AI-as-a-service" cho ngành gỗ và nội thất xuất khẩu — thị trường mà Việt Nam đang chiếm vị trí top 5 thế giới. Thay vì yêu cầu nhà máy nâng cấp toàn bộ hạ tầng, họ thiết kế các thiết bị edge computing gắn trực tiếp lên máy móc cũ, thu thập và xử lý dữ liệu ngay tại chỗ mà không cần kết nối đám mây liên tục.
Bài Học Từ Những Dự Án Thất Bại
Không phải mọi câu chuyện đều có kết thúc tốt đẹp. Một dự án AI giám sát chất lượng tại nhà máy may mặc ở Long An đã bị khai tử sau 8 tháng vận hành thử nghiệm — không phải vì công nghệ kém, mà vì không ai tính đến việc ánh sáng trong xưởng thay đổi theo mùa và theo ca làm việc, khiến mô hình nhận dạng lỗi vải liên tục cho kết quả sai lệch vào buổi chiều.
"Chúng tôi đã kiểm tra mô hình trong phòng lab với ánh sáng chuẩn. Nhưng nhà máy thực tế không phải phòng lab," một kỹ sư tham gia dự án thừa nhận.
Bài học này đang dần thay đổi cách các nhóm kỹ thuật tiếp cận giai đoạn thiết kế. Ngày càng nhiều dự án bắt đầu bằng việc kỹ sư AI dành nhiều tuần làm việc trực tiếp tại sàn nhà máy trước khi viết một dòng code nào.
Con Đường Phía Trước
Việt Nam đang đứng trước cơ hội thực sự để xây dựng năng lực AI sản xuất không chỉ phục vụ thị trường nội địa mà còn xuất khẩu sang các nền kinh tế có cấu trúc tương tự trong khu vực. Nhưng để làm được điều đó, cần có sự phối hợp chặt chẽ hơn giữa chính phủ, viện nghiên cứu, và doanh nghiệp sản xuất.
Chương trình "Make in Vietnam" đang tạo ra một số điều kiện thuận lợi, nhưng chính sách hỗ trợ cụ thể cho việc số hóa hạ tầng nhà máy vẫn còn thiếu hệ thống. Trong khi đó, các quốc gia cạnh tranh như Malaysia và Thái Lan đang đẩy mạnh đầu tư vào lĩnh vực này với tốc độ đáng lo ngại.
Cuộc cách mạng AI trong sản xuất tại Việt Nam không phải là câu hỏi về công nghệ. Đó là câu hỏi về khả năng thích nghi — và liệu chúng ta có thể rút ngắn khoảng cách giữa phòng lab và sàn nhà máy đủ nhanh để không bỏ lỡ thời điểm vàng hay không.
