Research

OpenAI gây xôn xao trong giới toán học sau khi chia sẻ 722 bản thảo và chứng minh. Các chuyên gia lên tiếng cảnh báo việc chia sẻ nghiên cứu với LLM, đồng thời kêu gọi ngành toán học cần tập trung xây dựng cộng đồng thay vì chỉ chạy theo các giải pháp thô từ AI.

Nghiên cứu từ arXiv (2610.11932) đo lường tính mong manh (fragility) của hệ thống AI Search trong việc chọn lọc và trích dẫn thông tin từ các bài đăng công khai trên mạng xã hội và diễn đàn, cảnh báo nguy cơ sai lệch hoặc dễ bị thao túng của kết quả tìm kiếm AI.

Bài báo nghiên cứu đăng trên arXiv (mã 2602.18455) tìm hiểu tác động của các tính năng tóm tắt tìm kiếm bằng AI (AI Search Summaries) đối với lưu lượng truy cập trang web. Dữ liệu xác thực từ bằng chứng chỉ gồm tiêu đề bài báo và liên kết thảo luận trên Hacker News (3 điểm, 1 bình luận). Suy luận hợp lý là nghiên cứu đánh giá hiện tượng sụt giảm lưu lượng giới thiệu (referral traffic) do câu trả lời trực tiếp của AI. Yếu tố chưa rõ bao gồm số liệu thực nghiệm, phương pháp đo lường và kết luận chi tiết do thiếu toàn văn tài liệu.

Nghiên cứu chứng minh khả năng điều hướng hành vi của mô hình robot nền tảng π₀.₅ trong mô phỏng LIBERO bằng cách hoán đổi đặc trưng Sparse Autoencoders (SAEs) của một từ khóa mục tiêu mà không cần đổi câu lệnh văn bản. Phương pháp BatchTopK ở tầng 0 đạt tỷ lệ thành công 20/20 lượt thử nghiệm, đồng thời lập bản đồ độ sâu cho thấy can thiệp từ ngữ hiệu quả đến tầng 2 (danh tính vật thể), tầng 6 (vị trí vật thể) và mở rộng tới tầng 13 nếu can thiệp thêm cả camera tokens.

Nghiên cứu đề xuất cơ chế truy xuất bộ nhớ theo dạng duyệt cục bộ liên tục (persistent local traversal) trong không gian địa chỉ dành cho tác tử ngữ cảnh dài có trạng thái. Phương pháp tách biệt nội dung bộ nhớ khỏi địa chỉ và áp dụng hàm mục tiêu điều chuẩn theo chi phí để giữ lại thông tin hữu ích liền kề, loại trừ trùng lặp. Thử nghiệm trên MiniGrid Memory với context 5 token đạt điểm 0.95 sau 0.59M bước, nhanh hơn đáng kể so với các phương pháp địa chỉ hóa tuyệt đối.

Tài liệu giới thiệu giải pháp mã nguồn mở ứng dụng trí tuệ nhân tạo nhằm tăng tốc quy trình tổng hợp bằng chứng (evidence synthesis) trong nghiên cứu y tế. Mục tiêu chính là giảm tải thời gian và nhân lực cho việc rà soát, trích xuất thông tin y sinh học, đồng thời thúc đẩy tính minh bạch và khả năng tiếp cận dữ liệu khoa học mở.

Nghiên cứu giới thiệu EVOL, khung đề xuất lộ trình học tập (LPR) dựa trên học tăng cường (RL) không cần triển khai thực tế. EVOL giải quyết bài toán không gian tìm kiếm tổ hợp bùng nổ và sự thiếu hụt dữ liệu chuyên gia trong giáo dục bằng cách mượn ý tưởng từ robotics: dùng bộ mô phỏng knowledge tracing để tổng hợp quỹ đạo chuyên gia qua tìm kiếm tiến hóa, kết hợp kiến trúc asymmetric actor-critic để chắt lọc thành chính sách feed-forward. Phương pháp vượt trội 8 mô hình cơ sở trên các tập dữ liệu ASSIST15, Junyi và EdNet.

Nghiên cứu mở rộng khung tiến hóa EXAQC để tự động khám phá và tối ưu hóa kiến trúc mạch lượng tử tham số hóa (PQC) cho mạng nơ-ron lai lượng tử - cổ điển trong phân loại hình ảnh. EXAQC tích hợp PQC như module xử lý trung gian giữa các tầng trích xuất đặc trưng và dự đoán cổ điển, giải quyết hạn chế của các ansatz thiết kế thủ công. Mô hình đạt độ chính xác 98,42% trên MNIST, 90,62% trên Fashion-MNIST và 85,68% trên CIFAR-10, tương đương mạng CNN 10 tầng cổ điển nhưng giảm hơn 25 lần số lượng tham số huấn luyện. Ngoài ra, mã hóa dựa trên phép quay (RX, RY, U3) cho thấy hiệu quả vượt trội hơn mã hóa biên độ từ 22-25 điểm phần trăm trên CIFAR-10.

Nghiên cứu phát triển khuôn khổ thống kê thuật toán dựa trên các phân hoạch đối xứng (orbit partitions của nhóm tác động lên chuỗi nhị phân) đóng vai trò là các mô hình Kolmogorov. Thông qua liên kết Galois giữa nhóm con và phân hoạch, nhóm tác giả xây dựng đại số giả thuyết và định lượng phần tính quy luật đối xứng của chuỗi. Trong khi nhóm đối xứng đầy đủ khôi phục toàn bộ mô hình Kolmogorov và mô hình mạnh của Vereshchagin, nhóm tuyến tính GL(n,2) lại bỏ sót cấu trúc của nhiều chuỗi ngẫu nhiên chuẩn. Đặc biệt, Định lý khoảng cách cực đại (maximal gap theorem) chứng minh rằng mọi không gian giả thuyết đối xứng đủ nhỏ để có thể tìm kiếm được đều sẽ bỏ lỡ các cấu trúc đơn giản.

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.

Nghiên cứu khám phá các kênh ẩn của Neural Cellular Automata (NCA) và đề xuất cơ chế transfer learning mới thông qua việc tiêm trạng thái ẩn của mô hình teacher vào student để dẫn dắt tối ưu hóa ban đầu. Với chỉ khoảng 9.800 tham số, NCA vượt qua các kiến trúc recurrent và feed-forward trong tác vụ few-shot và scale-variant trên MNIST nhờ khả năng học các đặc trưng tô-pô bất biến tỷ lệ và phân tách trích xuất đặc trưng qua các trạng thái trực giao.

Nghiên cứu đưa ra chứng minh tính toán chính xác rằng bài toán đóng băng QPLIB_2096 đạt giá trị cực tiểu toàn cục là 7.025.720 thông qua phương pháp phân hoạch tập hợp hoàn chỉnh. Cách tiếp cận và chứng chỉ tối ưu hóa được phát hiện và tinh chỉnh bởi hệ thống AI tự tiến hóa ZiYor. Nhóm tác giả tái cấu trúc bài toán 300 biến nhị phân thành bài toán phân hoạch trên 25 phần tử, kiểm tra 245.505 tập con và tìm ra 14.981 khối khả thi. Một vector giá nguyên đối ngẫu được xác lập để chứng minh cận dưới, khớp với nghiệm phân hoạch 6 khối mà không cần dựa vào solver thương mại.

Nghiên cứu giới thiệu kỹ thuật Concept-Guided Prompting nhằm khắc phục tính trùng lặp của LLM bằng cách tạo các khái niệm chủ đề trước khi sinh nội dung chi tiết. Thử nghiệm trên 1.000 công thức nấu ăn cho thấy phương pháp này đạt độ bao phủ ngữ nghĩa 47,0%, vượt trội so với kỹ thuật prior-title (35,1%) và nonce prompt (13,1%). Dù cho thấy tiềm năng mở rộng tính đa dạng, kỹ thuật này mới chỉ thử nghiệm trên một tác vụ hẹp và cần nghiên cứu thêm về chất lượng thực tế cũng như tính tổng quát hóa.

Team Friday đạt giải nhì tại MetaFine Open Competition (CoRL 2026) với điểm số 0.947, gấp đôi baseline pi_0. Thay vì fine-tune mô hình Vision-Language-Action (VLA) lớn, nhóm huấn luyện một chính sách 19M tham số cho mỗi tác vụ cùng bộ phân loại chỉ dẫn riêng. Bằng cách thiết kế giáo viên kịch bản trong môi trường mô phỏng trở nên 'dễ bắt chước' (imitable) và bổ sung các tình huống sửa lỗi của học sinh, điểm số của tác vụ cắm chốt chữ (khe hở 4 mm) tăng từ 0.44 lên 0.88.

Nghiên cứu so sánh năng lực mô phỏng khách hàng trong đào tạo tư vấn tâm lý trực tuyến giữa mô hình ngôn ngữ lớn (Mixtral 8x7B lượng tử hóa 4-bit) và người thật. Dữ liệu đối thoại giữa chuyên viên tư vấn tập sự với cả hai nhóm đối tượng được phân tích ở cấp độ câu dựa trên hệ thống mẫu giao tiếp tư vấn. Kết quả chỉ ra cả điểm tương đồng lẫn khác biệt trong động lực hội thoại, khẳng định tiềm năng của LLM trong đào tạo kỹ năng tư vấn đồng thời xác định các mặt cần hoàn thiện để nâng cao độ chân thực.

Nghiên cứu giới thiệu PresenceBench – công cụ đánh giá cách các mô hình ngôn ngữ lớn (LLM) thích ứng với trạng thái chức năng của người dùng (sự sẵn sàng, trạng thái tập trung và độ ổn định). Sử dụng thiết kế nhân quả 5 nhánh kiểm soát bằng so sánh cặp do người đánh giá, thử nghiệm trên 4 mô hình (Claude Sonnet 5, DeepSeek V4 Pro, Gemini 3.6 Flash, GPT-5.6 Terra) cho thấy việc cung cấp trạng thái người dùng giúp nâng cao mức độ ưu tiên của con người (>0,5). Tuy nhiên, tính đặc hiệu (Specificity) chưa được giải quyết do chưa tách biệt được tác động của giá trị trạng thái cụ thể với chỉ thị thích ứng chung. Phương thức phân phối chính sách giúp giảm token và chi phí nhưng chưa chứng minh được tính không thua kém về độ chính xác.

Nghiên cứu giới thiệu các kỹ thuật few-shot nhằm chuyển đổi văn phong tác giả trong bài tóm tắt khoa học – môi trường thách thức do quy chuẩn viết chặt chẽ và nguy cơ vướng mắc giữa phong cách và nội dung. Nhóm tác giả đề xuất ba giải pháp: (1) contrastive activation steering dựa trên đối chiếu với nội dung trung tính để cố định chủ đề, (2) mạng dự đoán steering vectors, và (3) hypernetwork dự đoán trọng số LoRA adapter. Kết quả cho thấy fine-tuning tuy nắm bắt tốt phong cách nhưng làm giảm độ trôi chảy, trong khi hypernetwork đạt điểm cân bằng tốt nhất cho cả tác giả mới và cũ. Ngoài ra, các vector điều hướng trích xuất thủ công và dự đoán có tính chất gần như trực giao nhưng hiệu quả tương đương, chỉ ra rằng việc điều hướng phong cách có thể diễn ra theo nhiều hướng biểu diễn độc lập.

Nghiên cứu đề xuất khung thích ứng hình học nhận biết giải phẫu (anatomy-aware) cho bài toán chuyển đổi âm thanh sang cấu trúc phát âm (AAI) xuyên người nói. Phương pháp sử dụng các mốc giải phẫu (đốt sống, răng) từ một khung hình phát âm /u/ duy nhất, kết hợp biến đổi affine và biến dạng thin-plate spline (TPS) để ánh xạ đường bao 10 cấu trúc đường phát âm sang người nói mới mà không cần huấn luyện lại mô hình. Thử nghiệm trên dữ liệu rt-MRI cho thấy cấu hình Affine12+TPS14 đạt sai số thấp nhất là 3,19 mm.

Nghiên cứu phân tích số lượng mở rộng của thuật toán A* dưới 9 chiến lược giải quyết hòa điểm (tie-breaking) trên tầng f cuối cùng (final plateau). Kết quả chứng minh không có chiến lược nào vượt trội toàn diện dưới heuristic nhất quán; tỷ lệ mở rộng giữa low-h (FIFO vs LIFO) có thể chênh lệch vô hạn. Đặc biệt, việc sử dụng hàm đánh giá f_α = g + αh với 0 ≤ α < 1 giúp loại bỏ hoàn toàn độ nhạy của tie-breaking, đưa mọi chiến lược về cùng một tập trạng thái mở rộng.

Nghiên cứu phát hiện rằng trong TopK Sparse Autoencoders (SAE), việc triệt tiêu một đặc trưng khiến đặc trưng ở tầng tiếp theo vượt ngưỡng cắt trong ít nhất 74% trường hợp và các đặc trưng này mang phần lớn năng lượng phản hồi. Đồ thị gán thuộc tính truyền thống có sai số tương đối trung vị >= 0,247. Tác giả đề xuất 'đồ thị biên' (margin graph) bằng cách bổ sung biến thiên bậc một vào preactivation và xếp hạng lại ở cùng chi phí tính toán, giúp giảm sai số xuống tối đa 0,033 trên các mô hình Pythia (lớn nhất là Pythia-160M).

qGAMMA là một khung làm việc (framework) linh hoạt giúp khám phá và tối ưu hóa việc ánh xạ các mô hình mạng nơ-ron sâu (DNN) đa độ chính xác (mixed-precision) lên các bộ tăng tốc không gian (spatial accelerators) hỗ trợ cả fixed-point và floating-point. Framework sử dụng thuật toán di truyền đặc thù theo miền kết hợp mô hình hiệu năng phân tích dựa trên kết quả tổng hợp phần cứng để tìm cấu hình và phương án ánh xạ tối ưu, giúp cân bằng giữa hiệu năng, hiệu quả năng lượng và sử dụng tài nguyên.

Bài viết trên War on the Rocks đặt vấn đề phòng thủ trước nguy cơ virus sinh học do AI thiết kế. Về mặt thực tế đã xác minh, bài viết tập trung vào an ninh sinh học trước tiến bộ của các công cụ thiết kế phân tử. Theo suy luận hợp lý, trọng tâm nằm ở kiểm soát chuỗi cung ứng gene, áp dụng guardrails cho mô hình sinh học và tăng tốc phản ứng y tế. Các giải pháp kỹ thuật cụ thể vẫn là ẩn số do giới hạn nguồn tin.

IBM giới thiệu chip NorthPole lấy cảm hứng từ não bộ (neuromorphic chip) nhằm tăng tốc độ xử lý và tối ưu hóa hiệu quả năng lượng cho các tác vụ AI. Đây là bước tiến công nghệ phần cứng hướng đến giải quyết nút thắt cổ chai von Neumann truyền thống, dù việc triển khai thương mại và hệ sinh thái phần mềm vẫn là thách thức cần theo dõi.

Nghiên cứu giới thiệu RA-MMEA, khung làm việc căn chỉnh thực thể đa phương thức (MMEA) có khả năng đánh giá độ tin cậy của hình ảnh. Thay vì hợp nhất trực tiếp gây suy giảm hiệu năng do ảnh nhiễu hoặc lệch ngữ nghĩa, RA-MMEA sử dụng mô-đun DA-VRP để dự đoán độ tin cậy và mô-đun SR-VEG để sinh biểu diễn thị giác thay thế dựa trên ngữ nghĩa văn bản, giúp đạt kết quả SOTA.