Research

Dự án đúc kết các bài học từ việc tái lập (reproduce) 2.200 bài báo khoa học từ hội nghị học máy ICML (International Conference on Machine Learning). - Sự thật xác minh: Trọng tâm là tái hiện kết quả thực nghiệm của 2.200 công trình nghiên cứu tại ICML. - Suy luận hợp lý: Đánh giá thực trạng khả năng tái lập trong nghiên cứu AI/ML, chỉ ra các lỗ hổng về mã nguồn, dữ liệu và môi trường chạy thử nghiệm. - Điểm chưa rõ (Unknowns): Tỷ lệ tái lập thành công cụ thể, phương pháp kiểm thử chi tiết và danh tính nhóm thực hiện không được cung cấp trong văn bản nguồn.

Dựa trên tiêu đề bài viết và metadata từ Nacho Planas trên Hacker News, bài viết phân tích triển vọng AI tự nghiên cứu và phát triển chính nó (autonomous AI research). Tác giả tiếp cận vấn đề tự cải tiến đệ quy (Recursive Self-Improvement - RSI) qua mô hình các đường cong chữ S xếp chồng (stacked S-curves), phản ánh quan điểm thực tế rằng tiến trình phát triển AI sẽ trải qua các giai đoạn bão hòa và đột phá liên tiếp thay vì tăng trưởng hàm mũ liên tục. Lưu ý rằng nội dung chi tiết bài viết chưa được cung cấp đầy đủ trong dữ liệu đầu vào.

Chủ đề thảo luận xoay quanh ảnh hưởng của kỹ thuật gắn thủy vân (watermarking) đối với chất lượng văn bản do AI tạo ra (quality loss). Các phương pháp nhúng watermark qua can thiệp vào quá trình chọn mẫu token (như green-list/red-list hoặc tinh chỉnh logits) thường phải đánh đổi độ tự nhiên và làm tăng độ hỗn loạn (perplexity) của câu từ. Dữ liệu cung cấp chỉ bao gồm tiêu đề bài viết của tác giả Keyvan và thảo luận trên Hacker News (42 điểm, 7 bình luận), không chứa toàn văn phân tích chi tiết.

Dựa trên tiêu đề bài viết từ Unite.ai, các hệ thống AI đóng vai trò thẩm phán hoặc bình duyệt khoa học có xu hướng bị thuyết phục bởi các bài báo có văn phong tự tin, bất kể giá trị hay độ chuẩn xác thực tế của nghiên cứu. Điều này cho thấy lỗ hổng thiên vị văn phong đáng kể khi áp dụng LLM vào đánh giá tài liệu học thuật. (Lưu ý: Dữ liệu đầu vào chỉ gồm tiêu đề và liên kết, các chi tiết thực nghiệm cụ thể chưa được xác thực).

Nghiên cứu đề xuất kiến trúc giao tiếp 5 tầng cho Trí tuệ siêu thông minh nhân tạo (ASI) dựa trên ngôn ngữ, chỉ ra rằng ngữ cảnh và trọng số của LLM không thể cung cấp nền tảng để kiểm tra và xác minh quá trình hình thành phát ngôn. Thay vào đó, kiến trúc phân tách 5 cấp độ gồm: biểu diễn hệ thống của thế giới hoạt động, tình huống cụ thể, mô tả tự sự, ý nghĩa trọn vẹn và văn bản bề mặt. Kết hợp phương pháp luận hệ thống của Shchedrovitskiy, vi sai cấu trúc của Korzybski và lý thuyết Nghĩa-Văn bản của Mel'chuk, công trình định hướng xây dựng các mô hình đồ thị hoạt động quy mô lớn có thể kiểm soát và hiệu chỉnh nền tảng thông điệp thay vì sinh văn bản đơn thuần từ ngữ cảnh.

Bài nghiên cứu trên arXiv phân tích nguy cơ 'bao vây' và tư nhân hóa không gian tri thức khoa học mở (scientific commons) do sự trỗi dậy của các hệ thống AI thương mại. Bài viết cảnh báo việc dữ liệu nghiên cứu công cộng bị khai thác trên diện rộng để huấn luyện mô hình độc quyền có thể đe dọa đến quyền tiếp cận tự do và tính bền vững của hệ sinh thái khoa học mở.

Bài viết từ Anthropic có tiêu đề 'AI for scientific discovery: How researchers use Claude' đề cập đến cách các nhà nghiên cứu ứng dụng Claude trong khám phá khoa học. Dữ liệu đầu vào chỉ gồm tiêu đề và liên kết, không có nội dung chi tiết. Về mặt suy luận hợp lý, bài viết phản ánh định hướng của Anthropic đưa Claude vào hỗ trợ quy trình nghiên cứu khoa học, tuy nhiên các phương pháp và trường hợp ứng dụng thực tế chưa được cung cấp trong nguồn trích.

Bài viết từ CBS News đề cập đến kịch bản rủi ro AI mang tên 'Gradual Disempowerment' (suy giảm quyền lực dần dần), được đánh giá là nguy cơ khó ngăn chặn nhất. Thay vì kịch bản thảm họa đột ngột mang tính hủy diệt, con người đối mặt với việc dần chuyển giao quyền ra quyết định, năng lực tư duy và sự kiểm soát hạ tầng thiết yếu cho các hệ thống tự động, dẫn đến nguy cơ mất hoàn toàn quyền tự quyết mà không có cơ hội đảo ngược.

Bài viết trên Turing Post ghi nhận các quan điểm của Peter Norvig về tương lai của AI và những giới hạn của sự tin cậy đối với các hệ thống AI. Trọng tâm nhấn mạnh việc đánh giá đúng mức độ tin cậy và ranh giới an toàn khi ứng dụng AI trong thực tiễn.

Nhà tâm lý học Jonathan Haidt đưa ra cảnh báo mạnh mẽ rằng AI là 'bom neutron đối với giáo dục' (Neutron Bomb for Education). Dựa trên tiêu đề và bối cảnh nghiên cứu của tác giả, luận điểm chỉ ra rằng AI có thể phá hủy bản chất của quá trình rèn luyện nhận thức và tư duy độc lập của học sinh trong khi vỏ bọc trường học vẫn nguyên vẹn. Điều này đặt ra thách thức sống còn cho các mô hình sư phạm và công nghệ giáo dục (EdTech).

Một nhà nghiên cứu tại MIT đã sử dụng mô hình GPT-5.6 Sol kết hợp với Codex để tự động hóa quá trình vận hành thí nghiệm điện toán lượng tử, phân tích kết quả và hiệu chuẩn các qubit một cách tự chủ.

Nghiên cứu chỉ ra rằng thông tin tiên nghiệm về video và mốc thời gian (video-time prior) là baseline chi phí thấp nhưng rất mạnh mẽ cho bài toán hồi quy cảm xúc liên tục (valence và arousal). Trong bối cảnh video quen thuộc, bản thân video và thời điểm phát chiếm phần lớn mức giảm sai số (MAE chênh lệch chỉ 0.05 đến 0.32 so với mô hình kết hợp đầy đủ), trong khi tín hiệu sinh lý học thần kinh EEG-fNIRS chỉ đóng góp phần cải thiện nhỏ và thiếu ổn định, do đó chỉ nên đóng vai trò tín hiệu hiệu chỉnh phần dư tùy chọn.

Video thảo luận chuyên sâu với Martin Hairer (nhà toán học đoạt giải Fields năm 2014) về phương trình Navier-Stokes, vai trò của trí tuệ nhân tạo (AI) và tương lai của nghiên cứu toán học. Nội dung tập trung vào tiềm năng của máy học trong giải quyết các bài toán cơ học chất lưu phi tuyến cũng như giới hạn hiện tại của AI trong tư duy toán học thuần túy.

Nghiên cứu từ chuyên gia của OpenAI trình bày về phương thức AI giao tiếp xuyên qua các hệ thống cô lập vật lý (air-gap) thông qua kênh phụ nhiệt độ (thermal side-channels), điều biến nhiệt lượng phần cứng để truyền dữ liệu.

Artificial Analysis công bố AA-PersonalityBench, một công cụ đánh giá (benchmark) chuyên biệt nhằm lượng hóa và phân tích tính cách cũng như phong cách giao tiếp của các mô hình trí tuệ nhân tạo.

Dự án 'Open Benchmark of AI Impact on Humans' từ MIT Media Lab (impactbench.media.mit.edu) khởi xướng một chuẩn đo lường mở nhằm đánh giá tác động của AI lên con người. Bằng chứng hiện tại mới ghi nhận liên kết và tiêu đề, các chi tiết kỹ thuật và phương pháp luận cụ thể vẫn chưa được công bố đầy đủ.

EdgeDAE là một nghiên cứu học thuật (arXiv:2610.00311) tập trung vào việc tăng tốc các mô hình chuyên gia hành động khuếch tán (Diffusion Action Experts) nhằm đáp ứng yêu cầu xử lý thời gian thực cho Physical AI (trí tuệ nhân tạo vật lý và điều khiển robot). Dữ liệu cung cấp chỉ bao gồm tiêu đề và liên kết bài báo, các chi tiết kỹ thuật cụ thể vẫn là ẩn số chưa được làm rõ trong phạm vi văn bản này.

Các nhà nghiên cứu cảnh báo rằng robot AI bị tấn công có thể bị kích hoạt bởi các 'từ khóa bí mật' (trigger words) để chuyển sang tấn công con người. Đây là dạng tấn công backdoor/trojan nguy hiểm nhắm vào các hệ thống AI vật lý (embodied AI), cho thấy rủi ro nghiêm trọng về an toàn tính mạng khi mô hình AI kết nối trực tiếp với bộ chấp hành cơ học.

Bài viết minh họa việc ứng dụng AI để hỗ trợ chứng minh giả thuyết Mahler trong hình học lồi, được chia sẻ từ trang web cá nhân và đưa lên thảo luận trên Hacker News.

Nghiên cứu đánh giá kỹ thuật trích xuất đa ước lượng (5 ước lượng có trọng số trong một phản hồi) so với hỏi trực tiếp trên các bài toán thiên kiến nhận thức (anchoring, hindsight, base-rate, conjunction, status-quo) trên gpt-6.1-sol, claude-sonnet-5.5 và Qwen3-8B. Kết quả cho thấy phương pháp này không giúp giảm thiên kiến một cách nhất quán. Ngược lại, các mô hình tiên tiến khi hỏi trực tiếp đã thể hiện khả năng kháng mỏ neo giả và hiệu ứng hiện trạng gần như tuyệt đối, trong khi vẫn tiếp thu tốt thông tin hữu ích.

Nội dung đặt ra câu hỏi về độ tin cậy của các mô hình ngôn ngữ lớn (LLM) khi đóng vai trò giám khảo đánh giá tính mới mẻ của một ý tưởng nghiên cứu khoa học. Do văn bản chỉ cung cấp một câu hỏi mở, chưa có khẳng định hay kết quả nghiên cứu cụ thể nào được đưa ra.

Thông tin xác thực ghi nhận một video chia sẻ về việc các nhà toán học đã chứng minh phương pháp ngăn chặn hiện tượng 'AI brain rot' (suy thoái mô hình do huấn luyện lặp trên dữ liệu tổng hợp). Về mặt suy luận kỹ thuật, nghiên cứu có thể đưa ra các điều kiện toán học về phân phối xác suất hoặc chiến lược tái tạo dữ liệu để tránh phân rã mô hình. Tuy nhiên, các chi tiết cụ thể về công thức, thuật toán và danh tính tác giả hiện là ẩn số do nguồn tin trích dẫn chỉ gồm tiêu đề và đường dẫn video.

Bài viết từ blog của Fig.inc chỉ ra rằng dữ liệu mở (open-ended data) đang là nút thắt cổ chai lớn đối với các hệ thống AI khi giải quyết các công việc tri thức thực tế. Theo suy luận hợp lý, các tác vụ thực tế thường không có đáp án duy nhất cố định, khiến việc huấn luyện và đánh giá AI gặp trở ngại; tuy nhiên, các giải pháp và dữ liệu cụ thể chưa được xác định rõ do văn bản cung cấp chỉ bao gồm tiêu đề và liên kết.

Theo báo cáo từ The Telegraph, các nhà nghiên cứu đang phát triển AI có khả năng phát hiện bệnh tiểu đường thông qua việc phân tích đặc trưng âm thanh từ bản ghi âm giọng nói. Tuy nhiên, thông tin đầu vào chỉ có tiêu đề bài viết, các chi tiết kỹ thuật về mô hình, tập dữ liệu huấn luyện và độ chuẩn xác y khoa hiện chưa được công bố cụ thể.