Một thế hệ nhà nghiên cứu AI Việt Nam bước ra khỏi phòng thí nghiệm
Những nhà nghiên cứu AI Việt Nam trẻ hôm nay là thế hệ coi trí tuệ nhân tạo không chỉ là thuật toán trong phòng thí nghiệm mà là công cụ giải quyết các vấn đề rất cụ thể của đời sống: dữ liệu đa phương thức bị thiếu không đều, cá thể hóa liều thuốc trong y học, trợ lý tri thức tiếng Việt và các hệ thống Agentic AI có thể tự chủ xử lý quy trình dài, phức tạp. Họ không dừng ở học sâu ứng dụng mà đang tìm cách biến AI thành hạ tầng đáng tin cậy cho giáo dục, y tế và nghiên cứu khoa học.
Điểm chung của bốn gương mặt – Nguyễn Phương Anh, Dương Thị Hồng Nhung, Nguyễn Thị Hồng Trang và Lê Minh Quý – là không chấp nhận những giả định “hoàn hảo” về dữ liệu, người dùng hay môi trường triển khai. Họ chọn những bài toán bẩn, xấu, thiếu và khó, nơi AI phải sống chung với nhiễu, với sai số, với trách nhiệm lâm sàng hoặc với những quy trình nghiên cứu dài nhiều bước. Chính lựa chọn này đang âm thầm kéo AI Việt Nam lại gần hơn với nhu cầu thật của xã hội.
BALM và câu chuyện dữ liệu đa phương thức không bao giờ đủ đẹp
Trong công trình công bố tại CVPR 2026, Nguyễn Phương Anh – sinh viên Khoa Công nghệ thông tin, Trường Đại học Công nghệ, ĐHQG Hà Nội – đứng tên đầu trong danh sách bốn tác giả. Đây không chỉ là thành tích cá nhân; nó cho thấy các nhà nghiên cứu AI Việt Nam đã bước vào sân chơi nơi “dữ liệu đa phương thức” không còn là khái niệm lý thuyết mà là điều kiện bắt buộc nếu muốn AI hiểu thế giới. AI đa phương thức được huấn luyện để kết hợp nhiều loại thông tin, như giọng nói, biểu cảm khuôn mặt và nội dung câu chữ.
Câu hỏi mà Phương Anh đặt ra rất gai góc: một mô hình trí tuệ nhân tạo sẽ học ra sao nếu âm thanh, hình ảnh và văn bản không bị thiếu theo tỷ lệ giống nhau? Thay vì giả định mọi phương thức thiếu đồng đều, nhóm phát triển BALM – một mô-đun giúp điều chỉnh sự mất cân bằng trong quá trình huấn luyện AI đa phương thức. Trong bài báo, họ gọi đây là “tỷ lệ thiếu không cân bằng” (IMR). Quan trọng hơn, BALM được thử nghiệm trên hai bộ dữ liệu chuẩn và công bố mã nguồn để cộng đồng kiểm tra. Đây là tinh thần học sâu ứng dụng đúng nghĩa: minh bạch, kiểm chứng được và hướng thẳng tới những hệ thống phải vận hành với dữ liệu thiếu, bẩn, lệch – đúng như ngoài đời.
Cá thể hóa liều thuốc: khi AI phải chịu trách nhiệm với cơ thể người
Nếu BALM đối mặt với dữ liệu không hoàn hảo, thì Dương Thị Hồng Nhung đưa AI vào vùng nguy cơ cao nhất: liều thuốc của người bệnh. Nghiên cứu sinh Khoa Công nghệ sinh học, Trường Đại học Dược Hà Nội này cùng cộng sự đã chọn khoảng trống giữa liều chuẩn và từng người bệnh để khởi nghiệp. Cùng một loại thuốc và liều dùng, người bệnh có thể đáp ứng khác nhau do khác biệt về hấp thu, chuyển hóa, đào thải và tình trạng lâm sàng; một liều phù hợp với người này chưa chắc tối ưu cho người khác. Đây là nơi y học chính xác cần nhà nghiên cứu AI Việt Nam, chứ không phải thêm một chatbot nữa.
N2TP – Công ty cổ phần Giải pháp công nghệ mà Nhung đồng sáng lập tại Hà Nội năm 2020 – phát triển SmartDoseAI, nền tảng hỗ trợ cá thể hóa liều dùng cho các thuốc có khoảng điều trị hẹp. Thay vì bám vào một liều chuẩn, hệ thống dùng thông tin lâm sàng, nồng độ thuốc trong máu, mô hình dược động học quần thể và phương pháp Bayesian để ước tính chế độ liều cho từng trường hợp. Tuy nhiên, công cụ không thay bác sĩ kê đơn; nó chỉ bổ sung căn cứ tính toán, còn quyết định điều trị vẫn thuộc về đội ngũ chuyên môn. Theo công bố của N2TP và nhà đầu tư, trong 12 tháng gần nhất, doanh nghiệp có 12 công trình quốc tế, ba bài báo Q1 và bảy đơn đăng ký sáng chế. Đây là câu trả lời rõ ràng cho những ai nghi ngờ học sâu ứng dụng trong y học chỉ là phong trào.
Từ chuyên Văn đến Q-AI Harness: kỹ năng đọc hiểu cũng là năng lực AI
Nguyễn Thị Hồng Trang phá vỡ định kiến “dân chuyên văn không thể làm công nghệ”. Là sinh viên khoa Công nghệ thông tin của một trường kỹ thuật, cô từng học chuyên văn và tham gia các kỳ thi học sinh giỏi. Điều Trang mang theo vào thế giới AI không chỉ là tình yêu chữ nghĩa, mà là khả năng đọc hiểu, phân tích và lập luận – thứ năng lực mà nhiều người làm kỹ thuật thiếu, nhưng lại tối quan trọng khi phải làm việc với mô hình lớn liên tục đưa ra thông tin nhiễu. Cô nhắc thẳng: muốn ứng dụng AI hiệu quả thì phải “đọc đúng và hiểu đúng” kết quả hệ thống trả về.
Trong cuộc thi Vietnamese Student HackAIthon 2026, tại bảng C (Innovator), ban tổ chức đặt bài toán sử dụng các mô hình mở kích thước nhỏ để xử lý một tập câu hỏi mà thí sinh không biết trước nội dung dữ liệu kiểm tra. Từ yêu cầu đó, Trang phát triển Q-AI Harness, hệ thống AI giải câu hỏi trắc nghiệm tiếng Việt đa lĩnh vực. Kết quả, cô giành giải nhất bảng C với giải thưởng trị giá 95 triệu đồng. Sau cuộc thi, Trang muốn tiếp tục nâng cấp hệ thống, mở rộng ứng dụng sang các lĩnh vực như y tế, sinh học và hướng tới một trợ lý tri thức tiếng Việt toàn diện. Câu chuyện này cho thấy: trong kỷ nguyên trợ lý AI, kỹ năng đọc hiểu văn bản không chỉ dành cho nhà văn mà trở thành lõi của chính các hệ thống AI.
Agentic AI và tham vọng hệ thống của Lê Minh Quý
Nếu ba gương mặt trên tập trung vào từng bài toán cụ thể, thì Lê Minh Quý nhìn AI như một hệ thống hạ tầng. Trong những năm đại học, anh chọn kết hợp nghiên cứu khoa học với xây dựng các hệ thống AI có khả năng vận hành trong thực tế, chú ý đến kiến trúc, phối hợp giữa các AI agent, cách sử dụng công cụ, theo dõi và kiểm soát quá trình vận hành. Từ các dự án phải tối ưu trên hạ tầng hạn chế, Quý hình thành quan điểm rằng một hệ thống AI có giá trị phải đủ tin cậy, kiểm chứng được và triển khai được trong điều kiện thực tế. Từ đây, anh định hình hướng chuyên môn về hạ tầng AI và kiến trúc hệ thống cho Agentic AI, tại giao điểm giữa học tăng cường, hệ thống phân tán và thiết kế hệ thống.
Trong thời gian học đại học, Quý tham gia các nghiên cứu về Agentic AI, hệ thống đa tác tử, học tăng cường và kiến trúc hệ thống AI, với các hướng ứng dụng trong giáo dục và y tế. Anh là tác giả chính của bốn công trình được chấp nhận tại các hội nghị và workshop quốc tế. Công trình “TraceBrain: An Open-Source Framework for Agentic Trace Management” phát triển một nền tảng mã nguồn mở hỗ trợ theo dõi, quản lý và phân tích quá trình thực thi của AI agent. “ToolBrain: A Flexible Reinforcement Learning Framework for Agentic Tools” xây dựng framework mã nguồn mở cho các agent biết dùng công cụ và thực hiện quy trình nhiều bước bằng học tăng cường. Theo Quý, thách thức của Agentic AI không chỉ là tăng năng lực từng mô hình mà còn là xây dựng hệ thống giữ được mục tiêu, thực hiện đáng tin cậy những quy trình dài, phức tạp và có khả năng quan sát, kiểm chứng, học hỏi trong lúc vận hành.
AI cho khoa học, giáo dục và y tế: tương lai nằm trong tay những người dám làm khó mình
Điểm thú vị là cả bốn nhà nghiên cứu AI Việt Nam trẻ này đều không hài lòng với việc AI chỉ giải một tác vụ hẹp. N2TP, chẳng hạn, từ giữa năm 2025 đã đẩy mạnh phát triển nền tảng AI4Science: hệ thống kết nối nhiều bước trong nghiên cứu – đọc và phân tích tài liệu, hình thành giả thuyết, mô phỏng, thiết kế thí nghiệm, thu thập dữ liệu và dùng kết quả mới để điều chỉnh mô hình. “Doanh nghiệp còn cho biết nền tảng giúp rút ngắn một số công đoạn nghiên cứu từ ba đến bốn lần trong các thử nghiệm nội bộ”. Đây là hình dung rất cụ thể về học sâu ứng dụng: AI không thay nhà khoa học, nhưng trở thành công cụ giúp họ thử nghiệm nhanh hơn, có kiểm soát.
Ở một hướng khác, một nền tảng ứng dụng AI như LingLooma được phát triển để hỗ trợ giáo viên và cá nhân hóa quá trình học tiếng Anh. Điều này nối liền với câu hỏi xuyên suốt mà Quý theo đuổi: làm thế nào thu hẹp khoảng cách giữa hệ thống AI trong phòng thí nghiệm và khả năng vận hành chúng ở quy mô thực tế. Trong thời gian tới, anh muốn tiếp tục nghiên cứu chuyên sâu về AI Systems và Agentic AI, đặc biệt là hạ tầng và kiến trúc cho những hệ thống có khả năng thực hiện nhiệm vụ dài, phức tạp và có mức độ tự chủ cao hơn. Từ BALM đến SmartDoseAI, Q-AI Harness và các framework Agentic AI, thông điệp chung rất rõ: tương lai AI sẽ do những người dám nhận phần việc khó nhất – dữ liệu lệch, bệnh nhân thật, lớp học thật, quy trình nghiên cứu thật – dẫn dắt.
