Chúng tôi không xây Remio cho AI agent. Nhưng càng nhìn vào những gì agent cần — đôi mắt trên một màn hình thật, đôi tay trên một bàn phím thật, một đường hầm bảo mật nối giữa chúng — chúng tôi càng thấy remote desktop chính là giao diện đã thiếu vắng bấy lâu.
Kỷ nguyên AI dùng máy tính
Một điều căn bản đã thay đổi trong thế giới AI suốt năm qua. Các mô hình ngôn ngữ không còn chỉ là cỗ máy sinh văn bản. Chúng bắt đầu dùng máy tính.
Anthropic ra mắt Claude Computer Use. Các agent của OpenAI có thể điều hướng trình duyệt. Gemini của Google tương tác với Android. Mô thức đã quá rõ ràng: AI agent ngày càng cần nhìn màn hình, nhấn nút và gõ vào các ứng dụng thật.
Nhưng đây là vấn đề chẳng mấy ai nhắc tới: rốt cuộc một AI agent làm sao tiếp cận được một chiếc máy tính?
Nơi agent cần màn hình
Trước khi bàn về hạ tầng, hãy nhìn vào chính công việc. Phần lớn những gì người ta nhờ agent làm không phải là một lời gọi API gọn gàng. Đó là một màn hình đầy trạng thái, một biểu mẫu với các trường điều kiện, một ứng dụng không phơi bày thứ bạn cần qua HTTP. Agent cần đôi mắt. Hôm nay, trong hầu hết các stack, nó chỉ có những ngón tay quờ quạng trong bóng tối.
01Khai thuế
Agent cần nhìn thấy dòng 12 của một biểu mẫu nhiều trang, chọn đúng ô dropdown cho tình trạng khai thuế, và kiểm tra các con số tổng đã cập nhật trước khi gửi đi. Phần mềm khai thuế bên dưới không có API công khai — GUI chính là giao diện.
Remote desktop hiển thị biểu mẫu ngay khi đang chạy. Agent đọc các trường, điền vào, và theo dõi con số tổng cập nhật trước khi bấm gửi.
02Đặt một chuyến đi phức tạp
Nhiều trang web, bố cục khác nhau, ngày tháng phụ thuộc vào tình trạng còn chỗ, một số thành viên tự điền ở trang này nhưng không ở trang khác. API xử lý được một phần — không bao giờ trọn vẹn.
Remote desktop trao cho agent đúng chiếc trình duyệt mà một con người sẽ dùng. Nó so sánh kết quả giữa các tab và xác nhận mức giá cuối cùng trên màn hình trước khi thanh toán.
03Rà soát hợp đồng
File PDF nằm trong một ứng dụng desktop với theo dõi thay đổi, đánh dấu chỉnh sửa và ghi chú. Agent cần đọc phần lề, lần theo các ghi chú nội dòng, và đề xuất chỉnh sửa để luật sư có thể chấp nhận hoặc từ chối.
Remote desktop stream tài liệu đúng như luật sư nhìn thấy. Agent chú thích còn luật sư duyệt ký, tất cả trong cùng một khung nhìn.
04Gỡ lỗi một trình biên tập chạy trong trình duyệt
Một lỗi chỉ xuất hiện khi canvas ở một mức zoom nhất định trong Figma, sau khi một plugin cụ thể chạy. Không công cụ headless nào tái hiện được. Agent buộc phải thấy đúng những gì kỹ sư thấy.
Remote desktop trao cho agent chính trình biên tập đang chạy. Nó tái hiện các bước, chụp lại khung hình bị lỗi, và lập một bản tái hiện gọn gàng cho cả nhóm.
Các cách làm hiện tại và vì sao chúng chưa đủ
Hiện tại, các AI agent cần tương tác với GUI chỉ có vài lựa chọn hạn chế:
- Tự động hoá trình duyệt — Các công cụ như Playwright và Selenium có thể điều khiển ứng dụng web. Nhưng chúng không thể dùng Photoshop, Xcode hay bất kỳ ứng dụng native nào. Web chỉ là một phần nhỏ trong những gì người ta thực sự làm trên máy tính.
- Máy ảo — Dựng một VM headless rồi hướng agent vào đó. Cách này chạy được, nhưng chậm, tốn kém, và chiếc VM là một sandbox biệt lập — không phải chính chiếc máy tính của bạn với file, ứng dụng và ngữ cảnh của bạn.
- SDK cục bộ — Chạy agent trực tiếp trên máy. Cách này đòi hỏi cài phần mềm agent tại chỗ và trao quyền truy cập hệ thống sâu với rất ít sự cô lập.
Mỗi cách đều vướng cùng một giới hạn căn bản: chúng không được thiết kế cho việc này. Tự động hoá trình duyệt chỉ chạy trong trình duyệt. VM là những sandbox tốn kém. SDK cục bộ làm dấy lên lo ngại bảo mật.
Sẽ ra sao nếu đã có sẵn một hạ tầng được xây từ trước cho phép một thực thể nhìn và điều khiển một chiếc máy tính khác — an toàn, thời gian thực, qua bất kỳ mạng nào?
Remote desktop, ẩn mình ngay trước mắt
Hãy nghĩ xem một remote desktop thực sự làm gì:
- Chụp ảnh màn hình của máy host
- Stream chúng tới một client từ xa theo thời gian thực
- Nhận các lệnh nhập (nhấn chuột, bàn phím, cuộn)
- Tiêm các thao tác nhập đó vào hệ điều hành host ở mức native
- Mã hoá mọi thứ đầu-cuối
Giờ hãy nghĩ xem một AI agent cần gì để dùng máy tính:
- Nhìn thấy những gì trên màn hình (ảnh chụp màn hình)
- Quyết định phải làm gì (việc của agent)
- Nhấn, gõ, cuộn (tiêm input)
- Nhìn kết quả (ảnh chụp màn hình tiếp theo)
- Giữ mọi thứ an toàn
Vẫn là cùng một vòng lặp. Về bản chất, một remote desktop chính là lớp giao diện mà một AI agent cần.
Agent cần đôi mắt. Hôm nay, trong hầu hết các stack, nó chỉ có những ngón tay quờ quạng trong bóng tối — và remote desktop là lớp giúp nó cuối cùng cũng nhìn thấy.
Vì sao kiến trúc của Remio đặc biệt phù hợp
Không phải remote desktop nào cũng sẵn sàng như nhau cho việc này. Đa số được xây cho con người dán mắt vào màn hình, chứ không phải cho các agent điều khiển bằng API bắn lệnh liên tục ở khoảng cách mili-giây. Remio tình cờ đã có sẵn đúng những mảnh ghép cần thiết.
Tiêm input ở mức native
Remio không giả lập thao tác nhập bằng các mẹo accessibility hay bàn phím ảo. Nó dùng chính pipeline nhập liệu của hệ điều hành để tiêm chuột và bàn phím chính xác ở mức native. Hệ điều hành không thể phân biệt giữa một con người và Remio. Một AI agent thừa hưởng đúng khả năng đó.
Chụp ảnh màn hình
Host của Remio vốn đã chụp màn hình ở tốc độ lên tới 120fps và có thể cung cấp từng khung hình riêng lẻ theo yêu cầu. Một AI agent không cần 120fps — nó cần một ảnh chụp màn hình sạch cho mỗi thao tác, được gửi tới thật nhanh. Điều đó dễ như trở bàn tay khi pipeline chụp hình vốn đã chạy sẵn.
Một giao thức thiết kế cho tốc độ
Mọi lệnh giữa client và host đi qua một định dạng nhị phân zero-copy, phân giải trong thời gian dưới một mili-giây. Khi một AI agent gửi "nhấn tại (500, 300)", lệnh đó được phân giải và thực thi với chi phí không đáng kể. Không phân giải JSON, không XML, không thương lượng giao thức.
Kết nối mã hoá trực tiếp
Mọi thứ đi qua một đường hầm mã hoá đầu-cuối trực tiếp giữa hai thiết bị. Lệnh của agent và dữ liệu màn hình không bao giờ đi qua server của chúng tôi. Điều đó cực kỳ quan trọng khi một agent đang tương tác với chính chiếc máy làm việc, file và ứng dụng của bạn.
Khởi chạy ứng dụng
Remio vốn đã có thể khởi chạy ứng dụng trên máy host. Một AI agent có thể nói "mở Terminal" và Remio biến điều đó thành hiện thực — không cần thêm công cụ nào.
Hình dung điều này sẽ trông ra sao
Hãy hình dung quy trình này:
Bạn bảo Claude: "Vào máy Mac của tôi, mở báo cáo tài chính trong Excel, cập nhật các số liệu Q4 với dữ liệu này, xuất ra PDF rồi email cho cả nhóm."
Claude kết nối tới máy Mac của bạn qua API của Remio. Nó thấy desktop của bạn. Nó mở Excel. Nó tìm tới đúng file. Nó cập nhật các ô. Nó xuất file. Nó mở Mail. Nó gửi email. Mỗi bước đều hiển thị rõ, có thể kiểm toán và được mã hoá đầu-cuối.
Không máy ảo. Không giới hạn chỉ trong trình duyệt. Chính chiếc máy tính của bạn, chính các ứng dụng của bạn, chính các file của bạn — được AI điều khiển qua một đường hầm bảo mật vốn đã tồn tại.
Những phần khó đã xong xuôi
Xây một remote desktop đáng tin cậy là nhiều năm công sức. Pipeline chụp màn hình. Mã hoá video. Cơ chế tiêm input hoạt động qua mọi tính khí kỳ quặc của từng hệ điều hành. NAT traversal cho kết nối P2P. Mã hoá. Tối ưu độ trễ.
Tất cả những thứ đó đã có sẵn trong Remio. Nền tảng agent không phải một sản phẩm mới — nó là một giao diện mới cho một sản phẩm đã có. Thay vì một con người nhìn màn hình, một AI agent xử lý các khung hình. Thay vì một con người di chuột, một lời gọi API gửi đi toạ độ.
Thứ còn phải xây là lớp API: một giao diện gọn gàng, có xác thực, cho phép các AI agent kết nối, yêu cầu ảnh chụp màn hình, gửi lệnh và nhận kết quả. Đó là phần kỹ thuật đáng kể, nhưng chỉ là một phần nhỏ so với độ phức tạp của hạ tầng bên dưới.
Một đánh giá thẳng thắn
Chúng tôi đang ở giai đoạn nghiên cứu ban đầu về hướng này. Có những thách thức thật sự:
- Mô hình bảo mật — Làm sao trao quyền truy cập máy tính cho một AI agent một cách an toàn? Nó được cấp những quyền gì? Làm sao thu hồi quyền? Điều này cần được thiết kế cẩn thận.
- Tần suất chụp màn hình — Các mô hình AI xử lý hình ảnh chậm hơn con người xem video. Mô thức tương tác khác biệt: gửi ảnh chụp màn hình, chờ agent quyết định, thực thi, lặp lại. Tối ưu vòng lặp này rất quan trọng.
- Khôi phục sau lỗi — Khi một AI agent nhấn nhầm nút, nó khôi phục thế nào? Đây là bài toán của AI nhiều hơn là của Remio, nhưng nền tảng cần hỗ trợ điều đó một cách mượt mà.
Chúng tôi không giả vờ rằng những điều này đã được giải quyết. Nhưng nền tảng hạ tầng — phần khó — thì đã có sẵn ở đó.
Nền tảng ra đời một cách tình cờ
Chúng tôi không xây Remio cho AI agent. Nhưng nhìn lại những gì đã dựng nên — tiêm input native, chụp màn hình thời gian thực, một kết nối mã hoá đầu-cuối trực tiếp, một giao thức nhị phân tinh chỉnh cho tốc độ — thật khó hình dung ra một nền tảng nào tốt hơn cho việc AI dùng máy tính.
Đôi khi những sản phẩm hay nhất nảy sinh từ những giao điểm bất ngờ. Công nghệ remote desktop và AI agent thoạt nhìn chẳng có lý do gì để đi cùng nhau. Nhưng càng nhìn kỹ vào những gì mỗi bên cần, sự kết hợp ấy càng có vẻ tất yếu.
AI agent cần màn hình. Remio mang tới màn hình — an toàn, native, thời gian thực, qua bất kỳ mạng nào. Mảnh ghép còn thiếu vốn luôn ở đó. Chỉ là chúng tôi chưa biết nó còn thiếu cho điều gì.
Chúng tôi đang tích cực khám phá không gian này. Nếu bạn đang xây dựng các AI agent cần tương tác với máy tính thật, chúng tôi rất muốn nghe từ bạn. Tương lai có thể đến nhanh hơn bất kỳ ai trong chúng ta tưởng.
