Sau OpenClaw, tại sao hầu hết mọi người vẫn cảm thấy kém một chút

Viết bài: Suy Ngẫm Quanh

Bạn đã từng nghĩ đến một câu hỏi: Tại sao OpenClaw lại nổi bật đến vậy, nhưng sau khi sử dụng thực tế, đa số mọi người cảm nhận là — nó rất thông minh, nhưng dường như vẫn còn thiếu một chút?

Không phải do mô hình không đủ mạnh, không phải do chức năng không đủ nhiều. Mà là nó đã giải quyết được vấn đề “nghĩ”, nhưng chưa giải quyết được vấn đề “làm”.

Bạn bảo nó thực hiện một nhiệm vụ, nó chạy trong terminal, viết trong IDE, suy luận trong hộp thoại. Nhưng mỗi bước từ “đánh giá xong” đến “thực sự hoàn thành” vẫn còn một đoạn đường — chuyển cửa sổ, tìm hệ thống, sao chép dán, nhấn xác nhận — đoạn đường này vẫn do chính bạn đi.

Đây không phải là sai sót trong thiết kế của OpenClaw, mà là vấn đề cấu trúc hiện tại của toàn bộ hệ sinh thái AI Agent: tầng cảm nhận và suy luận đã khá trưởng thành, nhưng tầng thực thi gần như còn trống rỗng.

Biến số mà mọi người thường xem nhẹ

Trong hai năm qua, các cuộc thảo luận về hạ tầng AI tập trung vào hai hướng:

Một là khả năng của mô hình — quy mô tham số, tốc độ suy luận, cửa sổ ngữ cảnh — tiến bộ rõ ràng.

Hai là khung nhiệm vụ của Agent — đại diện bởi LangChain, AutoGPT, OpenClaw, với khả năng sắp xếp và điều phối nhiệm vụ — cũng có nhiều đầu tư.

Nhưng có một biến số, hầu như không ai làm một cách hệ thống: hạ tầng thực thi ở cấp độ chỗ làm việc.

Hạ tầng thực thi cấp chỗ làm việc là gì?

Nói đơn giản, đó là thứ giúp Agent thực sự có thể “xắn tay vào” trong môi trường công việc cụ thể của bạn — không phải trong một sandbox, không trong container của nó, mà là trên màn hình thực tế của bạn, trong công cụ thực tế của bạn, trong hệ thống thực tế của bạn.

Tại sao việc này khó?

Vì độ phức tạp của môi trường làm việc thực tế vượt xa mọi mô phỏng sandbox. Nhiều doanh nghiệp vận hành các hệ thống cũ không có API, nhiều quy trình cần vượt qua năm sáu công cụ khác nhau, nhiều ngữ cảnh nhiệm vụ rải rác trong nhiều cửa sổ, không có bất kỳ giao diện chuẩn nào để gọi.

Sự phức tạp này không thể giải quyết chỉ bằng việc mô hình thông minh hơn. Nó cần một khả năng cảm nhận và thực thi ở tầng thấp hơn — có thể nhìn thấy màn hình thực, hiểu trạng thái qua nhiều cửa sổ, điều khiển chuột và bàn phím thật trực tiếp.

Đây chính là điểm nghẽn thực sự để Agent có thể triển khai, cũng là biến số mà phần lớn mọi người thường đánh giá thấp khi thảo luận về AI Agent.

Violoop đang làm gì

Gần đây, có một dự án đã lọt vào tầm nhìn của tôi, tên là Violoop.

Nó có dạng một thiết bị phần cứng AI gốc tích hợp trên bàn, kết nối với máy tính qua HDMI + Type-C, hỗ trợ cả Mac lẫn Windows. Về hình dạng, nó không nổi bật. Nhưng những gì nó làm, lại đúng hướng tới vị trí bị đánh giá thấp ở trên.

Nó thu thập ba loại dữ liệu: luồng video (cảm nhận thị giác toàn cảnh màn hình), API hệ điều hành (tín hiệu trạng thái hệ thống), quyền điều khiển HID (kiểm soát chuột bàn phím ở cấp thấp). Ba lớp này hợp lại tạo thành một runtime cảm nhận — đánh giá — thực thi cấp độ chỗ làm việc.

Quan trọng hơn, nó hoạt động theo chế độ: không phải là một bộ thực thi thụ động chờ lệnh, mà là liên tục cảm nhận trạng thái công việc, chủ động đánh giá thời điểm can thiệp.

Nó quan sát bạn chuyển cửa sổ nào, dừng lại ở trang nào bao lâu, tiến trình nhiệm vụ đang ở giai đoạn nào — rồi tự đánh giá xem thời điểm này có nên ra tay hay không. Logic thiết kế này khác hoàn toàn chế độ “phản hồi thụ động” của tất cả các công cụ AI hiện nay.

Giá trị cấu trúc của tầng thực thi

Tôi muốn mở rộng một chút, tại sao việc thiếu tầng thực thi lại là một vấn đề mang tính cấu trúc, chứ không chỉ là một thiếu sót về chức năng.

Cấu trúc phân lớp của hệ thống AI Agent hiện tại có thể hiểu sơ qua như sau:

Tầng mô hình: chịu trách nhiệm suy luận, đã khá trưởng thành

Tầng khung: phụ trách sắp xếp nhiệm vụ, đang nhanh chóng hội tụ

Tầng công cụ: tăng cường cho các trường hợp đặc thù, có tính đồng nhất cao

Tầng thực thi: cảm nhận cấp chỗ làm việc và thực thi qua nhiều công cụ, gần như còn trống rỗng

Việc thiếu tầng thực thi không chỉ khiến Agent hoạt động “kém một chút”. Vấn đề sâu xa hơn là: giới hạn khả năng của Agent bị giới hạn bởi các container ngữ cảnh nhân tạo.

Ví dụ, khả năng của Cursor là trong IDE. Khả năng của Claude Code là trong terminal. Chúng có thể mạnh trong container của mình, nhưng mọi thứ xảy ra ngoài container đó, chúng không biết, cũng không thể phản hồi.

Điều này có nghĩa là, về bản chất, AI Agent ngày nay vẫn chỉ là một dạng “tăng cường cục bộ” — nó nâng cao khả năng của bạn trong một công cụ nhất định, nhưng không nâng cao khả năng của bạn trong toàn bộ quy trình làm việc.

Để Agent thực sự triển khai, cần khả năng cảm nhận và thực thi vượt qua ranh giới của các container này. Cần một hệ thống AI vận hành có thể nhìn thấy toàn cục, điều khiển toàn cục.

Và đây chính là điểm bắt đầu của Violoop.

Một số quyết định thiết kế đáng suy nghĩ sâu

Trong kiến trúc của Violoop, có một số thiết kế tôi cho là không chỉ đơn thuần về chức năng, mà còn phản ánh cách hiểu của tôi về vấn đề này.

Chế độ học qua quay màn hình: phản hồi tích cực với “thực tế không có API”

Hiện nay, nhiều doanh nghiệp vận hành các hệ thống cũ không có API nào cả. Đây không phải là vấn đề nợ kỹ thuật, mà là giới hạn thực tế — những hệ thống này sẽ không biến mất trong ngắn hạn, cũng không đột nhiên mở API.

Chế độ học qua quay màn hình của Violoop, dựa trên học tăng cường để xây dựng mô hình cấu trúc nhiệm vụ, chứ không phải ghi lại các tọa độ cố định để phát lại. Lý do là: môi trường làm việc thực tế luôn động, tự động hóa dựa trên đường đi cố định sẽ dễ bị phá vỡ khi UI thay đổi. Chỉ hiểu rõ ý định nhiệm vụ mới giúp duy trì độ ổn định cao trong biến động.

Phán đoán này đúng, và cũng chính là nguyên nhân cốt lõi khiến các công cụ RPA truyền thống gặp giới hạn khi mở rộng quy mô.

Phân chia giữa phía thiết bị và đám mây: đồng thời phản hồi về chi phí suy luận và giới hạn quyền riêng tư

Xử lý đa dạng cao (cảm nhận màn hình, hiểu thị giác, làm sạch dữ liệu nhạy cảm) diễn ra trên chip cục bộ, các suy luận phức tạp chạy trên đám mây.

Phân chia này giải quyết đồng thời hai vấn đề: thứ nhất, chi phí — suy luận đa dạng là nguồn chi phí chính của Agent hiện tại, xử lý cục bộ giúp giảm đáng kể chi phí mỗi lần thực thi; thứ hai, quyền riêng tư — dữ liệu nhạy cảm được lọc trước khi đẩy lên đám mây, đáp ứng yêu cầu quản lý dữ liệu của doanh nghiệp.

Quan trọng hơn, kiến trúc này giúp Violoop có thể thực sự duy trì hoạt động 24/7 — kết hợp cơ chế Wake-on-LAN, nó có thể tự động đánh thức máy chủ tại thời điểm định sẵn, thực hiện nhiệm vụ, rồi đưa máy về chế độ ngủ đông. Điều này không thể làm được chỉ bằng phần mềm Agent thuần túy.

Phân chia quyền hạn cấp phần cứng: phản hồi kỹ thuật về “rủi ro tự thực thi”

Chip bảo mật độc lập chịu trách nhiệm kiểm tra quyền hạn, cách ly vật lý với chip xử lý chính. Các thao tác nguy hiểm phải qua quy trình xác nhận phần cứng, không thể bỏ qua bằng phần mềm, và khi ngắt kết nối vật lý thì toàn bộ hệ thống dừng hoạt động.

Tôi đặc biệt chú ý đến thiết kế này, vì nó thể hiện rõ ràng rằng nhóm phát triển hiểu rõ về “tự thực thi”: rủi ro của tự thực thi không thể chỉ dựa vào prompt hay hệ thống prompt để duy trì, mà cần có các ràng buộc cứng trong runtime. Đây là nhận định của những nhóm đã từng triển khai Agent trong môi trường sản xuất.

Tại sao hướng này xuất hiện ngày nay

Có một câu hỏi đáng suy nghĩ: Việc thiếu tầng thực thi không phải là vấn đề mới, vậy tại sao các dự án như Violoop lại xuất hiện bây giờ?

Theo tôi, có một số điều kiện đã cùng lúc trưởng thành trong thời gian gần đây:

Thứ nhất, khả năng suy luận đa dạng tại biên đã đạt mức có thể xử lý thời gian thực các tín hiệu thị giác màn hình. Trước đây, phần cứng chưa thể làm được điều này.

Thứ hai, khả năng hiểu nhiệm vụ của các mô hình lớn đã đủ mạnh, khiến việc “hiểu ý định nhiệm vụ” thay vì chỉ “ghi lại chuỗi thao tác” trở thành khả thi. Đây chính là tiền đề để chế độ học quay màn hình có thể tồn tại.

Thứ ba, làn sóng OpenClaw đã phơi bày rõ vấn đề thiếu tầng thực thi, khiến thị trường nhận thức rõ hơn về nhu cầu này.

Sự trưởng thành đồng thời của ba điều kiện này đã mở ra một cơ hội chưa từng có trước đây.

Đội ngũ của Violoop cũng phần nào xác nhận nhận định này — CEO Jaylen He là doanh nhân liên tục, từng dẫn dắt nhóm vào YC, CTO King Zhu là thiên tài MIT EECS, hoàn thành bằng cử nhân và thạc sĩ trong 3.5 năm, có nền tảng kỹ thuật từ Microsoft Xbox, HoloLens, Surface, từ năm 2023 đã triển khai tại các doanh nghiệp Fortune 500. Đây không phải là nhóm chỉ mới chuyển hướng làm phần cứng AI sau khi thấy OpenClaw nổi bật, mà đã bắt đầu xác minh hướng này từ trước khi điều kiện chín muồi.

Trong vòng một tháng, Violoop đã huy động thành công hai vòng gọi vốn, vòng thứ hai từ gặp mặt đến ký hợp đồng chỉ trong một tuần, vòng thứ ba đang trong quá trình thương thảo — tốc độ này cho thấy các nhà đầu tư cũng đã nhận thức rõ về hướng đi này.

Những tín hiệu thực sự đáng chú ý

Sản phẩm sẽ chính thức ra mắt trên Kickstarter vào tháng 4, dự án vẫn chưa sản xuất hàng loạt, nhiều khả năng vẫn cần thời gian để xác nhận trong môi trường thực tế. Các giới hạn của chế độ học quay màn hình, khả năng duy trì hệ thống Skill dài hạn, độ ổn định của phần cứng sản xuất hàng loạt — tất cả đều là những câu hỏi cần thời gian và dữ liệu thực từ người dùng để trả lời.

Tuy nhiên, có một điều tôi nghĩ đã có thể khẳng định:

Tầng thực thi chính là hạ tầng nền tảng mà hệ sinh thái Agent nhất định phải bổ sung trong hai đến ba năm tới. Không phải vì một sản phẩm nào đó nổi bật, mà vì nếu không bổ sung tầng này, mọi đầu tư vào cảm nhận và suy luận đều sẽ không thể thực sự chuyển đổi thành hiệu quả rõ rệt trong công việc thực tế của người dùng.

Vị trí này, sớm muộn rồi cũng sẽ có người làm.

Vấn đề hiện tại không phải là “tầng thực thi có quan trọng không”, mà là “ai sẽ làm, làm thế nào, và khi nào là đúng thời điểm”.

Violoop là một trong số ít các dự án hiện nay hiểu rõ vấn đề này, có thiết kế kiến trúc riêng và suy nghĩ rõ ràng về hướng đi.

Sự bùng nổ của OpenClaw đã cho mọi người thấy được khả năng của Agent. Nhưng bước ngoặt thực sự để Agent đi vào thực tế có thể không phải là ngày ra mắt của một mô hình mới, mà chính là ngày mà hạ tầng tầng thực thi được hoàn thiện.

Đây mới chính là tín hiệu thực sự đáng chú ý đằng sau làn sóng này.