Thử nghiệm AI trên camera an ninh: Apple Intelligence có bắt kịp Google và Amazon?

Camera an ninh bước vào kỷ nguyên tóm tắt bằng mô hình ngôn ngữ thị giác

Những thông báo "phát hiện chuyển động" (motion detected) chung chung từ lâu đã là nỗi phiền toái lớn của người dùng nhà thông minh. Các hãng bảo mật và công nghệ lớn như Amazon (Ring), Google (Nest), Blink, Wyze hay Arlo gần đây đã chuyển sang ứng dụng các mô hình ngôn ngữ thị giác (Vision Language Models - VLM) để biến hình ảnh thành câu văn mô tả ngắn gọn gần như tức thì. Với bản nâng cấp iOS 27, Apple cũng chính thức tham gia cuộc đua khi đưa Apple Intelligence lên nền tảng camera HomeKit Secure Video (HKSV).

Cây bút Jennifer Pattison Tuohy từ The Verge đã tiến hành thử nghiệm so sánh trực tiếp ba giải pháp này trên ba thiết bị chuông cửa có hình: Ring Wired Doorbell Pro (249,99 USD), Google Nest Doorbell 2K (199,99 USD) và Aqara Doorbell Camera G400 (99 USD, chuẩn Apple HKSV) để đánh giá độ chính xác, tốc độ và tính thực tế của các mô hình AI.

So sánh chi tiết: Apple kiệm lời và đắt đỏ, Ring và Google vượt trội về ngữ cảnh

Về mặt chi phí, Apple gây bất ngờ khi định giá dịch vụ đắt hơn hẳn các đối thủ và phụ thuộc chặt chẽ vào các gói lưu trữ đám mây iCloud Plus:

• Gói 2TB (9,99 USD/tháng): chỉ áp dụng tính năng Apple Intelligence cho 1 camera duy nhất.
• Gói 6TB (29,99 USD/tháng): hỗ trợ 2 camera.
• Gói 12TB (59,99 USD/tháng): hỗ trợ tối đa 5 camera và không có tùy chọn cao hơn.

Trong khi đó, cả Google Nest (sử dụng Gemini) và Amazon Ring đều áp dụng mức phí 20 USD/tháng cho số lượng camera không giới hạn trong nhà, đi kèm các tùy chọn lưu trữ và ghi hình liên tục 24/7.

Khi đưa vào thử nghiệm thực tế, chất lượng mô tả giữa các nền tảng bộc lộ khoảng cách rõ rệt:

• Độ chi tiết của câu thông báo: Google và Ring cung cấp ngữ cảnh cụ thể nhất. Ví dụ, khi xuất hiện xe cộ, Google mô tả "một chiếc ô tô sáng màu chạy ngang qua" hoặc "xe van màu trắng", trong khi Apple và Ring thường chỉ báo "một phương tiện đi qua". Khi vật nuôi xuất hiện, Google phân biệt rõ "một chú mèo đen trắng đi qua hiên", Ring thông báo "mèo đang đứng ở lối đi", còn Apple chỉ vắn tắt: "Một con mèo ngồi ở hiên". Đôi khi, cả ba hệ thống đều gặp lỗi ảo giác (hallucination), như nhận nhầm robot cắt cỏ thành "hoverboard màu xám" hay "máy phát bóng tennis".
• Nhận diện khuôn mặt: Ring hoạt động chính xác nhất khi nhận diện đúng chủ nhà ở mọi lần tiếp cận. Apple tỏ ra thận trọng quá mức khi thường xuyên báo "Ai đó có thể là Jennifer" hoặc chỉ ghi "Ai đó". Google nhận diện chuẩn xác khoảng 50% số lần thử, phần còn lại bị nhầm với người quen khác.
• Tính năng lọc cảnh báo quá tải: Tính năng "Unusual Events" của Ring tỏ ra hiệu quả nhất khi học thói quen di chuyển hàng ngày và chỉ gửi cảnh báo khi có hiện tượng bất thường (như có người về nhà lúc 2 giờ sáng hay thú lạ xuất hiện), giúp giảm từ 40 thông báo mỗi ngày xuống chỉ còn 2-3 tin. Tính năng gộp thông báo (reduce notifications) của Apple hiện vẫn còn vụng về, ghép các sự kiện thành câu cộc lốc như "Someone seen. Someone carried a box" (Thấy ai đó. Ai đó mang một chiếc hộp).
• Tính năng độc quyền: Apple sở hữu điểm cộng là tính năng ghép nối video (clip stitching) – tự động nhận diện một đối tượng di chuyển qua nhiều camera khác nhau và nối thành một đoạn clip liền mạch, cùng việc tìm kiếm video bằng ngôn ngữ tự nhiên đã hoạt động ổn định hơn nhờ hệ thống HKSV được tái cấu trúc trên iOS 27.

Bài toán quyền riêng tư và tương lai tự động hóa

Sự tiến hóa tiếp theo của camera AI là khả năng kích hoạt tự động hóa thông minh (smart home automations) dựa trên hình ảnh nhận diện, thay vì chỉ dừng lại ở cảnh báo. Google Home đã bước đầu cho phép dùng AI camera kích hoạt thiết bị (ví dụ nhận diện đúng vật nuôi bằng Pet Memory để nhả thức ăn), tuy nhiên tỷ lệ nhầm lẫn vẫn còn cao khiến các hành động tự động chưa thực sự đáng tin cậy.

Về vấn đề bảo mật dữ liệu:

• Ring: Sau nhiều chỉ trích về lưu trữ đám mây, hãng đã áp dụng cơ chế mã hóa TAKE mới, tự động xóa bản sao video của Ring sau 24 giờ và luân chuyển khóa mã hóa nhằm ngăn chặn việc can thiệp trái phép.
• Apple: Trước đây xử lý hoàn toàn cục bộ trên Home Hub, nhưng với Apple Intelligence, việc tóm tắt video buộc phải chuyển lên đám mây Private Cloud Compute (PCC). Dữ liệu được giải mã tạm thời để tạo mô tả, sau đó bị xóa vĩnh viễn và không lưu thông tin định danh người dùng.
• Google: Kết hợp xử lý trên thiết bị và hạ tầng điện toán đám mây Gemini với mã hóa khi truyền tải và lưu trữ.

Nhìn chung, sự tham gia của Apple Intelligence giúp hệ sinh thái HomeKit bắt kịp xu hướng thị giác máy tính, nhưng mức giá quá cao cùng khả năng nhận diện còn thận trọng khiến giải pháp của Apple hiện tại chưa thể vượt qua độ thực dụng của Google Nest và Amazon Ring.