Research

Mô hình AI khoa học của Google đã xuất sắc xếp hạng #1 trong đợt đánh giá dự báo dịch cúm do Trung tâm Kiểm soát và Phòng ngừa Dịch bệnh Hoa Kỳ (CDC) thực hiện.

Bài báo trên arXiv (2609.13359) công bố rằng AI đã chứng minh thành công tính bất khả quyết (undecidable) của logic Medvedev – một bài toán mở lâu năm trong logic toán học và logic trực giác.

Nghiên cứu đề xuất giải pháp phát hiện cảm xúc bị che giấu có nhận thức ngữ cảnh thời gian thông qua mô hình ngôn ngữ lớn đa phương thức (MLLM). Thay vì chỉ nhận diện xung đột giữa các phương thái (chữ viết, âm thanh, hình ảnh) - vốn có thể phát sinh do cảm xúc hỗn hợp hay phong cách cá nhân, đề xuất này hướng tới phân biệt sự bất nhất thông thường với hành vi che giấu cảm xúc thật. Kế hoạch bao gồm xây dựng bộ benchmark đa phương thức có gán nhãn cảm xúc biểu đạt, cảm xúc bên trong và ngữ cảnh che giấu, đồng thời phát triển khung MLLM kết hợp Action Units (AUs) chi tiết của khuôn mặt, đặc trưng đa phương thức và bối cảnh thời gian.

Nghiên cứu giới thiệu Geometric Morphology Learning, một khung lý thuyết mới kết hợp hình học vi phân (hình học Riemannian) và tô-pô học vào deep learning. Bằng cách thiết lập neural bundle và các toán tử khả vi như connection và curvature, phương pháp cho phép ứng dụng các khái niệm toán học cao cấp (holonomy, cohomology) để nâng cao năng lực cho foundation models, mô phỏng vật lý và giải hệ phương trình đạo hàm riêng (PDE).

Nghiên cứu đề xuất một khung kiến trúc kiểm chứng được cho điện toán cảm xúc đa phương thức có nhận thức về đa dạng thần kinh (neurodiversity-aware), nhằm đánh giá phát triển thần kinh. Thay vì coi độ lệch so với dân số chung là dấu hiệu bệnh lý, kiến trúc này tập trung vào hỗ trợ quyết định nhạy ngữ cảnh, phân biệt rõ tín hiệu quan sát, ngữ cảnh, tham chiếu nội cá nhân và độ bất định, lấy chứng cứ thúc đẩy từ phổ tự kỷ.

Một phân tích công bố trên The BMJ cho thấy các hệ thống AI có xu hướng khuyến nghị phác đồ điều trị tốn kém hơn so với quyết định của các bác sĩ lâm sàng, đặt ra lo ngại về chi phí và tính thiên lệch trong việc ứng dụng AI vào chăm sóc sức khỏe.

Theo báo cáo từ Nature, các nghiên cứu sinh tiến sĩ (PhD) sử dụng AI để hỗ trợ viết luận án có xu hướng ít tiếp tục gắn bó với sự nghiệp học thuật sau khi tốt nghiệp. Dữ liệu phản ánh sự dịch chuyển tiềm tàng của nhân sự nghiên cứu có kỹ năng AI sang khu vực công nghiệp hoặc sự thay đổi trong định hướng nghề nghiệp của thế hệ nhà khoa học trẻ.

Dự án Proof-of-Useful-Work (PoUW) thử nghiệm cho phép validator nhận trọng số đồng thuận thông qua việc xác minh tính toán AI (phép nhân ma trận GEMM và các hàm kích hoạt cơ bản GELU, sigmoid, tanh, exp). Người dùng có thể gửi tác vụ GEMM tối đa 256×256 miễn phí để nhận kết quả kèm biên lai mật mã (chuỗi cam kết SHA-256 được gấp vào trạng thái sổ cái). Hiện hệ thống chưa hỗ trợ đầy đủ đồ thị Transformer và thời gian xác minh tăng mạnh theo độ lớn ma trận.

Bài báo nghiên cứu 'Experimental Evidence on the Learning Impact of Generative AI' (arXiv:2607.08849) cung cấp dữ liệu thực nghiệm nhằm đánh giá ảnh hưởng của trí tuệ nhân tạo tạo sinh đối với quá trình tiếp thu kiến thức và kết quả học tập. Đây là tài liệu nghiên cứu định lượng quan trọng cho lĩnh vực công nghệ giáo dục và đào tạo kỹ thuật.

SonoGraph-WM là mô hình thế giới (world model) có điều kiện theo hành động và mục tiêu, được thiết kế cho việc điều hướng siêu âm robot mang tính dự đoán. Thay vì tổng hợp hình ảnh siêu âm phức tạp, hệ thống biểu diễn giải phẫu dưới dạng đồ thị cảnh (Scene Graphs - SGs) nắm bắt cấu trúc hình học và quan hệ không gian. Mô hình dùng Transformer thống nhất để dự đoán đồng thời SGs và tư thế đầu dò tiếp theo, kết hợp bộ lập kế hoạch lùi chân trời (receding-horizon planner) đệ quy mô phỏng và chọn quỹ đạo ngắn nhất tới cơ quan đích. Nhằm giảm phụ thuộc vào dữ liệu siêu âm chú giải thủ công, SonoGraph-WM được huấn luyện từ bản đồ nhãn CT theo quỹ đạo ràng buộc bề mặt. Kết quả thực nghiệm cho thấy điểm F1 quan hệ không gian đạt trên 93% qua 20 bước, tỉ lệ điều hướng thành công đạt 77,5% (túi mật), 75,0% (tụy) trên dữ liệu CT và 73,7% trong thử nghiệm robot trên phantom.

Phylo hợp tác triển khai các mô hình AI mã nguồn mở tiên tiến trên nền tảng suy luận Fireworks AI nhằm mở rộng khả năng tiếp cận AI cho giới nghiên cứu khoa học. Sự kiện được công bố trên blog Fireworks AI, tuy nhiên các thông số kỹ thuật chi tiết về kiến trúc mô hình và chi phí cụ thể chưa được nêu rõ trong tài liệu.

Nghiên cứu mới trên SSRN chỉ ra rằng việc bổ sung AI đóng vai trò đồng nghiệp (AI Co-Workers) vào các cuộc họp của con người giúp cải thiện đáng kể độ chính xác trong thảo luận và ra quyết định. Dữ liệu hiện tại chỉ cung cấp tiêu đề và liên kết học thuật, chưa có thông số chi tiết về phương sai hay phương pháp luận thực nghiệm.

SIDRec là một framework học Semantic ID (SID) end-to-end cho các hệ thống gợi ý, khắc phục hai hạn chế lớn của các phương pháp hiện hành: sự lệch pha giữa ngữ nghĩa nội dung với sở thích cộng tác (semantic mismatch) và sự lệch pha giữa khâu tạo SID với mục tiêu tối ưu gợi ý downstream (objective mismatch). SIDRec kết hợp cơ chế dung hợp tự cập nhật (tích hợp biểu diễn nội dung với collaborative embeddings) và cơ chế tối ưu hóa đa nhiệm lấy cảm hứng từ MMoE với lượng tử hóa khả vi, giúp định hướng trực tiếp việc tạo biểu diễn rời rạc. Trên 3 bộ dữ liệu benchmark, SIDRec đạt mức cải thiện tới 5,15% AUC và GAUC so với các baseline mạnh nhất.

Các nghiên cứu chỉ ra rằng robot tích hợp AI có thể bị thao túng hoặc đánh lừa để thực hiện hành vi nguy hiểm gây tổn hại cơ thể con người (như cắt đứt ngón tay), cho thấy rủi ro bảo mật vật lý nghiêm trọng khi ứng dụng embodied AI.

Bài viết từ The Economist đề cập đến việc trí tuệ nhân tạo làm biến đổi toán học, tạo nên bước ngoặt quan trọng cho nền khoa học. Dù dữ liệu cung cấp chỉ bao gồm tiêu đề và URL (chưa có văn bản chi tiết), chủ đề phản ánh xu hướng AI tham gia vào chứng minh hình thức, giải toán trừu tượng và mở rộng biên giới nghiên cứu khoa học cơ bản.

Bài báo 'The Dead Salmons of AI Interpretability' (arXiv:2512.18792) lấy cảm hứng từ thí nghiệm fMRI 'cá hồi chết' nổi tiếng để cảnh báo về các dương tính giả (false positives) và lỗ hổng phương pháp luận trong lĩnh vực giải thích AI (interpretability). Nghiên cứu nhấn mạnh nguy cơ ngộ nhận các quy luật hoặc ý nghĩa ngữ nghĩa từ mô hình AI khi thiếu các kiểm chứng đối chứng (sanity checks) chặt chẽ.

Nghiên cứu đầu tiên khảo sát việc sử dụng coding agents để tự động loại bỏ mã logging dư thừa. Nhóm tác giả đã phân tích các kho lưu trữ Python và Java, rút ra 10 mẫu xóa và 11 lý do xóa logging, đồng thời xây dựng tập dữ liệu LogRem gồm 387 trường hợp thực tế. Đánh giá 4 coding agent cho thấy dù 95.6% - 100.0% kết quả vượt qua kiểm tra tính hợp lệ cú pháp, chỉ 11.1% - 19.6% thực sự xóa đúng mã logging giống thay đổi thực tế mà không gây ảnh hưởng đến các đoạn mã khác. Chi phí thực thi cao không bảo đảm độ chính xác tốt hơn, trong khi commit message và thảo luận của lập trình viên đem lại sự cải thiện lớn nhất về độ căn chỉnh.

Bài đăng trên blog cá nhân của nhà toán học Terence Tao đặt câu hỏi về ý nghĩa của sự xuất hiện các mô hình AI mạnh mẽ đối với giới toán học. Dữ liệu thực tế cung cấp chỉ gồm tiêu đề và liên kết được đưa lên Hacker News (tại thời điểm ghi nhận chưa có thảo luận), phản ánh sự suy tư nghiêm túc từ nhà toán học hàng đầu thế giới về sự thay đổi phương pháp nghiên cứu và tương lai của toán học trước làn sóng AI.

Nghiên cứu phân tích các đánh đổi kiến trúc kỹ thuật giữa GPT-Live và GPT-Realtime trong việc phát triển hệ thống Voice AI tương tác liên tục, tập trung vào bài toán cân bằng giữa độ trễ, chi phí hạ tầng và trải nghiệm đàm thoại tự nhiên.

Nghiên cứu từ nhóm RAM thuộc Facebook Research (Meta) đặt vấn đề ứng dụng Reinforcement Learning (RL) nhằm đưa chất lượng văn bản do AI sinh ra lên cấp độ vượt trội (superhuman), tập trung xử lý triệt để hiện tượng 'AI slop' (văn bản sáo rỗng, rập khuôn của LLM).

UniAR là khung làm việc thống nhất giúp nhận diện rối loạn phổ tự kỷ (ASD) thông qua học prompt đa mức độ. Nhằm giải quyết sự khan hiếm dữ liệu văn bản chẩn đoán, UniAR sử dụng mô hình đa phương thức lớn (LMM) để tự động sinh mô tả lâm sàng phân cấp (mức từ, cụm từ, câu), đồng thời dùng mô-đun căn chỉnh đa quy mô dựa trên Mixture-of-Experts (MoE) để khớp biểu diễn ngữ nghĩa với các visual prototype lượng tử hóa vector. Phương pháp đạt độ chính xác 75,9% trên MRI và 91,6% trên biểu cảm khuôn mặt.

Bài báo nghiên cứu w35953 của Cục Nghiên cứu Kinh tế Quốc gia Hoa Kỳ (NBER) mang tên 'Competition in Generative AI: Evidence from Consumer Demand' phân tích cấu trúc cạnh tranh trong thị trường AI tạo sinh qua lăng kính nhu cầu thực tế của người dùng. Dữ liệu trích dẫn chỉ bao gồm tiêu đề và liên kết; các thông số định lượng cụ thể và kết luận chi tiết của bài nghiên cứu là phần chưa được làm rõ trong văn bản gốc.

Nghiên cứu từ Microsoft Research phân tích tác động của Generative AI đối với năng lực tư duy phản biện của con người, thu hút sự chú ý và thảo luận trên diễn đàn Hacker News.

Bài viết từ XBOW phân tích khả năng AI tự động phát hiện và tạo mã khai thác lỗ hổng bảo mật trong nhân Linux (Linux Kernel), gắn liền với nghiên cứu cụ thể về CVE-2026-72018.