Từ AI chuyên gia đến giải quyết vấn đề công nghiệp
LG đang định vị nền tảng EXAONE không chỉ là một hệ thống AI đa dụng, mà còn là một tập hợp các mô hình chuyên biệt theo lĩnh vực, được thiết kế để giải quyết những vấn đề cụ thể trong khoa học, sản xuất và kinh doanh.
Tại LG AI Talk Concert 2026, LG AI Research đã giới thiệu các ứng dụng được phát triển qua nhiều năm làm việc với dữ liệu công nghiệp thực tế. Trọng tâm là triển khai thực tiễn: giảm số lượng thử nghiệm, diễn giải dữ liệu quy trình phức tạp, tăng tốc kiểm tra và hỗ trợ các quyết định vốn trước đây phụ thuộc vào những kỹ sư có chuyên môn cao.
Định hướng này đặc biệt phù hợp với tự động hóa công nghiệp vì nhiều vấn đề trong nhà máy không bắt nguồn từ việc thiếu phần cứng tự động hóa. Thách thức lớn hơn thường là khả năng diễn giải khối lượng lớn dữ liệu quy trình không đồng nhất và chuyển thông tin đó thành các quyết định điều khiển hoặc kỹ thuật có thể triển khai.
Khám phá thuốc được tăng tốc bằng AI
Trong nghiên cứu khoa học, LG AI Research cho biết họ đã hợp tác với LG H&H để đánh giá khoảng 420.000 chất tiềm năng và xác định ứng viên có hiệu quả trị rụng tóc Rhamsidil chỉ trong một ngày.
Ý nghĩa không chỉ nằm ở tốc độ sàng lọc. AI có thể giảm số lượng thử nghiệm vật lý cần thực hiện bằng cách thu hẹp không gian tìm kiếm trước khi sử dụng các nguồn lực phòng thí nghiệm. Điều này tạo ra một vòng phản hồi, trong đó phân tích tính toán và thử nghiệm vật lý liên tục tác động qua lại.
LG cũng đang hợp tác với D&D Pharmatech để phát triển thuốc peptide đường uống thế hệ mới. EXAONE 4.5 ngoài ra đã được tích hợp vào một hệ thống AI đánh giá thuốc mới tại Bộ An toàn Thực phẩm và Dược phẩm Hàn Quốc.
Phòng thí nghiệm tự chủ tạo ra vòng lặp kỹ thuật khép kín
LG đang phát triển một phòng thí nghiệm tự chủ, trong đó AI phân tích kết quả thí nghiệm, xác định nội dung cần kiểm tra tiếp theo và thiết kế các thí nghiệm tiếp nối.
Xét từ góc độ kỹ thuật, đây là sự chuyển dịch từ phân tích có AI hỗ trợ sang tối ưu hóa vòng kín. Thay vì tuân theo một chuỗi thử nghiệm cố định, hệ thống có thể lựa chọn phép thử tiếp theo dựa trên thông tin thu được từ các thí nghiệm trước đó.
Nguyên tắc tương tự có ý nghĩa lớn đối với tự động hóa công nghiệp. Một hệ thống sản xuất cuối cùng có thể phân tích sai lệch quy trình, xác định nguyên nhân có khả năng xảy ra, lựa chọn biện pháp khắc phục và đánh giá kết quả mà không cần kỹ sư phải định nghĩa thủ công từng bước trung gian.
EXAONE Tabular hướng đến dữ liệu nhà máy phức tạp
Một trong những phát triển công nghiệp đáng chú ý hơn của LG là EXAONE Tabular, một mô hình nền tảng chuyên gia được thiết kế để hiểu mối quan hệ giữa các điều kiện quy trình sản xuất và thông tin chất lượng.
Dữ liệu quy trình công nghiệp hiếm khi sạch. Giá trị cảm biến, điều kiện sản xuất, đặc tính sản phẩm và kết quả kiểm tra có thể thay đổi theo thời gian. Các hệ thống học máy truyền thống có thể cần được huấn luyện lại khi đặc điểm hình ảnh của sản phẩm hoặc điều kiện sản xuất thay đổi.
LG cho biết EXAONE Tabular có thể tiếp tục hoạt động khi quy trình hoặc hình thức sản phẩm thay đổi mà không cần huấn luyện lại, trong khi việc huấn luyện bổ sung theo yêu cầu có thể tiếp tục cải thiện hiệu suất.
Đây là một hướng kỹ thuật quan trọng. Trong các nhà máy thực tế, việc bảo trì mô hình có thể trở nên gần như khó khăn không kém quá trình triển khai AI ban đầu. Vì vậy, giảm lượng huấn luyện lại cần thiết có thể có giá trị hơn việc đạt được mức cải thiện nhỏ trong hiệu suất trên các bài kiểm chuẩn phòng thí nghiệm.
AI sản xuất phải thích ứng với các điều kiện quy trình thay đổi
EXAONE Tabular ban đầu được áp dụng tại một cơ sở sản xuất của LG Innotek và hiện đang thu hút sự quan tâm từ các công ty dược phẩm và bệnh viện. LG cũng nhận thấy tiềm năng ứng dụng trong các hoạt động tiêu thụ nhiều năng lượng, bao gồm các cơ sở hạt nhân và thủy điện.
Thách thức nền tảng là giống nhau ở các lĩnh vực này: điều kiện quy trình luôn biến động, trong khi chi phí thu thập và gán nhãn dữ liệu công nghiệp rất cao.
Đối với các kỹ sư tự động hóa, điều này có nghĩa là những mô hình AI công nghiệp hữu ích nhất không nhất thiết là các mô hình cần những tập dữ liệu khổng lồ. Các mô hình có khả năng học từ lượng thông tin giới hạn tại từng cơ sở, đồng thời kết hợp kiến thức quy trình hiện có, có thể dễ triển khai hơn trong nhiều môi trường sản xuất.
Kiểm tra bằng thị giác hướng tới cấu hình tự chủ
LG cũng đang phát triển một tác tử kiểm tra bằng thị giác có thể tự động thực hiện lấy mẫu dữ liệu, gán nhãn và huấn luyện mô hình.
Trước đây, việc đưa một sản phẩm mới vào dây chuyền sản xuất có thể đòi hỏi thu thập và gán nhãn một lượng lớn hình ảnh trước khi mô hình kiểm tra sẵn sàng đưa vào vận hành. LG cho biết phương pháp của họ có thể rút ngắn đáng kể thời gian chuẩn bị này.
Giá trị kỹ thuật rất rõ ràng: các hệ thống kiểm tra phải thích ứng với biến thể sản phẩm và những thay đổi của quy trình mà không buộc toàn bộ quy trình thị giác máy phải bắt đầu lại mỗi khi cấu hình sản xuất thay đổi.
Nếu được triển khai thành công, việc chuẩn bị dữ liệu tự chủ có thể trở thành một lớp quan trọng giữa camera công nghiệp và các hệ thống điều hành sản xuất cấp cao hơn.
Từ robot riêng lẻ đến nhà máy tự chủ
Mục tiêu dài hạn của LG vượt ra ngoài việc tự động hóa từng máy móc hoặc robot riêng lẻ. Công ty đang hướng tới các mô hình nền tảng cho robot và một kiến trúc nhà máy trong đó toàn bộ cơ sở có thể vận hành như một hệ thống trí tuệ tích hợp.
Đây là một thay đổi đáng kể về mặt khái niệm.
Tự động hóa truyền thống chia nhà máy thành PLC, biến tần, robot, hệ thống thị giác, SCADA, MES và các lớp điều khiển khác, trong đó việc điều khiển mang tính tất định vẫn được thực hiện ở các cấp thấp hơn. AI ngày càng được đưa vào phía trên các hệ thống này để diễn giải dữ liệu và tối ưu hóa hoạt động.
Giai đoạn tiếp theo có thể bao gồm việc AI điều phối thông tin giữa các lớp này, trong khi các bộ điều khiển tất định tiếp tục đảm nhiệm những chức năng điều khiển đòi hỏi thời gian thực.
Theo tôi, sự phân biệt này sẽ vẫn rất quan trọng. AI phù hợp với dự đoán, tối ưu hóa, phân loại và hỗ trợ ra quyết định, nhưng thay thế điều khiển tất định bằng một mô hình xác suất không tự động đồng nghĩa với cải tiến kỹ thuật. Các nhà máy tự chủ sẽ cần phân tách rõ ràng giữa việc ra quyết định bằng AI và các chức năng điều khiển liên quan đến an toàn hoặc yêu cầu thời gian thực.
Rào cản chính là dữ liệu và tính kinh tế của việc triển khai
LG thừa nhận rằng dữ liệu sản xuất từ các cơ sở thực tế rất lớn và khó tổ chức. Mức tiêu thụ GPU và giá trị kinh tế do việc triển khai AI tạo ra cũng cần được cân nhắc.
Đây là một trong những nhận định thực tiễn nhất từ thông báo này. Việc ứng dụng AI công nghiệp sẽ không chỉ được quyết định bởi trí tuệ của mô hình. Các kỹ sư và đơn vị vận hành nhà máy cũng phải xem xét việc thu thập dữ liệu, chất lượng cảm biến, kiến trúc mạng, an ninh mạng, tài nguyên tính toán, bảo trì mô hình và những lợi ích sản xuất có thể đo lường.
Vì vậy, nỗ lực của LG nhằm làm cho EXAONE Tabular gọn nhẹ hơn có ý nghĩa chiến lược. Một mô hình cần ít hạ tầng tính toán hơn có thể được triển khai gần thiết bị sản xuất hơn và sử dụng tại nhiều cơ sở hơn.
AI công nghiệp đang chuyển từ dự đoán sang hành động
Nỗ lực kéo dài sáu năm của LG được cho là đã giải quyết hơn 100 vấn đề công nghiệp khó. Định hướng hiện tại của công ty cho thấy sự chuyển dịch từ AI giải thích các điều kiện công nghiệp sang AI có thể xác định và thực hiện bước tiếp theo.
Sự chuyển dịch đó sẽ cần nhiều hơn những mô hình nền tảng lớn hơn. Nó sẽ đòi hỏi tích hợp với PLC, robot, mạng công nghiệp, hệ thống lưu trữ dữ liệu lịch sử, nền tảng MES, hệ thống thị giác và cơ sở dữ liệu kỹ thuật.
Vì vậy, con đường thực tế nhất hướng tới sản xuất tự chủ có thể sẽ diễn ra từng bước: trước tiên AI quan sát và phân tích, sau đó đưa ra khuyến nghị, rồi vận hành trong các giới hạn được xác định, và cuối cùng điều phối những quyết định ngày càng phức tạp ở cấp độ toàn nhà máy.
Kết luận
Những phát triển của EXAONE cho thấy AI chuyên biệt đang vượt ra ngoài các màn trình diễn và tiến vào nghiên cứu khoa học cũng như hoạt động công nghiệp. Khám phá thuốc, phòng thí nghiệm tự chủ, trí tuệ quy trình dạng bảng và kiểm tra bằng thị giác là những ứng dụng khác nhau của cùng một khái niệm rộng hơn: sử dụng AI để giảm nỗ lực kỹ thuật cần thiết nhằm hiểu các hệ thống phức tạp và xác định điều gì nên xảy ra tiếp theo.
Đối với tự động hóa công nghiệp, phát triển quan trọng nhất có thể không phải là sự xuất hiện của một nhà máy hoàn toàn tự chủ. Đó là quá trình từng bước tạo ra một lớp AI có khả năng hiểu các điều kiện quy trình thay đổi, đồng thời hoạt động cùng với hệ thống tự động hóa tất định hiện có.
Các công ty kết hợp thành công hai phương pháp này nhiều khả năng sẽ thu được giá trị thực tiễn lớn hơn những công ty coi AI là sự thay thế cho kiến trúc điều khiển công nghiệp hiện hữu.
