Machikoba no Techo tháng 7 năm 2026

Thứ được kết nối không phải là sợi cáp. Đó là ánh nhìn.

Tháng bảy. Mùa hè đã thực sự đến với Arita, và cái nóng dồn lên trong xưởng ngay từ sáng sớm. Những ngày mưa còn thêm hơi ẩm, không khí trở nên nặng nề.
Ở bắc Kyushu, mùa mực ống đang vào chính vụ, mặt biển đêm sáng đèn của những chiếc thuyền câu. Bên cạnh vùng biển ấy, xưởng của chúng tôi vẫn làm egi như vẫn luôn làm. Cắt, chỉnh cho khớp, cắt lại, tinh chỉnh. Từng thân mồi đều được rửa riêng từng chiếc trước khi lắp ráp. Hai mươi bảy năm kể từ ngày thành lập, và chính công việc thủ công mộc mạc, chẳng hào nhoáng ấy, lặp đi lặp lại, đã làm nên từng chiếc egi. Chúng tôi chân thành cảm ơn quý vị đã luôn ủng hộ.

Trong khi đó, bên ngoài xưởng, hầu như không ngày nào không nghe đến hai chữ "AI".
Khoảng một năm nay, tôi vẫn tự mình thử nghiệm nhiều công cụ AI khác nhau.

Nhưng thay đổi mà tôi cảm nhận được không phải là AI đã trở nên thông minh.
Mà là một xưởng nhỏ giờ đây có thể tự tay dựng lấy loại hệ thống mà trước kia buộc phải đặt hàng từ một công ty chuyên môn.

Xin kể một ví dụ.

■ Trong xưởng, màn hình hiển thị ở khắp nơi

Trong một nhà xưởng, màn hình hiển thị có ở khắp nơi.
Bảng điều khiển của máy công cụ. Nhiệt kế. Ẩm kế. Cảm biến CO₂. Đồng hồ đo điện.

Người ta nhìn vào đó rồi phán đoán:
"Hôm nay máy chạy hơi nóng."
"Con số này lệch so với mọi khi."
"Đến lúc phải thông gió rồi."

Đưa được những thông tin ấy vào máy tính trước đây là cả một việc nhọc nhằn.
Xin nhà sản xuất bản đặc tả giao tiếp. Kéo dây cáp truyền thông. Lắp PLC. Mua phần mềm chuyên dụng.
Nói cách khác, trước hết phải kết nối vật lý với máy đã.

Các máy machining center hay máy phay NC đều có công bố đặc tả API, và nếu đủ quyết tâm thì vẫn có thể dùng C++ để lấy dữ liệu ra. Nhưng công sức bỏ ra là rất lớn, nên quyết tâm ấy không dễ gì có được.

■ Đừng chạm vào máy. Chỉ cần nhìn nó.

Gần đây, một con đường khác đã mở ra.
Quay lại màn hình hiển thị bằng một chiếc webcam.

Không phải camera công nghiệp chuyên dụng. Cái chúng tôi dùng là một webcam thông thường giá khoảng 3.000 yên.

Đọc các con số từ đoạn video ấy, lưu lại thành dữ liệu, vẽ thành đồ thị, và báo động khi có gì bất thường.
Nó biến thứ mà con người vẫn tiếp nhận bằng mắt thành dữ liệu có thể phân tích liên tục.
Nói cách khác, chúng tôi đã áp dụng DX cho chính hành vi quan sát.

■ Bản đầu tiên, và bức tường nó gặp phải

Bản đầu tiên rất đơn giản: gửi ảnh chụp được cho một AI và nhờ nó "đọc giúp những con số này".
Claude của Anthropic. Gemini của Google. Grok của xAI. Chúng tôi đã thử một số dịch vụ.

Thêm vào đó, các trợ lý lập trình như Claude Code, Codex, Grok Build và Cursor đã khiến việc dựng hệ thống nhanh hơn hẳn. Công việc mà trước kia một chuyên gia phải mất hàng tuần, nay chạy được chỉ trong thời gian ngắn.

Nhưng khi bản thử nghiệm đã chạy, một vấn đề lộ ra. Chi phí quá cao.

Một lần gọi thì chẳng đắt đỏ gì. Nhưng giám sát suốt ngày đêm, quanh năm, lại là chuyện khác. "AI dùng thỉnh thoảng" và "AI chạy liên tục" đòi hỏi hai cấu trúc chi phí hoàn toàn khác nhau.

Là người điều hành một xưởng nhỏ, hơn cả việc trầm trồ trước hiệu năng, tôi lại nghĩ nhiều hơn đến chuyện làm sao cho hoá đơn hằng tháng nhỏ đi.

■ Cho nó chạy tại chỗ

Vì thế, thử nghiệm tiếp theo là cho một LLM chạy cục bộ trên Raspberry Pi.
Đặt một chiếc PC lớn cạnh máy công cụ thì vướng víu; còn một chiếc Raspberry Pi nằm gọn trong lòng bàn tay thì đặt ở đó rất thoải mái.

Và nếu AI chạy hoàn toàn trên thiết bị của chính mình thì không có phí API. Chi phí vận hành thực chất chỉ là tiền điện. Về lý thuyết, gần như bằng không.

Thực tế không đơn giản như vậy. Phần lớn các LLM tên tuổi đều không chạy nổi — không đủ bộ nhớ. Cuối cùng, Qwen là mô hình chạy dễ chịu nhất, dù vẫn không dùng được qua những công cụ tiện lợi như ollama và phải tinh chỉnh khá nhiều.

■ Dùng AI càng ít càng tốt

Nơi chúng tôi đi đến cuối cùng là thế này:
OCR lo phần bình thường. LLM cục bộ chỉ khởi động khi OCR thất bại.

OCR nhẹ đảm nhận công việc thường ngày. AI chỉ xuất hiện khi có gì bất thường hoặc khi số đọc được mơ hồ.
Chi phí vận hành rốt cuộc gần như bằng không.

Để moi được tốc độ từ một chiếc Raspberry Pi, cách làm thông thường là cố định vị trí camera và ghi cứng toạ độ cần đọc. Cách ấy có một điểm yếu. Chỉ một rung động nhỏ trong xưởng cũng làm camera xê dịch, toạ độ ghi cứng không còn khớp nữa, và đột nhiên chẳng đọc được gì cả.

Ở đây, một lần nữa, LLM biết đọc ngữ cảnh lại phát huy giá trị. Vì nó có thể đọc lại "các con số nằm ở đâu" từ toàn bộ bức ảnh, một xê dịch nhỏ rất dễ hiệu chỉnh. Chúng tôi đưa phần hiệu chỉnh ấy vào quy trình đọc và để cron chạy hiệu chuẩn định kỳ. Kết quả là một hệ thống tự hấp thụ sai lệch, không cần ai trông chừng.

Điều thú vị là: một dự án khởi đầu bằng ý định dùng thật nhiều AI lại trở nên thiết thực nhất khi nó tiến hoá theo hướng dùng AI càng ít càng tốt.

Nó giống cách con người làm việc. Việc thường ngày thì xử lý bằng kinh nghiệm và quy trình. Chỉ khi xảy ra chuyện ngoài dự tính mới gọi đến chuyên gia. Hoá ra sự phân công ấy là hiệu quả nhất.

■ Không bằng dây cáp, mà bằng ánh nhìn

Nghĩ đến đây, tôi chợt nhớ đến chuyện sạc điện thoại.
Ngày trước, cắm dây là điều hiển nhiên. Bây giờ sạc không dây có ở khắp nơi — đặt điện thoại lên đế là nó sạc. Không hề có kết nối vật lý. Vậy mà năng lượng vẫn truyền qua.

Dự án này cũng hơi giống như vậy.
Theo lối cũ, muốn lấy thông tin ra khỏi máy thì phải gắn dây cáp truyền thông. Lần này thì không. Chúng tôi không chạm vào máy. Không có đường truyền dữ liệu. Chúng tôi chỉ quan sát. Vậy mà vẫn có được thông tin cần thiết.

Có thể gọi đó là bước chuyển từ kết nối bằng dây cáp vật lý sang một cách thu nhận thông tin không tiếp xúc, tựa như cảm ứng.

Chúng tôi không kết nối với máy. Chúng tôi quan sát nó.
Thứ được kết nối không phải là sợi cáp. Đó là ánh nhìn.

Nghĩ lại thì, ánh nhìn hoạt động nhờ ánh sáng, mà ánh sáng cũng là sóng điện từ.
Nhìn theo cách đó, có lẽ đây thật sự là một kết nối bằng cảm ứng điện từ, giống như một chiếc biến áp.

■ Cái giá của việc thử đã rẻ đi

Điều lớn nhất ở dự án này không phải là AI đã trở nên thông minh. Mà là cái giá của việc bắt tay vào thử một điều gì đó đã giảm đi rất nhiều.

Một hệ thống mà vài năm trước chúng tôi hẳn đã phải đặt hàng chuyên gia, nay có thể dựng ngay trong một xưởng nhỏ. Chúng tôi không có ngân sách của một công ty lớn. Chúng tôi không có phòng ban chuyên trách. Nhưng chính vì nhỏ, chúng tôi có thể thử, thất bại và cải tiến thật nhanh.

Tôi tin thay đổi thực sự của thời đại AI nằm ở đó.
Không phải AI lấy mất việc làm của con người. Mà là AI đã mở rộng rất nhiều phạm vi những điều con người có thể thử sức.

KEYSTONE sẽ tiếp tục đối diện với những vấn đề nảy sinh ngay tại xưởng — trước hết là trong việc làm egi, nhưng không chỉ ở đó — và linh hoạt tiếp nhận công nghệ mới trên đường đi.

Truyền thống mà vẫn đổi mới.
Mang theo những chữ ấy trong lòng, chúng tôi định bước tiếp, từng bước một.

Xin cảm ơn quý vị, như mọi khi, đã luôn ủng hộ.

with SQUID!!

Tháng 7 năm 2026
KeyStone Corporation
Nobuhide Kanagawa, Giám đốc đại diện