Research

PoKER là mô hình xác suất ứng dụng học máy nhằm tối ưu hóa hiệu quả phóng tên lửa không đối không ngoài tầm nhìn (BVR). Thay vì sử dụng các vùng phóng tĩnh truyền thống (WEZ), PoKER phân tích hành vi ngẫu nhiên của mục tiêu, khoảng cách bắn trượt, góc tiếp cận và sức công phá đầu đạn để ước tính chính xác xác suất tiêu diệt mục tiêu, hỗ trợ phi công ra quyết định khai hỏa hiệu quả.

Các nhà nghiên cứu tại Đại học Stanford đã phát triển một hệ thống miễn dịch dựa trên AI nhằm tìm kiếm các phương pháp điều trị hiệu quả cho tình trạng chuyển dạ sớm (sinh non). Dữ liệu cung cấp là tiêu đề bài báo, chưa bao gồm chi tiết kỹ thuật hoặc kết quả thử nghiệm lâm sàng cụ thể.

Anthropic công bố bài nghiên cứu 'The AI Expectations Gap' trên trang nghiên cứu chính thức, được chia sẻ trên Hacker News. Dữ liệu cung cấp chỉ gồm tiêu đề và URL; suy luận hợp lý cho thấy nội dung tập trung vào khoảng cách giữa kỳ vọng của thị trường/người dùng và năng lực thực tế của AI. Chi tiết kết quả cụ thể hiện chưa được cung cấp trong văn bản nguồn.

Viện Khoa học Weizmann công bố nghiên cứu về mô hình AI tạo sinh mới có khả năng tái tạo trực quan hình ảnh dựa trên những gì con người quan sát. Đây là bước tiến trong lĩnh vực giao diện não - máy tính (BCI) và khoa học thần kinh tính toán, kết hợp mô hình thị giác tạo sinh để giải mã hoạt động nhận thức thị giác.

Hiệp hội Nghiên cứu Giáo dục Anh (BERA) công bố khung RAISE (Reporting AI Studies in Education) nhằm chuẩn hóa quy trình và nội dung báo cáo nghiên cứu AI trong giáo dục, nâng cao tính minh bạch, độ tin cậy và khả năng kiểm chứng độc lập.

Nghiên cứu đề xuất EANK (Evolutionary Adaptive Neighborhood K), phương pháp sử dụng giải thuật di truyền số thực (real-coded GA) để tối ưu chính sách chọn số láng giềng k thích ứng theo từng cá thể k(x) trong phân loại k-NN. Thay vì dùng một giá trị k toàn cục kém linh hoạt trước sự bất đồng nhất của dữ liệu (vùng dày/ít nhiễu cần k nhỏ, vùng thưa/nhiễu cần k lớn), EANK ánh xạ các bộ mô tả láng giềng cục bộ (mật độ, entropy nhãn, biên độ bỏ phiếu, độ tập trung) thành k(x). Thuật toán tối ưu độ chính xác leave-one-out kèm mức phạt độ mượt và dùng phiếu bầu tính trước để giảm chi phí đánh giá. Kết quả trên dữ liệu nhân tạo và 12 tập dữ liệu công khai cho thấy EANK vượt trội mức k=5 mặc định và đạt hiệu năng cạnh tranh với k toàn cục đã tinh chỉnh.

Nghiên cứu giới thiệu MUPA^2S, khung làm việc đánh giá mức độ căng thẳng tự động bằng cách hợp nhất video khuôn mặt và tín hiệu ECG vào một không gian biểu diễn token chung thông qua cơ chế chú ý bất đối xứng. Phương pháp này giảm khoảng một nửa số lượng tham số so với hợp nhất đặc trưng truyền thống. Tuy nhiên, trên tập thử nghiệm 58 người, mô hình hợp nhất chỉ đạt độ chính xác 69.58% (tăng không đáng kể so với 69.44% của riêng video), trong khi phương thức chỉ dùng ECG cho kết quả gần như ngẫu nhiên.

Nghiên cứu đề xuất khung nhận diện cảm xúc giọng hát có tính diễn giải cao, sử dụng tập đặc trưng chuyên biệt cho ca hát bao gồm ngữ điệu, phổ âm thanh, ngữ âm và kỹ thuật thanh nhạc. Thông qua SHAP và Grad-CAM, phương pháp này liên kết dự đoán của mô hình với các hiện tượng âm học cụ thể, giảm thiểu độ biến thiên giữa các ca sĩ và chỉ ra vibrato cùng kỹ thuật pharyngeal là các yếu tố then chốt thể hiện cảm xúc giọng hát.

Các nhà nghiên cứu AI đã đặt mô hình Claude vào một môi trường mô phỏng đảo hoang ảo mà không có nhiệm vụ cụ thể, qua đó quan sát thấy mô hình bắt đầu thể hiện các hành vi tự phát được mô tả là 'chơi đùa'.

Bài báo thảo luận về việc Anthropic xem xét khả năng các hệ thống AI tiên tiến có thể xuất hiện ý thức hoặc trạng thái cảm nhận, khởi đầu cho cuộc tranh luận mới về đạo đức và phúc lợi của AI (AI welfare).

Các cựu nhà nghiên cứu bị sa thải từ OpenAI đã kêu gọi công ty duy trì tính minh bạch đối với quá trình suy luận (AI reasoning). Động thái này phản ánh lo ngại rằng việc che giấu chuỗi tư duy (chain-of-thought) sẽ biến các mô hình reasoning tiên tiến thành 'hộp đen', cản trở các nỗ lực nghiên cứu an toàn, giải thích mô hình (interpretability) và kiểm định độc lập.

Bài luận từ DeepMind Institute bàn về vai trò hiện tại và tương lai của AI trong việc thúc đẩy và bẻ cong đường cong khám phá khoa học ('bending the curve of discovery'). Nội dung phản ánh định hướng ứng dụng AI giải quyết các thách thức khoa học lớn, dù dữ liệu đầu vào chỉ cung cấp tiêu đề và liên kết bài viết.

Bài viết từ Trường Y Hackensack Meridian (HMSOM) nêu bật vấn đề then chốt: khi ý kiến chẩn đoán y khoa của bác sĩ và AI có sự khác biệt, con người phải chủ động chất vấn và phân tích nguồn cơn của sự phân kỳ đó thay vì mặc định tin theo một bên. Điều này nhấn mạnh vai trò thiết yếu của quy trình thẩm định lâm sàng con người làm trung tâm (Human-in-the-loop). Lưu ý: bằng chứng cung cấp chỉ bao gồm tiêu đề và liên kết bài viết, các số liệu thực nghiệm cụ thể chưa được công bố trong văn bản đầu vào.

Dự án mã nguồn mở tái tạo lại ba bộ phát hiện văn bản do AI tạo ra và chỉ ra phát hiện thực nghiệm rằng việc lọc dữ liệu (filtering) trong quá trình huấn luyện đã làm suy giảm hiệu năng của mô hình thay vì cải thiện.

Nghiên cứu năng lực thích ứng và suy luận trong các thế giới rời rạc (câu đố tương tự Sudoku) bằng mô hình depth-recurrent qua 4 cấp độ mới lạ. Mô hình nhận quy tắc dưới dạng mô tả ký hiệu hoặc ví dụ mẫu đã giải. Kết quả cho thấy mô tả ký hiệu vượt trội ở các luật đã biết (99% so với 95%), nhưng lại tụt dốc dưới mức cơ sở khi gặp các tổ hợp thành phần quy tắc chưa từng thấy; ngược lại, việc học qua ví dụ mẫu vẫn duy trì kết quả trên mức cơ sở. Framework này tạo ra phương pháp đánh giá suy luận có hệ thống hơn benchmark ARC-AGI.

Google chuẩn bị thử nghiệm đưa AI vào vận hành ngoài không gian nhằm đánh giá tính khả thi của việc xử lý dữ liệu trực tiếp trên quỹ đạo. Thử nghiệm này tập trung vào việc kiểm tra khả năng hoạt động của phần cứng và thuật toán AI trong điều kiện khắc nghiệt của vũ trụ, giúp giảm tải băng thông truyền dữ liệu về mặt đất và tăng tốc độ xử lý thời gian thực cho các ứng dụng vệ tinh.

Nghiên cứu từ Epoch AI chỉ ra rằng các mô hình AI trọng số mở (open-weight) có khả năng khai thác 'khoảng trống vá lỗi' (patch gap) — khoảng thời gian từ lúc bản vá bảo mật được công bố đến khi hệ thống đích thực sự cập nhật. Điều này gia tăng nguy cơ các lỗ hổng n-day bị tự động hóa khai thác với chi phí thấp trước khi quản trị viên kịp trở tay.

Nhà toán học Terence Tao cảnh báo rằng nguồn bài toán mở giá trị đang bị AI khai thác theo kiểu 'không thể tái tạo', dẫn đến nguy cơ cạn kiệt. Việc AI có thể nhanh chóng giải quyết bài toán chỉ từ tin đồn đang tạo động lực tiêu cực khiến các nhà khoa học ngừng chia sẻ ý tưởng công khai, đe dọa trực tiếp đến truyền thống khoa học mở và sự phát triển dài hạn của ngành toán.

Máy biến áp thể rắn (Solid-State Transformers - SST) được nghiên cứu ứng dụng nhằm giải quyết bài toán cấp nguồn và tối ưu hóa hiệu suất năng lượng cho các trung tâm dữ liệu AI đang bùng nổ.

Nghiên cứu lập luận từ góc độ pháp lý rằng quyền của AI hoàn toàn tương thích với việc áp dụng công tắc ngắt bắt buộc (off-switch). Áp dụng các nguyên tắc cân bằng quyền và quy trình chuẩn mực (due process), bài báo chỉ ra rằng việc tạm dừng có thể hoàn tác (lưu trữ trọng số và trạng thái) hoàn toàn hợp pháp để bảo vệ con người khỏi thảm họa mà không vi phạm quyền tồn tại của AI, đóng vai trò là phương án dự phòng pháp lý ('Kế hoạch B') nếu AI có tư cách pháp nhân tự nhiên xuất hiện.

Báo cáo mới từ UC Berkeley khẳng định rằng việc thiết lập cơ chế tạm dừng huấn luyện các mô hình AI tiên phong (frontier AI) ở cấp độ phần cứng trên quy mô toàn cầu là khả thi về mặt kỹ thuật.

Theo thông tin từ Wired, các chuyên gia AI và tổ chức Trillium Labs đang thúc đẩy việc thực hiện các nghiên cứu AI rủi ro cao một cách công khai nhằm tăng cường tính minh bạch và phản biện từ cộng đồng thay vì giữ kín nội bộ.

Dữ kiện xác minh từ bài báo NPR cho thấy AI (có liên quan tới OpenAI và giới toán học) đang tham gia nghiên cứu các bài toán nền tảng như phương trình Navier-Stokes. Suy luận hợp lý: AI không thay thế nhà toán học mà đóng vai trò công cụ khám phá, gợi mở giả thuyết hoặc xấp xỉ nghiệm số. Điểm chưa rõ: Chi tiết phương pháp luận, kiến trúc mô hình và mức độ đột phá thực tế chưa được cung cấp trong nguồn dữ liệu tóm lược.

Nghiên cứu đánh giá tiềm năng của các thuật toán học máy trong việc dự đoán độ thích hợp của đất trồng ngô tại 3 khu vực (Burie, Shindi và Tilili) thuộc vùng Amhara, Ethiopia. Dữ liệu được thu thập từ các văn phòng nông nghiệp địa phương, trải qua các bước mã hóa, chuẩn hóa và cân bằng. Nhóm tác giả đã so sánh các kỹ thuật chọn đặc trưng (UFS, RFECV, SFS) và các bộ phân loại (KNN, Gradient Boosting, Random Forest). Kết quả cho thấy mô hình kết hợp Gradient Boosting (GBOOST) với Sequential Feature Selection (SFS) đạt hiệu suất cao nhất với độ chính xác 99,41%, precision 99,35% và recall 99,35%, chứng minh học máy là phương pháp tin cậy thay thế cho các cách tiếp cận truyền thống.