⚠️ Nghịch lý trong kỷ nguyên mới

Trong kỷ nguyên của phần mềm định nghĩa phương tiện (Software-Defined Vehicles) và các hệ thống hàng không phức tạp, chúng ta đang đứng trước một nghịch lý: sự tỉ mỉ là “cơn ác mộng” nhưng lại là điều kiện sống còn. Là một Kỹ sư trưởng, tôi hiểu rõ áp lực khi phải cân bằng giữa tốc độ phát triển thần tốc và yêu cầu tuyệt đối về độ chính xác (Rigor). Một sai sót nhỏ trong mô hình điều khiển không chỉ là một dòng code lỗi; đó là rủi ro về an toàn sinh mạng.

Sự xuất hiện của Agentic AI (AI có tính tác nhân) không chỉ đơn thuần là một công cụ hỗ trợ gõ code. Chúng ta đang chứng kiến sự khai tử của kỷ nguyên “kéo thả khối” (block-dragging) thủ công để tiến tới một hình thái mới: Điều phối kiến trúc cấp cao (Architect-level orchestration).

Với sự kết hợp giữa Claude Code, MATLAB và Simulink Agentic Toolkit (SATK), AI giờ đây có khả năng tự xây dựng mô hình Simscape từ con số không, vận hành các API chuyên dụng và thực hiện các vòng lặp kiểm chứng nghiêm ngặt như một kỹ sư thực thụ.

1. Tốc độ là vô nghĩa nếu thiếu sự chặt chẽ (Rigor) và khả năng truy xuất (Traceability)

Trong thiết kế hệ thống quan trọng như điều khiển ô tô hay avionics, tốc độ tạo mã của AI thường bị đánh giá quá cao một cách sai lầm. Nếu AI tạo ra một mô hình mà kỹ sư không thể giải trình hoặc kiểm chứng, chúng ta đang xây dựng lâu đài trên cát.

❌ Bài học xương máu từ MathWorks

“Đánh đổi tốc độ ngắn hạn lấy rủi ro dài hạn” là con đường nhanh nhất dẫn đến thất bại trong hệ thống nhúng.

AI không được phép hoạt động tách biệt. Nó phải được nhúng chặt chẽ vào các Grounded Workflows (quy trình có căn cứ). Điều này có nghĩa là:

AI không chỉ “vẽ” mô hình, mà còn phải tự động tạo ra các Requirement Drafts (bản thảo yêu cầu).
Duy trì khả năng truy xuất nguồn gốc (traceability) xuyên suốt từ khâu yêu cầu đến thiết kế và kiểm thử.
AI phải tham gia vào các quy trình kỹ thuật hiện có, chịu sự kìm hãm của các quy tắc xác minh và xác thực (V&V) thay vì bỏ qua chúng.

2. “Kỹ năng” (Skills) quan trọng hơn “Lệnh” (Prompts)

Một “Kỹ sư AI” thực thụ không vận hành bằng những câu lệnh (prompts) rời rạc, cảm tính. Nó vận hành dựa trên một bộ khung kỹ năng được định nghĩa rõ ràng thông qua tệp skills.md. Đây là nơi chúng ta thiết lập các Modeling Conventions (quy ước mô hình hóa) để triệt tiêu hiện tượng “ảo giác” (hallucination).

🛠️ Bộ kỹ năng chuyên biệt định nghĩa cho AI

Thay vì để AI tự đoán cách xây dựng, chúng ta cung cấp cho nó các quy tắc kỹ thuật nghiêm ngặt:

Thêm khối (Adding blocks): Sử dụng các thư viện chuẩn như fl_lib hay SimscapeFluids_lib. Quy tắc nghiêm ngặt: AI không được tự ý đặt vị trí khối thủ công mà phải sử dụng lệnh auto-arrange (Simulink.BlockDiagram.arrangeSystem) để đảm bảo tính nhất quán.
Kết nối cổng (Connecting ports): AI phải tuân thủ việc kiểm tra ConnectionType thông qua simscape.connectionPortProperties. Chỉ những cổng cùng loại mới được phép kết nối.
Ghi nhật ký biến (Variables logging): Sử dụng simscape.instrumentation để thiết lập theo dõi dữ liệu một cách khoa học, thay vì đặt các khối quan sát bừa bãi.

“Việc định nghĩa kỹ năng giúp AI hiểu được ‘đạo đức nghề nghiệp’ của một kỹ sư nhúng: sự ngăn nắp, tuân thủ tiêu chuẩn và tính chính xác về mặt vật lý.”

3. Cầu nối MCP: Khi AI được cấp “ngoại vi” để vận hành máy tính

Theo phân tích từ Lucid Motors, sự tiến hóa của AI trong kỹ thuật trải qua ba giai đoạn mang tính bước ngoặt:

Giai đoạn	Loại hình AI	Đặc điểm vận hành
1	LLM thuần túy	Chỉ là văn bản, một yêu cầu – một phản hồi (Purely text).
2	Agentic LLM	Bắt đầu biết lập kế hoạch và thực hiện các tác vụ (Plan and Execute).
3	Agentic LLM với MCP Server	Đỉnh cao của sự tiến hóa, nơi AI được cấp “ngoại vi” (peripherals).

Thông qua MATLAB MCP Server, AI giờ đây có “đôi tay” để chạm vào các API chuyên sâu. Nó không còn đoán xem mô hình có chạy hay không; nó chủ động gọi các công cụ thực thi trực tiếp:

mcp__simulink__model_read

model_edit

model_check

model_test

AI có thể nhìn thấy cấu trúc mô hình, lập trình thay đổi các tham số, chạy mô phỏng và in kết quả trực tiếp ra màn hình để kỹ sư đối soát. Đây chính là sự chuyển dịch từ một “tư vấn viên” sang một “cộng tác viên” có năng lực thực thi mạnh mẽ.

4. Thay đổi “Chỉ số Hạnh phúc” (Fun Factor) của Kỹ sư

Dữ liệu thực tế từ Lucid Motors chỉ ra một thực trạng: các phần việc chiếm nhiều thời gian nhất của kỹ sư (Model Testing, Documentation, Debugging) lại là những phần có “Chỉ số Hạnh phúc” thấp nhất. Ngược lại, việc thiết kế kiến trúc hệ thống (Architecture) mang lại niềm vui sáng tạo cao nhưng thường bị bóp nghẹt bởi các tác vụ thủ công. Agentic AI đang đảo ngược biểu đồ này.

💡 Ví dụ thực tế: Tối ưu hóa hệ thống nhiệt

Thay vì để kỹ sư mất hàng giờ thực hiện một tác vụ “nặng” như triển khai bảng tra cứu (Look-Up Table – LUT) cho các đặc tính môi chất lạnh, AI có thể tự động thực hiện trọn vẹn quy trình:

generate_data ➔ build_library ➔ build_test_model ➔ print_errors

Khi AI đảm nhận việc viết tài liệu và kiểm thử đơn vị, kỹ sư được trả về đúng vị trí của mình: kiến trúc sư của những giải pháp sáng tạo.

5. Quy trình phát triển gia tăng (Incremental Development) là chìa khóa

Dù là mô phỏng nhiệt của một ly cà phê đơn giản hay hệ thống phanh đĩa (Disk Brake) phức tạp của một chiếc sedan, AI đều phải tuân thủ quy trình gia tăng để đảm bảo sự chặt chẽ:

Lập kế hoạch (Planning): Chuyển đổi yêu cầu cấp cao thành sơ đồ kiến trúc (Architecture specs) và kế hoạch kiểm thử (Test plans).
Triển khai thành phần (Componentization): Chia nhỏ các phương trình vật lý thành các subsystem hoặc model reference.*Ví dụ: Trong mô hình phanh, AI sẽ tách biệt cơ chế truyền nhiệt giữa má phanh, đĩa phanh và môi trường.*
Kiểm chứng tức thời (Validation): Sau mỗi bước thực hiện, AI tự động chạy mô phỏng để so sánh kết quả với các định luật nhiệt động lực học hoặc kỳ vọng kỹ thuật trước khi tiến hành bước tiếp theo.

6. Thách thức và Guardrails: Vai trò của “Human-in-the-loop”

Chúng ta không thể phủ nhận những rủi ro của AI: từ hiện tượng ảo giác (như việc AI có thể sai sót khi đếm số chữ “r” trong từ “strawberry”) đến giới hạn token và tính không xác định (non-determinism). Giải pháp không phải là né tránh, mà là thiết lập các rào cản (guardrails):

🛡️ Hệ thống phòng ngự và kiểm soát lỗi (Guardrails)

Audit Kỹ năng: Sử dụng chính kỹ năng “skills creator” của AI để kiểm tra chéo (audit) giữa các bộ công cụ (MATK vs SATK), tránh xung đột thông tin khiến AI bối rối.
Filing Bug Reports: Sử dụng kỹ năng filing-bug-reports để AI tự động ghi lại các vấn đề gặp phải trong phiên làm việc, tạo ra các báo cáo Markdown chuyên nghiệp để gửi cho bộ phận hỗ trợ kỹ thuật.
Human-in-the-loop: Con người không đứng ngoài vòng lặp. Kỹ sư phải là người đưa ra phán đoán chuyên môn cuối cùng, giám sát các tool calls của AI và điều chỉnh hướng đi khi cần thiết.

Kết luận: Tương lai của thiết kế dựa trên AI

Hệ sinh thái Agentic của MathWorks đang trưởng thành với tốc độ chóng mặt. Sự kết hợp giữa tư duy hệ thống của con người và khả năng thực thi bền bỉ của Agentic AI đang định nghĩa lại tiêu chuẩn của ngành nhúng. Chúng ta không còn đơn thuần là những người vẽ mô hình; chúng ta là những người huấn luyện và điều phối những “Kỹ sư AI” để tạo ra những hệ thống an toàn và hiệu quả hơn.

Nguồn tham khảo:

https://blogs.mathworks.com/simulink/2026/04/17/simulink-agentic-toolkit/

https://www.embedded.com/how-to-build-simulink-models-with-agentic-ai

🤔 Câu hỏi suy ngẫm dành cho bạn

Trong 5 năm tới, bạn sẽ chọn tiếp tục là một “Block-Dragger” (người kéo khối thủ công) hay sẽ trở thành một “Agent Architect” (kiến trúc sư điều phối tác nhân AI)?

📝 Bài tập trắc nghiệm kiểm tra kiến thức

Question 1: Khái niệm “Điều phối kiến trúc cấp cao” (Architect-level orchestration) đại diện cho xu hướng dịch chuyển nào sau đây?

(A) Chuyển từ việc lập trình nhúng truyền thống sang sử dụng hoàn toàn các hệ thống không dây.
(B) Khai tử kỷ nguyên kéo thả khối thủ công, chuyển sang việc AI tự động xây dựng mô hình, gọi API và kiểm chứng dưới sự điều phối của con người.
(C) Từ bỏ hoàn toàn các quy tắc xác minh và xác thực (V&V) để đạt tốc độ tối đa.