Không cần một robot làm mọi thứ: Tương lai có thể thuộc về những “đội quân robot” biết tự chia việc

Hình dung một nhà kho trong tương lai. Một robot bánh xe nhận nhiệm vụ mang thùng hàng từ khu lưu trữ. Một cánh tay robot đứng ở trạm đóng gói xử lý những món cần thao tác tinh. Một robot khác chuyên nâng tải nặng. Khi lối đi bị chặn hoặc một máy sắp hết pin, công việc được chuyển sang thành viên phù hợp hơn mà không cần con người ngồi phân công từng bước.

Trong kịch bản này, không robot nào phải làm được tất cả mọi thứ. Thứ làm hệ thống trở nên thông minh nằm ở khả năng phối hợp của cả đội.

Đây là một hướng phát triển ngày càng rõ của robotics: từ tối ưu một robot đơn lẻ sang xây dựng multi-robot systems – hệ thống nhiều robot có thể chia sẻ thông tin, phân bổ nhiệm vụ và phối hợp hành động. Đặc biệt, với các đội robot dị thể (heterogeneous robot teams), mỗi thành viên có thể sở hữu hình dạng, cảm biến và kỹ năng khác nhau: robot bay quan sát từ trên cao, robot bánh xe vận chuyển, robot bốn chân vượt địa hình và cánh tay robot thao tác đồ vật.

Khái niệm “đội quân robot” ở đây không hàm ý mục đích quân sự. Nó mô tả một hệ thống có nhiều robot hoạt động như một tập thể: công việc được chia nhỏ, giao cho thành viên phù hợp và có thể được phân công lại khi môi trường thay đổi.

Vì sao không nhất thiết phải tạo ra một robot toàn năng?

Ý tưởng về robot đa năng rất hấp dẫn. Một cỗ máy hình người có thể đi lại, dùng hai tay, quan sát môi trường, mở cửa, nhặt đồ và vận hành những công cụ vốn được thiết kế cho con người. Nếu đủ thông minh, về lý thuyết nó có thể đảm nhiệm rất nhiều công việc.

Nhưng tính đa năng luôn đi kèm đánh đổi. Một robot muốn vừa chạy nhanh, vừa nâng nặng, vừa thao tác chính xác, vừa bay, vừa hoạt động lâu bằng pin gần như phải giải quyết những yêu cầu cơ khí mâu thuẫn nhau. Thêm cảm biến và cơ cấu chấp hành làm tăng khối lượng, năng lượng tiêu thụ, giá thành và độ phức tạp bảo trì.

Trong nhiều môi trường, một nhóm robot chuyên môn hóa có thể hợp lý hơn. Robot bánh xe tiết kiệm năng lượng khi di chuyển trên sàn phẳng. Drone quan sát những nơi cao hoặc rộng nhanh hơn robot mặt đất. Cánh tay cố định có thể thao tác chính xác mà không cần mang theo toàn bộ cơ cấu di chuyển.

Thay vì hỏi “làm sao tạo một robot có mọi kỹ năng?”, bài toán chuyển thành: làm sao để nhiều robot có kỹ năng khác nhau cùng hoàn thành một mục tiêu?

Đây chính là nơi bài toán phân bổ nhiệm vụ đa robot – multi-robot task allocation – trở nên quan trọng.

Tự chia việc thực chất là một bài toán tối ưu rất khó

Giả sử một đội có 20 robot và nhận 50 nhiệm vụ. Nếu mọi robot đều làm được mọi việc với cùng hiệu quả, việc phân công đã không đơn giản. Khi mỗi robot có tốc độ, tải trọng, công cụ, mức pin và vị trí khác nhau, số phương án có thể tăng rất nhanh.

Hệ thống phải cân nhắc nhiều yếu tố cùng lúc:

• Robot nào thực sự có kỹ năng cần thiết?
• Robot nào ở gần nhiệm vụ nhất?
• Máy nào còn đủ pin?
• Có công việc nào phải hoàn thành trước công việc khác?
• Hai robot có cần phối hợp để nâng cùng một vật hay không?
• Đường đi có gây tắc nghẽn hoặc va chạm với các robot khác không?
• Nếu một thành viên hỏng, ai có thể thay thế?

Vì vậy, “tự chia việc” không chỉ là gắn một chatbot vào từng robot rồi để chúng nói chuyện. Đằng sau nó là sự kết hợp của lập lịch, tối ưu tổ hợp, lập kế hoạch đường đi, điều khiển, mô hình năng lực và ngày càng nhiều kỹ thuật học máy.

Một nghiên cứu công bố năm 2025 trên IEEE Robotics and Automation Letters đã dùng học tăng cường cho bài toán phân bổ và lập lịch trong các đội robot dị thể, nơi các robot có năng lực khác nhau cần phối hợp để hoàn thành tập nhiệm vụ. Đây là một ví dụ cho thấy quyết định “ai làm gì” thường gắn chặt với “làm khi nào” và hiệu quả của cả đội.

Có thể phân công giống một công ty, một cuộc đấu giá hoặc một đàn côn trùng

Không có một kiến trúc duy nhất cho mọi đội robot.

Điều phối tập trung sử dụng một bộ não trung tâm biết trạng thái của toàn đội. Nó nhận mục tiêu, tính kế hoạch rồi giao việc cho từng robot. Cách này dễ kiểm soát và có thể tối ưu toàn cục tốt trong những hệ thống vừa phải, nhưng bộ điều phối có thể trở thành nút thắt khi số robot và lượng dữ liệu tăng lên.

Điều phối phi tập trung cho phép từng robot quyết định dựa trên thông tin cục bộ và trao đổi với các thành viên khác. Nếu một robot mất kết nối hoặc dừng hoạt động, phần còn lại vẫn có khả năng tiếp tục. Đổi lại, việc bảo đảm cả đội cùng hướng tới phương án tối ưu trở nên khó hơn.

Một cách tiếp cận phổ biến là cơ chế kiểu đấu giá. Khi có nhiệm vụ mới, các robot “đấu giá” dựa trên chi phí thực hiện: khoảng cách, thời gian, năng lượng hay năng lực cần thiết. Robot hoặc nhóm robot có giá trị phù hợp nhất nhận việc. Đây là phép ẩn dụ kinh tế nhưng rất hữu ích trong kỹ thuật vì hệ thống có thể phân công mà không cần xét mọi tổ hợp từ đầu.

Một hướng khác gần với swarm robotics – robot bầy đàn – trong đó nhiều máy tương đối đơn giản tuân theo quy tắc cục bộ và tạo ra hành vi tập thể. Tuy nhiên, không nên đồng nhất mọi hệ multi-robot với swarm. Một đội gồm drone, robot bốn chân và cánh tay máy dị thể thường cần mô hình năng lực và phân công rõ ràng hơn nhiều so với một đàn robot gần như giống nhau.

LLM đang được thử như một “quản lý dự án” cho robot

Sự xuất hiện của các mô hình ngôn ngữ lớn mở ra một lớp điều phối mới. Con người có thể đưa mục tiêu ở mức cao – chẳng hạn “dọn căn phòng và cất thực phẩm vào tủ lạnh” – thay vì viết thủ công từng lệnh cho từng robot.

Trong nghiên cứu Scale-Plan công bố dạng tiền xuất bản tháng 3/2026, các tác giả xây dựng một hệ thống hỗ trợ lập kế hoạch cho đội robot dị thể. Khung này dùng LLM để lọc những thông tin liên quan tới nhiệm vụ, chia mục tiêu thành các bước nhỏ, phân bổ robot theo năng lực rồi kết hợp với biểu diễn hành động có cấu trúc để tạo kế hoạch dài hạn.

Điểm đáng chú ý là nhóm nghiên cứu không để LLM tự do “nghĩ ra” toàn bộ kế hoạch. Họ nhấn mạnh rằng mô hình ngôn ngữ có thể bỏ sót ràng buộc, chú ý tới thông tin không cần thiết hoặc tạo ra thực thể không tồn tại. Vì thế, LLM được đặt bên cạnh những biểu diễn biểu tượng và cơ chế tìm kiếm có cấu trúc.

Đây có thể là mô hình hợp lý cho robot thực tế: AI ngôn ngữ hiểu ý định và phân rã mục tiêu, còn những bộ lập kế hoạch và bộ điều khiển chuyên dụng chịu trách nhiệm kiểm tra tính khả thi vật lý.

Tháng 7/2026, Google DeepMind đã trình diễn robot khác loại phối hợp với nhau

Một dấu hiệu cho thấy multi-robot collaboration đang tiến gần hơn tới các mô hình AI nền tảng xuất hiện trong bản cập nhật Gemini Robotics 2 của Google DeepMind vào tháng 7/2026.

DeepMind cho biết Gemini Robotics ER 2 có thể đóng vai trò bộ suy luận cấp cao, theo dõi những nhiệm vụ kéo dài nhiều phút và gồm hàng trăm quyết định. Đáng chú ý hơn, công ty giới thiệu khả năng multi-robot collaboration, trong đó các robot khác loại có thể giao tiếp và phối hợp để hoàn thành một quy trình mà một robot đơn lẻ khó thực hiện.

Đây vẫn là trình diễn nghiên cứu của chính nhà phát triển, không phải bằng chứng rằng các đội robot tự trị tổng quát đã sẵn sàng triển khai đại trà. Nhưng nó đánh dấu một thay đổi đáng chú ý: các mô hình “embodied AI” không còn chỉ được đánh giá trên câu hỏi một robot có thể làm gì, mà bắt đầu được mở rộng sang câu hỏi nhiều cơ thể robot có thể lập kế hoạch cùng nhau như thế nào.

Điều đó bổ sung một hướng mới cho cuộc đua Embodied AI: trí tuệ không nhất thiết phải nằm trọn trong một cơ thể duy nhất.

Mỗi robot có thể trở thành một “agent” biết mô tả chính mình

Một trong những vấn đề lớn của đội robot dị thể là thành viên không giống nhau. Nếu một hệ thống có robot bánh xe, drone và cánh tay máy, bộ điều phối phải hiểu mỗi máy có thể làm gì.

Nghiên cứu DynaHMRC, đăng dạng tiền xuất bản tháng 6/2026, thử một kiến trúc phi tập trung trong đó mỗi robot hoạt động như một agent LLM có nhận thức về vai trò. Quy trình bao gồm việc robot mô tả năng lực của mình, tham gia phân bổ nhiệm vụ, đấu thầu vai trò lãnh đạo và điều chỉnh kế hoạch sau khi thực thi.

Ý tưởng này khá gần với cách một nhóm người tự tổ chức. Một thành viên nói “tôi có camera trên cao”, thành viên khác nói “tôi có thể nhấc vật”, rồi hệ thống quyết định ai dẫn dắt phần nào của nhiệm vụ.

Tuy nhiên, nghiên cứu cũng chỉ ra lý do không nên coi LLM là lời giải cuối cùng. Khi số robot tăng, chi phí giao tiếp, độ trễ và lỗi phối hợp đều có thể tăng theo. Một đội robot thông minh không chỉ cần biết nói chuyện; nó cần biết khi nào không cần nói, thông tin nào phải chia sẻ và quyết định nào nên được xử lý tại chỗ.

Nhà kho cho thấy giá trị của “trí tuệ cấp đội” rõ nhất

Trong logistics, bài toán nhiều robot không còn là viễn cảnh xa.

Tháng 6/2025, Amazon công bố đã triển khai robot thứ một triệu trong mạng lưới vận hành của mình, trải rộng trên hơn 300 cơ sở. Cùng lúc, công ty giới thiệu mô hình DeepFleet để điều phối chuyển động của đội robot, với mục tiêu giảm tắc nghẽn và tối ưu đường đi. Amazon cho biết hệ thống cải thiện thời gian di chuyển của đội robot khoảng 10% trong mạng lưới của họ.

Điểm đáng chú ý ở đây là giá trị không chỉ đến từ việc làm từng robot chạy nhanh hơn. Khi hàng trăm hoặc hàng nghìn máy cùng chia sẻ không gian, hiệu suất toàn hệ thống phụ thuộc vào cách chúng tránh nhau, phân phối lưu lượng và chọn tuyến đường.

Một robot có thể đi theo đường ngắn nhất nhưng vẫn làm cả nhà kho chậm lại nếu nó tạo nút thắt ở giao lộ. Ngược lại, một robot chấp nhận đi vòng thêm vài mét có thể giúp toàn đội hoàn thành nhiều đơn hàng hơn.

Đó là khác biệt giữa tối ưu robot và tối ưu hệ robot.

Trên Mặt Trăng, ba rover có thể làm điều một rover khó làm

Một ví dụ khác nằm rất xa nhà kho: Mặt Trăng.

Dự án CADRE của NASA Jet Propulsion Laboratory đang phát triển ba rover nhỏ để làm việc cùng nhau một cách tự chủ. Theo trạng thái nhiệm vụ được JPL công bố và truy cập tháng 8/2026, CADRE vẫn được xếp là nhiệm vụ tương lai, với kế hoạch triển khai trong năm 2026.

Ba rover dự kiến giao tiếp qua mạng mesh, phối hợp khám phá và thực hiện các phép đo phân tán. Mục tiêu công nghệ là chứng minh nhiều robot có thể đưa ra quyết định và hoạt động như một nhóm mà không cần chờ chỉ dẫn liên tục từ người điều khiển trên Trái Đất.

NASA nhấn mạnh một lợi ích rất thực tế: một số phép đo khoa học cần thu dữ liệu đồng thời ở nhiều vị trí – điều một rover đơn lẻ không thể làm được dù nó có thông minh đến đâu.

Trong những môi trường xa xôi, nguy hiểm hoặc có độ trễ liên lạc lớn, một đội robot tự phân công còn có ưu thế khác. Nếu một thành viên bị kẹt, những robot còn lại có thể thay đổi kế hoạch thay vì toàn bộ nhiệm vụ phải dừng để chờ con người ra lệnh.

Sức mạnh lớn nhất của đội robot là khả năng thay thế lẫn nhau

Một cỗ máy toàn năng tạo ra một điểm hỏng rất rõ: nếu nó dừng, toàn bộ năng lực gắn với nó cũng biến mất.

Đội robot có thể thiết kế theo hướng dư thừa có chủ đích. Không phải mọi thành viên giống nhau, nhưng một số nhiệm vụ có thể được nhiều robot đảm nhiệm. Khi một robot hết pin, mất cảm biến hoặc gặp vật cản, bộ điều phối phân công lại nhiệm vụ cho thành viên khác.

Điều này đặc biệt có giá trị trong cứu hộ, khai khoáng, kiểm tra cơ sở hạ tầng, nông nghiệp hoặc thám hiểm – những nơi việc đưa kỹ thuật viên tới sửa robot có thể tốn hàng giờ, hàng ngày hoặc hoàn toàn không thể.

Một đội cũng có thể tự thay đổi cấu hình theo nhiệm vụ. Khi cần khảo sát, nhiều robot tỏa ra. Khi cần vận chuyển vật nặng, một số thành viên tập trung lại. Khi phát hiện khu vực nguy hiểm, robot phù hợp nhất được cử tới trong khi những máy khác giữ khoảng cách.

“Chia việc” và “chia không gian” là hai bài toán khác nhau

Ngay cả khi biết robot nào phải làm nhiệm vụ nào, hệ thống vẫn chưa giải xong.

Hàng chục robot cùng di chuyển có thể tạo ra một phiên bản vật lý của bài toán giao thông đô thị. Hai máy nhận công việc khác nhau nhưng cùng muốn đi qua một hành lang. Một robot dừng đột ngột có thể chặn đường cả đội. Nếu mỗi máy chỉ tối ưu tuyến đường riêng, tắc nghẽn có thể xuất hiện.

Do đó, các hệ thống nhiều robot thường phải giải đồng thời hai lớp:

• Task allocation: ai làm việc gì.
• Motion/path coordination: mỗi robot đi đâu và đi khi nào để không xung đột.

Ở quy mô lớn, hai bài toán tác động lẫn nhau. Robot gần nhiệm vụ nhất chưa chắc là lựa chọn tốt nhất nếu đường tới đó đang tắc. Một thành viên ở xa hơn nhưng có tuyến đường thông thoáng có thể hoàn thành sớm hơn.

Đây là lý do những hệ thống như DeepFleet tập trung vào điều phối cấp đội thay vì chỉ tăng trí thông minh của từng robot.

Đội robot còn phải học cách thất bại cùng nhau

Phối hợp làm tăng năng lực, nhưng cũng tạo ra những kiểu lỗi mới.

Nếu robot A tin rằng robot B đã mở cửa nhưng B thực ra thất bại, kế hoạch phía sau có thể sụp đổ. Nếu hai agent cùng nghĩ thành viên còn lại sẽ nhặt một vật, nhiệm vụ không ai thực hiện. Nếu thông tin bản đồ không đồng bộ, hai robot có thể đưa ra quyết định dựa trên hai phiên bản khác nhau của thế giới.

Với LLM, còn có rủi ro mô hình hiểu sai năng lực vật lý. Một agent ngôn ngữ có thể tạo kế hoạch nghe hợp lý nhưng giao cho drone nhiệm vụ cần lực nâng vượt khả năng, hoặc giả định cánh tay robot có thể với tới vị trí nằm ngoài vùng làm việc.

Do đó, đội robot thực tế cần những tầng kiểm tra cứng: giới hạn lực, vùng an toàn, trạng thái pin, quyền truy cập, bản đồ va chạm và những bộ điều khiển có thể từ chối lệnh không khả thi.

Trong tương lai, “agentic robotics” nhiều khả năng sẽ không thay thế các lớp an toàn truyền thống. Nó sẽ nằm phía trên chúng.

Giao tiếp cũng có giá của nó

Một nhóm năm robot có thể chia sẻ gần như mọi thông tin. Một đội hàng nghìn máy thì không thể liên tục gửi toàn bộ cảm biến của từng thành viên tới tất cả những máy còn lại.

Hệ thống phải quyết định dữ liệu nào nên ở cục bộ, dữ liệu nào gửi cho hàng xóm và dữ liệu nào cần tổng hợp tại máy chủ trung tâm.

Điều này tạo ra kiến trúc nhiều tầng. Robot xử lý phản xạ và tránh va chạm ngay trên thiết bị. Một bộ điều phối khu vực quản lý giao thông của vài chục máy. Hệ thống cấp cao hơn theo dõi mục tiêu toàn nhà máy hoặc toàn kho.

Cách tổ chức này gần với một doanh nghiệp hơn một “bộ não khổng lồ”: không phải mọi quyết định đều đi tới tổng giám đốc, và không phải mọi nhân viên đều phải biết mọi dữ liệu.

Đội robot dị thể có thể xuất hiện ở đâu trước?

Kho vận và nhà máy là môi trường thuận lợi nhất vì không gian có thể được thiết kế cho robot, nhiệm vụ lặp lại và dữ liệu vận hành rất lớn.

Nông nghiệp có thể sử dụng robot bay để khảo sát, robot mặt đất kiểm tra từng luống và máy chuyên dụng phun hoặc thu hoạch đúng khu vực cần thiết.

Kiểm tra hạ tầng có thể kết hợp drone quan sát mặt ngoài, robot bò trong đường ống và robot mặt đất mang thiết bị đo.

Cứu hộ là trường hợp năng lực bổ sung đặc biệt quan trọng: robot bay lập bản đồ nhanh, robot nhỏ chui vào khe hẹp, robot bốn chân vượt đống đổ nát và robot tải nặng vận chuyển thiết bị.

Thám hiểm không gian có thể là nơi multi-robot autonomy phát huy mạnh nhất, vì độ trễ truyền thông khiến việc điều khiển thủ công từng robot trở nên kém hiệu quả.

Dịch vụ và gia đình cũng có thể đi theo hướng này, nhưng khó hơn vì môi trường con người rất không có cấu trúc. Thay vì một humanoid làm tất cả, một ngôi nhà có thể có robot hút bụi, cánh tay bếp, robot vận chuyển và thiết bị bay nhỏ cùng chia sẻ một lớp AI điều phối. Tuy nhiên, đây vẫn là viễn cảnh xa hơn so với các đội robot trong kho và nhà máy.

Humanoid và đội robot không loại trừ nhau

Sự phát triển của robot hình người không mâu thuẫn với xu hướng multi-robot.

Humanoid có lợi thế lớn trong những môi trường được xây cho cơ thể người: cầu thang, tay nắm cửa, kệ hàng và công cụ cầm tay. Nhưng ngay cả khi robot hình người trở nên rất đa năng, một nhà máy vẫn có thể dùng xe tự hành cho vận chuyển nặng, drone cho quan sát và cánh tay cố định cho thao tác tốc độ cao.

Robot hình người khi đó chỉ là một thành viên đặc biệt linh hoạt trong đội.

Điều tương tự đã xảy ra trong máy tính. Một máy tính cá nhân có thể làm rất nhiều thứ, nhưng những hệ thống lớn vẫn chia việc giữa CPU, GPU, máy chủ, thiết bị mạng và bộ tăng tốc chuyên dụng. Năng lực tổng thể đến từ việc các thành phần chuyên môn hóa phối hợp hiệu quả.

Tương lai của robotics có thể là “hệ điều hành cho cả đội”

Khi số robot tăng, giá trị có thể dịch chuyển từ phần cứng riêng lẻ sang lớp phần mềm điều phối.

Một doanh nghiệp có thể sở hữu robot của nhiều hãng, mỗi loại có giao diện và khả năng khác nhau. Nếu muốn chúng làm việc chung, hệ thống cần một lớp mô tả thống nhất: robot này biết nâng tối đa bao nhiêu, robot kia có camera nhiệt, máy nào được phép vào khu vực nào và công cụ nào hiện đang rảnh.

Trên lớp đó là trình phân bổ nhiệm vụ, lập lịch, quản lý đường đi, giám sát an toàn và học từ dữ liệu của toàn đội.

Nói cách khác, cuộc cạnh tranh tương lai có thể không chỉ nằm ở câu hỏi “ai chế tạo robot tốt nhất?”, mà còn ở câu hỏi “ai xây được hệ điều phối giúp hàng trăm loại robot khác nhau làm việc như một hệ thống?”

Từ robot thông minh sang tập thể thông minh

Trong nhiều năm, mục tiêu dễ hình dung nhất của robotics là tạo ra một cỗ máy ngày càng giống con người: nhìn tốt hơn, cầm nắm tốt hơn, đi lại khéo hơn và hiểu ngôn ngữ tốt hơn.

Nhưng tự nhiên cũng cho thấy một con đường khác. Một con kiến có năng lực hạn chế, trong khi cả đàn có thể tìm thức ăn, xây tổ và thích nghi với thay đổi. Một nhóm người không cần ai cũng có mọi kỹ năng; hiệu quả đến từ chuyên môn hóa và phối hợp.

Robot có thể đi theo cả hai con đường cùng lúc. Từng máy sẽ ngày càng thông minh và đa năng hơn. Đồng thời, chúng cũng học cách trở thành thành viên của một đội.

Khi đó, bước tiến lớn tiếp theo của robotics có thể không phải một robot duy nhất biết làm thêm 100 nhiệm vụ. Nó có thể là một hệ thống nơi 100 robot khác nhau biết nhiệm vụ nào nên giao cho ai, khi nào cần giúp nhau và làm thế nào tự tổ chức lại khi kế hoạch ban đầu thất bại.

Tương lai của robot vì thế có thể ít giống hình ảnh một cỗ máy toàn năng đứng một mình, và giống một lực lượng lao động số hơn: nhiều cơ thể, nhiều chuyên môn, nhưng cùng chia sẻ một mục tiêu.

Nguồn tham khảo

• Google DeepMind, “Gemini Robotics 2 brings whole body intelligence to robots”, 30/7/2026.
• Gupta P. và cộng sự, “Scale-Plan: Scalable Language-Enabled Task Planning for Heterogeneous Multi-Robot Teams”, arXiv:2603.08814, 2026 (tiền xuất bản).
• Yu W. và cộng sự, “DynaHMRC: Decentralized Heterogeneous Multi-Robot Collaboration for Dynamic Tasks with Large Language Models”, arXiv:2606.14882, 2026 (tiền xuất bản).
• Amazon Robotics, “Amazon launches a new AI foundation model to power its robotic fleet and deploys its 1 millionth robot”, 30/6/2025.
• NASA Jet Propulsion Laboratory, “CADRE”, trạng thái nhiệm vụ truy cập tháng 8/2026.
• Dai W. và cộng sự, “Heterogeneous Multi-robot Task Allocation and Scheduling via Reinforcement Learning”, IEEE Robotics and Automation Letters, 10(3), 2654–2661, 2025.