Sự kiện GTC 2026 không chỉ xoay quanh những bước tiến về phần cứng vi mạch, mà còn đánh dấu một sự dịch chuyển quan trọng trong tư duy phát triển phần mềm AI. Qua bài phát biểu của CEO NVIDIA Jensen Huang và các phiên thảo luận chuyên đề, ngành công nghiệp đang chứng kiến sự chuyển hướng từ việc sử dụng các Mô hình Ngôn ngữ Lớn (LLM) như những ứng dụng độc lập, sang việc coi chúng là “động cơ lõi” bên trong các hệ thống tác nhân (agentic systems) phức tạp.
Từ công cụ tạo sinh đến hệ thống điều phối đa tác nhân
Trong giai đoạn đầu của sự bùng nổ AI, sự chú ý đổ dồn vào khả năng tạo sinh văn bản của các mô hình độc lập. Tuy nhiên, giới hạn của phương pháp này đã lộ rõ khi người dùng cần giải quyết các quy trình làm việc đa bước.
Để giải quyết bài toán này, các kỹ sư tại GTC đã thảo luận nhiều về một phương pháp tiếp cận mang tính mô tả được gọi là “harness engineering” (kỹ thuật giáp nối). Thay vì cố gắng tạo ra một mô hình duy nhất có thể làm mọi thứ, các nhà phát triển đang tập trung xây dựng hệ thống “giàn giáo” xung quanh mô hình lõi. Hệ thống này bao gồm các cơ sở hạ tầng giúp AI giao tiếp với hệ thống tệp tin, truy cập internet, và quan trọng nhất là khả năng chia nhỏ một yêu cầu lớn thành nhiều tác vụ nhỏ để giao cho các tác nhân phụ (sub-agents) xử lý.
Tầm nhìn này được Aravind Srinivas, CEO của Perplexity, minh họa sống động qua khái niệm “Perplexity Computer”. Ông ví von hệ thống AI tương lai như một dàn nhạc giao hưởng:
Hệ thống điều phối: Đóng vai trò là nhạc trưởng, tiếp nhận yêu cầu từ người dùng và phân bổ công việc.
Các LLM (mở và đóng): Chỉ đóng vai trò như các nhạc cụ chuyên biệt.
Tác nhân phụ: Là các nhạc công trực tiếp thao tác trên môi trường làm việc giả lập để hoàn thành từng phần việc.
Cách tiếp cận này giúp giảm thiểu tình trạng “vendor lock-in” (bị khóa chặt vào hệ sinh thái của một nhà cung cấp LLM duy nhất), cho phép các nhà phát triển linh hoạt thay thế “nhạc cụ” sao cho phù hợp nhất với chi phí và hiệu năng.
Hiện tượng OpenClaw: Sức mạnh của cộng đồng mã nguồn mở
Một điểm nhấn lớn tại sự kiện là sự phát triển bùng nổ của OpenClaw, một framework mã nguồn mở dành cho tác nhân AI do nhà phát triển Peter Steinberger khởi xướng.
Sự đón nhận của cộng đồng đối với dự án này lớn đến mức CEO Jensen Huang đã sử dụng một phép so sánh mang tính hình tượng: tốc độ tiếp nhận và đóng góp cho OpenClaw trong vài tuần qua mang lại cảm giác tương đương với những gì cộng đồng Linux đã xây dựng trong nhiều thập kỷ. Mặc dù đây là một cách nói cường điệu (rhetoric) để nhấn mạnh sự nhiệt độ của trào lưu này, nó phản ánh một sự thật rõ ràng: các lập trình viên đang khao khát một bộ khung (framework) mã nguồn mở, minh bạch để xây dựng tác nhân AI, thay vì phụ thuộc hoàn toàn vào các nền tảng đóng.
OpenClaw cung cấp các công cụ nền tảng giúp lập trình viên quản lý luồng thông tin, cấu trúc bộ nhớ và thiết lập cách thức AI tương tác với các phần mềm khác, tạo tiền đề để xây dựng các ứng dụng tự động hóa linh hoạt hơn.
Diễn đàn Lãnh đạo AI: Giá trị chiến lược của Mô hình Mở
Trong một phiên thảo luận chuyên sâu, các lãnh đạo cấp cao từ nhiều công ty AI đã mổ xẻ lý do tại sao các mô hình mở (open models) lại đóng vai trò sống còn khi triển khai AI vào các ngành công nghiệp đặc thù:
Vượt qua rào cản của “Mô hình tổng quát”: Daniel Nader (CEO Open Evidence) đưa ra một góc nhìn thú vị khi ví các mô hình đóng khổng lồ như những “bậc phụ huynh 800 tuổi”. Dù sở hữu lượng kiến thức đồ sộ và xuất sắc ở các tác vụ thông thường, chúng lại có xu hướng bảo thủ và khó bị bẻ lái để tuân thủ các quy tắc chuyên ngành hẹp. Ngược lại, mô hình mở cho phép doanh nghiệp tinh chỉnh sâu (fine-tune) trên các tập dữ liệu cực kỳ đặc thù (như y tế, luật pháp), tạo ra các “chuyên gia kỹ thuật số” có khả năng xử lý các công việc lặp đi lặp lại như soạn thảo thư ủy quyền y tế.
Làm chủ AI trong thế giới vật lý: Theo Arthur Mensch (CEO Mistral), khi AI bước ra khỏi màn hình máy tính để tích hợp vào robot tự hành hay hệ thống biên (edge computing), mô hình mở là lựa chọn tối ưu. Chúng cung cấp cho doanh nghiệp toàn quyền kiểm soát hệ thống, từ việc quyết định thời điểm bật/tắt đến khả năng xử lý dữ liệu chuỗi thời gian (time series) ngay tại chỗ mà không bị độ trễ do phải kết nối với máy chủ đám mây của bên thứ ba.
Tính minh bạch và Quản trị rủi ro: Anjney Midha (CEO amp) nhấn mạnh rằng trong các lĩnh vực có rủi ro cao như y tế hay quốc phòng, niềm tin là yếu tố tiên quyết. Các tổ chức này cần khả năng kiểm tra nội bộ (introspect) cấu trúc và trọng số của mô hình để đảm bảo an toàn. Mô hình mở cung cấp khả năng kiểm toán mã nguồn mà các hộp đen (black-box models) không thể đáp ứng.
Bức tranh Bảo mật và Ngăn xếp NVIDIA NemoClaw
Sự chuyển dịch sang các hệ thống tác nhân AI mang lại tiềm năng to lớn, nhưng đồng thời cũng mở ra một thách thức bảo mật chưa từng có. Jensen Huang đã vạch ra ba khả năng cốt lõi của một tác nhân AI trong mạng nội bộ:
Truy cập vào kho dữ liệu nhạy cảm của doanh nghiệp.
Quyền thực thi các mã lệnh (code execution).
Khả năng giao tiếp, gửi dữ liệu ra môi trường mạng bên ngoài.
Theo ông, việc để một thực thể phần mềm sở hữu đồng thời cả ba khả năng này mà không có cơ chế quản trị nghiêm ngặt là một rủi ro khôn lường đối với an ninh doanh nghiệp.
Để cung cấp một lớp giáp bảo vệ cho các framework như OpenClaw, NVIDIA đã chính thức giới thiệu NVIDIA NemoClaw – một ngăn xếp phần mềm mã nguồn mở. Được trợ lực bởi công nghệ NVIDIA OpenShell, hệ thống này cung cấp:
Môi trường hộp cát (Isolated Sandbox): Cô lập các tác vụ của AI để ngăn chặn việc mã độc lan truyền ra toàn hệ thống.
Hàng rào bảo vệ (Guardrails): Thiết lập các chính sách truy cập nghiêm ngặt, đảm bảo tác nhân chỉ được phép chạm vào những dữ liệu mà nó được phân quyền.
Hệ thống định tuyến thông minh: Cho phép phân luồng tác vụ. Các công việc đơn giản hoặc chứa dữ liệu nhạy cảm sẽ được xử lý cục bộ bằng các mô hình nội bộ (như NVIDIA Nemotron) để tiết kiệm chi phí và đảm bảo quyền riêng tư. Chỉ những bài toán thực sự phức tạp mới được điều hướng lên các mô hình biên giới (frontier models) trên đám mây.