Giữa cơn sốt AI, phụ huynh và học sinh đổ xô vào Khoa học máy tính, chuyên gia nói: "Làm chủ" tương lai phải là ngành này!

Giữa cơn sốt AI, nhiều bạn trẻ tin rằng Khoa học Máy tính là con đường duy nhất dẫn đến thành công. Tuy nhiên, ông Jensen Huang, nhà sáng lập và CEO của "gã khổng lồ" chip NVIDIA, lại đưa ra một lời khuyên đầy bất ngờ và mang tính chiến lược về tương lai trong cuộc phỏng vấn vừa qua.

Khi được hỏi nếu được quay lại tuổi 20 vào năm 2025, ông sẽ chọn học ngành gì, câu trả lời của Jensen Huang không phải là khoa học máy tính hay phần mềm. Thay vào đó, ông khẳng định sẽ chọn một lĩnh vực liên quan đến Khoa học Vật lý. "Tôi sẽ nhận ra rằng việc tạo ra phần mềm có thể tương tác với thế giới vật chất mang lại một cơ hội phi thường", ông chia sẻ.

Lý do đằng sau lời khuyên này là tầm nhìn của ông về làn sóng công nghệ tiếp theo: "AI Vật lý" (Physical AI). Đây là các hệ thống AI có khả năng hiểu và tuân theo các định luật vật lý để hoạt động trong môi trường xung quanh chúng ta, mà về cơ bản chính là lĩnh vực robotics (người máy).

Để chế tạo robot, xe tự hành, hay các hệ thống tự động hóa công nghiệp phức tạp, việc chỉ biết viết code là chưa đủ. Làn sóng AI tiếp theo đòi hỏi sự am hiểu sâu sắc về thế giới tự nhiên. Jensen Huang nhấn mạnh: "Trong tương lai, những kỹ sư có tầm ảnh hưởng lớn nhất phải là người làm chủ một lĩnh vực khoa học".

Ông giải thích thêm rằng các kỹ sư cần một nền tảng kiến thức vững chắc. "Bạn phải hiểu về vật lý, hóa học, sinh học. Bạn phải hiểu các định luật vật lý, mối quan hệ nhân-quả, các yếu tố ràng buộc, ma sát và quán tính để có thể tạo ra những mô hình AI hoạt động hiệu quả".

Lời khuyên của ông không phủ nhận tầm quan trọng của kỹ năng lập trình, mà là một lời gợi mở về tư duy liên ngành. Ông kết thúc bằng một thông điệp mạnh mẽ và đầy cảm hứng gửi đến thế hệ trẻ.

"Chúng ta đang ở điểm khởi đầu của một kỷ nguyên hoàn toàn mới... Và các bạn đang có trong tay những công cụ đáng kinh ngạc để kiến tạo và làm nên những điều phi thường". Trong thời đại AI, ông nhắn nhủ rằng bạn phải hành động thật quyết liệt: "Hãy chạy, đừng đi bộ".

Đồng tình với nhận định này, thầy Đặng Minh Tuấn - Giảng viên Trường Đại học Giáo dục, ĐHQG Hà Nội cho rằng, lời khuyên của Jensen Huang định hướng người trẻ đi theo lối tư duy đa ngành - một xu thế tất yếu nếu muốn đi xa trong thời đại công nghệ tích hợp.

Thầy Tuấn chia sẻ chi tiết kiến thức cơ bản và lộ trình học tập nền tảng cho học sinh muốn theo ngành này:

1.Physical AI là gì?

Physical AI là các hệ thống trí tuệ nhân tạo có khả năng:

- Cảm nhận thế giới vật lý thông qua cảm biến.

- Hiểu biết các quy luật vật lý (Ví dụ: động lực học, trọng lực, ma sát).

- Tương tác và hành động một cách hợp lý trong môi trường thật, tuân theo các giới hạn vật lý.

Ví dụ tiêu biểu:

- Robot di chuyển, leo cầu thang, cầm nắm đồ vật (Boston Dynamics, Toyota Research).

- Xe tự hành (self-driving car) nhận diện vật cản, tính toán quỹ đạo.

- Drone thông minh, tay máy trong công nghiệp, người máy dịch vụ.

Nó giao thoa giữa nhiều lĩnh vực: Robotics + AI (learning, planning) + Cơ học + Vật lý + Toán ứng dụng + Nhận thức cảm biến

Mục tiêu của Physical AI:

- Tạo ra các hệ thống máy có khả năng "hiểu và học" trong thế giới thực.

- Không chỉ "đoán đúng" như AI truyền thống, mà còn hành động hiệu quả như con người.

Lộ trình học Physical AI từ THPT lên đại học:

Cấp THPT (Lớp 10-12): Chuẩn bị nền tảng

1. Toán - Lý - Tin

Toán học: Hình học không gian, đạo hàm, tích phân, đại số tuyến tính.

Vật lý: Cơ học (lực, mô-men, dao động), điện – từ.

Lập trình: Python cơ bản, Arduino (cho robot đơn giản), mạch điều khiển.

2. STEM - Robotics

- Làm các dự án mini robot: xe dò line, robot cánh tay, robot tránh vật cản.

- Tham gia các cuộc thi: FIRST Robotics, VEX Robotics, Maker Faire,…

3. Phát triển tư duy

Tư duy thuật toán, giải quyết vấn đề thực tiễn (design thinking).

Đại học (năm 1-4): Chuyên sâu và ứng dụng

Năm 1-2: Cơ sở

- Giải tích - Đại số - Xác suất

- Cơ học Newton, Cơ học vật rắn

- Cấu trúc dữ liệu - Giải thuật - OOP (Python, C++)

- Robot học cơ bản: kinematics, actuators, sensors

Năm 3-4: Chuyên ngành Physical AI

- Machine Learning ứng dụng vào robotics.

- Reinforcement Learning (RL): học thông qua tương tác.

- Motion Planning, Control Systems, Sim2Real (mô phỏng → thực tế).

- ROS (Robot Operating System), OpenCV (thị giác máy).

- Dự án/Khóa luận: chế tạo robot tự động, cánh tay AI, drone AI...

Kỹ năng thực tế cần có:

Cơ học ứng dụng Phân tích chuyển động, lực tác dụng.

Học tăng cường (Reinforcement Learning) Robot học từ tương tác môi trường.

Điều khiển tự động (Control theory) Lập trình chuyển động chính xác.

Xử lý ảnh (Computer Vision) Nhận diện đối tượng qua camera.

ROS - Robot OS Điều phối phần cứng - phần mềm robot.

Tài nguyên học Physical AI:

Coursera - Robotics Specialization (Penn) Hệ thống robot, kinematics, planning.

MIT - Underactuated Robotics Robot thông minh có khả năng học.

DeepMind x UCL - RL Course Học tăng cường cho Physical AI.

Robotics Toolbox for Python Mô phỏng và điều khiển robot.

Sim2Real Challenge Từ mô phỏng sang thế giới thực.

Học ở đâu?

Trong nước:

ĐH Bách Khoa Hà Nội - Khoa Cơ điện tử/Công nghệ Robot /AI

ĐH Bách Khoa TP.HCM - Tự động hóa & Điều khiển

ĐH VinUni - AI, Robotics & IoT

ĐH Quốc gia - Khoa học Máy tính + Kỹ thuật điều khiển

Quốc tế:

MIT, Stanford, CMU, ETH Zurich - top thế giới về robotics và Physical AI

KAIST, Tsinghua, NUS - mạnh về robot và AI thực dụng

Ra trường làm gì?

Kỹ sư Robot AI: Thiết kế robot thông minh trong nhà máy, logistics

Researcher AI + Physics: Nghiên cứu mô hình học cho robot hiểu luật vật lý.

Kỹ sư xe tự hành: Lập trình hệ thống điều khiển xe, cảm biến, thị giác.

Kỹ sư R&D mô phỏng vật lý: Xây dựng hệ thống AI mô phỏng môi trường.

AI for Health Robotics: Phát triển robot y tế, phục hồi chức năng, chăm sóc.