Tâm huyết kiến tạo thế hệ AI Việt

Chia sẻ với DOANH NHÂN, GS Hồ Phạm Minh Nhật – nhà khoa học hàng đầu về khoa học dữ liệu, thống kê và học máy tại ĐH Texas (Mỹ) tiết lộ bước ngoặt từ quyết định “đánh cược” với lĩnh vực non trẻ, cho đến việc sáng lập cộng đồng GenAI Việt. Một câu chuyện về đam mê khoa học, trách nhiệm xã hội và khát vọng đưa Việt Nam vào bản đồ AI thế giới.

– Điều gì đã truyền cảm hứng để ông theo đuổi AI, thưa Giáo sư?

Hơn 10 năm trước, tôi cũng giống như nhiều bạn sinh viên ngày nay, luôn tự hỏi những kiến thức mình đang học có thể ứng dụng vào thực tiễn như thế nào. Tôi xuất thân từ ngành Toán Tin, trường Đại học Khoa học Tự nhiên TP HCM, nhưng phải đến năm 3 đại học, tôi mới thực sự tìm thấy một bước ngoặt quan trọng trong hành trình của mình.

Năm đó, tôi có cơ hội tham gia trường hè của giáo sư Rick Nordheim từ Đại học Wisconsin-Madison (Mỹ), nơi tôi được tiếp cận với những ứng dụng của học máy và thống kê trong sinh học. Những gì tôi học được đã thay đổi hoàn toàn góc nhìn của tôi về Toán học, nó không chỉ là lý thuyết mà còn là một công cụ mạnh mẽ giúp giải quyết các vấn đề trong đời sống.

Tôi bắt đầu tìm hiểu sâu hơn, nghiên cứu các thuật toán mới nhất, và điều này trở thành động lực để tôi quyết tâm theo đuổi lĩnh vực này. Nhưng sự chuyển mình nào cũng đòi hỏi nỗ lực. Lúc đó, tôi không có nhiều tài liệu, không có sẵn các khóa học, càng không có môi trường nghiên cứu bài bản như bây giờ. Cuối cùng, tôi quyết định tiếp tục theo đuổi con đường nghiên cứu khoa học, theo học bậc tiến sĩ tại Đại học Michigan, Ann Arbor, chuyên sâu về học máy và khoa học dữ liệu.

– Nhưng rõ ràng nếu phát triển AI tại Mỹ sẽ có nhiều thuận lợi hơn ở Việt Nam, thưa ông?

Đúng vậy! Ở thời điểm đó, đây vẫn là một lĩnh vực mới mẻ tại Việt Nam, và việc lựa chọn một hướng đi còn chưa phổ biến như vậy là một quyết định táo bạo. Nhưng tôi tin rằng, nếu mình không dám thử, thì sẽ mãi không biết giới hạn của bản thân là gì. Tôi đã dành không biết bao nhiêu đêm thức trắng để đọc tài liệu, để thử nghiệm, để hoàn thiện những dự án nghiên cứu. Nhưng, chính những khoảng thời gian ấy đã giúp tôi nhận ra đam mê thật sự của mình, và thôi thúc tôi đi xa hơn.

Sau khi hoàn thành chương trình tiến sĩ năm 2017, năm 26 tuổi, tôi tiếp tục làm nghiên cứu sau tiến sĩ tại Đại học California, Berkeley, trước khi trở thành giáo sư tại Đại học Texas, Austin. Lúc này, tôi nhận thấy AI, khoa học dữ liệu, học máy đã trở thành xu hướng toàn cầu và Việt Nam cũng không nằm ngoài dòng chảy đó. Nhiều trường đại học trong nước bắt đầu mở ngành trí tuệ nhân tạo, khoa học dữ liệu, và thu hút rất nhiều sinh viên theo học.

– Ông đánh giá thế nào về những lĩnh vực ứng dụng AI đang phát triển mạnh mẽ nhất hiện nay (như y tế, tài chính, công nghiệp tự động hóa…), và đâu là những mảng tiềm năng nhất để sinh viên Việt Nam có thể tập trung học hỏi và xây dựng sự nghiệp?

Hiện nay, AI đang phát triển mạnh mẽ và được ứng dụng rộng rãi trong nhiều lĩnh vực, đặc biệt là y tế, tài chính, công nghiệp tự động hóa, giao thông thông minh, giáo dục cá nhân hóa, và gần đây là robot hình người và mô hình ngôn ngữ lớn (LLMs). Trong y tế, AI hỗ trợ chẩn đoán hình ảnh, phát triển thuốc, phân tích hồ sơ bệnh án, và cá nhân hóa phác đồ điều trị. Trong tài chính, AI được sử dụng để phát hiện gian lận, đánh giá rủi ro tín dụng, và giao dịch tự động. Trong công nghiệp, AI đóng vai trò trung tâm trong việc tối ưu hóa dây chuyền sản xuất và robot tự động.

Đối với sinh viên Việt Nam, tôi cho rằng có ba nhóm lĩnh vực tiềm năng nhất để tập trung học hỏi và phát triển sự nghiệp: Thứ nhất, mô hình nền tảng (Foundation Models) và Trí tuệ tổng quát nhân tạo (AGI): Đây là các hướng nghiên cứu đang định hình lại toàn bộ ngành AI trên toàn thế giới. Sinh viên nên tìm hiểu về mô hình ngôn ngữ lớn, thị giác máy tính, mô hình đa phương thức, và cách chúng có thể tích hợp vào các hệ thống thực tế như robot.

Thứ hai, AI ứng dụng trong ngành công nghiệp và tự động hóa: Việt Nam có tiềm năng lớn trở thành trung tâm sản xuất của Châu Á và thậm chí cả thế giới. Vì vậy, việc hiểu rõ về ứng dụng AI trong robot công nghiệp, kiểm định chất lượng sản phẩm bằng thị giác máy tính, hay lập kế hoạch logistics thông minh sẽ rất có giá trị trong vấn đề này.

Thứ ba, AI trong chăm sóc sức khỏe và xã hội: Với tốc độ già hóa dân số và nhu cầu cải thiện dịch vụ y tế, AI trong chẩn đoán, theo dõi tình trạng bệnh nhân, hoặc hỗ trợ điều dưỡng là các hướng phát triển bền vững và nhân văn.

– Trong vai trò vừa là nhà nghiên cứu vừa là người tư vấn cho doanh nghiệp, ông nhận thấy đâu là khoảng trống lớn nhất giữa lý thuyết AI trên giảng đường và dự án AI thực tế?

Đây là một câu hỏi rất hay và thiết thực. Đứng trên vai trò vừa là nhà nghiên cứu vừa là người tư vấn triển khai AI cho các doanh nghiệp, theo tôi khoảng cách giữa lý thuyết và thực tiễn AI nằm ở một số điểm then chốt sau:

Thứ nhất, dữ liệu thực tế không hoàn hảo như lý thuyết. Về mặt lý thuyết, dữ liệu thường được làm sạch, gọn gàng, và có nhãn rõ ràng. Tuy nhiên, ngoài thực tế, dữ liệu thường thiếu nhãn, không đồng nhất, bị nhiễu, thậm chí bị thiên lệch (bias), gây ảnh hưởng nghiêm trọng đến chất lượng mô hình.

Thứ hai, vấn đề trong thực tế thường không rõ ràng như đề bài học thuật. Trong học thuật, đề bài thường được xác định rõ ràng: bài toán phân loại (classification), hồi quy (regression), chia nhóm (clustering), etc. Tuy nhiên, thực tế doanh nghiệp thường chưa rõ vấn đề họ gặp phải là gì. Việc định nghĩa và định hình bài toán AI là một bước cực kỳ quan trọng trong doanh nghiệp, nhưng lại hiếm khi được đào tạo kỹ trên giảng đường.

Thứ ba, triển khai sản phẩm AI đòi hỏi nhiều kỹ năng ngoài thiết lập mô hình. Từ mô hình AI đến sản phẩm AI là một chặng đường dài: cần kiến thức về hệ thống phần mềm, DevOps, môi trường triển khai, theo dõi mô hình sau khi triển khai (MLOps), etc. Trong khi đó, đào tạo AI trong trường đại học thường thiên về mô hình và thuật toán, chưa chú trọng đến các phần triển khai này.

Thứ tư, AI phải phục vụ kinh doanh, không phải chỉ ra kết quả tốt là đủ. Trong thực tế, một mô hình AI dù chính xác đến 99% nhưng không mang lại giá trị kinh doanh thì cũng coi như thất bại. Khả năng kết nối AI với các bài toán chiến lược, vận hành, tài chính của doanh nghiệp là một kỹ năng quan trọng nhưng hiếm khi được đào tạo bài bản trên giảng đường.

– Vậy theo ông, các trường đại học và doanh nghiệp nên phối hợp ra sao để thu hẹp khoảng cách này?

Theo tôi, để thu hẹp khoảng cách này, các trường đại học và doanh nghiệp nên phối hợp như sau: Cần kết hợp các giảng viên và chuyên gia trong doanh nghiệp cùng xây dựng môn học, trong đó có dữ liệu thực tế, bài toán thực tế, thậm chí là các case study thất bại để sinh viên rút kinh nghiệm. Ngoài ra, chúng ta có thể khuyến khích sinh viên làm các đồ án gắn liền với nhu cầu của các doanh nghiệp.

Bên cạnh đó, doanh nghiệp có thể tài trợ dữ liệu, nguồn lực hoặc bài toán trong khi đó trường đại học cung cấp nhân lực chất lượng cao để làm nghiên cứu. Sinh viên có trải nghiệm thực tế trong khi đó doanh nghiệp có giải pháp thử nghiệm với chi phí hợp lý.

Ngoài ra, giảng viên làm part-time trong doanh nghiệp để cập nhật các công nghệ và vấn đề mới. Ngược lại, các chuyên gia trong doanh nghiệp cũng được mời giảng dạy và chia sẻ tại các trường đại học.

– Sau nhiều năm công tác tại Mỹ và tham gia các dự án quốc tế, ông có thể chia sẻ những điểm mạnh và điểm yếu của nguồn nhân lực AI Việt Nam khi so sánh với các chuyên gia toàn cầu?

Dưới góc nhìn của một người đã làm việc tại Mỹ và tham gia các dự án quốc tế, tôi thấy các điểm mạnh và điểm yếu của nguồn nhân lực AI Việt Nam hiện tại bao gồm:

Người Việt, đặc biệt là các bạn trẻ học chuyên Toán, Tin từ phổ thông, có nền tảng toán học và lập trình rất vững. Đây là lợi thế lớn trong việc học các thuật toán AI, machine learning, và deep learning.

Bên cạnh đó, giới trẻ Việt Nam rất năng động, ham học cái mới, sẵn sàng mày mò tự học qua các tài nguyên mở. Nhiều bạn trẻ chỉ sau vài tháng học có thể build được mô hình GPT nhỏ hoặc pipeline AI hoàn chỉnh. Hơn nữa, so với các quốc gia như Mỹ, Nhật, Hàn hay ở châu Âu, kỹ sư AI Việt Nam có chi phí nhân sự thấp hơn, trong khi năng lực không thua kém nhiều.

Tuy nhiên, nhiều kỹ sư giỏi thuật toán nhưng lại thiếu kiến thức về quy trình sản xuất AI thực thụ, bao gồm MLOps, pipeline xử lý dữ liệu lớn, tối ưu hiệu suất, bảo mật, etc.

Thêm vào đó, tiếng Anh và kỹ năng giao tiếp chuyên nghiệp còn hạn chế. Trong các dự án AI quốc tế, kỹ năng viết tài liệu, thuyết trình giải pháp, tranh luận kỹ thuật bằng tiếng Anh là bắt buộc. Khá nhiều kỹ sư Việt Nam hiện tại còn khá hạn chế về tiếng Anh và các kỹ năng giao tiếp.

Ngoài ra, do hạ tầng và thị trường trong nước còn hạn chế, nên kỹ sư AI Việt ít có cơ hội làm việc với các bài toán hàng tỷ người dùng hay petabyte dữ liệu như ở các tập đoàn toàn cầu như Google, Amazon, hay NVIDIA.

– Từ kinh nghiệm của mình, theo ông, người trẻ Việt Nam cần tận dụng lợi thế nào để nổi bật trên bản đồ AI thế giới?

Theo tôi, người trẻ Việt Nam nên tận dụng các lợi thế sau để vươn ra toàn cầu: Thứ nhất, kết hợp nền tảng kỹ thuật với tư duy ứng dụng. Các bạn không chỉ nên học về thuật toán mà cần học thêm về tư duy làm kinh doanh, thiết kế sản phẩm, etc. để biến AI thành các sản phẩm có giá trị.

Thứ hai, cần tăng cường kỹ năng mềm ở mức quốc tế. Để làm việc trong môi trường quốc tế, các bạn cần rèn luyện nhiều để viết tốt, truyền đạt rõ, và làm nhóm hiệu quả. Và cuối cùng là lựa chọn các lĩnh vực trong AI phù hợp với thế mạnh Việt Nam. Những lĩnh vực như xử lý ngôn ngữ tiếng Việt, AI cho nông nghiệp, giáo dục, tài chính tại Việt Nam đều là những lĩnh vực mà các công ty lớn trên thế giới chưa quan tâm sâu. Vì vậy, các bạn có thể tận dụng lợi thế này để đi trước trong các lĩnh vực AI có tính ứng dụng đặc thù này.

Cuối cùng, với tốc độ phát triển chóng mặt của AI, ông có thể cho biết những kỹ năng hoặc thói quen học tập quan trọng nhất mà sinh viên và kỹ sư trẻ Việt Nam nên nuôi dưỡng ngay từ hôm nay để không bị tụt hậu và luôn chủ động đón nhận cơ hội mới?

Do AI không chỉ phát triển nhanh mà còn thay đổi liên tục cả về công nghệ lẫn nhu cầu thực tế, sinh viên và kỹ sư trẻ cần xây dựng tư duy học suốt đời, và sau đây là 3 kỹ năng/thói quen học tập quan trọng nhất mà tôi muốn nhấn mạnh:

Đầu tiên, các bạn hãy chủ động học qua các sách mới, blog kỹ thuật, và khóa học online. Thứ hai, các bạn cần đặt mục tiêu rõ ràng, học qua các dự án, học từ các sai lầm, và biết tổng hợp kiến thức lại thành ghi chú cá nhân. Cuối cùng, các bạn theo dõi và phân loại nguồn học tập đáng tin cậy, ví dụ như ArXiv, Papers with Code, HuggingFace, etc.

Tăng cường tư duy nền tảng – đặc biệt là Toán, Thuật toán và Khả năng Phân tích. Các bạn cần nắm vững các kiến thức cốt lõi như Giải tích, Đại số tuyến tính, Xác suất thống kê, Tối ưu hóa, và Học máy. Và cuối cùng là liên tục cải thiện tư duy sản phẩm và góc nhìn toàn cảnh. Các bạn cần học thêm về MLOps, DevOps, API hóa mô hình, và đánh giá mô hình sau triển khai. Ngoài ra, học cách tư duy từ người dùng và khách hàng chứ không chỉ từ thuật toán.

– Trân trọng cảm ơn ông!