Theo thông tin từ TMTPost, trong vài năm trở lại đây, công nghệ lái xe thông minh đã có những bước tiến đáng kể cả về kỹ thuật lẫn mức độ phổ cập trên thị trường.
Các hệ thống hỗ trợ lái xe cấp độ L2/L2+ như kiểm soát hành trình thích ứng, giữ làn đường hay đỗ xe tự động đã trở thành trang bị phổ biến trên nhiều mẫu xe thương mại.
Theo QuestAuto, một công ty nghiên cứu và phân tích dữ liệu thị trường ô tô tại Trung Quốc, tỷ lệ thâm nhập của các hệ thống hỗ trợ lái từ cấp độ L2 trở lên trên xe năng lượng mới tại Trung Quốc đã đạt 77,3%.
Ở cấp độ cao hơn, nhiều thành phố tại Trung Quốc, Mỹ và các quốc gia khác đã triển khai thử nghiệm Robotaxi, đó là dịch vụ mà xe có thể tự vận hành hoàn toàn trong các khu vực và điều kiện được xác định trước mà không cần tài xế can thiệp, qua đó tích lũy lượng lớn dữ liệu vận hành thực tế trên đường phố.
Song hành với sự mở rộng thị trường là những bước tiến mạnh mẽ về công nghệ.
Các hệ thống lái xe thông minh chủ đạo đã chuyển từ mô hình điều khiển dựa trên quy tắc sang kiến trúc điều khiển dựa trên dữ liệu, từ cấu trúc mô-đun truyền thống “nhận thức - ra quyết định - điều khiển”sang các mạng nơ-ron đầu cuối (end to end).
Trong quá trình này, các mô hình AI đa phương thức như mô hình kết hợp giữa hình ảnh và ngôn ngữ (VLM) và mô hình liên kết trực tiếp với hành động điều khiển (VLA) cũng được đưa vào nhằm nâng cao khả năng hiểu ngữ cảnh và ra quyết định của xe.
Năng lực tính toán trên xe cũng tăng trưởng theo cấp số nhân. Các dòng chip của Nvidia đã phát triển từ Xavier lên Orin rồi Thor, đưa sức mạnh xử lý từ 30 TOPS lên hơn 2.000 TOPS.
Tại Trung Quốc, chip AI Turing do Xpeng tự phát triển đạt 750 TOPS trên mỗi chip. Mẫu xe đầu bảng mới nhất của hãng được trang bị bốn chip, nâng tổng năng lực tính toán hiệu dụng vượt 3.000 TOPS.
Trong khi đó, chi phí và hiệu năng cảm biến cũng cải thiện mạnh mẽ. Giá lidar cơ học từng lên tới hàng chục nghìn USD, giảm xuống vài nghìn USD với thế hệ bán rắn vào khoảng năm 2020.
Hiện nay, cùng sự phát triển của các nhà sản xuất Trung Quốc như Huawei, Hesai hay RoboSense, giá lidar đã giảm xuống mức chỉ vài Nghìn nhân dân tệ trong khi hiệu suất tiếp tục được nâng cao.
Sự cộng hưởng mạnh mẽ giữa năng lực phần cứng vượt trội và sự nhảy vọt của các thuật toán AI khiến công chúng và không ít người trong ngành tin rằng, con người chỉ còn cách kỉ nguyên của xe ô tô tự lái hoàn toàn (cấp độ L4/L5) “một bước chân ngắn”.
Tuy nhiên, thực tế lại phức tạp hơn rất nhiều. Từ hỗ trợ lái thông minh tiến lên không người lái hoàn toàn có lẽ không phải là một phép cộng tuyến tính, mà là một bước nhảy vọt có độ khó tăng theo cấp số nhân.
Điểm mấu chốt nằm ở sự khác biệt giữa cách con người và máy móc học lái xe.
Một người trưởng thành từ khi bắt đầu học lái xe cho đến lúc có thể tự tin vận hành xe trên đường chỉ cần khoảng vài chục giờ thực hành.
Sở dĩ con người làm được điều đó là vì chúng ta không bắt đầu từ con số 0. Trước khi ngồi vào ghế lái, con người đã tích lũy nhiều năm kinh nghiệm sống trong thế giới thực, hiểu các quy tắc giao thông, nhận thức được nguy hiểm và có khả năng suy đoán ý định của những người tham gia giao thông khác.
Khi học lái xe, con người thực chất đang chuyển hóa lượng lớn kiến thức nền tảng và kinh nghiệm xã hội sẵn có vào một nhiệm vụ cụ thể.
Có thể nói rằng, con người lái xe bằng sự thấu hiểu sâu sắc về luật lệ, môi trường, ý đồ của các chủ thể xung quanh.
Ngược lại, máy móc (các hệ thống lái xe thông minh) lại vận hành theo một triết lý hoàn toàn khác biệt.
Ban đầu, các hệ thống lái xe thông minh dựa vào tập hợp quy tắc do kỹ sư lập trình sẵn, đó là gặp đèn đỏ thì kích hoạt phanh, phát hiện vật cản thì điều khiển né tránh.
Cách tiếp cận này có logic dễ dàng và hành vi có thể giải thích, nhưng điểm yếu chí mạng là con người không bao giờ có thể liệt kê hết mọi tình huống có thể xảy ra trong thế giới thực. Chỉ cần một kịch bản thực tế chệch khỏi lập trình sẵn có, hệ thống lập tức bị tê liệt.
Chính vì vậy, ngành công nghiệp lái xe thông minh đã chuyển sang mô hình “vận hành dữ liệu và khớp mô hình” (data driven và pattern fitting). Mô hình sử dụng mạng thần kinh nhân tạo để huẩn luyện trên nguồn dữ liệu khổng lồ.
Theo đó, để một hệ thống lái thông minh cao cấp đạt độ chín muồi, nó cần được “cho ăn” lượng dữ liệu huấn luyện khổng lồ lên tới hàng chục triệu, thậm chí vài trăm triệu km vận hành, tương đương với việc nén kinh nghiệm lái xe hàng chục năm của hàng vạn tài xế lão luyện vào trong một mô hình toán học.
Tuy nhiên, điều mà hệ thống học được không phải là các quy tắc giao thông theo nghĩa con người hiểu.
Hệ thống này không thực sự biết rằng “đèn đỏ phải dừng”, mà chỉ nhận thấy rằng khi xuất hiện một tín hiệu đèn đỏ trong hình ảnh, các xe trong dữ liệu huấn luyện thường giảm tốc về 0.
Rào cản lớn nhất của xe tự lái nằm ở “lỗi hệ thống”
Trong điều kiện đường sá tiêu chuẩn, thời tiết thuận lợi và các tình huống phổ biến, phương pháp này có thể mang lại hiệu suất vượt con người về độ chính xác, tốc độ phản ứng và tính nhất quán.
Nhưng chính điều này cũng tạo ra thách thức lớn nhất của xe tự lái hiện nay, đó là “lỗi hệ thống”.
Trong thế giới thực, phần lớn thời gian giao thông diễn ra theo những kịch bản quen thuộc và có thể dự đoán. Tuy nhiên, luôn tồn tại một số lượng khổng lồ các tình huống hiếm gặp với xác suất cực thấp.
Đó có thể là một mảnh lốp xe cùng màu với mặt đường nằm chắn ngang làn xe, hay tín hiệu tay của nhân viên điều phối giao thông mâu thuẫn với đèn tín hiệu, một xe tải chở hàng hóa có hình dạng chưa từng xuất hiện trong dữ liệu huấn luyện, cũng có thể mưa lớn khiến lu mờ toàn bộ vạch kẻ đường.
Nghiêm trọng hơn, còn tồn tại vô số tình huống mà hiện nay chúng ta thậm chí chưa thể tưởng tượng ra.
Đối với các hệ thống dựa trên dữ liệu, đây là một vấn đề mang tính cấu trúc. Không thể sử dụng một lượng dữ liệu hữu hạn để bao phủ một thế giới thực có độ phức tạp gần như vô hạn.
Ở cấp độ L2, vấn đề này vẫn tương đối dễ xử lý bởi con người luôn nằm trong vòng điều khiển. Khi hệ thống gặp tình huống ngoài khả năng xử lý, nó có thể yêu cầu người lái tiếp quản.
Vì thế, hậu quả của các tình huống “lỗi hệ thống” ở cấp độ L2 thường chỉ dừng ở mức trải nghiệm chưa hoàn hảo, đó có thể là cảnh báo nhiều hơn, vận hành thiếu mượt mà hoặc đôi lúc từ chối hoạt động.
Tuy nhiên, trong thế giới của L4 và L5, nơi không còn tài xế làm lớp bảo vệ cuối cùng, mọi thứ thay đổi hoàn toàn.
Khi đó, vấn đề “lỗi hệ thống” không còn là câu chuyện trải nghiệm mà trở thành vấn đề sống còn liên quan trực tiếp đến an toàn của hệ thống.
Để giải quyết bài toán này, ngành công nghiệp đang không ngừng thu thập thêm dữ liệu thực tế. Tính đến đầu năm 2026, đội xe tự lái hoàn toàn của Waymo đã tích lũy hơn 170 triệu dặm vận hành trên đường thực.
Song song với đó, các doanh nghiệp cũng sử dụng lượng lớn dữ liệu tổng hợp và môi trường mô phỏng độ trung thực cao nhằm mở rộng số lượng mẫu cho các tình huống hiếm gặp.
Dù vậy, về bản chất toán học, “lỗi hệ thống” là một tập hợp gần như vô hạn. Điều đó đồng nghĩa việc bổ sung dữ liệu, dù cần thiết, cũng khó có thể giải quyết triệt để vấn đề.
Theo nhiều chuyên gia ngành lái xe thông minh Trung Quốc, bước tiến tiếp theo có thể nằm ở việc xây dựng “mô hình thế giới” (world model).
Có nghĩa là, thay vì chỉ học mối liên hệ giữa đầu vào và đầu ra, hệ thống cần có khả năng mô phỏng bên trong rằng, nếu thực hiện một hành động nào đó thì thế giới xung quanh sẽ thay đổi ra sao.
Đây là cơ chế gần với cách con người suy luận và dự đoán hơn, nhưng vẫn là hướng nghiên cứu còn rất nhiều thách thức.
Xe tự lái không chỉ là vấn đề công nghệ
Ngay cả khi các rào cản kỹ thuật được giải quyết, xe tự lái vẫn phải đối mặt với hàng loạt thách thức ngoài công nghệ.
Trước tiên là vấn đề độ tin cậy của hệ thống.
Trong xe hỗ trợ lái cấp độ L2, nếu camera bị che khuất, lidar gặp lỗi hoặc chip xử lý gặp sự cố, hệ thống chỉ cần cảnh báo và yêu cầu tài xế tiếp quản.
Nhưng đối với xe tự lái, mọi thành phần từ cảm biến, hệ thống tính toán, nguồn điện cho tới hệ thống điều khiển điện tử đều phải được thiết kế dự phòng ở cấp độ cao.
Điều này đòi hỏi tái thiết kế toàn bộ kiến trúc điện và điện tử của xe, kéo theo chi phí lớn hơn đáng kể.
Thách thức tiếp theo nằm ở khung pháp lý và cơ chế giám sát.
Trong thế giới L2, trách nhiệm pháp lý chủ yếu thuộc về người lái. Nhưng khi quyền điều khiển được chuyển giao cho hệ thống, việc xác định trách nhiệm trong một vụ tai nạn sẽ trở nên phức tạp hơn nhiều.
Điều đó đòi hỏi các nhà nghiên cứu ứng dụng cần xây dựng một hệ thống trách nhiệm hoàn toàn mới cũng như cơ chế giám sát liên tục thay cho mô hình chứng nhận sản phẩm truyền thống.
Đối với các quốc gia dẫn đầu như Trung Quốc và Mỹ, một bài toán khác là tìm điểm cân bằng giữa an toàn và đổi mới. Khi quản lý quá chặt có thể làm chậm tiến trình công nghệ, trong khi quá lỏng lẻo lại làm gia tăng rủi ro hệ thống.
Bên cạnh pháp lý là vấn đề đạo đức.
Theo Tổ chức Y tế Thế giới (WHO), mỗi năm có khoảng 1,2 triệu người tử vong vì tai nạn giao thông đường bộ trên toàn cầu. Giả sử xe tự lái đủ trưởng thành để giảm con số này xuống còn 1 triệu người mỗi năm, liệu xã hội có chấp nhận hay không?
Thực tế cho thấy con người đánh giá lỗi của máy móc và lỗi của con người theo hai tiêu chuẩn khác nhau. Một vụ tai nạn do tài xế gây ra thường được xem là trường hợp cá biệt, trong khi một vụ tai nạn do xe tự lái gây ra thường bị xem như sự thất bại của cả công nghệ.
Vụ tai nạn chết người liên quan đến xe tự lái của Uber năm 2018 và vụ việc Cruise kéo lê người đi bộ tại San Francisco năm 2023 là những ví dụ điển hình cho mức độ nhạy cảm của xã hội đối với công nghệ này.
Cuối cùng là bài toán kinh doanh.
Hiện nay, phần lớn các hãng xe vẫn kiếm tiền chủ yếu bằng cách bán xe. Tuy nhiên, trong một tương lai mà Robotaxi trở nên phổ biến, ngành công nghiệp có thể chuyển sang mô hình MaaS (Mobility as a Service, di chuyển như một dịch vụ).
Khi đó, giá trị cốt lõi không còn nằm ở việc bán phần cứng mà nằm ở khả năng vận hành đội xe, quản lý nền tảng thuật toán và điều phối mạng lưới vận tải. Đồng thời, các ngành liên quan như bảo hiểm, bãi đỗ xe và cơ sở hạ tầng giao thông cũng sẽ phải thay đổi theo.
Như vậy, những tiến bộ trong cảm biến, năng lực tính toán, dữ liệu và AI đã đưa ngành công nghiệp tiến rất gần tới xe tự lái hơn bất kỳ thời điểm nào trước đây.
Tuy nhiên, khoảng cách còn lại không đơn thuần là một bước nâng cấp công nghệ.
Thách thức lớn nhất hiện nay nằm ở khả năng xử lý các tình huống “lỗi hệ thống” của thế giới thực, nơi dữ liệu và phương pháp khớp mẫu truyền thống bộc lộ giới hạn.
Xa hơn nữa, xe tự lái còn kéo theo hàng loạt thay đổi về kỹ thuật, pháp lý, đạo đức và mô hình kinh doanh.
Vì vậy, việc hiện thực hóa xe tự lái hoàn toàn sẽ không chỉ phụ thuộc vào việc công nghệ có đủ mạnh hay không, mà còn phụ thuộc vào khả năng xây dựng một đồng thuận xã hội mới về an toàn, trách nhiệm và cách thức vận hành của hệ thống giao thông trong tương lai.
*Theo TMTPost