Phần lớn các mô hình AI tiên tiến nhất hiện nay được xây dựng bởi và phục vụ cho một số ít quốc gia giàu có. Chúng tốn kém để huấn luyện và vận hành, bị kiểm soát thông qua các API đóng, và hiếm khi phản ánh ngôn ngữ, văn hoá và giá trị của chính những cộng đồng sẽ ngày càng phụ thuộc vào chúng. Chúng tôi đặt ra câu hỏi: làm thế nào để các quốc gia như Việt Nam có thể hưởng lợi từ AI tiên tiến theo cách của riêng mình, tức là với chi phí hợp lý, an toàn và phù hợp với các giá trị bản địa, mà không cần phải tự xây dựng các mô hình tiên tiến từ đầu.

Câu trả lời của chúng tôi dựa trên hai trụ cột nghiên cứu gắn kết với nhau.

  1. Nền tảng đa tác tử. Chúng tôi tiếp cận lại các bài toán học máy dưới góc nhìn đa tác tử. Hướng tiếp cận này bao gồm mô hình hoá lý thuyết trò chơi cho các tương tác chiến lược, học tăng cường đa tác tử, và phân rã các tác vụ nguyên khối thành những thành phần mô-đun có khả năng phối hợp với nhau. Các thiết kế đa tác tử có thể triển khai với chi phí thấp hơn, dễ thích ứng hơn và bền vững hơn khi tài nguyên tính toán, dữ liệu và kết nối bị hạn chế. Đây chính là những điều kiện mà phần lớn các hệ thống AI sẽ thực sự phải đối mặt tại các nền kinh tế đang phát triển.
  2. Căn chỉnh và điều hướng đa tác tử cho các mô hình nền tảng hộp đen. Hầu hết các tổ chức chỉ có thể tiếp cận các mô hình tiên tiến thông qua API, không có quyền truy cập vào trọng số hay quá trình huấn luyện. Chúng tôi phát triển các phương pháp đa tác tử để căn chỉnh và điều hướng những hệ thống hộp đen này theo các chuẩn mực văn hoá, đạo đức và an toàn của địa phương. Các phương pháp này không cần huấn luyện lại, có chi phí thấp, và vận hành thông qua sự tương tác, bất đồng và thương lượng giữa các tác tử thay vì tinh chỉnh tốn kém.

Song song với hai trụ cột trên, chúng tôi nghiên cứu các phương pháp học tin cậy và hiệu quả trong điều kiện thực tế, bao gồm học liên tục, học trực tuyến và nhận thức thị giác bền vững. Đội ngũ của chúng tôi kết hợp các nhà nghiên cứu của Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM với các đối tác quốc tế đã hợp tác lâu năm. Chúng tôi cũng cam kết đào tạo một thế hệ mới các nhà nghiên cứu AI Việt Nam, trưởng thành thông qua việc công bố tại các hội nghị hàng đầu trong lĩnh vực.

Công bố gần đây

  1. Training-Free Cultural Alignment of Large Language Models via Persona Disagreement. H.T. Kiet, D.S.D. Minh, T. Nguyen, C.N. Tran, P.H. Pham, N.L.P. Quy, T.A. Han, L. Tran-Thanh. NeurIPS 2026
  2. MIST: Reliable Streaming Decision Trees for Online Class-Incremental Learning via McDiarmid Bound. P.H. Pham, C.N. Tran, N.L.P. Quy, D.S.D. Minh, H.T. Kiet, L. Tran-Thanh. NeurIPS 2026
  3. Unlocking Compositional Generalization in Continual Few-Shot Learning. P.Q. Nguyen-Lam, P.H. Pham, D.S.D. Minh, C.N. Tran, H.T. Kiet, L. Tran-Thanh. NeurIPS 2026
  4. Weather-Robust Cross-View Geo-Localization via Prototype-Based Semantic Part Discovery. C.N. Tran, D.S.D. Minh, H.T. Kiet, N.L.P. Quy, P.H. Pham, L. Tran-Thanh. NeurIPS 2026

Thành viên:

  • GS.TS. Trần Thanh Long (Trưởng phòng thí nghiệm)
  • PGS.TS. Nguyễn Văn Vũ
  • TS. Châu Thành Đức
  • TS. Lê Trung Hoàng
  • Phạm Phú Hòa
  • Nguyễn Lâm Phú Quý
  • Huỳnh Trung Kiệt
  • Đào Sỹ Duy Minh
  • Trần Chí Nguyên