GPT‑5.6 Sol vận hành đo đạc chip lượng tử: AI Agent đã bước vào phòng lab

Ngày 8/9/2026, OpenAI công bố một thử nghiệm với nhóm Engineering Quantum Systems tại MIT: GPT‑5.6 Sol, làm việc qua Codex và kết nối với phần mềm phòng thí nghiệm, đã trực tiếp tham gia chuỗi đo đạc trên một chip lượng tử sáu qubit chưa được hiệu chuẩn.

Điểm đáng chú ý không nằm ở việc AI trả lời câu hỏi về vật lý lượng tử. Agent được trao một mục tiêu kỹ thuật, tự chọn tham số đo, điều khiển thiết bị qua phần mềm, đọc kết quả rồi quyết định lặp lại, tinh chỉnh hay lưu phép đo. Đây là một bước dịch chuyển rõ ràng: AI Agent từ “làm việc trên màn hình” sang tác động lên quy trình thí nghiệm vật lý.

Tuy nhiên, thử nghiệm cũng cho thấy ranh giới rất thực tế. Khi tín hiệu rõ, agent hoàn tất một chuỗi đo thường quy với ít can thiệp của con người. Khi tín hiệu yếu hoặc nhiễu, nó chậm hơn và đôi lúc phải nhờ chuyên gia hướng dẫn. Vì vậy, câu chuyện này không chứng minh AI đã thay nhà nghiên cứu; nó cho thấy phần việc lặp lại, có tiêu chí quan sát rõ đang trở thành vùng tự động hóa mới.

Agent đã làm gì trong phòng lab?

Theo bài công bố của OpenAI, nghiên cứu sinh MIT Beatriz Yankelevich giao cho agent các “skill” mô tả cách sử dụng công cụ, quy trình đo và mục tiêu cần đạt. Từ đó, GPT‑5.6 Sol thực hiện một vòng lặp có thể tóm tắt như sau:

1. Đọc mục tiêu và hướng dẫn vận hành.
2. Chọn tham số cho phép đo tiếp theo.
3. Gọi phần mềm điều khiển thiết bị để chạy phép đo.
4. Phân tích tín hiệu thu được.
5. Tinh chỉnh, lặp lại, lưu kết quả hoặc báo chuyên gia khi không chắc chắn.

Một chuỗi đo đặc trưng có thể khiến nhà nghiên cứu mất vài ngày, phần lớn cho công việc lặp lại: chọn thiết lập, chạy phép đo, kiểm tra đồ thị và hiệu chỉnh bước tiếp theo. Nhóm MIT cho biết hiện họ thường xuyên dùng agent cho các phép đo thường quy. OpenAI không công bố một con số thời gian tiết kiệm cụ thể cho thử nghiệm sáu qubit này, nên chưa thể quy đổi kết quả thành tỷ lệ năng suất hay ROI.

Điều mới không phải là “AI biết vật lý”

Các mô hình ngôn ngữ đã có thể giải thích khái niệm khoa học từ lâu. Khác biệt ở đây là khả năng kết nối suy luận với công cụ và môi trường thật: agent phải ra quyết định tuần tự dựa trên dữ liệu vừa quan sát, không chỉ sinh một câu trả lời tĩnh.

Cấu trúc này gần với một workflow vận hành hơn là chatbot. Nó có mục tiêu, bộ công cụ được cấp quyền, trạng thái thay đổi sau mỗi hành động, tiêu chí dừng và cơ chế chuyển việc cho con người. Đây cũng là lý do doanh nghiệp nên quan tâm, ngay cả khi không làm máy tính lượng tử.

Trong kiểm thử phần mềm, vận hành nhà máy, kiểm soát chất lượng hay phân tích tài chính, rất nhiều quy trình cũng có cùng cấu trúc: chạy một phép kiểm tra, đọc tín hiệu, điều chỉnh tham số và lặp lại. Bài học từ phòng lab vì thế có thể chuyển sang các môi trường khác — nhưng chỉ khi doanh nghiệp mô tả được vòng lặp và ranh giới an toàn một cách đủ rõ.

Ba điều kiện để tự chủ không biến thành rủi ro

Thứ nhất là phạm vi công việc hẹp và có thể kiểm chứng. Agent trong thử nghiệm không được giao mục tiêu mơ hồ như “hãy khám phá điều mới”. Nó được giao một phép đo cụ thể, có kỹ thuật đã biết và kết quả có thể quan sát.

Thứ hai là quyền truy cập tối thiểu. Kết nối AI với thiết bị thật làm tăng giá trị, đồng thời tăng hậu quả nếu agent hành động sai. Doanh nghiệp cần giới hạn lệnh được phép, dải tham số, ngân sách tài nguyên và điều kiện dừng khẩn cấp. Đây là nguyên tắc tương tự khi triển khai AgentOps theo bảy giai đoạn: quan sát và kiểm soát phải được thiết kế ngay trong runtime.

Thứ ba là điểm bàn giao cho chuyên gia. Tín hiệu nhiễu không chỉ là một lỗi kỹ thuật; nó là lúc hệ thống cần thừa nhận độ bất định. Agent tốt không phải agent luôn cố tự xử lý, mà là agent biết khi nào phải dừng, cung cấp bằng chứng và yêu cầu con người quyết định.

Góc nhìn Học viện AI: tự động hóa vòng lặp, không tự động hóa phán quyết

Từ thử nghiệm này, Học viện AI cho rằng đơn vị triển khai nên tách rõ hai lớp. Lớp thứ nhất là vòng lặp tác nghiệp có thể chuẩn hóa: chọn tham số trong miền cho phép, gọi công cụ, thu dữ liệu và kiểm tra điều kiện. Lớp thứ hai là phán quyết chuyên môn: giải thích bất thường, thay đổi giả thuyết hoặc quyết định một hướng nghiên cứu mới.

AI Agent có thể tiến rất nhanh ở lớp thứ nhất. Lớp thứ hai vẫn cần nhà khoa học, kỹ sư hoặc người chịu trách nhiệm nghiệp vụ. Đây cũng là cách đọc thận trọng hơn so với việc gộp hàng nghìn agent để giải một bài toán lớn như thử nghiệm 10.000 AI Agent cho Navier–Stokes: quy mô điều phối không tự động tạo ra tính đúng đắn.

Doanh nghiệp có thể bắt đầu bằng một “phòng lab số” nhỏ: chọn quy trình lặp lại nhiều, định nghĩa tín hiệu tốt/xấu, giới hạn quyền, ghi lại mọi hành động và đặt ngưỡng chuyển cho chuyên gia. Nếu agent không thể giải thích tại sao nó tiếp tục hay dừng, workflow chưa đủ điều kiện để tự chủ.

Muốn biến một quy trình lặp lại thành AI Agent có guardrail, log và human-in-the-loop, bạn có thể tham khảo chương trình AI Agent & Workflow Automation của Học viện AI.

Nguồn

• OpenAI, “Codex quantum computing experiments”, công bố ngày 8/9/2026: https://openai.com/index/codex-quantum-computing-experiments/

Ghi chú kiểm chứng: Các mô tả về thử nghiệm, chip sáu qubit và hành vi của agent đến từ công bố của OpenAI có sự tham gia của nhóm MIT. Đây là case study, không phải benchmark bình duyệt độc lập; bài viết không suy diễn rằng AI thay thế nhà nghiên cứu hoặc công bố tỷ lệ tiết kiệm thời gian mà nguồn không cung cấp.