AI tạo sinh lập trình PLC – phạm vi, kiểm chứng và RFP cho nhà máy tại Thái Lan

Mở đầu: 3 điều cần quyết định trước khi dùng AI tạo sinh cho chương trình PLC

Ngày càng có nhiều câu hỏi về việc liệu có thể dùng AI tạo sinh cho chương trình PLC hay không. Không đọc được chương trình ladder do người tiền nhiệm để lại. Chú thích vẫn để nguyên tiếng Nhật nên nhân viên bảo trì người Thái không đọc được. Ngay cả một sửa đổi nhỏ cũng phải chờ báo giá và lịch của SI thuê ngoài. Trước những vấn đề như vậy, từ năm 2024 đến năm 2026, các nhà cung cấp PLC và FA lớn đã lần lượt công bố các tính năng AI tạo sinh. Có tính năng đã được bán ra, cũng có tính năng vẫn đang được phát triển.

Bài viết này cho rằng điều cần quyết định trước khi triển khai không phải là tên công cụ, mà là 3 điều sau.

• (1) Phạm vi công việc giao cho AI (bắt đầu từ việc nào trong số: viết mới, sửa đổi, đọc hiểu và thêm chú thích cho mã hiện có, rà soát, viết kiểm thử, lập tài liệu)
• (2) Quy trình kiểm chứng sản phẩm AI tạo ra (biên dịch, kiểm tra tĩnh, mô phỏng hoặc chạy thử ảo, FAT và SAT trên thiết bị thật, rà soát và phê duyệt của con người)
• (3) Nơi gửi mã nguồn và thông tin thiết bị (đám mây hay cục bộ, có bị dùng để huấn luyện mô hình không, có vi phạm thỏa thuận bảo mật với khách hàng không)

Các nhà cung cấp lớn có đề cập đến vai trò của con người đều mô tả tính năng với tiền đề là con người kiểm tra rồi mới sử dụng. Nghiên cứu cũng có báo cáo rằng nếu không tích hợp công cụ kiểm chứng thì khó tạo ra chương trình hợp lệ. Trong phần tóm tắt chính thức và điều khoản của các tiêu chuẩn đã kiểm tra, không thấy nội dung nào quy định việc có được dùng mã do AI viết hay không. Mặt khác, dù người viết là con người hay AI, vẫn có yêu cầu rằng lỗi trong logic điều khiển không được gây ra nguy hiểm, cũng như yêu cầu kiểm chứng sửa đổi và quản lý phiên bản. Chính vì vậy, quan điểm biên tập của bài viết này là: ghi phạm vi giao việc, cách kiểm chứng và nơi gửi dữ liệu vào quy định nội bộ và RFP, rồi xác nhận qua FAT và SAT.

Bài viết này không phải là khuyến nghị hay xếp hạng sản phẩm cụ thể nào. Tính năng sản phẩm được giới thiệu theo mô tả của từng hãng. Ước tính chi phí ở phần sau là số liệu giả định dành riêng cho bài viết này. Kiến thức cơ bản về PLC và ladder đã được giải thích trong bài “PLC là gì? Cơ chế cơ bản và cách lựa chọn“, nên bài này chỉ tập trung vào các tình huống sử dụng AI tạo sinh.

Vì sao AI tạo sinh cho chương trình PLC đang được quan tâm lúc này

Lý do là trong 1–2 năm gần đây, sản phẩm của các nhà cung cấp lớn lần lượt xuất hiện. Dưới đây là tổng hợp các diễn biến chính trong phạm vi có thể xác nhận tại thời điểm ngày 15/10/2026.

Siemens cho biết đã công bố “Eigen Engineering Agent” tại Hannover Messe ngày 20/4/2026 và bắt đầu bán ngay trong ngày đó. Theo hãng, sản phẩm được ra mắt sau giai đoạn thí điểm với hơn 100 doanh nghiệp tại 19 quốc gia. Tên gọi đã thay đổi từ “Industrial Copilot” sang “Engineering Copilot TIA” (Preview và beta), và tên sản phẩm hiện nay là Eigen Engineering Agent. Hãng nêu con số dựa trên kết quả thí điểm rằng hiệu suất kỹ thuật tăng tối đa 50%. Đây là con số do hãng tự công bố, không thể so sánh với số liệu của các hãng khác trong điều kiện khác.

Rockwell Automation công bố mở rộng hợp tác với Microsoft vào ngày 19/11/2024, và trong đó cho biết đã bổ sung Copilot dùng AI tạo sinh vào phần mềm thiết kế FactoryTalk Design Studio. Trang sản phẩm hiện tại cũng giới thiệu AI Plan & Build Agents và mô phỏng (emulation) trên đám mây.

CODESYS Group cho biết đang cung cấp “CODESYS Development System MCP Server” dưới dạng sản phẩm riêng, cho phép hệ thống AI thao tác môi trường phát triển. Beckhoff công bố đã phát triển TwinCAT Chat (năm 2023) thành TwinCAT CoAgent vào tháng 4/2025. Tuy nhiên, trạng thái trên trang sản phẩm TE1700 là “product announcement”, và không tìm thấy nội dung cho thấy sản phẩm đã được bán rộng rãi.

Với các hãng Nhật Bản, Mitsubishi Electric giới thiệu AI tạo sinh ladder, còn OMRON giới thiệu “OMRON Automation Teams (tên tạm thời)”, lần lượt tại triển lãm (IIFES 2025) và trong các cuộc phỏng vấn. Cả hai đều là nội dung đang phát triển được trình bày tại triển lãm và trong phỏng vấn, và tại thời điểm ngày 15/10/2026 chưa xác nhận được thông báo bán ra. Về tính năng AI tạo sinh của Keyence, chưa xác nhận được thông báo chính thức.

Cũng xin nói ngắn gọn về bối cảnh phía Thái Lan. Theo Ủy ban Đầu tư Thái Lan (BOI), tổng giá trị hồ sơ đăng ký ưu đãi đầu tư năm 2025 là 1.876,6 tỷ baht (3.370 dự án), tăng 67% so với năm trước. Đây là số liệu tính theo hồ sơ đăng ký, không phải giá trị được phê duyệt hay vốn đầu tư thực tế. Hồ sơ FDI đăng ký từ Nhật Bản là 119,1 tỷ baht, 311 dự án. Ngoài ra, theo phân tích của một công ty luật, Thông báo BOI số 4/2569 (đăng Công báo ngày 31/3/2026) khuyến khích đầu tư vào tự động hóa và robot, áp dụng cho sản xuất ô tô (hạng mục 3.6 và 3.8). Tài liệu này không cho phép xác nhận liệu các nhà máy linh kiện ô tô, linh kiện điện tử hay thực phẩm có nghiễm nhiên thuộc đối tượng hay không. Về nhân lực, Kasikorn Research ước tính Thái Lan cần khoảng 1,1 triệu nhân lực tay nghề cao trong giai đoạn 2025–2029. Trong khi đó, tỷ lệ sinh viên tốt nghiệp khối STEM đã giảm từ 23,2% năm 2020 xuống 22,3% năm 2025. Bài viết này cho rằng bối cảnh phía sau là nhu cầu muốn đọc hiểu và sửa đổi chương trình hiện có nhanh hơn dù chỉ một chút, trong khi người hiểu về điều khiển còn hạn chế.

AI tạo sinh làm được gì cho chương trình PLC: 6 loại công việc

Dựa trên mô tả của các hãng, bài viết chia các công việc mà AI tạo sinh tham gia trong lập trình PLC thành 6 loại. Bắt đầu từ công việc nào chính là điểm xuất phát của Quy tắc (1) được trình bày ở phần sau.

Loại thứ nhất là viết mới. Siemens nêu việc tạo SCL và LAD trên trang sản phẩm Eigen Engineering Agent. CODESYS cho biết có thể tạo POU và mã PLC thông qua MCP Server.

Loại thứ hai là sửa đổi. Siemens nêu việc chỉnh sửa mã hiện có; Mitsubishi Electric giới thiệu bản demo trong đó khi đưa vào chương trình ladder hiện có, chú thích và yêu cầu sửa đổi thì hệ thống xuất ra ladder sau sửa đổi, văn bản giải thích và lưu đồ (đây là nội dung đang phát triển).

Loại thứ ba là đọc hiểu và thêm chú thích cho mã hiện có. Rockwell cho biết với mã do người khác viết, người dùng có thể chọn một rung, một routine, một chương trình hoặc toàn bộ dự án để Copilot phân tích và giải thích nội dung. Siemens cũng nêu việc giải thích và thêm chú thích cho logic cũ là một tính năng. CODESYS cũng nêu việc giải thích mã hiện có.

Loại thứ tư là rà soát và sửa lỗi. Siemens nêu việc sửa lỗi biên dịch, lỗi cú pháp và kiểm tra theo hướng dẫn quy chuẩn viết mã (style guide); CODESYS nêu việc phát hiện và sửa lỗi lập trình. Copia Automation nêu việc đề xuất cải thiện chất lượng trên trang sản phẩm Copia AI.

Loại thứ năm là viết kiểm thử. Siemens nêu việc tạo logic kiểm thử. Schneider Electric viết trên blog chính thức rằng Copilot dùng thư viện đã được kiểm chứng của hãng cùng các lớp rào chắn an toàn (guardrail) nhiều tầng để tạo, giải thích và kiểm thử mã PLC.

Loại thứ sáu là lập tài liệu và dịch thuật. Copia Automation nêu việc tự động tạo tài liệu cho mã PLC như routine, chú thích và tổng quan. Siemens nêu việc tự động lập tài liệu dự án và dịch văn bản PLC, HMI. Với các nhà máy muốn dịch chú thích cho nhân viên bảo trì người Thái, đây có lẽ là ứng dụng được quan tâm nhiều.

Ngoài ra, Schneider Electric cho biết trên blog chính thức rằng có thể rút ngắn thời gian phát triển tối đa 30–50%. Đây cũng là mô tả của hãng, không thể so sánh với số liệu của các hãng khác trong điều kiện khác.

Ladder (LD) và Structured Text (ST) có độ khó khác nhau

Có báo cáo cho thấy mức độ dễ áp dụng AI tạo sinh khác nhau tùy ngôn ngữ PLC. Trước hết, hãy xác nhận định nghĩa ngôn ngữ. Về phiên bản thứ 4 của IEC 61131-3 ban hành ngày 22/5/2025, phần tóm tắt chính thức của IEC cho biết tiêu chuẩn quy định cú pháp và ngữ nghĩa của nhóm ngôn ngữ gồm ngôn ngữ văn bản ST và các ngôn ngữ đồ họa LD, FBD. SFC được định nghĩa là thành phần dùng để tổ chức cấu trúc bên trong của chương trình và khối chức năng. Một thay đổi chính của phiên bản thứ 4 là bổ sung chuỗi ký tự UTF-8.

Trong nghiên cứu, có nhiều bài báo báo cáo kết quả tạo mã với ngôn ngữ văn bản ST. Một bài báo năm 2023 (nghiên cứu thăm dò của các nhà nghiên cứu ABB) đã thử 100 prompt thuộc 10 nhóm với GPT-4 và báo cáo rằng trong nhiều trường hợp, mã ST tạo ra đúng ngữ pháp. Một bài báo khác năm 2024 nêu thách thức là dữ liệu huấn luyện công khai có ít ST và cú pháp phức tạp, đồng thời báo cáo rằng việc huấn luyện có dùng phản hồi từ trình biên dịch đã làm tăng tỷ lệ biên dịch thành công.

Ngược lại, ladder được cho là khó. Trong điều kiện của một bài báo năm 2024, khi đưa nhiều ví dụ thì SFC với yêu cầu đơn giản được tạo đúng, nhưng việc tự động tạo LD vẫn còn vấn đề ngay cả với các trường hợp rất đơn giản. Nhà phát triển của Mitsubishi Electric cũng phát biểu trong phỏng vấn, đại ý rằng nếu không tinh chỉnh prompt hoặc không dùng logic bên trong GX Works3 thì các LLM hiện nay hầu như không thể tạo chương trình ladder. Theo cấu hình đang phát triển mà hãng mô tả trong cuộc phỏng vấn tháng 3/2026, hãng dùng mô hình GPT cho ladder và mô hình Claude cho ST. Tuy nhiên, chính người được phỏng vấn cũng cho biết đây là cấu hình đang phát triển và có thể thay đổi tùy hình thức dịch vụ. Đây không phải là thông số của sản phẩm.

Các bài báo được giới thiệu ở đây là từ giai đoạn 2023–2025, và các mô hình được sử dụng không phải là mô hình mới nhất hiện nay. Dù vậy, bài viết này cho rằng chúng vẫn là căn cứ cho cách nghĩ: ở nhà máy dùng chủ yếu ladder, “đọc hiểu” dễ bắt đầu hơn “tạo mới”.

Giới hạn mà nghiên cứu chỉ ra và cách tích hợp kiểm chứng

Điều được nghiên cứu nhắc lại nhiều lần là: thay vì dùng LLM đơn lẻ, kết hợp với cơ chế kiểm chứng sẽ cho kết quả tốt hơn.

LLM4PLC (bài báo năm 2024) viết rằng các LLM thời điểm đó như GPT-4 không thể tạo chương trình hợp lệ cho hệ thống điều khiển công nghiệp. Vì vậy, nhóm tác giả đề xuất cơ chế lặp sử dụng các công cụ kiểm chứng bên ngoài gồm bộ kiểm tra ngữ pháp, trình biên dịch, bộ kiểm chứng SMV, cùng với phản hồi của người dùng. Trong điều kiện của bài báo năm 2024 (trên hệ thống thử nghiệm sản xuất FischerTechnik, dùng GPT-3.5, GPT-4, Code Llama và các mô hình khác), bài báo báo cáo tỷ lệ tạo mã thành công tăng từ 47% lên 72%, và điểm đánh giá chất lượng mã của chuyên gia tăng từ 2,25 lên 7,75 trên thang 10. Con số 72% là khi đã tích hợp công cụ kiểm chứng và phản hồi, không phải hiệu năng của LLM đơn lẻ. Khoảng 3 phần 10 còn lại vẫn thất bại.

Agents4PLC (bài báo năm 2024) là cơ chế chia các bước tạo mã, biên dịch, kiểm chứng hình thức và gỡ lỗi cho nhiều tác tử LLM, tạo thành vòng lặp kín. Việc kiểm chứng hình thức dùng nuXmv và PLCverif. Chính bài báo viết rằng mã do LLM tạo có độ bất định lớn, có thể biên dịch thất bại hoặc không đáp ứng yêu cầu. Bài báo cũng nêu thách thức là bản thân việc định nghĩa đặc tả hình thức đã khó đối với người dùng.

Spec2Control (bài báo năm 2025, của các nhà nghiên cứu ABB) tạo logic điều khiển dạng đồ họa của hệ thống điều khiển quá trình (DCS) từ yêu cầu bằng ngôn ngữ tự nhiên; trong điều kiện của bài báo năm 2025, nghiên cứu báo cáo đã tạo đúng 98,6% các kết nối của chiến lược điều khiển. Đây là kết quả về DCS, không phải con số có thể áp dụng nguyên trạng cho ladder của PLC rời rạc trong nhà máy.

Fraunhofer IKS của Đức cho biết, trong một dự án nghiên cứu kéo dài 3 năm bắt đầu từ tháng 1/2025, họ đang xây dựng bộ đánh giá chuẩn (benchmark) để đo độ tin cậy của mã điều khiển do AI tạo ra. Mã ST được tạo sẽ được đánh giá qua 3 bước: phân tích tĩnh, kiểm thử đơn vị do AI tạo từ đặc tả, và mô phỏng với PLC mềm (soft PLC) cùng bản sao số (digital twin) của máy. Viện này cũng chỉ ra rằng phần lớn mã công nghiệp là tài sản trí tuệ của doanh nghiệp, nên còn thiếu benchmark cho ST.

Chuyển những điều này sang thực tế nhà máy, ta có quy trình: kiểm tra lần lượt sản phẩm AI tạo ra xem “có biên dịch được không”, “có tuân theo quy tắc đã định không”, “có chạy đúng ý đồ khi kiểm thử không”, “có vận hành khớp với thiết bị khi mô phỏng không”, “con người có đọc và giải thích được không”, và cuối cùng mới chuyển sang FAT và SAT trên thiết bị thật. Bài viết này gọi quy trình này là chuỗi kiểm chứng (verification pipeline).

Tình trạng cung cấp của các nhà cung cấp lớn và tính năng theo mô tả của từng hãng

Bảng dưới đây tổng hợp tình hình của các nhà cung cấp lớn. Các hãng được xếp theo thứ tự bảng chữ cái, không thể hiện hơn kém hay khuyến nghị. Tình trạng cung cấp là trong phạm vi xác nhận được tại thời điểm ngày 15/10/2026. Các ô không xác nhận được ghi “Không xác nhận được trong tài liệu chính thức”.

Có 3 điểm cần lưu ý khi đọc bảng.

Thứ nhất, tình trạng cung cấp khác nhau rất nhiều. Có cả sản phẩm đã bán, chỉ mới công bố và đang phát triển. Nếu lập kế hoạch dựa trên tính năng đang phát triển, tiến độ có thể bị lệch.

Thứ hai, không áp mô tả về xử lý dữ liệu của hãng này sang hãng khác. “Không dùng để huấn luyện” và “lưu cục bộ” là nội dung trong tài liệu chính thức của Siemens Eigen. Ngoài ra, “không lưu trên đám mây” không đồng nghĩa với “không xử lý trên đám mây”. Siemens cho biết bản Preview tiền thân của hãng có cấu hình dùng microservice và LLM trên đám mây.

Thứ ba, mô tả của các hãng có đề cập đến vai trò của con người đều lấy việc con người kiểm tra làm tiền đề. Schneider Electric viết trên blog chính thức rằng đây là “quy trình làm việc có AI hỗ trợ, giữ quyền kiểm soát của con người, chứ không phải AI tự viết mã”. Rockwell cho biết kỹ sư sẽ rà soát và chỉnh sửa nội dung được đề xuất trước khi áp dụng. Điều khoản sử dụng của bản Preview của Siemens ghi rõ nội dung được tạo ra không nhằm mục đích sử dụng trong sản xuất thực tế. Với bản sản phẩm Eigen, hãng cũng cho biết hệ thống lặp lại việc tự kiểm tra cho đến khi đạt trạng thái có thể rà soát, tức đầu ra được chuyển cho con người rà soát. Nhà phát triển của Mitsubishi Electric phát biểu, đại ý rằng hãng không hình dung cách dùng ghi câu trả lời của AI tạo sinh vào thiết bị mà không kiểm tra. OMRON nói trong phỏng vấn rằng “AI có hiện tượng ảo giác (hallucination), nên về mặt kỹ thuật không thể xuất ra thứ chính xác 100%”.

Quy tắc (1): Quyết định phạm vi công việc giao cho AI

Quy tắc đầu tiên là giao công việc nào cho AI. Sắp xếp theo 6 loại về mức độ dễ bắt đầu và mức độ nặng của kiểm chứng như bảng dưới. Đây là cách nghĩ của bài viết dựa trên mô tả của các hãng và nghiên cứu, không phải đánh giá bằng con số.

Bài viết này cho rằng bước đầu tiên dễ bắt đầu là “đọc hiểu và thêm chú thích cho chương trình hiện có”. Có 3 lý do.

Trước hết, sản phẩm AI tạo ra không làm thay đổi hoạt động của thiết bị. Dù phần giải thích hay chú thích có sai, hoạt động của chương trình cũng không bị ảnh hưởng. Con người có thể kiểm tra bằng cách đối chiếu với bản gốc.

Tiếp theo, nhu cầu lớn. Mitsubishi Electric cho biết sau IIFES 2025, hãng cũng đã bắt tay phát triển tính năng “tạo phần giải thích” cho ladder và ST, với lý do là tính năng này dễ được chấp nhận hơn so với việc tạo mã, vốn khó đảm bảo độ tin cậy. OMRON nói trong phỏng vấn rằng theo khảo sát của hãng, việc tái sử dụng tài sản cũ chiếm hơn 80% trường hợp, và giới thiệu tính năng tìm kiếm tài sản ladder cũ để AI giải thích (đây đều là khảo sát và mô tả của từng hãng, không phải thống kê của ngành). Rockwell và Siemens cũng nêu tính năng giải thích, diễn giải mã hiện có trong các sản phẩm đã bán ra.

Cuối cùng, dễ đo hiệu quả. Thời gian cần để đọc hiểu một chương trình có thể so sánh trước và sau khi triển khai.

Cũng có thể lựa chọn tạm thời để các mạch liên quan đến an toàn nằm ngoài phạm vi giao cho AI. Cách xử lý phần liên quan đến an toàn sẽ được trình bày chi tiết ở phần sau.

Quy trình kiểm tra khi tiếp nhận chương trình từ người tiền nhiệm đã được tổng hợp trong bài “Bàn giao chương trình PLC Mitsubishi“. Dù dùng AI tạo sinh để đọc hiểu nhanh hơn, những điều cơ bản của việc bàn giao như đảm bảo có bản sao lưu và xác nhận chương trình trên thiết bị thật khớp với mã nguồn vẫn không thay đổi.

Quy tắc (2): Quyết định quy trình kiểm chứng sản phẩm AI tạo ra

Quy tắc thứ hai là kiểm tra sản phẩm AI tạo ra bằng cách nào. Từ nghiên cứu và mô tả của các nhà cung cấp, bài viết khuyến nghị viết ra 6 bước sau thành quy trình nội bộ.

Bước 1 là biên dịch. Kiểm tra xem mã có qua được môi trường phát triển mà không có lỗi ngữ pháp hay không. Siemens và CODESYS nêu việc sửa lỗi biên dịch và lỗi lập trình là một tính năng.

Bước 2 là kiểm tra tĩnh. Kiểm tra xem mã có tuân theo quy chuẩn của công ty hay không, như quy tắc đặt tên, cách viết chú thích, phạm vi lệnh và thiết bị (device) được phép dùng. Siemens nêu việc kiểm tra style guide là một tính năng. Nếu quy tắc của công ty chưa được viết thành văn bản, việc cần làm trước là soạn ra văn bản đó.

Bước 3 là kiểm thử. Tạo các trường hợp kiểm thử từ đặc tả và kiểm tra xem đầu vào, đầu ra có đúng ý đồ không. Nếu để AI viết kiểm thử, con người phải kiểm tra lại chính các bài kiểm thử đó.

Bước 4 là mô phỏng và chạy thử ảo (virtual commissioning). Chạy kết hợp với PLC mềm hoặc mô hình thiết bị để kiểm tra thời gian (timing) và khóa liên động (interlock). Rockwell cho biết FactoryTalk Design Studio bản v2.06 đã tích hợp emulation trên đám mây qua “FactoryTalk Logix Echo as a Service”, cho phép xây dựng và kiểm chứng logic điều khiển mà không phải chờ phần cứng. OMRON nói trong phỏng vấn về ý tưởng ở giai đoạn 1 là ảo hóa PLC để kiểm chứng sản phẩm do AI tạo ra (đây là nội dung đang phát triển). Về cách tiến hành chạy thử ảo, xin tham khảo bài “Mô phỏng robot và chạy thử ảo“.

Bước 5 là rà soát và phê duyệt của con người. Xác định đích danh ai rà soát, ai phê duyệt. Khi rà soát, kiểm tra xem “mình có giải thích được logic này bằng lời của mình không”. Một tiêu chí dễ hiểu là: phần nào không giải thích được thì không áp dụng, kể cả khi nó chạy được.

Bước 6 là quản lý phiên bản. Lưu lại phiên bản nào được thay đổi khi nào, bởi ai, vì lý do gì. Đánh dấu những phần do AI tạo ra sẽ giúp truy vết dễ hơn khi sau này phát sinh vấn đề.

Sau 6 bước này mới chuyển sang FAT và SAT trên thiết bị thật. Cần đến bước nào là tùy loại công việc. Cách nghĩ ở đây là: với đọc hiểu và thêm chú thích thì trọng tâm là việc con người kiểm tra ở bước 5, còn với sửa đổi hoặc viết mới thì cần tất cả các bước.

Quy tắc (3): Quyết định nơi gửi mã nguồn và thông tin thiết bị

Quy tắc thứ ba là gửi mã nguồn PLC và thông tin thiết bị đến đâu. Mỗi công cụ có thiết kế khác nhau ở điểm này, nên không thể đánh giá bằng nhận định chung.

Về quan điểm của cơ quan nhà nước, có hướng dẫn chung “Principles for the Secure Integration of Artificial Intelligence in Operational Technology” do 9 cơ quan, trong đó có CISA của Mỹ, ban hành ngày 3/12/2025. Hướng dẫn này dành cho các đơn vị vận hành hạ tầng trọng yếu, và đối tượng chính là AI đang vận hành. Đây không phải văn bản quản lý việc hỗ trợ lập trình PLC. Tuy nhiên, nó có giá trị tham khảo về cách xử lý dữ liệu OT. Hướng dẫn yêu cầu không chia sẻ dữ liệu nhạy cảm với các mô hình AI được lưu trữ dưới sự quản lý bên ngoài, và nắm rõ nhà cung cấp AI truy cập và sử dụng dữ liệu OT như thế nào. Hướng dẫn nêu “dữ liệu cấu hình kỹ thuật” là dữ liệu cần ưu tiên bảo vệ, với ví dụ gồm sơ đồ mạng, sổ tài sản, tài liệu trình tự vận hành, thông tin liên quan đến an toàn, sơ đồ logic và sơ đồ mạch. Hướng dẫn còn khuyến nghị kiểm tra với nhà cung cấp về chính sách sử dụng dữ liệu (bao gồm việc dùng để huấn luyện), khả năng vận hành tại chỗ (on-premises) hoặc không cần kết nối liên tục, các điều kiện để tắt tính năng AI, v.v.

Mô tả của các nhà cung cấp rất khác nhau. Siemens cho biết với Eigen, prompt đầu vào và đầu ra chỉ được lưu cục bộ, mã PLC và tệp dự án không được dùng để huấn luyện. Tuy nhiên, dù có nội dung rằng dữ liệu của khách hàng EU được xử lý trong EU, khu vực xử lý cho khách hàng Thái Lan thì chưa xác nhận được. CODESYS cho biết MCP Server có thể giao tiếp với cả AI đám mây và LLM cục bộ. OMRON cho biết dịch vụ đang lên kế hoạch được thiết kế không dùng dữ liệu để huấn luyện LLM và không lưu thông tin trên máy chủ đám mây. Với Rockwell, Schneider Electric, Mitsubishi Electric và Copia Automation, chưa xác nhận được nội dung chính thức nêu rõ có dùng dữ liệu để huấn luyện hay không.

Cũng cần làm rõ mối quan hệ với Luật Bảo vệ dữ liệu cá nhân của Thái Lan (PDPA). PDPA là luật bảo vệ thông tin có thể nhận dạng một cá nhân còn sống. Mã nguồn PLC và thông tin thiết bị thông thường được cho là không phải dữ liệu cá nhân. Bài viết này cho rằng việc có gửi cho AI trên đám mây hay không chủ yếu là vấn đề bí mật kinh doanh, thỏa thuận bảo mật với khách hàng và sở hữu trí tuệ. Tuy nhiên, cần lưu ý rằng khi chú thích có ghi tên người thao tác, hoặc khi gửi logic hay nhật ký có xử lý mã nhân viên thao tác, thì có thể thuộc phạm vi điều chỉnh của PDPA.

Trên thực tế, trước khi gửi cần kiểm tra các điểm sau. Có chứa bản vẽ hoặc đặc tả do khách hàng giao không. Thỏa thuận bảo mật có hạn chế việc tiết lộ cho bên thứ ba không. Chú thích có chứa thông tin cá nhân như tên người thao tác không. Theo phân loại thông tin nội bộ, thông tin đến cấp độ nào được phép gửi cho AI bên ngoài. Bức tranh tổng thể về cách đưa thông tin cho AI tạo sinh được giải thích trong bài “Phòng chống rò rỉ thông tin khi dùng AI tạo sinh“. Nếu không muốn đưa dữ liệu ra ngoài công ty, phương án chạy mô hình trong nội bộ được trình bày trong bài “Triển khai LLM cục bộ“.

Chương trình liên quan đến an toàn và mối quan hệ với tiêu chuẩn

Mối quan hệ giữa tiêu chuẩn an toàn và mã do AI viết là điểm dễ bị hiểu lầm. Trong phần tóm tắt chính thức và điều khoản của các tiêu chuẩn đã kiểm tra, không thấy nội dung nào quy định việc có được dùng mã do AI tạo sinh viết hay không. Điều có thể nói được chỉ dừng ở mức: dù người viết là con người hay AI, vẫn cần kiểm chứng phần mềm, có căn cứ cho việc lựa chọn công cụ và có biện pháp đối phó với lỗi trong logic điều khiển.

Theo phần tóm tắt chính thức của IEC 61508-3 (yêu cầu về phần mềm), tiêu chuẩn này bao gồm yêu cầu đối với phần mềm dùng để phát triển hệ thống liên quan đến an toàn, cũng như các công cụ hỗ trợ như công cụ phát triển, thiết kế, bộ chuyển đổi ngôn ngữ và công cụ kiểm thử. IEC 61508 phân loại công cụ hỗ trợ ngoại tuyến (offline support tool) thành T1–T3. T3 là công cụ tạo ra đầu ra đóng góp trực tiếp hoặc gián tiếp vào mã thực thi, và cần có bằng chứng phù hợp với đặc tả. Chưa xác nhận được tài liệu nào của tiêu chuẩn, cơ quan nhà nước hay tổ chức chứng nhận chỉ ra AI tạo sinh thuộc loại nào trong số này. Trên cơ sở đó, theo suy luận của bài viết này, nếu đầu ra của AI trở thành mã thực thi nguyên trạng thì có khả năng sẽ được yêu cầu căn cứ lựa chọn công cụ và kiểm chứng theo cách nghĩ tương tự như với trình biên dịch. Đây là suy luận, không khẳng định đó là yêu cầu của tiêu chuẩn.

ISO/IEC TR 5469:2024 là báo cáo kỹ thuật đề cập cả trường hợp dùng hệ thống AI trong thiết kế và phát triển chức năng liên quan đến an toàn. Đây không phải tiêu chuẩn yêu cầu đòi hỏi sự phù hợp. ISO 13849-1:2023 và IEC 62061:2021 quy định yêu cầu thiết kế hệ thống điều khiển liên quan đến an toàn của máy móc, nhưng phần tóm tắt chính thức không có nội dung về AI tạo sinh.

Khi chế tạo máy cho thị trường châu Âu, Quy định Máy móc EU (EU) 2023/1230 cũng có liên quan. Ủy ban châu Âu ghi rõ quy định này được áp dụng bắt buộc từ ngày 20/1/2027. Phụ lục III mục 1.2.1(c) yêu cầu lỗi trong logic của hệ thống điều khiển không được dẫn đến tình huống nguy hiểm. Nhóm bắt buộc phải đánh giá sự phù hợp bởi bên thứ ba là các bộ phận hoặc hệ thống an toàn có hành vi tự tiến hóa nhờ học máy. Phần dẫn nhập (55) quy định không áp dụng quy định về đánh giá của bên thứ ba này đối với phần mềm không thể học hoặc tiến hóa, chỉ được lập trình để thực hiện các chức năng tự động cụ thể. Chương trình PLC sau khi được viết bằng AI tạo sinh rồi cố định lại thì bản thân nó không học và không tiến hóa, nên theo câu chữ này có thể hiểu là không thuộc loại tự tiến hóa. Tuy nhiên, đây là cách hiểu của bài viết này, không phải quan điểm của cơ quan quản lý. Ngoài ra, yêu cầu ngăn ngừa lỗi logic được áp dụng bất kể có viết bằng AI hay không.

Lần này chưa xác nhận được quan điểm chính thức của các tổ chức chứng nhận như TÜV về việc dùng mã do AI tạo trong phần mềm liên quan đến an toàn. Cách tiến hành xác nhận tính hợp lệ (validation) của PLC an toàn được giải thích trong bài “Xác nhận tính hợp lệ của PLC an toàn“. Theo cách nghĩ của bài viết này, một ranh giới dễ hiểu là: tạm thời để mạch liên quan đến an toàn nằm ngoài phạm vi giao cho AI, và nếu có xử lý thì cũng phải đi qua quy trình kiểm chứng và phê duyệt giống như phần mềm liên quan đến an toàn thông thường.

Bảo mật OT và quản lý phiên bản

Khi dùng AI tạo sinh, mã nguồn được thay đổi nhanh hơn và nhiều hơn. Vì vậy, việc ghi lại và bảo vệ các thay đổi càng trở nên quan trọng.

Phụ lục III mục 1.1.9 của Quy định Máy móc EU yêu cầu xác định phần mềm và dữ liệu quan trọng đối với sự phù hợp, bảo vệ chúng khỏi bị thay đổi trái phép hoặc ngẫu nhiên, và thu thập bằng chứng về việc thay đổi phần mềm. Mục 1.2.1(f) yêu cầu nhật ký theo dõi dữ liệu về phiên bản và can thiệp của phần mềm an toàn được tải lên sau khi đưa ra thị trường phải được duy trì trong 5 năm. Ngay cả với thiết bị không dành cho châu Âu, cách nghĩ lưu lại phiên bản và lý do sửa đổi vẫn là mốc tham khảo cho việc quản lý phiên bản ở nhà máy dùng AI.

IEC 62443-4-1 là tiêu chuẩn quy định yêu cầu về quy trình phát triển an toàn cho sản phẩm dùng trong hệ thống điều khiển công nghiệp. Tuy nhiên, phần tóm tắt chính thức ghi rằng tiêu chuẩn áp dụng cho nhà phát triển và đơn vị bảo trì sản phẩm, không áp dụng cho đơn vị tích hợp hay người dùng. Bài viết này cho rằng tiêu chuẩn này không trực tiếp áp dụng cho nhà máy hay SI, và nên dùng nó làm căn cứ để cân nhắc cần yêu cầu gì ở nhà cung cấp đưa ra công cụ có tính năng AI.

Trên thực tế, nên quyết định trước các điểm sau. Lưu bản sao lưu mã nguồn trước và sau khi sửa đổi. Định kỳ kiểm tra chương trình trên thiết bị thật có khớp với mã nguồn trên máy chủ không. Nắm rõ công cụ AI kết nối với môi trường phát triển và PLC bằng quyền hạn nào. Khi dùng cơ chế như MCP cho phép AI bên ngoài thao tác môi trường phát triển, cần thu hẹp phạm vi được phép thao tác. Bảo mật khi dùng tác tử AI trong nhà máy được tổng hợp trong bài “Bảo mật tác tử AI trong nhà máy“.

Lưu ý khi dùng cho việc chuyển đổi khi nâng cấp, thay thế PLC

AI tạo sinh cũng bắt đầu được dùng trong việc chuyển chương trình cũ sang môi trường mới khi nâng cấp PLC hoặc đổi hãng.

CODESYS giới thiệu SyntaxShift của KS Solutions AG như một giải pháp bên ngoài. Công cụ này dùng AI để chuyển đổi giữa IL, SCL của Siemens và ST của CODESYS, và trang của hãng mô tả là “sắp có mặt trên CODESYS Store”. Siemens nêu các tính năng của Eigen gồm giải thích và thêm chú thích cho logic cũ, và chuyển đổi từ VBScript sang JavaScript trong WinCC Unified.

Khi dùng cho việc chuyển đổi, điều quan trọng là xử lý kết quả chuyển đổi giống như một chương trình viết mới. Cần so sánh phần khác biệt trước và sau chuyển đổi để kiểm tra xem việc gán đầu vào, đầu ra, cài đặt bộ định thời (timer) và bộ đếm (counter), cũng như hoạt động khi bất thường có khớp nhau không. Sau đó, đi qua quy trình kiểm chứng của Quy tắc (2) rồi chuyển sang kiểm tra trên thiết bị thật. Cũng có thể cân nhắc trình tự: dùng AI đọc hiểu và thêm chú thích cho chương trình cũ trước, lập tài liệu đặc tả, rồi mới chuyển đổi.

Việc quyết định có nâng cấp hay không và khi nào nâng cấp được giải thích trong bài “Quyết định nâng cấp và thay thế PLC“.

Thỏa thuận khi cho đơn vị thuê ngoài, SI dùng AI tạo sinh

Dù công ty không tự dùng AI tạo sinh, SI thuê ngoài vẫn có thể dùng. Với tư cách bên đặt hàng, bài viết khuyến nghị thỏa thuận trước các điểm sau.

Thứ nhất, công khai công cụ sử dụng và nơi gửi dữ liệu. Yêu cầu bên nhận thông báo trước sẽ dùng công cụ nào, gửi mã nguồn và đặc tả đi đâu, và cài đặt có cho phép dùng để huấn luyện hay không. Nếu đang giao bản vẽ của khách hàng, cũng cần kiểm tra mối quan hệ với thỏa thuận bảo mật.

Thứ hai, ghi lại phần do AI tạo ra. Yêu cầu bên nhận làm rõ những phần do AI tạo hoặc sửa đổi bằng chú thích hoặc nhật ký thay đổi.

Thứ ba, trách nhiệm rà soát thuộc về ai. Ghi vào hợp đồng rằng bên nhận đặt hàng chịu trách nhiệm về nội dung chương trình bàn giao, bất kể có dùng AI hay không, sẽ giảm hiểu lầm.

Thứ tư, bàn giao mã nguồn. Yêu cầu bàn giao mã nguồn kèm chú thích, đúng với phiên bản đã ghi vào thiết bị thật.

Thứ năm, ngôn ngữ của chú thích. Có thể yêu cầu chú thích bằng tiếng Thái hoặc tiếng Anh để nhân viên bảo trì người Thái đọc được. Kể cả khi dùng tính năng dịch của AI tạo sinh, con người vẫn phải kiểm tra bản dịch tên tín hiệu và thuật ngữ chuyên môn.

Cách chọn đơn vị thuê ngoài và quy trình đặt hàng chung được giải thích trong bài “Thuê ngoài phát triển chương trình PLC“.

Yêu cầu cần ghi trong RFP và tiêu chí nghiệm thu FAT, SAT

Dù là triển khai công cụ hay cho phép đơn vị thuê ngoài dùng AI tạo sinh, ghi các yêu cầu vào RFP sẽ giúp việc so sánh và nghiệm thu dễ dàng hơn. Về cách xây dựng quy định sử dụng nội bộ, xin tham khảo thêm bài “Quy định nội bộ về sử dụng AI tạo sinh“.

Trong FAT (thử nghiệm nghiệm thu tại xưởng), chuẩn bị một số yêu cầu sửa đổi tiêu biểu và kiểm tra các điểm sau. Có biên dịch được không. Các bài kiểm thử đã chuẩn bị có đạt không. Có chạy đúng ý đồ khi mô phỏng không. Người phụ trách có đọc và giải thích được logic đó không.

Trong SAT (thử nghiệm nghiệm thu tại hiện trường), kiểm tra hoạt động trên thiết bị thật, kiểm tra các tình huống bất thường, và kiểm tra quy trình quay về phiên bản cũ khi phát sinh vấn đề.

Các giá trị làm tiêu chí đạt (ví dụ tỷ lệ qua được kiểm chứng, hoặc thời gian con người phải chỉnh sửa lại) nên ghi theo giá trị mà công ty đã thống nhất. Bài viết này không khuyến nghị giá trị cụ thể. Cách quyết định khi nào kết thúc thử nghiệm (PoC) để chuyển sang triển khai chính thức được giải thích trong bài “Tiêu chí kết thúc AI PoC“.

Mô hình ước tính chi phí và hiệu quả (số liệu giả định)

Từ đây, bài viết ước tính bằng số liệu giả định dành riêng cho bài này. Đây không phải số liệu của một nhà máy thực tế.

Giả định là một nhà máy linh kiện ô tô vốn Nhật tại Thái Lan. Bộ phận kỹ thuật sản xuất có 3 người phụ trách điều khiển, và PLC của nhiều hãng được dùng lẫn lộn. Các sửa đổi nhỏ được thuê SI bên ngoài.

Có 2 khoản chi phí hằng năm làm tiền đề. A và B được tính là hai công việc riêng biệt, không phải tính cùng một khoản chi phí hai lần.

• A: Thời gian nội bộ để đọc hiểu chương trình hiện có và lập tài liệu là 600 giờ/năm; với đơn giá 500 THB/giờ thì là 300.000 THB/năm.
• B: Chi phí thuê ngoài cho các sửa đổi nhỏ là 20 việc/năm; với 40.000 THB/việc thì là 800.000 THB/năm.
• Tổng cộng là 1.100.000 THB/năm.

Các biện pháp gồm: triển khai công cụ AI tạo sinh, môi trường kiểm chứng, quy định nội bộ và đào tạo, sắp xếp mã nguồn và quản lý phiên bản.

• Chi phí ban đầu là 520.000 THB. Chi tiết gồm: môi trường kiểm chứng (PLC mềm, mô phỏng và quy trình kiểm thử) 220.000 THB, xây dựng quy định nội bộ và đào tạo 150.000 THB, sắp xếp mã nguồn và quản lý phiên bản 150.000 THB.
• Chi phí vận hành hằng năm là 90.000 THB/năm. Chi tiết gồm: phí sử dụng công cụ (giả định) 60.000 THB và công sức rà soát bổ sung sản phẩm AI tạo ra 30.000 THB.

Trong trường hợp cơ sở, nếu giảm được 40% thời gian của A thì hiệu quả là 120.000 THB/năm. Nếu làm nội bộ được 5 việc/năm trong B, chi phí thuê ngoài giảm 200.000 THB, nhưng phát sinh công sức nội bộ là 5 việc × 40 giờ × 500 THB = 100.000 THB, nên sau khi trừ còn 100.000 THB/năm. Tổng hiệu quả là 220.000 THB/năm; trừ chi phí vận hành 90.000 THB/năm thì hiệu quả ròng là 130.000 THB/năm, và thời gian hoàn vốn chi phí ban đầu 520.000 THB là 4,0 năm.

Khi hiệu quả nhỏ (A là 20%, B là 2 việc/năm), A là 60.000 THB, B là 80.000 THB chi phí thuê ngoài giảm được trừ đi 40.000 THB công sức nội bộ, còn 40.000 THB, nên tổng hiệu quả là 100.000 THB/năm. Hiệu quả ròng chỉ còn 10.000 THB/năm, thời gian hoàn vốn là 52,0 năm, tức trên thực tế không thể hoàn vốn.

Xin bổ sung cách đọc ước tính này. Tỷ lệ hiệu quả và số việc là giả định. Chi phí kiểm chứng và rà soát phát sinh bất kể mức sử dụng, nên nếu hiệu quả nhỏ thì không thể hoàn vốn. Vì vậy, bài viết này cho rằng cách làm thực tế là ban đầu thu hẹp phạm vi công việc áp dụng, và đo hiệu quả từ những công việc có kiểm chứng nhẹ và khối lượng lớn như đọc hiểu và thêm chú thích. Các sửa đổi liên quan đến an toàn và tổn thất khi xảy ra sai sót (dừng thiết bị, sự cố chất lượng) không được đưa vào ước tính này. Bài viết khuyến nghị trước khi triển khai, hãy đếm số lần sửa đổi, chi phí thuê ngoài và thời gian đã dùng để đọc hiểu chương trình hiện có trong 12 tháng qua. Cho đến khi thử các yêu cầu sửa đổi tiêu biểu trong PoC và đo được tỷ lệ qua kiểm chứng cũng như thời gian con người chỉnh sửa lại, sẽ an toàn hơn nếu chưa tính vào hiệu quả.

Cũng xin đề cập đến thông tin chi phí được công khai. Với Eigen Engineering Agent của Siemens, trang bán hàng trên Siemens Digital Exchange (S-DEX) hiển thị gói thuê bao năm là USD 2.100 (sau 1 tháng dùng thử miễn phí). Đây là giá hiển thị cho khu vực thanh toán Mỹ (tại thời điểm ngày 15/10/2026, có thể chưa gồm thuế), và bài viết chưa kiểm tra giá hay điều kiện bán tại Thái Lan. Trang này cũng cho biết mỗi suất (seat) có thể gán cho tối đa 3 người dùng, và tại mỗi thời điểm chỉ 1 người có thể sử dụng. FactoryTalk Design Studio của Rockwell có 90 ngày dùng thử miễn phí, nhưng chưa xác nhận được giá công khai. MCP Server của CODESYS được mô tả là cung cấp kèm gói Professional Developer Edition, nhưng chưa xác nhận được giá công khai. Với Beckhoff, Copia Automation, Schneider Electric, Mitsubishi Electric và OMRON, cũng chưa xác nhận được giá công khai.

Câu hỏi thường gặp

Có thể dùng AI tạo sinh để viết chương trình PLC không?

Có những tình huống làm được, nhưng hãy xem đó là bản nháp hoặc phương án sửa đổi dùng với tiền đề con người kiểm tra. Các hãng có đề cập đến vai trò của con người đều mô tả tính năng với tiền đề con người rà soát rồi mới sử dụng. Nghiên cứu cũng báo cáo tỷ lệ thành công tăng khi dùng cơ chế có tích hợp công cụ kiểm chứng, nhưng ngay trong điều kiện của bài báo năm 2024 vẫn có khoảng 3 phần 10 thất bại.

Ladder và ST, ngôn ngữ nào dễ tạo bằng AI hơn?

Trong nghiên cứu, có nhiều bài báo báo cáo kết quả tạo mã với ST. Ngược lại, trong điều kiện của một bài báo năm 2024, việc tự động tạo ladder (LD) vẫn còn vấn đề ngay cả với ví dụ rất đơn giản. Mitsubishi Electric cũng phát biểu, đại ý rằng nếu không tinh chỉnh thì LLM đa dụng hầu như không thể tạo ladder. Tuy nhiên, các bài báo là từ giai đoạn 2023–2025 và mô hình không phải bản mới nhất.

Có thể dùng nguyên chương trình do AI tạo ra không?

Bài viết không khuyến nghị. Bài viết khuyến nghị cho chương trình đi qua biên dịch, kiểm tra tĩnh, kiểm thử, mô phỏng, rà soát và phê duyệt của con người, rồi xác nhận qua FAT và SAT trên thiết bị thật trước khi sử dụng. Điều khoản sử dụng của bản Preview của Siemens ghi rõ nội dung được tạo ra không nhằm mục đích sử dụng trong sản xuất thực tế.

Tiêu chuẩn an toàn có cấm mã do AI tạo không?

Trong phần tóm tắt chính thức và điều khoản của các tiêu chuẩn an toàn đã kiểm tra, không thấy nội dung nào cấm hay cho phép mã do AI tạo sinh viết. Tuy nhiên, dù người viết là con người hay AI, vẫn cần kiểm chứng phần mềm, có căn cứ lựa chọn công cụ và có biện pháp đối phó với lỗi trong logic điều khiển. Bài viết này đưa ra lựa chọn tạm thời để mạch liên quan đến an toàn nằm ngoài phạm vi giao cho AI.

Gửi mã nguồn PLC cho AI trên đám mây có ổn không?

Mỗi công cụ xử lý dữ liệu khác nhau, nên không thể đánh giá bằng nhận định chung. Hãy kiểm tra khu vực xử lý, việc có dùng để huấn luyện hay không và nơi lưu nhật ký qua tài liệu chính thức và hợp đồng. Mã nguồn PLC thông thường không phải dữ liệu cá nhân, nhưng có thể trở thành vấn đề về thỏa thuận bảo mật với khách hàng hoặc bí mật kinh doanh. Khi chú thích có tên người thao tác, cũng cần lưu ý rằng có thể thuộc phạm vi điều chỉnh của PDPA Thái Lan.

Có dùng được để đọc hiểu ladder hiện có không?

Dùng được. Bài viết này cho rằng bước đầu tiên dễ bắt đầu là đọc hiểu và thêm chú thích, vì sản phẩm AI tạo ra không làm thay đổi hoạt động của thiết bị và con người có thể kiểm tra bằng cách đối chiếu với bản gốc. Rockwell và Siemens nêu tính năng giải thích mã hiện có trong các sản phẩm đã bán ra, còn Mitsubishi Electric và OMRON cũng giới thiệu tính năng giải thích như nội dung đang phát triển.

Chi phí công cụ AI tạo sinh cho chương trình PLC là bao nhiêu?

Giá công khai xác nhận được chỉ có Eigen Engineering Agent của Siemens. Giá hiển thị cho khu vực thanh toán Mỹ (tại thời điểm ngày 15/10/2026, có thể chưa gồm thuế) là USD 2.100/năm, và chưa kiểm tra giá tại Thái Lan. Chưa xác nhận được giá công khai của các hãng khác. Ngoài chi phí công cụ, còn có chi phí môi trường kiểm chứng, đào tạo, sắp xếp mã nguồn và công sức rà soát bổ sung.

Tổng kết

• Điều cần quyết định trước khi đưa AI tạo sinh vào chương trình PLC không phải là tên công cụ, mà là 3 điều: (1) phạm vi công việc giao cho AI, (2) quy trình kiểm chứng sản phẩm AI tạo ra, (3) nơi gửi mã nguồn và thông tin thiết bị.
• Tình trạng cung cấp của các nhà cung cấp lớn gồm cả sản phẩm đã bán, chỉ mới công bố và đang phát triển. Các hãng có đề cập đến vai trò của con người đều mô tả tính năng với tiền đề con người kiểm tra.
• Nghiên cứu báo cáo rằng tích hợp công cụ kiểm chứng sẽ cho kết quả tốt hơn. Ladder được cho là khó tạo hơn ST.
• Bài viết này cho rằng bước đầu tiên dễ bắt đầu là đọc hiểu và thêm chú thích cho chương trình hiện có.
• Về kiểm chứng, hãy viết 6 bước biên dịch, kiểm tra tĩnh, kiểm thử, mô phỏng, rà soát và phê duyệt của con người, quản lý phiên bản thành quy trình, rồi xác nhận qua FAT và SAT trên thiết bị thật.
• Cách xử lý dữ liệu khác nhau tùy hãng. Hãy kiểm tra khu vực xử lý, việc dùng để huấn luyện và việc lưu nhật ký qua tài liệu chính thức và hợp đồng.
• Trong phần tóm tắt chính thức và điều khoản của các tiêu chuẩn an toàn đã kiểm tra, không thấy nội dung nào quy định việc có được dùng mã do AI tạo hay không. Biện pháp đối phó với lỗi logic và kiểm chứng sửa đổi được yêu cầu bất kể người viết là ai.
• Trong ước tính giả định, nếu hiệu quả nhỏ thì không thể hoàn vốn. Trước khi triển khai, hãy đếm số lần sửa đổi và thời gian đọc hiểu, đo trong PoC rồi mới tính vào hiệu quả.

TOMAS TECH sẵn sàng tư vấn ngay từ giai đoạn cân nhắc nên thử AI tạo sinh từ công việc nào, sắp xếp quy trình kiểm chứng và nơi gửi mã nguồn, hay xây dựng thỏa thuận với đơn vị thuê ngoài. Với các nhà máy tại Thái Lan dùng lẫn lộn PLC của nhiều hãng, chúng tôi cũng có thể cùng quý vị bắt đầu từ việc rà soát hiện trạng. Xin vui lòng liên hệ với chúng tôi.

Tài liệu tham khảo

• Siemens bringt „Eigen Engineering Agent” auf den Markt (2026-04-20) / Siemens AG
• Eigen Engineering Agent (trang sản phẩm) / Siemens
• Data security, Eigen Engineering Agent (Doc v1.5.1) / Siemens
• Eigen Engineering Agent (trang bán hàng S-DEX) / Siemens
• Engineering Copilot TIA Standard (Preview) / Siemens
• Rockwell Automation and Microsoft Deliver on a Shared Vision (2024-11-19) / Rockwell Automation
• FactoryTalk Design Studio (trang sản phẩm) / Rockwell Automation
• TwinCAT Chat: Using innovative chatbot technology in TwinCAT engineering / Beckhoff
• TE1700 TwinCAT 3 CoAgent for Engineering / Beckhoff
• Engineering at scale: How AI is transforming PLC coding (2025-11-14) / Schneider Electric Blog
• CODESYS AI-supported Engineering / CODESYS Group
• Vì sao Mitsubishi Electric thử sức với AI tạo sinh ladder (1/2) (tiếng Nhật) / MONOist
• Vì sao Mitsubishi Electric thử sức với AI tạo sinh ladder (2/2) (tiếng Nhật) / MONOist
• “10 năm nữa còn đọc được chương trình ladder đó không?” – Cách OMRON hình dung việc ứng dụng AI (1/2) (tiếng Nhật) / MONOist
• “10 năm nữa còn đọc được chương trình ladder đó không?” – Cách OMRON hình dung việc ứng dụng AI (2/2) (tiếng Nhật) / MONOist
• OMRON nâng cao hiệu suất bằng “đội AI tạo sinh”, kèm tìm kiếm tài sản chương trình ladder (tiếng Nhật) / MONOist
• Copia AI / Copia Automation
• LLM4PLC: Harnessing LLMs for Verifiable Programming of PLCs / arXiv
• Agents4PLC: Automating Closed-loop PLC Code Generation and Verification / arXiv
• ChatGPT for PLC/DCS Control Logic Generation / arXiv
• Exploring LLM Support for Generating IEC 61131-3 Graphic Language Programs / arXiv
• Training LLMs for Generating IEC 61131-3 Structured Text with Online Feedback / arXiv
• Spec2Control: Automating PLC/DCS Control-Logic Engineering / arXiv
• Industrial Automation, Setting the Standard for AI-Generated Control Code / Fraunhofer IKS
• IEC 61131-3:2025 Programmable controllers, Part 3 Programming languages / IEC Webstore
• IEC 61508-3:2010 Functional safety, Part 3 Software requirements / IEC Webstore
• ISO 13849-1:2023 Safety-related parts of control systems / ISO
• IEC 62061:2021 Safety of machinery / IEC Webstore
• ISO/IEC TR 5469:2024 Artificial intelligence, Functional safety and AI systems / ISO
• IEC 61508, Why tool qualification / UL (tài liệu đăng trên 61508 Association)
• Regulation (EU) 2023/1230 on machinery / Publications Office of the EU
• Machinery / European Commission
• IEC 62443-4-1:2018 Secure product development lifecycle requirements / IEC Webstore
• Principles for the Secure Integration of AI in Operational Technology / CISA và các cơ quan khác
• Thailand’s Investment Applications Reach New Highs in 2025 / BOI
• Thailand Unveils New Incentives for Automotive and HEV/PHEV Manufacturing / Tilleke & Gibbins
• AI boom leaves Thai graduates facing a tougher job hunt / The Star
• What to Expect When the PDPA B.E. 2562 Is Fully Enforced in June 2022 / Gala & Associates