Kĩ sư FCI gây ấn tượng tại Hội nghị AAAI-26

Hội nghị AAAI-26 được tổ chức tại Singapore quy tụ những nhóm nghiên cứu xuất sắc nhất về Trí tuệ nhân tạo toàn cầu. FPT Smart Cloud ghi nhận hai đại diện: Nguyễn Thị Ngân và Trần Văn Khánh đồng tham gia thuyết trình với hai đề tài công nghệ mang tính ứng dụng.

AAAI-26 (40th Annual AAAI Conference on Artificial Intelligence) là hội nghị thường niên lần thứ 40 của Hiệp hội AAAI, một trong những hội nghị học thuật uy tín hàng đầu thế giới về Trí tuệ nhân tạo (AI), được tổ chức tại Singapore đầu năm 2026. Hội nghị quy tụ nhiều nhóm nghiên cứu xuất sắc toàn cầu và có quy trình phản biện nghiêm ngặt, với tỷ lệ chấp nhận thấp. Năm nay, tỷ lệ bài được nhận vào khoảng 17,5%, phản ánh mức độ cạnh tranh cao. Và chỉ có 3% các bài nghiên cứu hội đồng chấp nhận sẽ được lựa chọn trình bày trực tiếp tại Hội nghị, trong đó có 2 nghiên cứu đến từ FPT Smart Cloud, tập đoàn FPT.

Trong quá trình thực hiện thí nghiệm và huấn luyện phục vụ hai nghiên cứu, nhóm đã sử dụng FPT AI Factory – nền tảng hạ tầng GPU Cloud để chạy và đánh giá nhiều cấu hình mô hình khác nhau, phục vụ các vòng thử nghiệm lặp lại nhằm tối ưu chất lượng kết quả. Việc chủ động hạ tầng giúp nhóm rút ngắn thời gian chạy thử nghiệm, tăng tính ổn định khi huấn luyện và thuận lợi hơn trong việc mở rộng quy mô đánh giá theo yêu cầu của bài nghiên cứu.

Mô hình AI nhỏ học cách “cư xử đúng” từ mô hình AI lớn

Nguyễn Thị Ngân (2000), kỹ sư AI đang làm việc tại Trung tâm GenAI, FPT Smart Cloud, tập đoàn FPT, là đại diện nhóm tham gia công bố nghiên cứu trực tiếp tại Hội nghị với báo cáo “CTPD: Cross Tokenizer Preference Distillation” (phương pháp “chưng cất” để chuyển cách trả lời theo kỳ vọng con người giữa các mô hình dùng bộ tách từ khác nhau). Nhóm tác giả với mục tiêu chung là tạo ra mô hình ngôn ngữ “vừa nhỏ vừa tốt” để dễ đưa vào vận hành thực tế.

Trong triển khai AI, các mô hình ngôn ngữ quy mô lớn thường cho chất lượng trả lời tốt nhưng chi phí vận hành cao. Vì vậy, doanh nghiệp hay chọn mô hình gọn hơn để chạy nhanh và tiết kiệm tài nguyên, nhất là với các kênh cần xử lý lượng lớn yêu cầu như chatbot. Vấn đề nằm ở chỗ mô hình gọn thường khó đạt được cách trả lời “đúng kỳ vọng con người” như mô hình mạnh đã được huấn luyện kỹ.

Để giải bài toán này, một hướng phổ biến là “chưng cất” (distillation), tức cho mô hình gọn học lại cách trả lời từ mô hình mạnh. Tuy nhiên, nhóm nghiên cứu chỉ ra một điểm nghẽn khiến nhiều cách làm bị hạn chế đó là: mô hình mạnh và mô hình gọn có thể dùng bộ tách từ (tokenizer) khác nhau, nghĩa là cùng một câu nhưng mỗi mô hình chia nhỏ thành các phần không trùng nhau. Khi “cắt chữ” khác nhau, việc truyền các tín hiệu huấn luyện chi tiết giữa hai mô hình trở nên khó khăn.

Ngân cho biết, CTPD là một cách giúp mô hình gọn học theo đúng kỳ vọng con người từ mô hình mạnh, ngay cả khi hai mô hình dùng bộ tách từ khác nhau. “Nhóm tôi có cách dạy mô hình nhỏ học ‘cách trả lời hợp ý người dùng’ từ mô hình lớn đã làm tốt sẵn. Điểm hay là dù hai mô hình có cách ‘cắt chữ’ khác nhau, nhóm em vẫn nối được chúng bằng cách căn theo vị trí ký tự trong câu gốc,” Ngân chia sẻ.

Trong chăm sóc khách hàng, doanh nghiệp có thể dùng dữ liệu về các tình huống phổ biến như giao hàng trễ, đổi trả, hoàn tiền, tra cứu đơn hàng để tạo các cặp trả lời “tốt hơn – kém hơn” theo đúng quy định và giọng điệu thương hiệu. Mô hình gọn sau đó học cách trả lời lịch sự, bám chính sách, và tránh hứa bừa khi thiếu thông tin, trong khi vẫn giữ lợi thế chạy nhanh và tiết kiệm chi phí.

Ngân cũng nhấn mạnh tính ứng dụng của nghiên cứu: “Paper này giới thiệu một cách ‘truyền lại’ phong cách trả lời theo kỳ vọng con người từ mô hình mạnh sang mô hình gọn, để mô hình gọn vẫn trả lời tự nhiên và dễ triển khai hơn. Nhóm mình mong cách làm này giúp cộng đồng tái sử dụng các mô hình mạnh sẵn có để tạo ra các mô hình gọn, rẻ và thực dụng cho nhiều bài toán khác nhau.”

Trong tương lai, nhóm nghiên cứu theo hướng phát triển tập trung sâu hơn vào các lĩnh vực cụ thể như y tế và giáo dục, nơi tiêu chí “câu trả lời tốt” thường có chuẩn mực rõ ràng và yêu cầu an toàn cao. Với định hướng tạo ra mô hình gọn nhưng vẫn đáp ứng kỳ vọng người dùng, nhóm kỳ vọng cách tiếp cận này có thể giúp rút ngắn quá trình đưa AI từ nghiên cứu sang vận hành trong môi trường doanh nghiệp.

Học nhóm với AI Agents, giúp giải quyết vấn đề theo quy trình

Đại diện nhóm nghiên cứu thứ hai của FPT Smart Cloud  tại AAAI-26 là Tiến sĩ Trần Văn Khánh, kỹ sư AI cũng thuộc Trung tâm GenAI, FPT Smart Cloud, Tập đoàn FPT. Nhóm giới thiệu công trình “SAGE: A Compositional Multi-Agent LLM Framework with Pedagogical Reasoning for Structured Collaborative Problem Solving”, tập trung vào một bài toán quen thuộc của giáo dục trực tuyến: học sinh học một mình dễ nản, học nhóm dễ loạn, còn giáo viên rất khó thiết kế một kịch bản học nhóm vừa hiệu quả vừa có cấu trúc sư phạm. Tải paper của nhóm tại đây.

Theo nhóm nghiên cứu, SAGE là một khung “học nhóm với AI”, trong đó thay vì chỉ có một chatbot hỏi gì đáp nấy, hệ thống tạo ra một nhóm “bạn học AI” với vai trò rõ ràng. Nhóm mô phỏng một buổi học nhóm theo hướng gần với đời thực: có một AI Agent đóng vai điều phối để nhắc mục tiêu và tiến độ, một AI Agent đóng vai chuyên gia để hỗ trợ kiến thức và cách giải, và một AI Agent đóng vai động viên để giảm căng thẳng và giữ tinh thần học tập. Nhóm nghiên cứu cho rằng, việc phân vai giúp cân bằng giữa mục tiêu hoàn thành bài và trải nghiệm cảm xúc của người học, thay vì chỉ tối ưu câu trả lời đúng.

Điểm nổi bật của SAGE nằm ở cơ chế giúp các AI Agent “biết nói đúng lúc và im đúng lúc”. Thay vì phân lượt cứng nhắc như nhiều hệ thống trước đây – vốn khiến thảo luận thiếu tự nhiên và dễ làm học sinh phụ thuộc – SAGE cho phép mỗi Agent tự cân nhắc trước khi phản hồi: có cần lên tiếng hay không và nên nói gì cho phù hợp với tình huống học tập. Nhờ đó, buổi học diễn ra giống một cuộc trao đổi nhóm thực thụ, đồng thời hạn chế việc AI đưa ra đáp án quá sớm, tạo không gian để người học tự suy nghĩ.

Về mặt sư phạm, SAGE vận hành theo tư duy giàn giáo (scaffolding) gồm hai giai đoạn. Ở giai đoạn lập kế hoạch trước (offline), hệ thống xây dựng kịch bản hướng dẫn có cấu trúc nhằm giảm gánh nặng soạn bài. Khi bước vào giai đoạn học tương tác (interactive), nhóm AI Agent ban đầu hỗ trợ nhiều để tránh việc người học bị “mắc kẹt”, sau đó giảm dần gợi ý khi nhận thấy học sinh đã hiểu, qua đó tăng năng lực tự giải quyết vấn đề. Tiến sĩ Trần Văn Khánh chia sẻ: “Nhóm nghiên cứu đã thử nghiệm trên các bài toán chương trình lớp 12 và cho biết SAGE đạt tỷ lệ thắng 72,13% về hiệu quả sư phạm so với một số cách tiếp cận khác trong thiết lập đánh giá của nhóm. Theo quan sát của nhóm, khi AI Agent hỗ trợ đúng nhịp và biết lùi lại đúng lúc, học sinh có xu hướng tự tin hơn, tham gia chủ động hơn và đi theo quy trình giải bài rõ ràng hơn thay vì chuyển thẳng tới đáp án.”

Dự án là sự hợp tác giữa khối nghiên cứu hàn lâm (Viện Trí tuệ Nhân tạo – ĐH CNTT & TT Thái Nguyên, ĐH Công nghệ – ĐHQGHN) và khối công nghiệp (Viện Nghiên cứu Công nghệ FPT), xuất phát từ trăn trở rằng AI tuy giỏi trả lời nhưng vẫn thiếu cấu trúc sư phạm và tính “người” khi áp dụng vào học nhóm. Nhóm đánh giá SAGE phù hợp với nền tảng giáo dục trực tuyến, đào tạo kỹ năng giải quyết vấn đề theo nhóm và mô phỏng lớp học ảo; hệ thống giúp giáo viên giảm thời gian xây dựng kịch bản, đồng thời hỗ trợ học sinh từng bước định hướng mà vẫn hướng tới mục tiêu tự làm chủ. Thách thức tiếp theo là chi phí và độ trễ khi triển khai hệ đa tác nhân ở quy mô lớn, cải thiện bộ nhớ dài hạn để ghi nhớ lịch sử học tập của từng học sinh và đo lường sâu hơn kết quả học tập thực chất thay vì chỉ dừng ở mức độ tương tác.

Từ tối ưu chi phí triển khai đến nâng chất lượng trải nghiệm học tập, hai công trình cho thấy cách FPT tiếp cận AI theo hướng ứng dụng: giải bài toán cụ thể, có thể đo lường và có thể mở rộng. Đây cũng là nền tảng để các nhóm nghiên cứu tiếp tục phát triển theo các lĩnh vực chuyên sâu hơn trong thời gian tới, đưa những kết quả học thuật từ các hội nghị hàng đầu thế giới thành giá trị thực tiễn cho doanh nghiệp và cộng đồng, hướng đến mục tiêu làm chủ công nghệ lõi của Tập đoàn FPT.

Dưa Lê