Sau AI trong software là “intelligence trong hình dạng”: Robot có thể tính toán bằng chính cơ thể?

Phần lớn câu chuyện AI vài năm qua diễn ra trong software: mô hình lớn hơn, dữ liệu nhiều hơn, GPU nhanh hơn. Robotics lại đặt ra một câu hỏi khó hơn. Nếu một cỗ máy phải đi, bám, giữ vật, chịu va chạm và phản ứng trong thế giới vật lý, liệu mọi quyết định có nhất thiết phải quay về một bộ xử lý trung tâm?

Một hướng nghiên cứu đang trả lời rằng không. Thay vì coi cơ thể robot chỉ là phần cứng chờ lệnh, các nhà nghiên cứu thiết kế hình dạng, vật liệu, độ mềm và động lực học sao cho chính chúng đảm nhận một phần việc mà robot truyền thống giao cho cảm biến, bộ điều khiển và thuật toán. Khái niệm thường được gọi là morphological computation, embodied intelligence hoặc physical intelligence.

Điểm đáng chú ý là ý tưởng này đang dịch chuyển từ một nguyên tắc thiết kế khá rộng sang những hệ có thể được mô tả chặt chẽ hơn như một dạng physical computing: tín hiệu vật lý được mã hóa vào cơ thể, biến đổi bởi chính tương tác cơ học bên trong nó, rồi được giải mã thành hành động hoặc thông tin.

Khi “cơ thể giúp điều khiển” chưa chắc đã là “cơ thể đang tính toán”

Morphological computation không phải ý tưởng mới. Trong robotics, khái niệm này đã được dùng để mô tả việc tận dụng cơ học của cơ thể nhằm giảm gánh nặng cho bộ điều khiển. Một chân robot có độ đàn hồi phù hợp có thể hấp thụ va chạm và tự ổn định tốt hơn; một gripper mềm có thể ôm theo hình dạng vật thể mà không cần đo chính xác từng điểm tiếp xúc.

Nhưng gọi mọi hành vi như vậy là “computation” dễ khiến khái niệm bị kéo quá rộng. Một phân tích trên Artificial Life năm 2017 từng phân biệt ba trường hợp: morphology hỗ trợ điều khiển, morphology hỗ trợ cảm nhận, và trường hợp hiếm hơn khi cơ thể thực sự được dùng như một hệ tính toán, chẳng hạn physical reservoir computing.

Một bài Perspective đăng trên Nature Communications tháng 3/2026 của Jun Wang, Ziyang Zhou, Ardalan Kahak và Suyi Li đề xuất tiêu chuẩn rõ hơn cho “physical computer” trong soft robot. Theo khung này, hệ phải có cách mã hóa input vào một kernel vật lý, có một quá trình biến đổi input–output được thiết kế hoặc lập trình, rồi giải mã output. Nói cách khác, một cơ thể mềm tự uốn theo vật không tự động trở thành máy tính; phải có một phép biến đổi thông tin có thể xác định được.

Ba cách cơ thể robot có thể làm việc của một bộ điều khiển

Nhóm tác giả chia các ví dụ hiện nay thành ba họ chính: bộ dao động vật lý, physical reservoir computing và tính toán logic/cơ học.

1. Bộ dao động: nhịp đi có thể sinh ra từ vật lý

Robot đi bộ thông thường thường cần bộ điều khiển tạo chuỗi tín hiệu cho từng chân. Với một số soft robot khí nén, nhịp này có thể được tạo trực tiếp bằng van và dòng khí. Một ring oscillator cơ-fluidic nhận áp suất gần như không đổi rồi tự tạo chu kỳ tăng giảm áp suất để bơm các chân theo pha thích hợp. Hệ có thể tạo gait mà không cần vi điều khiển điện tử cho vòng lặp nhịp đi.

Một ví dụ khác được công bố trên Science năm 2025 đi xa hơn ở cơ chế tự đồng bộ. Mỗi chân mềm chỉ là một ống có khả năng tự dao động khi được cấp dòng khí liên tục, với tần số được báo cáo lên tới 300 Hz. Khi nhiều chân tương tác với mặt đất và với nhau qua thân robot, gait đồng bộ xuất hiện từ chính liên kết vật lý thay vì từ tín hiệu điều khiển trung tâm. Nhóm AMOLF còn trình diễn tránh vật cản, chuyển gait giữa mặt đất và nước, cùng phototaxis.

Điều này không có nghĩa robot “suy nghĩ” theo nghĩa của một mô hình AI. Giá trị nằm ở chỗ một bài toán điều phối thời gian thực được đẩy xuống tầng vật lý: geometry, áp suất, độ đàn hồi và tiếp xúc với môi trường tự tạo ra phần lớn nhịp vận động.

2. Physical reservoir computing: dùng động lực học của cơ thể như một mạng xử lý

Reservoir computing khai thác một hệ động lực phi tuyến có nhiều trạng thái nội tại. Thay vì tính toán toàn bộ biến đổi bằng mạng neural số, ta đưa tín hiệu vào một “reservoir”, để động lực học của hệ biến đổi tín hiệu thành một không gian trạng thái giàu thông tin, sau đó chỉ cần học một lớp readout tương đối đơn giản.

Trong soft robotics, reservoir có thể chính là cơ thể. Bài Perspective năm 2026 tổng hợp một manipulator dùng các actuator hợp kim nhớ hình và strain gauge. Khi cánh tay rung cùng payload, biến dạng tại các điểm khác nhau tạo ra chuỗi tín hiệu phụ thuộc vào khối lượng và hướng của vật đang mang. Các tín hiệu này sau đó được cộng có trọng số để suy ra loại payload.

Ở đây, phần “tính toán” thú vị xảy ra trong động lực học cơ học của cánh tay: cùng một cơ thể vừa là cấu trúc chịu lực vừa là kernel biến đổi tín hiệu. Nhưng đây cũng là ví dụ cho thấy ranh giới không tuyệt đối. Lớp readout vẫn có thể cần điện tử để đo strain và thực hiện phép cộng trọng số. Physical computing vì thế thường là hybrid, không phải tuyên bố rằng silicon biến mất.

3. Logic cơ học: AND, OR và phép toán xuất hiện trong metamaterial

Trường hợp gần nhất với câu “robot tính toán bằng chính cơ thể” nằm ở mechanical computing. Trong một nghiên cứu Nature Communications năm 2024, nhóm Junghwan Byun, Aniket Pal, Jongkuk Ko và Metin Sitti xây dựng metamaterial gồm các phần tử bistable. Sóng cơ học đơn độc truyền qua mạng cấu trúc này vừa mang thông tin vừa đi qua các phần tử đóng vai trò logic gate. Nhóm trình diễn mạch cơ học nhiều tầng và một soft machine lấy cảm hứng từ cây trinh nữ, nơi input cơ học có thể kích hoạt các chuỗi đáp ứng khác nhau mà không cần mạch điện tử truyền thống.

Đến tháng 4/2026, một paper khác trên Nature Communications của Wu Zhou và Yi-Ze Wang tích hợp tính toán trực tiếp vào một metamaterial robot bò. Cấu trúc dùng mạng các khối lục giác, lò xo lá và sóng đàn hồi; bằng cách thiết kế lớp truyền hàm, cùng một input có thể tạo ra các phép vi phân, tích phân, dịch chuyển, cộng/trừ và các trạng thái logic như AND, OR, XOR. Kết quả tính toán được gắn với trạng thái chuyển động của robot, chẳng hạn đi thẳng, rẽ hoặc dừng.

Paper còn mô tả các trạng thái “qubit-like” để thực hiện một số phép biến đổi ma trận như Hadamard, Pauli X và CNOT-like. Cần nhấn mạnh: đây là mô phỏng cơ học của phép biến đổi toán học, không phải quantum computing và không sử dụng qubit lượng tử.

“Intelligence trong hình dạng” thực sự mua được gì?

Lợi ích đầu tiên là phản ứng có thể xảy ra ngay tại nơi tương tác vật lý phát sinh. Một chân mềm không cần gửi toàn bộ biến dạng về CPU rồi chờ lệnh mới hấp thụ được cú va chạm; một cấu trúc tự dao động không cần scheduler điện tử để duy trì nhịp; một metamaterial có thể biến đổi tín hiệu khi sóng đang truyền qua nó.

Lợi ích thứ hai là khả năng làm việc ở những môi trường mà electronics gặp bất lợi. Paper về metamaterial robot năm 2026 nêu các kịch bản như nhiệt độ cao hoặc bức xạ ion hóa. Perspective về soft physical computing cũng chỉ ra fluidic computing có thể phù hợp với hệ hoàn toàn mềm hoặc môi trường dưới nước, nơi việc bảo vệ electronics làm tăng độ phức tạp.

Điểm thứ ba là kiến trúc. Nếu AI trong software chủ yếu tối ưu cách biểu diễn và xử lý thông tin trên phần cứng số, embodied intelligence hỏi một câu khác: có thể thiết kế vật thể sao cho vật lý của nó tự thực hiện một phép biến đổi hữu ích không? Đây gần với cách sinh học hoạt động hơn. Gân, cơ, da, khớp và cấu trúc xương không chỉ “thi hành lệnh” từ não; chúng góp phần quyết định hệ phản ứng thế nào với lực, ma sát và môi trường.

Nhưng cơ thể không phải GPU mới

Phần khó nhất của physical computing cũng nằm trong chính lợi thế của nó: phép tính bị gắn chặt với vật liệu và hình dạng. Một oscillator có tần số được quyết định bởi geometry và đặc tính vật liệu sẽ khó “cài app mới” như vi điều khiển. Thay đổi task đôi khi đồng nghĩa thay đổi cấu trúc.

Physical reservoir computing linh hoạt hơn vì có thể đổi readout weights mà giữ nguyên cơ thể, nhưng lại gặp vấn đề repeatability. Nhiệt độ, sai số chế tạo, lão hóa vật liệu, điều kiện biên và noise có thể làm đáp ứng động lực học trôi theo thời gian. Với logic cơ học, tốc độ, mật độ tính toán và khả năng scale vẫn thua xa CMOS ở các tác vụ tính toán phổ dụng.

Ngay cả Perspective năm 2026 cũng không dự đoán robot tương lai sẽ bỏ electronics. Các tác giả cho rằng digital computing vẫn phù hợp hơn với nhiệm vụ “ở xa” cơ thể, chẳng hạn xử lý vision hoặc liên lạc dài khoảng cách, trong khi physical computing có lợi nhất ở những bài toán gắn trực tiếp với tương tác cơ học.

Tương lai có thể là AI ở trên, vật lý ở dưới

Điểm thú vị vì thế không phải cuộc thi giữa “software intelligence” và “shape intelligence”. Một kiến trúc thực tế hơn là phân tầng: model số làm perception cấp cao, planning và học từ dữ liệu; cơ thể đảm nhận reflex, ổn định, filtering tín hiệu, nhịp vận động hoặc các phép logic đơn giản ngay tại chỗ.

Nếu hướng này tiến xa, thiết kế robot sẽ bớt giống mô hình “máy tính + động cơ + cảm biến” và gần hơn với một hệ trong đó intelligence được phân bố giữa code, vật liệu và hình dạng. Bước tiếp theo không phải chứng minh rằng cơ thể có thể tham gia tính toán — điều đó đã có nhiều proof-of-concept. Câu hỏi khó hơn là các hệ này có thể được thu nhỏ, chế tạo lặp lại, lập trình lại và tích hợp với AI số ở quy mô đủ tin cậy để dùng ngoài phòng lab hay không.

Nguồn chính: Nature Communications (2026) “Embodying physical computing into soft robots”; Science (2025) “Physical synchronization of soft self-oscillating limbs for fast and autonomous locomotion”; Nature Communications (2024) “Integrated mechanical computing for autonomous soft machines”; Nature Communications (2026) “Reprogrammable metamaterial robot with embodied versatile computation and mechanical intelligence”.