Nội dung chính
1. Continual learning: dạy AI điều mới mà không quên điều cũ
Một trong những vấn đề lớn nhất của AI hiện tại là khi bạn dạy nó điều gì mới, nó có thể quên mất điều cũ. Hiện tượng này có tên "catastrophic forgetting" (quên tàn khốc), và là lý do các công ty thường phải retrain toàn bộ model từ đầu khi có dữ liệu mới. Quá trình này tốn kém và phức tạp, khiến đa số doanh nghiệp không làm được (VentureBeat).
Continual learning hướng đến việc cho phép model cập nhật kiến thức nội tại mà không cần retrain. Google đang nghiên cứu hai hướng: "Hope" đề xuất module bộ nhớ dài hạn học được, cho phép hệ thống tích hợp ngữ cảnh lịch sử tại thời điểm suy luận, và "Nested Learning" xem model như tập các bài toán tối ưu lồng nhau với hệ thống bộ nhớ đa tầng cập nhật ở tần suất khác nhau.
Với doanh nghiệp, ý nghĩa thực tế là: một chatbot bán hàng có thể học được thông tin sản phẩm mới theo mùa mà không cần gửi lại toàn bộ dữ liệu lên nhà cung cấp. Điều này đặc biệt hữu ích cho các ngành có catalog thay đổi liên tục như thời trang, FMCG, điện tử tiêu dùng.
2. World models: dạy AI hiểu thế giới vật lý
World models là các mô hình AI được thiết kế để hiểu môi trường vật lý mà không cần dữ liệu gán nhãn của con người. Đây là bước tiến quan trọng để AI có thể hoạt động hiệu quả trong các tình huống thực tế không lường trước, như lái xe, vận hành nhà kho, xử lý logistics.
Có ba hướng tiếp cận chính:
- DeepMind đang xây Genie, họ model generative end-to-end mô phỏng môi trường để agent dự đoán cách thế giới sẽ thay đổi theo hành động.
- World Labs của Fei-Fei Li tạo mô hình 3D từ ảnh hoặc prompt, sau đó dùng engine vật lý và 3D để render môi trường tương tác dùng cho training robot.
- Yann LeCun (cựu giám đốc AI Meta) đề xuất JEPA, học biểu diễn tiềm ẩn từ dữ liệu thô để hệ thống dự đoán bước tiếp theo mà không cần tạo từng pixel. LeCun đã rời Meta để thành lập startup mới theo đuổi hướng này.
Với doanh nghiệp Việt trong ngành logistics hoặc sản xuất, world models có thể giúp mô phỏng dây chuyền, tối ưu layout kho, hoặc huấn luyện robot đóng gói mà không cần dữ liệu ảnh gán nhãn tốn kém.
3. Orchestration: phối hợp nhiều model thay vì dùng một model khổng lồ
Frontier LLMs hiện nay có thể đạt điểm benchmark rất cao, nhưng khi thực hiện workflow nhiều bước trong thực tế, chúng vẫn thất bại: mất ngữ cảnh, gọi tool sai tham số, và lỗi nhỏ tích lũy thành lỗi lớn. Orchestration xem những thất bại này là vấn đề hệ thống có thể giải bằng engineering đúng cách.
Một router sẽ chọn giữa model nhỏ nhanh, model lớn cho bước khó, retrieval để grounding, và tool mang tính deterministic cho hành động cụ thể. Stanford phát triển OctoTools, framework mã nguồn mở cho phép phối hợp nhiều tool mà không cần fine-tune model. NVIDIA có Orchestrator, model 8 tỷ tham số được train bằng reinforcement learning chuyên điều phối công cụ và phân công giữa các model.
Với doanh nghiệp Việt, orchestration mở ra khả năng xây dựng hệ thống AI hiệu quả bằng cách kết hợp các model rẻ tiền cho tác vụ đơn giản và model đắt tiền cho tác vụ phức tạp, thay vì dùng một model lớn cho mọi thứ.
4. Refinement: tự sửa lỗi thay vì chỉ tạo một lần
Refinement techniques biến quy trình "tạo một lần" thành "đề xuất, phê bình, sửa, xác minh". Workflow này dùng chính model đó để tạo output ban đầu, sinh feedback, và cải thiện lặp đi lặp lại mà không cần train thêm.
ARC Prize 2025 đã gọi năm 2025 là "Năm của Refinement" và viết: "Từ góc độ lý thuyết thông tin, refinement là trí tuệ". Điều này cho thấy refinement không chỉ là kỹ thuật phụ trợ mà có thể là chìa khóa để AI đạt hiệu suất cao hơn trong tác vụ agentic.
Với doanh nghiệp, refinement có nghĩa là bạn có thể cấu hình AI để tự kiểm tra output trước khi gửi cho khách hàng, ví dụ tự rà soát lỗi chính tả trong email marketing hoặc tự kiểm tra số liệu trong báo cáo tài chính trước khi xuất.
Bảng tổng hợp 4 xu hướng
| Xu hướng | Vấn đề giải quyết | Hãng dẫn đầu | Ý nghĩa cho SME Việt |
|---|---|---|---|
| Continual learning | AI quên kiến thức cũ khi học cái mới | Google (Hope, Nested Learning) | Chatbot cập nhật sản phẩm mùa mới không cần retrain |
| World models | AI không hiểu thế giới vật lý | DeepMind (Genie), World Labs, Meta (JEPA) | Mô phỏng dây chuyền sản xuất, layout kho |
| Orchestration | Model lớn fail khi workflow nhiều bước | Stanford (OctoTools), NVIDIA (Orchestrator) | Kết hợp model rẻ + model đắt theo tác vụ |
| Refinement | Output chưa đạt chuẩn ngay lần đầu | ARC Prize 2025 | AI tự rà lỗi email, báo cáo trước khi gửi |
Điều này ảnh hưởng gì đến bạn?
Nếu bạn đang vận hành một doanh nghiệp vừa và nhỏ và đang dùng AI (chatbot bán hàng, trợ lý ảo, phân tích dữ liệu), bốn xu hướng này sẽ dần xuất hiện trong các sản phẩm bạn dùng trong 12 đến 24 tháng tới. Bạn không cần hiểu chi tiết kỹ thuật, nhưng nên biết chúng tồn tại để hỏi nhà cung cấp khi đánh giá sản phẩm.
Nếu bạn đang xây dựng sản phẩm AI cho thị trường Việt, orchestration và refinement là hai hướng dễ áp dụng nhất vì không đòi hỏi retrain model. Continual learning và world models đòi hỏi đầu tư lớn hơn và phù hợp với công ty có đội ngũ R&D hoặc hợp tác với viện nghiên cứu.
Nếu bạn là nhà đầu tư hoặc quản lý cấp cao, các startup theo hướng JEPA (của LeCun) hoặc các framework orchestration mã nguồn mở (OctoTools, Orchestrator) đáng theo dõi vì chúng giải quyết các bài toán cụ thể thay vì cạnh tranh trực tiếp với frontier model của OpenAI hay Google.
Số liệu & thống kê
- 8 tỷ tham số: kích thước NVIDIA Orchestrator, đủ nhỏ để chạy trên một GPU (VentureBeat).
- 3 hướng tiếp cận chính cho world models (Genie, Marble, JEPA).
- 1.320 tác vụ thực tế từ 44 ngành nghề: quy mô benchmark GDPval của OpenAI (tham khảo thêm).
- 10/10: điểm số của NVIDIA AVO trên ARC-AGI-3, đạt được bằng harness bao quanh Claude Opus 5 có baseline 30%.
Sources
| # | Title | URL | Ghi chú |
|---|---|---|---|
| 1 | Four AI research trends enterprise teams should watch in 2026 | https://venturebeat.com/technology/four-ai-research-trends-enterprise-teams-should-watch-in-2026 | Nguồn chính, VentureBeat |
| 2 | 10 things that matter in AI right now | https://www.technologyreview.com/2026/04/21/1135643/10-ai-artificial-intelligence-trends-technologies-research-2026/ | Bối cảnh bổ sung, MIT Technology Review |
