AI cho Business

Nhóm bảo mật crates.io và Adam Harvey cảnh báo về chiến dịch tấn công có chủ đích nhắm vào các thành viên rust-lang và chủ sở hữu crate phổ biến. Kẻ tấn công thiết lập cuộc gọi video giả mạo cơ hội việc làm hoặc dự án nhằm lừa nạn nhân cài đặt mã độc (codec giả) hoặc chạy lệnh qua clipboard để chiếm đoạt tài khoản và quyền publish package. Thủ đoạn này đã gây ra cuộc tấn công chuỗi cung ứng thành công vào crate 'arrayref'. Biện pháp phòng thủ khuyến nghị hiện tại là áp dụng cơ chế trì hoãn cập nhật phụ thuộc (dependency cooldowns) vài ngày để cộng đồng kịp thời phát hiện mã độc.

Thống đốc bang California Gavin Newsom đề xuất yêu cầu tích hợp cơ chế ngắt khẩn cấp (kill switch) cùng việc tăng cường giám sát đối với các hệ thống AI nhằm nâng cao tiêu chuẩn an toàn công nghệ tại bang.

Elon Musk và các đối thủ trong lĩnh vực AI vừa cam kết quyên góp gần 300 tỷ USD tài sản theo báo cáo từ The Washington Post. Đây là một trong những cam kết từ thiện tập thể lớn nhất lịch sử công nghệ, xuất hiện trong bối cảnh các nhà sáng lập AI tích lũy khối tài sản khổng lồ và đối mặt với sự giám sát chặt chẽ từ công chúng lẫn cơ quan quản lý.

Snowflake triển khai tính năng đặt hạn mức theo từng người dùng (per-user quotas) nhằm giới hạn chi tiêu cho Cortex AI, giúp doanh nghiệp quản trị ngân sách và kiểm soát chi phí sử dụng mô hình AI hiệu quả hơn.

Chỉ số Nasdaq ghi nhận ngày giao dịch tồi tệ nhất trong 18-19 tháng qua khi nhà đầu tư Phố Wall lo ngại và đặt cược vào nguy cơ giảm tốc của lĩnh vực AI sau chiến thắng bầu cử của Đảng Dân chủ. Diễn biến này phản ánh sự thận trọng về chính sách điều tiết công nghệ và áp lực tái thẩm định hiệu quả thực tế của các khoản đầu tư AI.

OpenAI cải tiến ChatGPT nhằm nâng cao năng lực lập trình trên các ngôn ngữ ít tài nguyên, đồng thời giới thiệu các phương pháp đánh giá mới cho kỹ nghệ phần mềm, SQLite và bài toán chuyển đổi hệ thống kế thừa COBOL.

Nghiên cứu đề xuất phương pháp tìm kiếm chính sách điều phối đa tác tử (MAPF) trực tiếp trong không gian mã nguồn bằng coding agent tự trị. Quy trình lặp gồm đề xuất, lập trình, kiểm thử mô phỏng và tinh chỉnh đã tạo ra thuật toán vượt 35,0% giải pháp tốt nhất tại League of Robot Runners 2024 và tăng 58,9% thông lượng so với giải pháp độc quyền trong kho hàng thực tế, đồng thời có thể chứng minh toán học tính không va chạm và tính hoàn thành.

Báo cáo từ Stanford Medicine ghi nhận một công ty công nghệ sinh học ảo đã đưa vào vận hành hàng nghìn AI agent đóng vai trò nhà khoa học nhằm đẩy nhanh tiến độ nghiên cứu y sinh. Do dữ liệu trích dẫn chỉ cung cấp tiêu đề và thông tin nguồn (tháng 09/2026), các chi tiết về kiến trúc kỹ thuật cụ thể và kết quả lâm sàng thực tế hiện vẫn chưa được công bố đầy đủ.

Bài báo từ Financial Times (được quan tâm trên Hacker News) đưa tin rằng các chatbot AI đưa ra câu trả lời sai cho các truy vấn tài chính trong phần lớn trường hợp. Thực tế xác minh cho thấy tỷ lệ lỗi của AI trong tài chính đang ở mức cao; suy luận hợp lý là do hiện tượng ảo giác (hallucination) và hạn chế về tính toán số học; các thông tin chi tiết về mô hình thử nghiệm cụ thể hay bộ tiêu chuẩn đánh giá chưa được nêu rõ trong nguồn tin.

CEO NVIDIA Jensen Huang nhận định kỹ thuật chưng cất mô hình AI (AI distillation) là 'sự cạnh tranh'. Phát biểu này nhấn mạnh xu hướng các đối thủ sử dụng distillation để tạo ra các mô hình nhỏ hơn, hiệu quả hơn nhằm cạnh tranh trực tiếp trên thị trường AI mà không phụ thuộc hoàn toàn vào sức mạnh điện toán quy mô lớn.

Luận điểm của Chamath Palihapitiya (Social Capital) cho rằng mô hình AI nguồn mở là chiến lược 'hàng hóa hóa sản phẩm bổ trợ', trong đó các hãng lớn cung cấp mô hình miễn phí để tối đa hóa doanh thu từ mảng cốt lõi (quảng cáo của Meta, đám mây của Microsoft và Google), gây áp lực lên các công ty thuần bán mô hình đóng. Tuy nhiên, trên thực tế, doanh nghiệp vẫn chi trả ngày càng nhiều cho các mô hình đóng, cho thấy năng lực vượt trội của mô hình đóng vẫn duy trì được giá trị thương mại lớn trước làn sóng nguồn mở.

Thị phần chip AI của Nvidia tại Trung Quốc đã sụt giảm xuống còn 34%, trong khi Huawei tăng trưởng mạnh mẽ và hiện chiếm 28% thị phần.

Các chuyên gia trình độ cao như bác sĩ, luật sư và kỹ sư đang ngày càng tham gia nhiều vào thị trường gig economy phục vụ huấn luyện AI, nhận mức thù lao lên tới 400 USD/giờ để cung cấp dữ liệu chuyên môn, đánh giá và tinh chỉnh (RLHF) cho các mô hình AI tiên tiến.

Bài viết chỉ ra các ngân hàng đang đối mặt với nhiều thách thức trong việc bảo vệ khách hàng trước chính các AI agent của họ. Việc triển khai các tác tử AI có khả năng tự chủ quyết định tài chính đang tạo ra nhiều nguy cơ về bảo mật và quyết định sai lệch (rogue decisions) chưa thể kiểm soát triệt để.

Nghiên cứu giới thiệu khung mô hình đa phương thức dự đoán phản ứng đường huyết sau ăn (PPGR) bằng cách thay thế nhật ký ăn uống thủ công bằng ảnh chụp bữa ăn, kết hợp cùng các biến số lâm sàng và hồ sơ vi sinh đường ruột. Hệ thống sử dụng mô-đun attention để phân tích tương tác giữa dinh dưỡng và dữ liệu sinh học cá nhân, cho kết quả vượt trội so với các mô hình cùng loại và tiệm cận phương pháp nhập liệu thủ công.

Nghiên cứu mô hình hóa an ninh AI dựa trên lý thuyết trò chơi Stackelberg, phân tích hiệu quả của quy trình phản hồi phòng thủ (kiểm thử tự động, red teaming, ứng phó sự cố). Nghiên cứu chứng minh rằng bề mặt tấn công hữu hạn sẽ được phòng thủ với xác suất 1 nếu mọi đòn tấn công chưa giải quyết đều có khả năng bị phát hiện liên tục, việc khắc phục hiệu quả và các bản cập nhật bảo toàn lớp phòng thủ trước đó. Đồng thời, mô hình xác định phân bổ chi phí tối thiểu giữa phát hiện chủ động và vá lỗi bị động để ngăn chặn kẻ tấn công.

Nghiên cứu giới thiệu CoNN-AL, khung thiết kế ngược một phần (partial inverse design) tiết kiệm dữ liệu, kết hợp active learning dạng luồng (stream-based active learning) với mô hình CoNN-DAE. Phương pháp sử dụng Monte Carlo dropout để ước lượng độ bất định theo thời gian thực và chọn lọc mẫu cần chạy mô phỏng tốn kém. Thử nghiệm trên tập dữ liệu rãnh dẫn kính ô tô hơn 900.000 mẫu cho thấy CoNN-AL chỉ cần 20.000 mẫu gán nhãn (~2,3%) để đạt R² từ 0,967 đến 0,982, tiết kiệm 30-40% nhãn so với lấy mẫu ngẫu nhiên và công khai bộ dữ liệu cho cộng đồng.

PACE (Provenance-Aware Capability Enforcement) là cơ chế bảo mật cho tác tử LLM sử dụng công cụ, can thiệp và kiểm soát mọi lệnh gọi công cụ ngay trước khi thực thi. Thay vì kiểm duyệt đầu vào (vốn không thể phân biệt triệt để giữa biến thể an toàn và rò rỉ), PACE áp dụng path confinement để cô lập các đường dẫn ảnh hưởng độc hại và đối soát hiệu ứng thực tế dựa trên quyền hạn biên dịch từ yêu cầu đã xác thực. Trên 8 benchmark bảo mật với 3 dòng mô hình, PACE đạt tỷ lệ bị tấn công thấp nhất ở 62/79 trường hợp (hòa 14), trong khi chỉ giảm tối đa 3 điểm hiệu năng tác vụ thông thường và chặn đứng 100% (0/30) tấn công thích ứng.

CarryOn là một runtime quản lý ngữ cảnh hướng đối tượng dành cho các agent hoạt động dài hạn (long-horizon agents). Thay vì lưu trữ và xử lý lặp lại lịch sử tương tác cồng kềnh hoặc phụ thuộc vào tóm tắt nén, CarryOn xây dựng góc nhìn ngữ cảnh từ các đối tượng tiếp nối tác vụ tái sử dụng (continuation carriers), ngữ cảnh thực thi bổ trợ và phần tương tác mới nhất (live tail). Hệ thống duy trì tính hợp lệ của các đối tượng qua các lần fold bằng cách cập nhật có chọn lọc theo bằng chứng và kiểm tra môi trường, giúp tăng tỷ lệ thành công 5.8% - 7.0% và giảm mạnh token tiêu thụ (22.9% - 51.9%) trên OSWorld 2.0 và BrowseComp-Plus.

Nghiên cứu đánh giá tính khả thi khi dùng LLM agent làm Kỹ sư triển khai thực địa (FDE) cho bài toán Text-to-SQL doanh nghiệp qua hai giai đoạn: thu thập yêu cầu và bàn giao giải pháp. Thử nghiệm trên 15 mô hình cho thấy các mô hình hàng đầu phát hiện được hơn 80% yêu cầu tiềm ẩn (mô hình mở đạt 40-50%), nhưng pha thực thi chỉ đạt tỷ lệ thành công 25% vượt qua tiêu chí nghiệm thu. Nghiên cứu chỉ ra khoảng cách lớn giữa điểm chuẩn lý thuyết và độ sẵn sàng production, đồng thời đề xuất con người cần giám sát chặt chẽ yêu cầu và kế hoạch thực thi của agent.

Bản tin AI Weekly phát đi cảnh báo tới các doanh nghiệp về nghi vấn gian lận lưu trữ dữ liệu (data retention fraud) trên nền tảng Google AI Studio. Vấn đề liên quan đến việc dữ liệu đầu vào (prompts/inputs) có nguy cơ bị lưu giữ hoặc tái sử dụng ngoài ý muốn, tạo ra rủi ro lớn về bảo mật và tuân thủ pháp lý cho các tổ chức sử dụng công cụ thử nghiệm này thay vì dịch vụ cấp doanh nghiệp có cam kết bảo vệ dữ liệu.

Theo bài đăng từ The Scientist, Anthropic vừa công khai một phòng thí nghiệm sinh học ướt (wet lab) ứng dụng AI vốn được giữ kín trước đây, đồng thời công bố phát hiện khoa học đầu tiên. Do dữ liệu chỉ cung cấp tiêu đề và URL, thông tin chi tiết về bản chất phát hiện hay kiến trúc mô hình AI sử dụng vẫn chưa được tiết lộ. Sự kiện này xác nhận bước mở rộng thực tế của Anthropic sang lĩnh vực khoa học đời sống và công nghệ sinh học.

KARMA là một framework thích ứng tri thức không cần huấn luyện (training-free) cho các tác tử quảng cáo thương mại điện tử, cho phép tiến hóa 6 mô-đun tri thức định kiểu trong khi giữ cố định trọng số LLM và mã thực thi harness. Hệ thống kết hợp Trace Verifier để định vị lỗi, Critic so sánh quỹ đạo thành công/thất bại, và Evolver thực hiện các chỉnh sửa nguyên tử có kiểm soát rollback bằng validation gate. Đánh giá trên 500.000 log vận hành thực tế qua 6 domain thương mại điện tử cho thấy KARMA giúp tăng điểm hold-out 29.7% và có khả năng chuyển giao tri thức đa domain hiệu quả mà vẫn đảm bảo tính minh bạch, đảo ngược được.

GPT-6 bắt đầu được triển khai toàn cầu trên ChatGPT cùng giao diện Intelligent UI, mang lại tốc độ phản hồi nhanh hơn kèm các trải nghiệm trực quan và tương tác trực tiếp.