Mở đầu
Trí tuệ nhân tạo (AI) đang thâm nhập vào ngành thủy sản với một tốc độ dường như không thể ngăn cản. Từ những chiếc camera nhận diện cường độ bắt mồi của đàn cá, các cảm biến dự báo biến động oxy hòa tan, đến những thuật toán học sâu phán đoán bệnh lý trên cơ thể cá, công nghệ này đang hiện diện ở khắp mọi nơi. Máy bay không người lái giám sát vùng nước, các thuật toán hỗ trợ đánh giá con giống, những nền tảng số truy xuất nguồn gốc sản phẩm từ ao nuôi đến bàn ăn… mọi khâu trong chuỗi giá trị đều ghi nhận sự góp mặt của AI.
Sự xuất hiện này diễn ra song song với nhu cầu cấp thiết của chính ngành thủy sản. Theo báo cáo “Tình hình Thủy sản và Nuôi trồng Thủy sản Thế giới 2026” của FAO, sản lượng nuôi trồng toàn cầu đã đạt 141 triệu tấn vào năm 2024, lần đầu tiên đưa sản lượng động vật thủy sản nuôi vượt mốc 100 triệu tấn và đóng góp đến 53% tổng sản lượng động vật thủy sản. Cũng theo FAO, năm 2025, tổng sản lượng thủy sản khai thác và nuôi trồng toàn cầu đạt khoảng 197 triệu tấn, tăng 1,7% so với năm trước. Ngành này đang là sinh kế của hơn 600 triệu người. Quy mô càng lớn, mật độ nuôi càng cao, những rủi ro về dịch bệnh, chất lượng nước, khí hậu và vận hành càng dễ bị khuếch đại. Các phương pháp quản lý truyền thống dựa vào kinh nghiệm tuần tra ao hồ, ghi chép thủ công và xử lý sự cố đang dần trở nên bất lực trước yêu cầu của nền sản xuất hiện đại.
AI được kỳ vọng sẽ trở thành lời giải cho bài toán này. Tuy nhiên, đằng sau sự bùng nổ công nghệ là một thực tế phũ phàng: việc triển khai AI trong hệ thống thực phẩm thủy sản vẫn còn rất hạn chế và có sự mất cân đối nghiêm trọng. Tồn tại một khoảng cách rất lớn giữa hiệu suất cao của các mô hình trong phòng thí nghiệm và khả năng áp dụng thực tế tại các ao nuôi. Bài viết này không nhằm mục đích tạo ra một danh sách ứng dụng AI khác. Thay vào đó, nó đặt ra những câu hỏi cốt lõi: Các mô hình này có thực sự đáng tin cậy không? Chúng có thể được nhân rộng không? Ai có thể sử dụng chúng? Khi một sự cố xảy ra trong sản xuất, ai sẽ là người chịu trách nhiệm?
1. Bức tranh toàn cảnh còn nhiều khoảng trống
Hiện nay, ứng dụng AI trong ngành thủy sản có thể được khái quát thành năm lĩnh vực chính. Trong sản xuất nuôi trồng, học máy và thị giác máy tính được dùng cho việc cho ăn thông minh, ước tính sinh khối hay nhận diện bệnh. Trong quản lý tài nguyên, học sâu hỗ trợ nhận dạng loài cá và giám sát hoạt động đánh bắt. AI cũng được dùng để giám sát môi trường sinh thái, phân tích dữ liệu viễn thám để dự báo tảo độc hay ô nhiễm. Lĩnh vực di truyền và nhân giống bắt đầu ứng dụng AI để phân tích kiểu hình và dự báo các tính trạng tăng trưởng. Ngay cả trong khâu chế biến và chuỗi cung ứng, AI cũng góp mặt từ phân loại tự động đến kiểm soát chất lượng.
Bức tranh ứng dụng trông có vẻ rất phong phú, nhưng điều này không đồng nghĩa với sự trưởng thành về mặt công nghiệp hóa. Rất nhiều thành tựu hiện vẫn đang dừng lại ở giai đoạn chứng minh khái niệm, thử nghiệm trong phòng thí nghiệm hoặc trình diễn quy mô nhỏ. Nghiên cứu về nhận dạng hình ảnh chiếm số lượng lớn, nhưng những hệ thống thực sự có thể vận hành dài hạn, tự động kiểm soát và nhân rộng qua các bối cảnh khác nhau vẫn cực kỳ hiếm hoi.
Để hiểu rõ hơn, chúng ta có thể phân chia năng lực của AI trong sản xuất thành bốn cấp độ. Tầng nhận thức giúp hệ thống nhận diện cá, thức ăn, hay các chỉ số nước. Tầng phán đoán giúp nó đánh giá tình trạng bắt mồi, căng thẳng hay nguy cơ dịch bệnh. Tầng quyết sách đưa ra các khuyến nghị cụ thể như nên cho ăn, sục khí hay thay nước. Tầng điều khiển là cấp độ cao nhất, nơi hệ thống tự động thực thi hành động và liên tục điều chỉnh dựa trên phản hồi.
Phần lớn các nghiên cứu hiện nay đang mắc kẹt ở hai tầng đầu tiên, trong khi các doanh nghiệp lại khao khát những giải pháp ở hai tầng sau. Việc một hệ thống nhận diện được “dấu hiệu bất thường trên thân cá” là một chuyện, nhưng quyết định có cần lấy mẫu, cách ly hay điều trị lại là một vấn đề hoàn toàn khác. Tương tự, dự báo được xu hướng oxy hòa tan sụt giảm không giống với việc vận hành an toàn hệ thống sục khí. Một khi mô hình được tích hợp vào vòng lặp sản xuất khép kín, một sai sót không còn là một con số phần trăm trên báo cáo. Nó có thể biến thành hàng tấn thức ăn lãng phí, những liều thuốc dùng sai, thiết bị vận hành không tải, hoặc thậm chí là thảm họa mất trắng toàn bộ tài sản sinh học.
2. Bốn “khoảng trống bằng chứng” phơi bày điểm yếu cốt lõi
Giá trị sâu sắc nhất của việc phân tích các nghiên cứu hiện tại không nằm ở việc liệt kê các thuật toán, mà là việc nhận diện một cách có hệ thống những khiếm khuyết về phương pháp luận cứ lặp đi lặp lại.
Đầu tiên là khoảng trống về dữ liệu. Các nghiên cứu hiện nay phụ thuộc quá nhiều vào các bộ dữ liệu nhỏ, đã được sàng lọc kỹ càng hoặc được tạo ra trong điều kiện phòng thí nghiệm. Những dữ liệu này thường rất “sạch sẽ” với ánh sáng ổn định, hậu cảnh đơn giản, mục tiêu rõ ràng, hoàn hảo cho việc huấn luyện mô hình. Tuy nhiên, chúng khác xa với thực tế hỗn loạn tại các ao nuôi, lồng bè hay nhà xưởng. Dữ liệu sản xuất thực tế luôn đầy rẫy sự không hoàn hảo. Hình ảnh có thể bị mờ, phản quang, bị che khuất bởi bọt khí. Camera có thể bị tảo và màng sinh học bao phủ. Cảm biến chất lượng nước có thể bị trôi chỉ số hoặc đứt kết nối. Độ đục của nước, ánh sáng, hành vi của đàn cá đều thay đổi liên tục. Mẫu cá bệnh luôn ít hơn rất nhiều so với cá khỏe. Nếu một mô hình chỉ được huấn luyện trên dữ liệu sạch, nó có thể không học được các đặc điểm sinh học ổn định. Thay vào đó, nó có thể học được các quy luật ngẫu nhiên của môi trường thí nghiệm, một hiện tượng gọi là “học lối tắt”. Khối lượng dữ liệu lớn không tự động đảm bảo chất lượng. Yếu tố quyết định độ tin cậy của mô hình là dữ liệu đó có đại diện cho môi trường thực tế mà nó sẽ đối mặt hay không.
Tiếp theo là khoảng trống về chỉ số đánh giá. Nhiều nghiên cứu chỉ tập trung vào tỷ lệ chính xác chung mà bỏ qua các chỉ số quan trọng khác như độ chính xác (precision), độ bao phủ (recall) hay độ hiệu chuẩn. Điều này không chỉ gây khó khăn cho việc so sánh giữa các nghiên cứu mà còn che giấu những rủi ro thực tế. Hãy tưởng tượng một bộ dữ liệu có 1000 mẫu, trong đó có 10 mẫu cá bệnh. Một mô hình có thể phán đoán tất cả đều khỏe mạnh và vẫn đạt tỷ lệ chính xác 99%. Nhưng với tỷ lệ phát hiện cá bệnh bằng không, mô hình này hoàn toàn vô dụng đối với người nuôi. Chi phí cho mỗi sai lầm cũng khác nhau. Bỏ sót một cảnh báo bệnh có thể dẫn đến dịch bệnh bùng phát, trong khi báo động sai lại gây tốn kém cho việc lấy mẫu và dùng thuốc không cần thiết. Độ chính xác chỉ mô tả hiệu suất của mô hình trên một tập dữ liệu nhất định, còn độ tin cậy mới là thứ mô tả khả năng chịu trách nhiệm của nó trong một hệ thống sản xuất thực tế.
Thứ ba là khoảng trống về kiểm chứng. Hầu hết các nghiên cứu vẫn đang tự kiểm chứng mô hình trên các tập dữ liệu được tách ra từ cùng một nguồn. Việc kiểm chứng độc lập bên ngoài, qua các địa điểm, mùa vụ và điều kiện môi trường khác nhau là cực kỳ hiếm. Nếu dữ liệu huấn luyện và dữ liệu kiểm tra đều đến từ cùng một trang trại, cùng một bộ thiết bị, thậm chí cùng một đoạn video, kết quả sẽ đánh giá quá cao khả năng tổng quát hóa của mô hình. Một cuộc kiểm chứng có ý nghĩa công nghiệp phải trả lời được câu hỏi liệu mô hình có còn hiệu quả ở một trang trại khác, với một bộ camera khác, trong một mùa vụ khác hay không. Kết quả kiểm chứng bên ngoài thường không đẹp đẽ như kết quả nội bộ, nhưng nó phản ánh trung thực hơn hiệu suất mà doanh nghiệp sẽ nhận được.
Cuối cùng là khoảng trống về phương thức dữ liệu (modality). AI thủy sản hiện nay quá phụ thuộc vào hình ảnh. Tuy nhiên, tình trạng sức khỏe của cá hiếm khi có thể được phán đoán chỉ qua một tấm ảnh. Cùng một hành vi bơi lội chậm chạp có thể do thiếu oxy, nhiễm bệnh hoặc đơn giản là cá vừa ăn no. Một hệ thống thị giác chỉ nhìn thấy bề mặt của triệu chứng mà không thể lý giải nguyên nhân. Do đó, việc học đa phương thức, tức kết hợp hình ảnh với dữ liệu từ cảm biến chất lượng nước, âm thanh dưới nước, hồ sơ quản lý và dữ liệu khí tượng, là vô cùng quan trọng. Đây là bước đi then chốt để AI chuyển từ việc “nhìn thấy con cá” sang “hiểu được toàn bộ hệ thống nuôi trồng”.
3. Ao nuôi không phải là một bộ dữ liệu tĩnh
Khi một mô hình rời phòng thí nghiệm để đến với ao nuôi, nó phải đối mặt với một thách thức cốt lõi: sự phân bố dữ liệu liên tục thay đổi. Độ đục của nước, kích cỡ của cá, mật độ nuôi, chủng loại thức ăn, phổ bệnh tật... tất cả đều biến đổi không ngừng. Hiện tượng này trong học máy được gọi là “trôi dạt phân bố”. Không giống như phần mềm truyền thống hoạt động theo các quy tắc cố định, mô hình AI dựa vào dữ liệu huấn luyện để đưa ra phán đoán. Khi môi trường thực tế ngày càng khác xa với dữ liệu huấn luyện, hiệu suất của mô hình có thể suy giảm một cách âm thầm.
Điều này đòi hỏi một hệ thống AI không chỉ giám sát hệ thống nuôi trồng mà còn phải tự giám sát chính nó. Một hệ thống có thể triển khai thực tế phải liên tục trả lời các câu hỏi: Dữ liệu đầu vào hiện tại có còn nằm trong phạm vi hoạt động của mô hình không? Sự thay đổi của cảm biến là thật hay do lỗi thiết bị? Khi nào mô hình cần được huấn luyện lại? Và quan trọng nhất, khi nào nó phải tự động rút lui và giao quyền kiểm soát lại cho con người?
Trong các hệ thống thâm canh mật độ cao như tuần hoàn (RAS) hay lồng nuôi ngoài khơi xa, vấn đề này càng trở nên sống còn. Một sai sót trong hệ thống sục khí hay tuần hoàn nước có thể gây ra thiệt hại khổng lồ chỉ trong vài giờ. AI có thể tối ưu hóa chiến lược điều khiển, nhưng nó không thể thay thế các ranh giới an toàn kỹ thuật cơ bản. Một hệ thống trưởng thành phải giữ lại các cơ chế khóa liên động phần cứng, thiết bị dự phòng và khả năng vận hành thủ công. Tự động hóa ở đây không có nghĩa là loại bỏ con người, mà là đặt con người vào vị trí giám sát với thông tin đầy đủ và quyền quyết định cuối cùng.
4. Cơ hội và cạm bẫy từ những công nghệ tiên phong
Năm loại công nghệ tiên phong đang mở ra những hướng đi mới cho AI thủy sản, bao gồm mô hình nền tảng, AI tạo sinh, cặp đôi kỹ thuật số, AI biên và AI có thể giải thích. Tuy nhiên, chúng không phải là chiếc đũa thần có thể bỏ qua các yêu cầu về chất lượng dữ liệu và kiểm chứng kỹ thuật.
Mô hình nền tảng có thể học các đặc trưng chung từ kho dữ liệu khổng lồ, giúp giảm chi phí huấn luyện cho từng nhiệm vụ riêng lẻ. Dù vậy, nếu dữ liệu nền tảng có sẵn sự thiên lệch, mô hình lớn cũng không thể giải quyết được thành kiến từ mẫu nhỏ. AI tạo sinh có thể dịch các dữ liệu phức tạp thành ngôn ngữ tự nhiên, giúp người vận hành dễ hiểu hơn. Nhưng nó cũng tiềm ẩn nguy cơ “diễn đạt các kết luận sai một cách trôi chảy”, đòi hỏi sự kiểm chứng nghiêm ngặt, đặc biệt trong các khuyến nghị về y tế. Cặp đôi kỹ thuật số tạo ra một bản sao ảo của hệ thống để mô phỏng và thử nghiệm chiến lược, nhưng giá trị của nó hoàn toàn phụ thuộc vào việc mô hình ảo có được hiệu chỉnh liên tục với dữ liệu thực tế hay không. AI biên đưa năng lực xử lý đến tận ao nuôi, giảm độ trễ và sự phụ thuộc vào mạng internet, nhưng lại đặt ra các yêu cầu mới về quản lý và bảo trì thiết bị tại chỗ. Cuối cùng, AI có thể giải thích cần phải đưa ra những lý giải có thể hỗ trợ hành động, chứ không chỉ đơn thuần hiển thị một bản đồ nhiệt.
5. Một bài toán phức hợp Kinh tế - Kỹ thuật - Xã hội
Việc triển khai AI không chỉ là một vấn đề kỹ thuật. Nó còn bị cản trở bởi chi phí cao, thiếu hụt nhân lực có kỹ năng, các thách thức về quản trị và rủi ro an toàn. Các vấn đề như quyền sở hữu dữ liệu, quyền riêng tư, và an ninh mạng làm phức tạp thêm bài toán. Điều này có nghĩa là việc triển khai không thể chỉ do các kỹ sư thuật toán quyết định.
Trong thực tế, ngành công nghiệp phải trả lời một loạt câu hỏi gai góc: Dữ liệu nuôi trồng thuộc về ai? Doanh nghiệp có thể lấy lại dữ liệu của mình khi đổi nhà cung cấp không? Các mô hình có đang thiên vị cho các trang trại công nghiệp lớn, bỏ lại phía sau các hộ nuôi nhỏ lẻ không? Ai chịu trách nhiệm khi thuật toán phán đoán sai gây thiệt hại? Nếu không được thiết kế một cách có chủ đích, AI có thể làm gia tăng khoảng cách số trong ngành. Do đó, một chiến lược triển khai có trách nhiệm, bao dung và bền vững cần được ưu tiên hơn là việc chạy theo hiệu suất kỹ thuật đơn thuần.
6. Sáu ngưỡng cửa công nghiệp hóa: Lộ trình đến sự tin cậy
Để AI thủy sản có thể được ứng dụng trên quy mô lớn, nó cần phải vượt qua sáu ngưỡng cửa. Đầu tiên là ngưỡng cửa vấn đề, nơi dự án phải bắt đầu bằng một bài toán sản xuất có thể đo lường được, chứ không phải từ một công nghệ thời thượng. Thứ hai là ngưỡng cửa bằng chứng, đòi hỏi việc xây dựng các bộ dữ liệu được gán nhãn đáng tin cậy. Thứ ba là ngưỡng cửa kiểm chứng, yêu cầu các bài kiểm tra chéo qua nhiều địa điểm, mùa vụ và thiết bị.
Sau khi qua được ba ngưỡng đầu, mô hình bước vào ngưỡng cửa triển khai. Nó nên bắt đầu bằng chế độ “chạy song song”, tức đưa ra phán đoán nhưng không trực tiếp điều khiển, để con người so sánh và đánh giá. Ngưỡng cửa thứ năm là vận hành, nơi hệ thống phải được giám sát và bảo trì liên tục trong suốt vòng đời. Cuối cùng là ngưỡng cửa quản trị, nơi các quy tắc về quyền sở hữu dữ liệu, trách nhiệm và cơ chế rút lui phải được xác định rõ ràng ngay từ đầu.
Kết luận:
Cơ hội mà AI mang lại cho ngành thủy sản là có thật. Nó có thể cải thiện hiệu quả sử dụng thức ăn, giảm thiểu hóa chất, và giúp chuẩn hóa các quy trình vốn phụ thuộc nhiều vào kinh nghiệm. Tuy nhiên, nút thắt cổ chai thực sự không còn nằm ở việc “có mô hình hay không”, mà là “có bằng chứng triển khai đáng tin cậy hay không”.
AI cần phải vượt qua một khoảng cách hệ thống, được tạo nên từ tính đại diện của dữ liệu, các chỉ số đánh giá, độ tin cậy của thiết bị, tính kinh tế, năng lực con người và trách nhiệm quản trị. Đối tượng cần được đánh giá không phải là một mô hình đơn lẻ, mà là toàn bộ hệ thống kinh tế - kỹ thuật bao gồm thuật toán, cảm biến, con người và quy trình.
Điều đáng quan tâm nhất trong tương lai không phải là mô hình nào có tỷ lệ chính xác cao hơn một điểm phần trăm. Thay vào đó, đó là hệ thống nào có thể vận hành ổn định giữa nước đục, thời tiết khắc nghiệt, thiết bị lão hóa, và quan trọng nhất, biết được giới hạn của chính mình. Giá trị thực sự của AI không bao giờ nằm ở đường cong hiệu suất đẹp đẽ trong phòng thí nghiệm. Nó nằm ở khả năng đứng vững bên bờ ao khi mưa bão ập đến, khi oxy sụt giảm, khi cá có dấu hiệu bất thường, và giúp con người đưa ra quyết định đúng đắn.
