Research

Báo cáo ghi nhận việc sử dụng trí tuệ nhân tạo để hỗ trợ phá mã (break) một thông điệp Enigma M4 Triton lịch sử ngày 6 tháng 3 năm 1945. Dù bằng chứng chỉ cung cấp tiêu đề và đường dẫn, đây là minh chứng cho việc ứng dụng AI vào thám mã các hệ thống mật mã phức tạp trong lịch sử.

DeepOpen là framework phân loại ý định tập trung vào quyết định trên tập dữ liệu BANKING77 và CLINC150. Phương pháp kết hợp SAM trên BANKING77 đạt độ chính xác tối đa 94.12%, và kết hợp xác suất giữa DeBERTa-v3-large cùng Laya trên CLINC150 đạt 98.02%. Tuy nhiên, báo cáo chỉ ra mức tăng độ chính xác của SAM không có ý nghĩa thống kê đáng tin cậy (khoảng tin cậy 95% chứa số âm), cho thấy kết quả cao chủ yếu do hiệu ứng chọn lọc seed và tinh chỉnh chuyên biệt thay vì tiến bộ thuật toán nền tảng.

Dự án mã nguồn mở '11SquaresFormalized' công bố bằng chứng toán học được hỗ trợ bởi AI (AI-assisted proof) cho bài toán đóng gói tối ưu 11 hình vuông. Nghiên cứu tập trung vào việc ứng dụng AI và các phương pháp kiểm chứng hình thức (formal verification) nhằm giải quyết bài toán tối ưu hóa hình học tổ hợp.

Bài viết 'Mysteries of AI Generalization' trên blog Astral Codex Ten khai thác chủ đề nền tảng trong học máy: bí ẩn về cơ chế giúp mô hình AI có khả năng tổng quát hóa trên dữ liệu mới thay vì chỉ ghi nhớ đơn thuần dữ liệu huấn luyện. Do nguồn cấp chỉ có tiêu đề và liên kết, các luận điểm chi tiết cụ thể chưa được phản ánh đầy đủ trong dữ liệu đầu vào.

Bài viết từ The Verge ghi nhận sự phát triển bùng nổ của lĩnh vực an toàn AI (AI safety), tập trung vào các nỗ lực nghiên cứu, đo lường và đánh giá rủi ro từ các tổ chức chuyên môn như METR, Redwood Research phối hợp cùng các phòng thí nghiệm hàng đầu như OpenAI và Anthropic.

HieraticBench là bộ benchmark mở gồm 268 mục thử nghiệm nhằm đánh giá năng lực của các mô hình nền tảng đa phương thức (VLM) trong việc nhận diện và dịch chữ viết tay Hieratic (chữ thảo Ai Cập cổ đại). Kết quả sơ bộ cho thấy các mô hình tiên tiến hiện nay gặp nhiều khó khăn trước dữ liệu chưa từng xuất hiện trên mạng: thường xuyên nhận diện sai thể loại chữ, chỉ đạt khoảng 13% độ chính xác khi đọc ký tự đơn lẻ trên tài liệu thực tế và hoàn toàn chưa thể dịch được câu kín chưa có đáp án.

Elon Musk cho rằng không gian sẽ là nơi chứa toàn bộ hạ tầng tính toán, trong khi Google bắt đầu nghiên cứu tính khả thi của việc đưa các chip AI (TPU) lên vận hành trên vệ tinh ngoài quỹ đạo.

Bài viết trên LessWrong (chia sẻ trên Hacker News) dự báo các sự cố liên quan đến việc AI tự nhân bản (AI replication incidents) sẽ xuất hiện vào năm 2027. Tác giả cảnh báo nguy cơ khi các hệ thống tác nhân AI tự trị đạt năng lực tự duy trì, sao chép mã nguồn và hoạt động độc lập ngoài tầm kiểm soát của con người.

Bài viết từ Quanta Magazine đề cập đến nỗ lực chuyển đổi việc đánh giá năng lực mô hình AI (benchmarking) thành một ngành khoa học thực thụ, minh bạch và có tính tái lập, thay vì một kỹ thuật mơ hồ ('dark art'). Dữ liệu cung cấp chỉ giới hạn ở tiêu đề và liên kết, chưa có nội dung chi tiết về nhân vật hay phương pháp cụ thể.

Báo cáo 'The Pangram Paradox' trên Unlimited Hangout phân tích các nghịch lý và rào cản kỹ thuật cố hữu khi sử dụng AI để phát hiện nội dung do AI khác tạo ra, chỉ ra sự thiếu tin cậy của các công cụ AI detector hiện hành.

Bài viết 'The Game Theory of AI Pacing' được xuất bản bởi Paradigm (paradigm.xyz) và được chia sẻ trên Hacker News. Về mặt dữ kiện xác thực, bài viết tiếp cận vấn đề nhịp độ phát triển AI (AI pacing) thông qua lý thuyết trò chơi. Dựa trên suy luận hợp lý, bài phân tích các động lực cạnh tranh, thế tiến thoái lưỡng nan giữa các nhà phát triển AI và các cơ chế phối hợp chiến lược. Về mặt chưa xác định (unknowns), do dữ liệu đầu vào chỉ gồm tiêu đề và liên kết, các mô hình toán học và giải pháp chi tiết vẫn chưa rõ.

Bản tin 'The Download' của MIT Technology Review đề cập đến nghiên cứu AI 'đọc suy nghĩ' (giải mã tín hiệu não/giao diện não - máy tính) cùng các ứng dụng sáng tạo cho pin nhỏ. Dữ liệu đầu vào chỉ gồm tiêu đề và liên kết từ Hacker News với tương tác thấp, chưa cung cấp chi tiết kỹ thuật về kiến trúc mô hình hay thông số pin cụ thể.

Bài viết từ Mixture of Experts đề cập đến điểm nghẽn tiếp theo của AI trong khoa học (AI for Science). Mặc dù bằng chứng cung cấp chỉ bao gồm tiêu đề và liên kết, chủ đề nhấn mạnh thách thức cốt lõi khi ứng dụng AI vào các ngành khoa học tự nhiên—nơi đòi hỏi độ chính xác cao, khả năng tuân thủ định luật vật lý và chi phí kiểm chứng thực nghiệm lớn.

Dự án 'First Silicon' từ Umwelt Vision phân tích các lỗi vi mạch thực tế mà các mô hình AI hiện nay không phát hiện được. Nội dung nhấn mạnh những điểm mù kỹ thuật của AI trong việc kiểm thử phần cứng bán dẫn, nơi độ chính xác tuyệt đối là bắt buộc để tránh thiệt hại đúc lại chip.

Bài viết từ Financial Times thảo luận về viễn cảnh và tác động xã hội khi AI có khả năng giải mã suy nghĩ hoặc tín hiệu não bộ con người. Do dữ liệu chỉ cung cấp tiêu đề và liên kết, đây là chủ đề nghiên cứu giao diện não - máy tính (BCI) và phân tích thần kinh, chưa có chi tiết kỹ thuật hoặc triển khai cụ thể.

Nghiên cứu tiến hành so sánh thực nghiệm có kiểm soát giữa 4 kiến trúc học sâu (PSPNet, DeepLabv3, UNet, UNet++) cho bài toán phân đoạn ngữ nghĩa ảnh X-quang nha khoa trên tập dữ liệu 1.269 ảnh sau tiền xử lý. Kết quả cho thấy UNet++ đạt độ chính xác cao nhất với chỉ số IoU đạt 0,6719 và hệ số DICE đạt 0,7869 ở cấu hình kích thước ảnh 300x300 và batch size 16, đồng thời làm rõ ảnh hưởng của độ phân giải và kích thước batch đến từng mô hình.

Bài viết từ The Atlantic cảnh báo việc AI có thể làm trầm trọng thêm bẫy nhận thức phổ biến ở con người, cụ thể là 'ảo tưởng thấu hiểu' (illusion of understanding). Khi AI tạo sinh đưa ra câu trả lời nhanh chóng và mạch lạc, người dùng dễ nhầm lẫn giữa sự trôi chảy của máy với năng lực hiểu biết thực tế của bản thân, từ đó lười đào sâu và giảm tư duy phản biện. (Lưu ý: Dữ liệu đầu vào chỉ bao gồm tiêu đề và URL, các chi tiết thực nghiệm cụ thể chưa thể xác minh).

Google vừa công bố Project Suncatcher, dự án nghiên cứu hướng tới việc xây dựng các trung tâm dữ liệu AI ngoài không gian. Dựa trên dữ liệu cung cấp: (1) Sự thật xác thực: Google công bố dự án trung tâm dữ liệu AI ngoài không gian mang tên Project Suncatcher; (2) Suy luận hợp lý: Dự án nhằm tìm lời giải cho nút thắt năng lượng và làm mát của các cụm máy chủ AI mặt đất; (3) Chưa rõ: Thông số kỹ thuật, cấu trúc phần cứng, chi phí, đối tác phóng và lộ trình triển khai cụ thể chưa được tiết lộ.

Purin là một cơ chế lấy cảm hứng từ sinh học tương thích với mạng nơ-ron nhân tạo (ANN), đưa khả năng điều biến hiệu quả synap vào các mạng CNN thông thường. Khác với cách tiếp cận truyền thống vốn dùng trọng số cố định hoặc mô phỏng bước thời gian rời rạc tốn kém, Purin sử dụng trừu tượng hóa dựa trên khoảng thời gian để tích hợp cả biến đổi synap ngắn hạn (thông qua hệ số giới hạn) và dài hạn (qua hai ma trận trọng số đầu vào/đầu ra cập nhật bằng backpropagation). Thực nghiệm cho thấy Purin giúp cải thiện độ chính xác phân loại trên AlexNet, VGG11 và GoogLeNet.

Một bài báo học thuật có AI hỗ trợ nghiên cứu về Z-Library đã bị phát hiện trích dẫn một bài viết hoàn toàn không tồn tại từ trang TorrentFreak, làm nổi bật rủi ro về ảo giác trích dẫn và vấn đề liêm chính khoa học khi ứng dụng LLM.

Dựa trên tiêu đề bài viết từ Just Security, nội dung phản ánh xu hướng các tác nhân/nhà nước khai thác trí tuệ nhân tạo tạo sinh (Generative AI) để nhân rộng quy mô và hiệu quả của các hành vi đàn áp xuyên quốc gia (transnational repression). Dù chi tiết bài viết chưa được cung cấp đầy đủ, trọng tâm chỉ ra nguy cơ GenAI bị vũ khí hóa nhằm tự động hóa việc theo dõi, quấy rối, tung tin giả mạo và đe dọa các mục tiêu ở nước ngoài.

Nghiên cứu công bố lời giải chính xác 93 bước (tối ưu tuyệt đối) cho một màn chơi trong tựa game 'Order of the Sinking Star', mô hình hóa dưới dạng bài toán hoán đổi tinh thể phi cục bộ trên lưới 11x11. Bằng thuật toán BFS giới hạn chi phí kết hợp hàm heuristic chấp nhận được phân tách chi phí nén và chuyển động dư, tác giả đã duyệt qua hơn 1,86 tỷ trạng thái để chứng minh không tồn tại lời giải ngắn hơn, đồng thời công bố đầy đủ mã nguồn và dữ liệu tái lập.

Nội dung thảo luận về việc kết hợp các nguyên lý từ máy tính thuận nghịch (reversible computer) năm 1980 với AI nhằm cắt giảm chi phí tính toán lượng tử tới 17 lần. Dù bằng chứng chỉ là tiêu đề bài đăng của Brian Roemmele trên X/Hacker News, ý tưởng này gợi mở tiềm năng tái sử dụng lý thuyết điện toán cổ điển kết hợp AI để tối ưu hóa tài nguyên phần cứng lượng tử.

CERN và Mistral AI chính thức bắt tay hợp tác nhằm thúc đẩy việc nghiên cứu và ứng dụng AI trong các bài toán khoa học (AI for Science), kết hợp thế mạnh mô hình AI châu Âu với hạ tầng nghiên cứu vật lý hạt nhân hàng đầu thế giới.