Một nghiên cứu toàn cầu từ Viện Giá trị Doanh nghiệp của IBM (IBV) cho thấy AI đang phát triển cực nhanh trong môi trường doanh nghiệp. AI giờ đây không còn hỗ trợ giới hạn theo lệnh của con người — mà đang từng bước tự hành động một cách độc lập. Không đơn thuần "Tự động hóa 2.0", AI agent chính xác là giai đoạn bản lề trong mối quan hệ hợp tác giữa con người và công nghệ, với nhiều tác động khủng khiếp đến hiệu suất lao động và giá trị cạnh tranh.

“AI agent đang tiến nhanh hơn dự đoán rất nhiều,” theo lời Karen Butner, lãnh đạo nghiên cứu toàn cầu tại IBV. “Khách hàng của chúng tôi đang thử nghiệm các nguyên mẫu AI agent trong nhiều lĩnh vực vận hành khác nhau. Tín hiệu cho thấy rất tích cực.”

Điểm đặc biệt là AI agents không cần nghỉ ngơi, không cần chữa lành. 3/4 lãnh đạo doanh nghiệp Hoa Kỳ được khảo sát cho biết họ kỳ vọng AI agent có thể tự động xử lý các quy trình giao dịch và hoạt động 24/7 trong vòng hai năm tới — một bước nhảy vọt so với trợ lý AI hiện tại vẫn cần được ra lệnh, nhập prompt, chỉ dẫn trước khi hành động.

Những AI agents này tự quyết định công cụ cần dùng, thời điểm sử dụng, cách thích nghi với tình huống cụ thể. Với khả năng tối ưu quy trình làm việc, phân tích vòng phản hồi và hỗ trợ ra quyết định theo thời gian thực, con người sẽ có nhiều thời gian hơn để tập trung trọn vẹn vào quá trình phân tích sâu trước khi lựa chọn quyết định chiến lược thúc đẩy đổi mới.

Tuy nhiên, như bất kỳ cuộc cách mạng nào, quá trình chuyển đổi sang AI agent không hề dễ dàng. Nhiều lãnh đạo được khảo sát cho biết sẽ cần đầu tư nguồn lực đáng kể — không chỉ công nghệ và chi phí, mà cả nhân sự phù hợp, bảo trì bảo dưỡng và quy mô triển khai.

“Cần thiết lập chỉ số KPIs rõ ràng cho các AI agent (như Bút Chì AI) đảm bảo chúng gắn liền với mục tiêu kinh doanh, song song với chiến lược công nghệ dài hạn. Cái khó của ứng dụng AI agent là nhiều người tưởng nó dễ,” Butner nhấn mạnh.

P/s: Content là khổ luyện. Không chuốt Bút Chì AI là khổ lắm!

Khi ngày càng nhiều mô hình AI "mạnh như súng, đúng như vợ" kiểu Qwen3-235B-A22B của Alibaba được phát hành miễn phí và liên tục phá kỷ lục trên các bảng xếp hạng, câu hỏi đặt ra là: tương lai của mã nguồn mở sẽ đi về đâu?

Theo Gabe Goodhart, Kiến trúc sư trưởng Đổi mới AI Mở tại IBM, việc đơn giản hóa quá trình sử dụng mô hình mã nguồn mở sẽ là chìa khóa giúp chúng cạnh tranh với các mô hình “đóng”.

“Luôn có chỗ cho những mô hình kiểu ‘vườn đóng’ như Apple,” ông nói trong cuộc phỏng vấn với IBM Think. “Nhưng tiềm năng của các mô hình mở là cực kỳ lớn, nhất là khi chúng ngày càng dễ dùng hơn.”

Qwen3, một trong những mô hình AI mạnh nhất hiện nay, vừa vươn lên dẫn đầu bảng xếp hạng LiveBench — nơi đánh giá mô hình qua các tác vụ như toán học, lập trình và phân tích dữ liệu. Alibaba đã công khai mô hình này cho mọi người sử dụng tự do, minh chứng rõ ràng rằng phát triển mã nguồn mở đang tạo ra cơ hội ngàn vàng để tiếp cận AI miễn phí đối với nhóm người “em yêu khoa học”.

Một số mô hình mã nguồn mở nổi bật khác bao gồm:

- Llama của Meta: thiết kế dễ mở rộng và tinh chỉnh.
- R1 của DeepSeek: khả năng tổng hợp cực kỳ tốt.

Anh cả IBM — vốn luôn ủng hộ mã nguồn mở — cũng đã phát hành các mô hình nền tảng Granite dưới giấy phép Apache 2.0, mục tiêu mang đến cho doanh nghiệp công cụ minh bạch, dễ dàng tùy chỉnh.

Theo Goodhart, hệ thống mã nguồn mở mang lại quyền tự chủ lớn hơn cho lập trình viên, dù quá trình triển khai ứng dụng vào đời sống thật vẫn đòi hỏi kỹ năng vibe code thần sầu.

“API mới. Ứng dụng mới. Sức mạnh Llama toàn diện”. Meta đã tổ chức LlamaCon lần đầu tiên, một hội nghị dành riêng cho nhà phát triển ứng dụng AI toàn cầu (tương tự Bút Chì AI) nhằm giới thiệu loạt sản phẩm và thông báo mới. Họ đã thực sự “chơi lớn” đúng chất anh lớn.

Trước tiên, Meta công bố API Llama — một API hoàn toàn tùy biến, không bị ràng buộc. API này (hiện đang ở giai đoạn preview) cho phép tạo key truy cập chỉ với một cú nhấp chuột, kèm theo môi trường thử nghiệm tương tác, giúp lập trình viên dễ dàng kiểm thử các mô hình khác nhau, bao gồm Llama 4 Scout và Llama 4 Maverick.

Đáng chú ý, Meta đồng thời giới thiệu Llama Stack tích hợp với IBM. Theo lời Vyoma Gajjar, Kiến trúc sư giải pháp AI tại IBM, chia sẻ với IBM Think: “Mục tiêu là thúc đẩy mạnh mẽ sự ứng dụng của Llama trong môi trường doanh nghiệp và cộng đồng lập trình viên.”

Nhân dịp cán mốc 1 tỷ người dùng trên chuỗi ứng dụng nổi tiếng của mình, Meta cũng ra mắt Meta AI — trợ lý ảo cá nhân xây dựng trên nền tảng Llama 4, với tham vọng cạnh tranh trực tiếp với ChatGPT. “Llama có nhiều mô hình rất tốt như Maverick và Scout,” Gajjar nhận xét, nhưng cũng đặt dấu hỏi: “Tôi hiểu rõ lý do Meta làm ứng dụng này, nhưng liệu có thành công hay không vẫn cần thời gian trả lời?”

Dù sao đi nữa, một điều rõ ràng là: với hội nghị AI đầu tiên dành riêng cho Llama, Meta đang đặt cược lớn vào cộng đồng mã nguồn mở và các lập trình viên sử dụng sản phẩm của họ. Đời là chặng đua, thua là chặng nghỉ.

“Mọi thứ tại sự kiện đều xoay quanh lập trình viên và mã nguồn mở, Gajjar nói. “Meta có vẻ như đang đi đúng hướng, vì người tạo ra ứng dụng, hàng triệu ứng dụng chính là các nhà phát triển.”

Cơn khát dữ liệu cao cấp để huấn luyện mô hình ngôn ngữ lớn (LLM) ngày càng "vô đáy", đang dẫn các công ty công nghệ AI nhảy vào những lĩnh vực mới với vô vàn thách thức phía trước — bao gồm cả... mạng xã hội?

OpenAI được đồn đoán đang âm thầm phát triển một nền tảng mạng xã hội — thoạt nhìn có vẻ như bước đi "lệch hướng" so với sản phẩm cốt lõi. Tuy nhiên, nếu nhìn kỹ hơn, điều này lại khá hợp lý. Theo chuyên gia Kate Soule, Giám đốc Nghiên cứu tại IBM, dữ liệu biết đâu là lý do chính. Trong một tập podcast Mixture of Experts, bà cho biết: “Tôi nghĩ họ làm vậy vì lượng dữ liệu khổng lồ có thể thu thập ‘hậu trường’ — để dùng huấn luyện các mô hình trong tương lai, giúp chúng biết cách trò chuyện tự nhiên, linh hoạt và mạnh mẽ hơn.”

Trong khi đó, các con bot đang cào dữ liệu hết ngày dài đến đêm thâu từ Wikimedia, nhiều đến mức khiến hệ thống của tổ chức này quá tải, theo báo cáo từ Wikimedia Foundation. Điều này không khiến Soule ngạc nhiên, vì: “Đây là nguồn dữ liệu chất lượng cao, chứa nhiều liên kết giàu thông tin thể hiện mối quan hệ giữa các chủ đề.”

Từ tháng 1 năm 2024 đến nay, Wikimedia cho biết băng thông dùng để tải nội dung đa phương tiện đã tăng tới 50%. Theo Soule, ngành công nghệ cần làm tốt hơn trong việc chia sẻ chi phí giữa các nhà cung cấp mô hình AI và các nhà cung cấp dữ liệu. “Chúng ta thực sự cần một cuộc thảo luận rộng hơn về cách hợp tác có trách nhiệm với các bên như Wikimedia.”

P/s: Dữ liệu content quảng cáo chuyên biệt của Bút Chì AI được tích luỹ từ 18 năm king nghiệm làm copywriter chuyên nghiệp của người đồng sáng lập.

Một trong những hạn chế lớn nhất của AI từ trước đến nay là… nhớ trước, quên sau — nhưng điều đó đang thay đổi.

OpenAI đang triển khai hệ thống trí nhớ mới cho ChatGPT, cho phép ghi nhớ và tham chiếu toàn bộ lịch sử trò chuyện của người dùng, chứ không chỉ vài thông tin rời rạc như trước. Tính năng này hiện đã tích hợp cho người dùng gói Plus và Pro, giúp các cuộc trò chuyện trở nên cá nhân hóa và bám sát ngữ cảnh.

Các chuyên gia cho rằng, trí nhớ là bước tiến quan trọng để AI trở nên thích ứng, hữu ích và giống con người hơn. Payel Das, nhà nghiên cứu tại IBM, chia sẻ với IBM Think rằng: “Trí nhớ trong AI giúp tăng độ chính xác và khả năng thích nghi, đặc biệt khi kết hợp với các cơ chế như bộ nhớ dài hạn hoặc bộ nhớ theo từng giai đoạn.”

Tuy nhiên, một số chuyên gia cảnh báo trí nhớ của AI cũng có thể làm dấy lên những quan ngại về đạo đức, đặc biệt về quyền riêng tư và khả năng kiểm soát dữ liệu. Nhà nghiên cứu AI Vasant Dhar nhận xét: “Nó giống như miền Tây hoang dã — các công ty đang thu thập dữ liệu mà không có quy tắc rõ ràng, trong khi người dùng gần như không kiểm soát được gì.” Ông cảnh báo trí nhớ dài hạn trong các hệ thống AI tưởng không rủi ro, nhưng rủi ro không tưởng.

[ Người dùng Việt Nam cho rằng ChatGPT hiểu họ còn hơn chính họ cũng không có gì ngạc nhiên, bởi thời gian họ tương tác sâu sắc và trao đổi thông tin thầm kín với ChatGPT ngày càng tăng ]

IBM đang tiếp cận bài toán trí nhớ theo nhiều hướng. Các mô hình Granite của hãng tích hợp bộ nhớ đệm hiệu quả, ưu tiên bảo mật dữ liệu; kiến trúc Larimar hỗ trợ khả năng ngữ cảnh hóa linh hoạt hơn cho các mô hình ngôn ngữ lớn (LLM). IBM cũng đang nghiên cứu bộ nhớ dạng tương tự (analog in-memory computing) để tăng tốc hiệu năng và giảm chi phí — một công nghệ có thể mở ra khả năng trang bị trí nhớ dài hạn cho các hệ thống AI quy mô doanh nghiệp.

Theo Das, “Trong tương lai, AI có thể phát triển thêm những khả năng nhận thức cao cấp dựa trên các mô-đun trí nhớ, như lý luận, tự phản ánh và dự đoán.”

Một nhóm nghiên cứu từ DeepSeek và Đại học Thanh Hoa (Tsinghua University) vừa công bố kỹ thuật huấn luyện mới giúp các mô hình ngôn ngữ lớn (LLM) trả lời nhanh hơn và chính xác hơn — bằng cách xây dựng mô hình đánh giá phần thưởng (reward model) có tính tổng quát và khả năng mở rộng cao, thay vì chỉ hoạt động trong các lĩnh vực cụ thể.

Trong học tăng cường, một “tác nhân” (agent) học cách đưa ra quyết định thông qua quá trình thử và sai, với sự hướng dẫn từ mô hình phần thưởng — mô hình này đóng vai trò như “giám khảo”, đánh giá đầu ra của LLM và đưa ra “phần thưởng” để hướng dẫn quá trình tinh chỉnh.

Các mô hình phần thưởng hiện tại hoạt động tốt trong những tình huống có câu trả lời rõ ràng, như lập trình hay toán học. Tuy nhiên, khi gặp các câu hỏi hack não mang tính chủ quan hoặc phức tạp, hiệu quả lại giảm đáng kể.

Để giải quyết vấn đề này, nhóm nghiên cứu DeepSeek đề xuất hướng tiếp cận mới: mô hình phần thưởng sinh ngôn (Generative Reward Model – GRM). Đây là mô hình độc lập, được huấn luyện để bắt chước cách con người đánh giá các câu trả lời mở. GRM sử dụng kỹ thuật “tinh chỉnh theo nguyên tắc tự phê bình” (self-principled critique tuning) — mô hình sẽ tự tạo ra các nguyên tắc và đánh giá, sau đó sử dụng chính các nguyên tắc đó để tinh chỉnh LLM thông qua học tăng cường. Quá xuất sắc.

Để đảm bảo chất lượng, mô hình phần thưởng “meta” được sử dụng như bộ lọc cuối cùng, giúp loại bỏ các nguyên tắc yếu, chỉ giữ lại những nguyên tắc đánh giá hiệu quả nhất.

Mặc dù học tăng cường dựa trên sở thích con người không có gì mới dưới ánh mặt trời, nhưng các chuyên gia đánh giá cao cách tiếp cận mới này vì tính tầng lớp và phản tư (tự nhìn nhận). Nhà nghiên cứu cao cấp Subhajit Chaudhury từ IBM chia sẻ với IBM Think rằng điều làm cho nghiên cứu này nổi bật chính là “sự kết hợp giữa tinh chỉnh theo nguyên tắc tự phê bình và mô hình phần thưởng meta — cách tiếp cận mang lại hiệu quả được kiểm chứng.”

P/s: Bút Chì AI đã áp dụng mô hình "phần thưởng" từ những ngày đầu, để huấn luyện và tinh chỉnh data nguồn trong lĩnh vực content quảng cáo!

Sau khi giải mã 100 giờ hoạt động thần kinh của con người, các nhà khoa học đã phát hiện bộ não và ChatGPT có thể đang xử lý hội thoại theo cách rất giống nhau.

Nghiên cứu được công bố trên tạp chí Nature cho thấy sự tương đồng kinh ngạc giữa tín hiệu thần kinh trong môi trường thực tế và cách mà các mô hình ngôn ngữ AI xử lý thông tin. Một số chuyên gia cho rằng phát hiện này có thể giúp cải thiện các công nghệ xử lý giọng nói trong doanh nghiệp. Cụ thể, các công ty đang phát triển dịch vụ chuyển giọng nói thành văn bản, trợ lý ảo hay hệ thống chăm sóc khách hàng tự động có thể tận dụng phát hiện này để xử lý âm thanh không rõ ràng trong môi trường thực tế tốt hơn — theo lời giáo sư Ariel Goldstein từ Đại học Hebrew, người đứng đầu nghiên cứu, chia sẻ với IBM Think.

“Ngôn ngữ đời thường diễn ra trong bối cảnh hỗn độn, chứ không phải trong phòng thí nghiệm vô trùng,” Goldstein nói. “Nghiên cứu của chúng tôi cho thấy nhận thức của con người và mô hình AI có thể đang chia sẻ một cách mã hóa linh hoạt và sâu sắc hơn để xử lý hội thoại.”

Nhóm nghiên cứu đã sử dụng mô hình AI Whisper của OpenAI cùng các kỹ thuật học sâu để lập bản đồ cách não bộ chuyển âm thanh thành ý nghĩa trong quá trình nói chuyện tự nhiên. Kết quả cho thấy có mối quan hệ tuyến tính giữa tín hiệu thần kinh của con người và cách mà AI mã hóa thông tin. Rất thú vị.

Dù đã đạt được những tiến bộ đáng kể trong việc giải mã hoạt động não bộ, công nghệ “đọc suy nghĩ” vẫn còn là điều xa vời, bởi việc ghi lại và hiểu trọn vẹn quá trình hình thành tư duy phức tạp vẫn là thách thức lớn — Goldstein lưu ý. “Đây là một bước tiến,” ông nói. “Nhưng vẫn còn điều gì đó kỳ diệu trong cách bộ não con người lắp ghép từ ngữ một cách linh hoạt.”

Mối liên hệ giữa não bộ và AI cũng đã truyền cảm hứng cho các sáng tạo tại IBM Research. Tại đây, các nhà khoa học đã phát triển các con chip như NorthPole, mô phỏng kiến trúc thần kinh bằng cách loại bỏ rào cản giữa bộ nhớ và xử lý dữ liệu. Nguyên mẫu của IBM đã thể hiện hiệu suất kinh ngạc, có thể chạy mô hình AI lớn nhanh hơn 46,9 lần so với các GPU hàng đầu hiện nay.