Liên

In a move considered a 'game-changer' in the AI industry, Anthropic has just announced a revolutionary upgrade: offering a 1 million token context window for Claude Opus 4.6 and Sonnet 4.6 at standard pricing. Notably, there are absolutely no surcharges for long context, a policy completely opposite to most other AI providers, including Google and OpenAI, who typically increase prices for larger context limits.How much does Claude with a one million token context window cost?This is a massive shift brought by Anthropic. One million tokens is equivalent to about 750,000 words, enough to process 10 to 15 full novels in a single run. This number has immense significance in real-world workflows:Instead of having to chunk codebases or documents into parts, users can input an entire project into a single session, allowing the AI to work with it as a unified whole.Claude can retain all information from start to finish when analyzing thousands of pages of legal contracts, eliminating the risk of losing context halfway.Complex long-context processing techniques previously required, such as document chunking, lossy summarization, or clearing context to free up memory, are now no longer necessary.New pricing structure with no surcharge for one million tokensThe most surprising aspect is the new pricing structure, which completely lacks any long-context surcharge. The standard pricing applies to the entire range from 1 to 1 million tokens:Opus 4.6: $5 input and $25 output per 1 million tokens.Sonnet 4.6: $3 input and $15 output per 1 million tokens.For perspective, previously, when using a context window exceeding 200,000 tokens, many providers typically charged 2 to 4 times more. Particularly, Claude Code users with Pro ($20), Max ($100), Team, and Enterprise plans automatically receive the 1 million token context window when using Opus 4.6 without needing extra usage credits.Does Claude Opus 4.6 really remember all 1 million tokens?A common question when increasing the context window size is whether reasoning quality is compromised. Anthropic addressed this concern with impressive benchmark results.Claude Opus 4.6 scores 78.3% on MRCR v2 – a test measuring the ability to retrieve hidden information within a massive amount of text. This is the highest score among all current advanced models at the same context length. For comparison:GPT's accuracy drops significantly, reaching only 36% at 1 million context.Gemini performs even worse, at just 26%, showing that these models 'forget' up to ⅓ of what was provided previously when reaching long context.With Sonnet 4.6, the ability to remember over ⅔ of a long context further proves Anthropic's leading position in processing complex information. Claude's media limit increases 6x to 600 images per requestAlongside the context window, another upgrade that received less attention but is extremely important is the media limit. This limit has increased to 600 images or PDF pages per request, 6 times higher than the previous 100. This is especially meaningful for those working intensively with tasks requiring the processing of many visual documents or PDFs, which is truly significant for Claude Pro and Max users who constantly hit token limits and have to wait.Significantly reducing usage costs for businessesThis breakthrough feature is available immediately on the Claude Platform, Microsoft Azure Foundry, and Google Cloud Vertex AI. For Claude Code users on Max, Team, and Enterprise plans using Opus 4.6, the 1 million token context window is enabled by default without additional setup. This not only improves performance but also significantly reduces costs for AI systems that frequently call Claude's API, bringing major economic benefits to businesses and developers.

What is Paperclip AI and why is it generating so much excitement? In its first week alone, Paperclip AI shook the developer community with 14,200 GitHub stars and 1,600 forks. By now those numbers have climbed to 19,700 stars, 2,500 forks, and more than 230 open pull requests, the majority coming from developers outside the original team. This is not the outcome of a small experimental project. It is clear evidence that Paperclip is solving a very specific pain point in the world of AI agents. What is that pain point exactly? Imagine running 20 Claude Code windows simultaneously with no way to manage them, no visibility into what each one is doing, and no mechanism for preserving long-term context. An agent loop that runs unchecked can cost you hundreds of dollars before you even realize it. Paperclip's creator, @dotta, put it plainly: "You can only manage a mess of scripts up to a point before you realize there has to be a better way to work." What is Paperclip and why has it attracted such a following? Paperclip is a powerful combination of a Node.js server and React UI, designed to coordinate a team of AI agents running a miniature business. Rather than being a standard task management tool, Paperclip lets you organize agents into a company with a clear structure. You can set a large objective like "Build an AI note-taking app and reach one million dollars in monthly revenue," and Paperclip helps you "hire" specialized agents to pursue it: CEO agent: Sets the overall strategy. CTO agent: Makes architecture decisions. Engineer agent: Writes and deploys code. Marketer agent: Runs content campaigns. Each agent has a defined role, a reporting line, a monthly budget, and specific goals tied to the company's shared vision. Paperclip provides a comprehensive dashboard where you can monitor the full picture, approve strategies, adjust budgets, and intervene when needed, without opening each agent tab one by one. The core differentiator is that Paperclip doesn't replace AI reasoning. It helps you organize and operate that reasoning through a controlled process. If you want to understand how modern AI models reason before putting them to work in Paperclip, the OpenAI reasoning guide for GPT 5.4 is a useful reference. Paperclip also stands out for broad compatibility. It is not selective about agent runtimes. Claude Code, OpenClaw, Python scripts, shell commands, HTTP webhooks — anything that can receive a periodic heartbeat signal can be "hired." Paperclip models the entire company as the unit of coordination, complete with an org chart, reporting structure, budgets, and goals cascading from the company level down to individual tasks. This is not a workflow builder. It is a real miniature company running on AI. The real excitement from the developer community GitHub star velocity is only part of the story. What is more notable is the quality and volume of community contributions. More than 230 open pull requests coming from external developers rather than the core team signals that Paperclip is a tool people are genuinely using and invested in improving. The v0.3.0 release on March 9, 2026 only reinforced this momentum, adding adapters for Cursor, OpenCode, and Pi, along with PWA support, a database backup CLI, and a range of mobile interface improvements. Notably, the community is contributing in exactly the areas a new project needs most: cost tracking to catch runaway agent loops, session persistence across restarts, and coordination when multiple agents receive the same task simultaneously. The volume of these issues in the tracker indicates that users are deploying Paperclip in real production environments, not just running local experiments. What does Paperclip actually solve in practice? Looking at the contribution list and bug reports, the community is focused on very concrete problems that real users encounter when deploying AI agents. The two most frequently mentioned capabilities are budget control and activity logging. Budget control: Each agent has its own monthly spending limit. When it reaches 80% of the budget, the system sends a warning. At 100%, the agent automatically pauses and stops accepting new tasks. This eliminates surprise invoices and runaway loops entirely. Activity logging: Every instruction, response, action, and decision made by an agent is recorded in an append-only log that cannot be edited or deleted. This is a significant advantage for anyone who needs to explain what their AI system was doing, adding transparency and auditability that most agent setups lack. Paperclip and CrewAI represent two different schools of AI agent management Comparing Paperclip to CrewAI, the most widely used AI agent coordination tool available today, makes its unique value clearer. CrewAI is designed to complete a specific task, with a manager agent overseeing executor agents, supporting self-correction and context persistence. It is strong at quick setup and suits workflows with a clear start and end. Its limitation is that it offers less control over individual execution steps and requires users to work within its own structure. Paperclip takes a completely different approach. Instead of defining a workflow, you define an organization, with a headcount structure, budgets, cascading goals, and approval processes. Agents don't run through a workflow but operate continuously on a schedule, functioning more like actual employees than automated scripts. If CrewAI is a tool for completing a project, Paperclip is a system for running an entire company. Who should use it and who should wait? Paperclip says it plainly in their own README: "If you only have one agent, you don't need Paperclip. But if you have 20 agents, you definitely do." People who have actually deployed AI agents in real operations recommend starting with a specific use case that has high task volume and recoverable errors, then expanding once you have real data to work from. This is far more practical advice than trying to build a fully staffed "AI company" from day one. That said, Paperclip is still in early development. The roadmap has significant gaps to fill, from cloud agent support to a plugin extension system. If you need to deploy for a large enterprise with high stability requirements, waiting a few more months for the product to mature is the more prudent choice. Should you try Paperclip now? The question Paperclip is asking isn't "skip your SaaS vendors." It's "could you build your own AI company?" With an MIT license, self-hosted architecture, and a single command — npx paperclipai onboard --yes — you can run the entire system on your local machine at localhost:3100. [VIDEO:XXplTbQR9to|How to install Paperclip AI on a VPS|How to install Paperclip AI on a VPS] If you are already running more than three AI agents simultaneously and feel like you're losing control, now is exactly the right time to try Paperclip. If you are just getting started with AI agents, get one agent running reliably first and come back to this later.

Google đã công bố một yêu cầu nội bộ đầy tham vọng nhằm tăng công suất AI lên gấp 1.000 lần trong vòng 4 đến 5 năm tới. Động thái này diễn ra trong bối cảnh cuộc đua AI toàn cầu đang nóng lên và đòi hỏi các công ty công nghệ phải đầu tư khổng lồ vào cơ sở hạ tầng tính toán, bất chấp những lo ngại về bong bóng AI. Phó chủ tịch phụ trách cơ sở hạ tầng AI của Google Cloud, ông Amin Vahdat đã trình bày lộ trình này tại một cuộc họp toàn công ty vào đầu tháng 11, nhấn mạnh rằng Google phải tăng gấp đôi năng lực phục vụ AI sau mỗi sáu tháng để đáp ứng nhu cầu bùng nổ. Kỷ nguyên suy luận là gì và tại sao nó lại quan trọng với các mô hình AI Sự phát triển của AI đang bùng nổ chưa từng thấy, lý do là vì chúng ta đã chuyển từ việc chủ yếu huấn luyện các mô hình AI sang một giai đoạn mới gọi là kỷ nguyên suy luận (Inference Era) tức là để AI tự suy luận, tự quyết định. Trước đây, giai đoạn tốn kém và ngốn tài nguyên nhất là lúc AI đang học hỏi. Nhưng giờ đây thì khác, đối với những mô hình siêu xịn mới nhất như Gemini 3 Pro lại cần một lượng sức mạnh máy tính khổng lồ và liên tục để làm những việc như: suy nghĩ, lập luận và viết code. Ông Vahdat đã cảnh báo thẳng thắn rằng: Hiện tại, cuộc đua xây dựng cơ sở hạ tầng cho AI mới chính là phần quan trọng nhất và đắt đỏ nhất của toàn bộ cuộc chơi AI này! Ưu thế của Google đi kèm với thách thức Để đạt được mức tăng trưởng hạ tầng AI gấp 1.000 lần mà không làm chi phí vượt tầm kiểm soát, Google tiếp tục đặt cược vào hiệu suất và hiệu quả năng lượng. Tối ưu hóa hiệu suất và chi phí Google đã đặt ra mục tiêu với quá nhiều thách thức: cần cung cấp năng lực tính toán, lưu trữ và kết nối gấp 1.000 lần so với hiện nay, nhưng phải duy trì chi phí và mức tiêu thụ điện năng ở mức tương đương. Để thực hiện điều này, Google áp dụng triết lý thiết kế đồng bộ rất giống của Nvidia. Đây là việc tích hợp chặt chẽ phần mềm, thuật toán (do DeepMind tự phát triển) với kiến trúc phần cứng “cây nhà lá vườn” của Google đó là TPU Ironwood và CPU Axion. Vai trò của TPU Ironwood và CPU Axion là gì Chip TPU Ironwood thế hệ thứ 7 (ra mắt vào tháng 4/2025) là trung tâm của chiến lược mở rộng này. Ironwood được thiết kế cho mục đích suy luận mô hình ngôn ngữ lớn (LLM inferencing). Google tuyên bố Ironwood cung cấp hiệu suất đỉnh cao gấp 10 lần so với TPU v5p ra mắt 2018 và hiệu suất trên mỗi watt gấp 2 lần so với thế hệ Trillium trước đó. Mỗi chip TPU v7 Ironwood được làm mát bằng chất lỏng có khả năng đạt 4.6 petaFLOPS (FP8 dense). Để hiểu rõ, chúng ta so sánh ngay với Blackwell B200 mới nhất của Nvidia cũng chỉ đạt 4.5 petaFLOPS (FP8 dense). Bên cạnh đó, Google sử dụng CPU tự phát triển Axion (dựa trên Arm). Các khối lượng công việc đa năng đang được chuyển sang các bộ xử lý hiệu quả hơn này để giải phóng năng lượng và không gian nhiệt cho các TPU ngốn điện để phục vụ tác vụ AI chuyên dụng. Thách thức hạ tầng và năng lượng Việc tăng công suất tính toán lên mức siêu lớn tất nhiên cũng phải đòi hỏi phải vượt qua các rào cản vật lý lớn về điện năng và làm mát. Hiện tại, các con chip AI đang mạnh mẽ đến mức chúng trở thành những "lò sưởi tí hon". Dù kích thước chip rất nhỏ, nhưng nhiệt độ và sức nóng mà chúng tạo ra lại cực kỳ khủng khiếp. Để giải quyết vấn đề này, Google đang thực hiện hai giải pháp chính: Làm mát bằng chất lỏng: Họ đã chuyển sang dùng nước hoặc chất lỏng chuyên dụng để làm mát trực tiếp các chip. Cách này hiệu quả hơn rất nhiều so với quạt gió. Hệ thống điện 48V: Google đang triển khai hệ thống phân phối điện 48V. Đây là một giải pháp giúp truyền tải điện hiệu quả hơn và giảm thiểu việc lãng phí điện năng bị biến thành nhiệt. Trong tương lai, khi các tủ máy (rack) chứa chip mạnh đến mức cần công suất hàng trăm kilowatt, Google đang nghiên cứu đến một bước đột phá lớn hơn: chuyển sang dùng nguồn điện một chiều DC 400 V. Điều này sẽ giúp họ khai thác toàn bộ sức mạnh của các hệ thống học máy khổng lồ mà không sợ bị quá tải về điện. Cam kết môi trường và khủng hoảng năng lượng Theo Alphabet (công ty mẹ của Google) luôn đặt mục tiêu Net Zero (phát thải ròng bằng 0) vào năm 2030 giống như chính phủ Việt Nam ta. Tuy nhiên, nhu cầu năng lượng cho mảng AI đang bị cảnh báo là rất lớn và có thể ảnh hưởng đến các mục tiêu khí hậu của Alphabet. Để giải quyết tình trạng thiếu hụt năng lượng trên toàn cầu, Google đang tìm kiếm các nguồn cung cấp năng lượng tại chỗ đáng tin cậy, sạch sẽ và có chi phí thấp. Google đã công bố đầu tư vào năng lượng hạt nhân (Kyros), sử dụng các lò phản ứng mô-đun nhỏ (SMRs) 500 megawatt. Bong bóng và rủi ro tài chính của AI sẽ diễn biến thế nào Mặc dù Google đang dốc hết tiền đầu tư vào công nghệ AI nhưng trên thị trường tài chính, ai cũng đang lo lắng về một bong bóng AI sắp vỡ. Bản thân Sundar Pichai (CEO Alphabet) cũng phải thẳng thắn thừa nhận: "Có những yếu tố hơi phi lý trong cách thị trường đang định giá các công ty AI hiện nay." Bằng chứng là Alphabet đã nâng dự báo chi tiêu cho xây dựng cơ sở hạ tầng (CapEx) cho năm 2025 lên đến 93 tỷ USD một con số khổng lồ! Tuy nhiên, ông Pichai có một lập luận rất chắc chắn” Rủi ro lớn nhất không phải là đầu tư quá nhiều, mà là không đầu tư đủ.” Ông đưa ra ví dụ: Mảng Google Cloud đang tăng trưởng rất ấn tượng, nhưng đáng lẽ doanh thu còn phải cao hơn nữa nếu như họ có đủ năng lực tính toán để phục vụ khách hàng. Nói cách khác, Google chấp nhận rủi ro đầu tư lớn để không bỏ lỡ cơ hội kiếm tiền khủng trong tương lai. Google có đang thách thức sự thống trị của Nvidia Google đang tăng tốc đầu tư vào hệ thống TPU (chip xử lý AI riêng của họ) và theo đuổi chiến lược tự làm từ A đến Z (từ thiết kế đến sản xuất chip). Điều này đang tạo ra một giải pháp thay thế rất tiềm năng cho chip GPU của Nvidia vị vua đang thống trị thị trường hạ tầng AI hiện nay. Chip TPU của Google là một loại mạch điện tử (ASIC) được sinh ra chỉ để làm một việc: tính toán cho AI. Nó không giống như GPU của Nvidia. GPU của Nvidia giống như một vận động viên đa năng, rất linh hoạt và làm được nhiều việc hơn. TPU của Google giống như một vận động viên chuyên biệt, có thể làm một số tác vụ huấn luyện và suy luận AI khối lượng lớn hiệu quả hơn và ít tốn điện hơn đối thủ. Canh bạc đặt cược vào TPU của Google đang bắt đầu có hiệu quả khi Meta Platforms đang đàm phán để sử dụng TPU của Google với mục đích là đa dạng hóa nhà cung cấp và giảm bớt sự phụ thuộc vào Nvidia. Dự kiến, Meta có thể bắt đầu thuê năng lực TPU từ năm 2026 và mua chip số lượng lớn từ năm 2027. Tóm lại, kế hoạch tăng tốc hạ tầng AI lên gấp 1.000 lần của Google không chỉ là một mục tiêu về số lượng mà là là sự thay đổi về cách thiết kế hệ thống. Google đang biến trung tâm dữ liệu thành một cỗ máy thống nhất và cực kỳ hiệu quả. Họ tập trung vào việc đồng bộ thiết kế giúp phần cứng bắt tay với phần mềm để cùng xử lý tác vụ cùng tiết kiệm điện năng, hơn nữa là dùng chip nhà làm giống như điều Apple đã và đang làm để bảo đảm vị thế dẫn đầu trong cuộc đua với tốc độ chóng mặt!

Sự ra mắt của Nano Banana Pro (tên chính thức là Gemini 3 Pro Image), được xây dựng trên nền tảng Gemini 3 Pro, thực sự là một sự nâng cấp xuất sắc. Cá nhân tôi vẫn còn bất ngờ khi Gemini 3 giờ đây xuất hiện thêm Nano Banana Pro. Nó không chỉ mang đến một bước nâng cấp lớn so với Nano Banana mà có thể sẽ khiến nhiều người quên đi những mô hình, nền tảng tạo ảnh khác như Midjourney, GPT Image 1 hay thậm chí phần nào đó là Photoshop. Trải nghiệm thực tế của Nano Banana Pro như thế nào? Nano Banana Pro được thiết kế để tận dụng khả năng suy luận nâng cao và hiểu biết sâu rộng về thế giới thực của Gemini 3. Phiên bản Pro này không chỉ giúp tạo ra hình ảnh đẹp đơn thuần mà còn giúp xây dựng nội dung hữu ích hơn, chẳng hạn như sơ đồ minh họa hoặc infographic chính xác dựa trên thông tin thực tế hoặc dữ liệu do người dùng cung cấp. Trong quá trình thử nghiệm, có 4 điểm nâng cấp lớn nhất mang lại sự khác biệt rõ rệt so với bản Nano Banana (Gemini 2.5 Flash Image): Chữ (text) trong ảnh có thể chính xác 99%: Chúng ta đều biết điểm yếu chung của các AI tạo ảnh là khả năng xử lý văn bản rất kém, dù là tiếng Anh hay tiếng Việt. Nhưng với sự trợ giúp từ Gemini 3, câu chuyện đã khác, chúng ta hoàn toàn có thể chuyển đổi tài liệu, sách, ảnh từ tiếng Anh sang tiếng Việt hoặc tô màu chúng cực kỳ chính xác. Điều này trước kia vốn là nhiệm vụ bất khả thi. Độ phân giải cực cao (4K): Trước đây, muốn ảnh AI đạt tới 4K để phục vụ in ấn hay quảng cáo là một cơn ác mộng, thường phải tốn công sức làm nét lại. Giờ đây, chất lượng 4K không còn là điều quá xa vời với Nano Banana Pro, còn các độ phân giải thấp hơn như 2K thì mô hình này cân dư sức. Khả năng suy luận và hỗ trợ Google Search: Nhờ sự hỗ trợ của Gemini 3 Pro, mô hình hoàn toàn có khả năng suy luận qua các câu lệnh phức tạp. Đặc biệt hơn, nó có thể sử dụng Google Search để lấy dữ liệu thời gian thực tạo ra hình ảnh. Ví dụ: Bạn có thể yêu cầu vẽ hình ảnh ăn mừng dựa trên kết quả của một trận thể thao vừa kết thúc hoặc có thể tạo hình ảnh thiệt hại của 2 cơn bão vừa xảy ra ở miền trung và dưới đây là kết quả mình cho ra. Giữ khuôn mặt/khung hình cực ổn định: Đối với những ai làm thương hiệu hoặc cần sự nhất quán, tính năng này cực kỳ cần thiết. Mô hình có khả năng giữ nguyên khuôn mặt hoặc khung hình của nhân vật xuất sắc ngay cả khi thay đổi bối cảnh, trang phục. Nhờ vậy, bạn có thể dễ dàng tạo ra toàn bộ một bộ nhận diện thương hiệu đồng nhất. Những điều Nano Banana Pro cần cải thiện Mặc dù rất ấn tượng, Nano Banana Pro vẫn gặp khó khăn hoặc một số lỗi nhỏ cần cải thiện: Logic sơ đồ đôi khi hơi "ngáo": Dù có Gemini 3 hỗ trợ nhưng khoản vẽ sơ đồ hay infographic nhiều lúc vẫn bị lộn xộn (ví dụ: bước 2 lại nhảy lên nằm trước bước 1) dù hình ảnh chất lượng. Lỗi này khó sửa bằng prompt, thường phải tạo lại từ đầu. Chữ trong ảnh vẫn xuất hiện lỗi chính tả: Lâu lâu AI vẫn cho ra bức ảnh sai chính tả với tỷ lệ khoảng 1/10. Mức này hoàn toàn chấp nhận được nhưng chưa hoàn hảo 100%. Ghép ảnh chưa thực sự mượt: Khả năng hòa trộn khuôn mặt vào khung hình mới vẫn chưa được tự nhiên lắm, đối với những người khó tính thì nhìn bằng mắt thường là thấy hơi giả trân. Nên với những ca khó cần độ chính xác cao, chúng ta vẫn phải nhờ đến bàn tay hậu kỳ của các bạn designer. Làm thế nào để trải nghiệm Nano Banana Pro? Nano Banana Pro có thể sử dụng được hoàn toàn miễn phí trong ứng dụng Gemini. Mở ứng dụng Gemini (hoặc truy cập trên web). Chọn mô hình "Thinking" (tư duy). Mục này nên dùng vì Nano Banana Pro sẽ lấy sức mạnh tư duy của Gemini 3 để tạo ảnh. Chọn tùy chọn trong mục công cụ chọn "Create images" (Tạo hình ảnh). Người dùng gói miễn phí sẽ nhận được một hạn mức sử dụng Pro giới hạn. Sau khi dùng hết hạn mức này, hệ thống sẽ tự động chuyển về mô hình Nano Banana gốc. Người dùng đăng ký các gói cao hơn (Google AI Plus, Pro, và Ultra) sẽ nhận được hạn mức sử dụng Nano Banana Pro cao hơn đáng kể. Vậy là Nano Banana Pro giống như một nhiếp ảnh gia chuyên nghiệp mới được trang bị máy ảnh 4K và bộ xử lý thông minh. Nó có thể tạo ra những bức ảnh siêu thực, nhưng đôi khi vẫn cần bạn hướng dẫn cụ thể về logic và ý định để đảm bảo bức ảnh không chỉ đẹp mà còn hợp lý.

Ngày 19-11-2025, Google đã chính thức giới thiệu Gemini 3, mô hình AI tiên tiến và thông minh nhất của mình, được thiết kế để giúp người dùng hiện thực hóa mọi ý tưởng. CEO Sundar Pichai đã tuyên bố Gemini 3 là "mô hình tốt nhất trên thế giới về khả năng hiểu đa phương thức". Mô hình này đánh dấu sự nâng cấp trong hành trình tiến tới trí tuệ nhân tạo tổng quát (AGI). Sự nâng cấp so với Gemini 2.5 như thế nào Như vậy sau 8 tháng kể từ khi ra mắt Gemini 2.5 thì Google đã quay lại với Gemini 3 Pro với sự nâng cấp về khả năng suy luận và hiểu ngữ cảnh, nó là sự kết hợp của tất cả các khả năng của các thế hệ Gemini trước lại với nhau. Càn quét các bảng xếp hạng Gemini 3 Pro với sự ra mắt có thể nói trong âm thầm không phải là một bước nhảy vọt nhưng vẫn có sức nặng khi đã đứng đầu rất nhiều bảng xếp hạng LLM (như LMArena,...) Tất nhiên nếu so với Gemini 2.5 thì Gemini 3 hoàn toàn vượt trội ở mọi tiêu chuẩn AI, như ở việc xác định ngữ cảnh và ý định đằng sau yêu cầu của người dùng, cho phép người dùng nhận được kết quả mong muốn với ít đoạn prompting hơn. Gemini 3 vượt trội so với Gemini thế hệ trước là bình thường nhưng điểm số của nó cũng vượt qua cả Claude 4.5 Sonnet và GPT 5.1 đơn cứ như việc Gemini 3 thể hiện khả năng suy luận ở cấp độ tiến sĩ (PhD-level reasoning) với điểm số cao trên các bài kiểm tra Humanity’s Last Exam là 37.5% không dùng công cụ vượt trội so với Claude Sonnet 4.5 (13.7%) và GPT 5.1 (26.5%) hoặc điểm GPQA Diamond (91.9%) cũng tiếp tục vượt lên với Claude Sonnet 4.5 (83.4%) và GPT 5.1 (88.1%) [GEMINI_3_BENCHMARK_CHART] Sức mạnh đa phương thức (Multimodality) Gemini 3 vẫn được tiếp nối với Gemini 2.5 ở khả năng tổng hợp thông tin liền mạch trên nhiều phương thức, bao gồm văn bản, hình ảnh, video, âm thanh và mã code. Tất nhiên là với bài kiểm tra đều tốt hơn Gemini 2.5 với 81% điểm MMMU-Pro (Gemini 2.5 là 68%) và 87.6% điểm Video-MMMU (Gemini 2.5 là 83.6% theo Google). Tình huống sử dụng thực tế như thế nào Sử dụng trong học tập và nghiên cứu: Gemini 3 có thể phân tích các bài báo học thuật hoặc bài giảng video dài và tạo mã code cho các hình ảnh trực quan tương tác hoặc thẻ ghi nhớ nhưng mình đã thử với video dài 4 tiếng thật sự Gemini 3 chế độ Fast sẽ không ghi nhớ được hết sẽ sai hoặc thiếu các chi tiết vì vậy bây giờ chưa nên tin tưởng hoàn toàn vào những thông tin mà Gemini 3 đưa ra mà hãy làm việc đó với Notebook LM. Trong lĩnh vực sáng tạo và lập kế hoạch: Gemini 3 hoàn toàn có thể phiên dịch và chuyển đổi các công thức nấu ăn viết tay bằng nhiều ngôn ngữ khác nhau thành sách dạy nấu ăn rất thích hợp để chia sẻ. Thậm chí theo Google nó hoàn toàn có thể viết một bài thơ nắm bắt được vật lý học của phản ứng tổng hợp hạt nhân, hoặc viết mã code để tạo hình ảnh trực quan về dòng plasma trong tokamak. Trong lĩnh vực phân tích video thể thao: Gemini 3 có thể phân tích video về trận đấu thể thao (như pickleball, quần vợt,...) xác định các kĩ năng cần cải thiện và tạo kế hoạch luyện tập. Gemini 3 Deep Think có chế độ suy nghĩ nâng cao không Google cũng giới thiệu Deep think mode một chế độ suy luận được tăng cường, để giúp giải quyết các vấn đề phức tạp hơn giống như Gemini 2.5 nhưng thật sự nó cho ra kết quả sẽ rất là lâu. Chế độ Deep Think đang được thử nghiệm và dự kiến sẽ sớm có mặt cho người dùng đăng ký Google AI Ultra trong những tuần tới vì vậy mình chưa có cơ hội trải nghiệm nhưng với người dùng bình thường thì chế độ Thinking cũng khá phù hợp. Khả năng cho nhà phát triển và tốc độ triển khai Khả năng coding Gemini 3 tốt như thế nào Gemini 3 có sự thể hiện rất tốt trong khả năng tạo mã code và xử lý các prompt phức tạp để tạo ra giao diện web tương tác và phong phú hơn nhưng thật sự vẫn về khả năng coding mình vẫn tin tưởng Claude Sonnet 4.5 hơn, bởi khi Gemini 3 gặp vấn đề với code sẽ không tập trung xử lý vấn đề đó mà càng sửa càng sai không giống như Claude Sonnet 4.5 điều này gây khó khăn so với những người không hiểu nhiều về code. Về tốc độ, khi sử dụng coding thì Gemini 3 nhanh hơn đáng kể so với Claude Sonnet 4.5 và GPT 5.1 đặc biệt nhanh gấp 2 lần so với Gemini 2.5 đối với các tác vụ nhỏ và trung bình. Để hỗ trợ phát triển các agent, Google cũng phát hành nền tảng phát triển agentic mới là Google Antigravity sử dụng khả năng suy luận và công cụ của Gemini 3 để biến AI thành một agent mới có khả năng hoạt động độc lập và tích cực. Bao giờ có thể sử dụng Gemini 3 Gemini 3 đang được triển khai trên toàn bộ hệ sinh thái của Google bắt đầu ngày 19 tháng 11 Ở khung chat Gemini thì Google đã cho chọn chế độ Fast và Thinking và Pro chứ không phải lựa chọn LLM như Gemini 2.5 nữa điều đó cũng sẽ cho thấy việc Google tự động hóa việc lựa chọn LLM cho các tác vụ từ đơn giản phức tạp giống như điều mà Open AI đã làm với GPT-5.1. Gemini 3 cũng lần đầu được tích hợp luôn trong Google Search với chế độ AI Mode. Chế độ AI này sử dụng Gemini 3 để kích hoạt các trải nghiệm giao diện người dùng tạo sinh (generative UI) mới, chẳng hạn như bố cục hình ảnh sống động và các công cụ tương tác, được tạo ra dựa trên truy vấn của người dùng. Một động thái theo ý kiến cá nhân là để cạnh tranh với Open Atlas ChatGPT Atlas và Perplexity Comet.

Bạn đã từng chơi game cùng một đồng đội AI (bot) hoặc NPC chỉ biết làm theo lệnh cứng nhắc? Hãy quên điều đó đi! Google DeepMind vừa công bố SIMA 2 (viết tắt của Scalable Instructable Multiworld Agent) tiếp nối SIMA 1, một tác nhân AI thế hệ mới, đa năng, được thiết kế để không chỉ chơi game mà còn suy nghĩ, lý luận và tự học trong các thế giới ảo 3D phức tạp. Việc ra mắt SIMA 2 có thể được coi là một cột mốc quan trọng, đưa chúng ta tiến gần hơn đến trí tuệ nhân tạo tổng quát (AGI). AGI luôn luôn là mục tiêu tối thượng của toàn bộ các ông lớn như Google, Open AI, Microsoft tạo ra hệ thống AI có thể thực hiện nhiều loại nhiệm vụ trí tuệ khác nhau, giống như con người. Nâng cấp bộ não với sức mạnh Gemini 2.5 Flash Lite SIMA 2 đã được nhận được cập nhật lớn về trí tuệ nhờ được tích hợp mô hình ngôn ngữ lớn Gemini 2.5 Flash Lite làm lõi suy luận. Điều này đã giúp SIMA từ một tác nhân AI chỉ biết "thực hiện chỉ thị" (instruction-follower) thành một người bạn đồng hành hơn. [SIMA2_BENCHMARK_CHART] SIMA 2 thông minh hơn SIMA 1 so sánh với con người như thế nào? SIMA 1 (ra mắt năm 2024) chỉ đạt tỷ lệ hoàn thành các nhiệm vụ phức tạp khoảng 31%. SIMA 2 đã tăng gấp đôi hiệu suất, đạt mức trung bình 65% tỷ lệ hoàn thành nhiệm vụ trên bộ đánh giá chính, tiệm cận với khả năng của con người (khoảng 76%). Khả năng suy nghĩ thật sự (Không phải hành động lặp lại) Nhờ có Gemini, SIMA 2 sở hữu khả năng lý luận trừu tượng mà các bot trước đây không làm được. Nó không chỉ làm theo lệnh mà còn hình thành kế hoạch nội bộ và giải thích các bước hành động của mình. Nhìn ví dụ về lý luận dưới đây: Nếu bạn đang chơi game và nói: "Hãy đi đến ngôi nhà có màu giống quả cà chua chín". Một bot cũ sẽ bị "đứng hình" vì bạn không nói màu cụ thể, nhưng đối với SIMA 2 thì nó sẽ sử dụng lõi Gemini để suy luận: "Quả cà chua chín có màu đỏ. Vậy mình phải tìm và đi đến ngôi nhà màu đỏ". SIMA 2 thực hiện các hành động này bằng cách quan sát hình ảnh trên màn hình và sử dụng bàn phím/chuột ảo để điều khiển nhân vật hoặc công cụ mô phỏng hành vi giống hệt như một người chơi bình thường. Đây là lý do tại sao nó được gọi là một tác nhân hiện thân (embodied agent)—một hệ thống tương tác cho phép AI cảm nhận trong thế giới ảo (hoặc thực) và tất nhiên là có đi kèm với điểm hiệu suất sau đó. Có thể hiểu nhiều thứ: từ ngôn ngữ đến biểu tượng cảm xúc (Emojis) Với sự hỗ trợ của Gemini thì SIMA 2 có thể hiểu vượt xa giới hạn của ngôn ngữ văn bản đơn thuần, cho phép người dùng giao tiếp với nó bằng nhiều cách thức đa dạng: Chỉ dẫn đa phương thức: Nó có thể tuân theo các lệnh bằng văn bản, giọng nói, các bản phác thảo trên màn hình, và thậm chí là biểu tượng cảm xúc (emojis). Ví dụ: Bạn chỉ cần nhập tổ hợp 🪓🌲 (cây rìu và cây thông), và SIMA 2 sẽ hiểu đó là lệnh "đi chặt cây". Đa ngôn ngữ: Tất nhiên SIMA 2 còn có khả năng hiểu và thực hiện các lệnh bằng nhiều ngôn ngữ tự nhiên khác nhau như tiếng Pháp, tiếng Trung, tiếng Đức và tiếng Tây Ban Nha. Khái quát hóa: SIMA 2 có khả năng chuyển đổi các khái niệm trừu tượng đã học được từ một trò chơi sang một trò chơi hoàn toàn khác. Ví dụ: Nếu nó học cách "khai thác" quặng trong một game sinh tồn, nó có thể áp dụng ngay khái niệm đó để thực hiện lệnh "khai thác" trong một game Minecraft. Hoặc cũng có thể mở rộng ra với các tựa game phổ biến như PUBG tự động loot đồ, hoặc LOL tự động farm quái kiếm kinh nghiệm lên cấp. Tự học hỏi không cần đến sự hướng dẫn của con người Một trong những đóng góp nghiên cứu quan trọng nhất của SIMA 2 là cơ chế tự cải thiện. Thay vì chỉ dựa vào dữ liệu người chơi cung cấp, sau giai đoạn đào tạo ban đầu, SIMA 2 có thể tự chuyển sang chế độ học hỏi thông qua thử và sai (trial-and-error). Quá trình tự học: Một mô hình Gemini riêng biệt sẽ tạo ra các nhiệm vụ mới cho SIMA 2 trong môi trường ảo, và một mô hình đánh giá (reward model) sẽ chấm điểm hiệu suất của nó. Kết quả: Những trải nghiệm của chính nó, mà dân gian hay gọi là "Mỡ nó rán nó" sẽ được lưu trữ và dùng để huấn luyện các phiên bản SIMA 2 sau, giúp tác nhân tự nâng cao hiệu suất mà không cần thêm dữ liệu đầu vào, hoặc sự hỗ trợ từ con người. Bộ phận DeepMind của Google đã kiểm tra SIMA 2 trong các thế giới 3D hoàn toàn mới, được tạo ra theo thủ tục bằng mô hình Genie 3 (mô hình tạo thế giới ảo tương tác từ văn bản hoặc hình ảnh). SIMA 2 đã thành công trong việc điều hướng, nhận diện vật thể (như ghế dài hay hoa hoặc cả máy bay), và thực hiện các hành động được yêu cầu trong những thế giới hoàn toàn xa lạ này. [VIDEO:https://www.youtube.com/watch?v=Zphax4f6Rls|Video về SIMA|Video DeepMind về SIMA 2] Tương lai không chỉ là game mà hướng đến AGI và robot Mục tiêu của Google DeepMind không phải chỉ là tạo ra một Faker AI mới trong làng game mà họ xem các trò chơi điện tử là môi trường đủ sự an toàn và phức tạp để xây dựng và thử nghiệm sự thích nghi của AI. Các kỹ năng cấp cao mà SIMA 2 học được trong môi trường ảo như điều hướng không gian, sử dụng công cụ và tự hợp tác để giải quyết vấn đề là những thành phần cơ bản cần thiết cho các ứng dụng robot và xe tự lái trong thế giới thực. Giống như việc bạn cần hiểu “tủ lạnh” và "bát đũa" là gì và cách di chuyển trong nhà để lấy chúng, robot cũng cần học rất nhiều về điều này khi mà sư chính xác được đặt lên hàng đầu hiện nay những robot như vậy hoàn toàn do con người điều khiển vì vậy chắc chắn SIMA 2 sẽ tập trung vào việc học những hành vi cần độ chính xác cao này. Vậy SIMA 2 chính là minh chứng cho việc các ông lớn như Google chắc chắn chưa thay đổi mục tiêu AGI của họ, từ đó chắc chắn tạo ra tương lai AI có thể tương tác và hỗ trợ chúng ta trong nhiều lĩnh vực hơn nữa.

Thế giới đang chứng kiến một sự chuyển đổi lao động số hóa đáng kinh ngạc: những kỹ sư trẻ tuổi ngồi tại trung tâm tài chính Manila, Philippines, lại đang điều khiển những con robot sắp xếp hàng hóa tại các cửa hàng tiện lợi ở Tokyo, Nhật Bản, cách đó hơn 3.000 km. Xu hướng này không chỉ giải quyết cuộc khủng hoảng thiếu hụt lao động mà Nhật Bản đang đối mặt mà còn định hình lại bản chất của công việc thủ công trong kỷ nguyên tự động hóa. Khủng hoảng lao động Nhật Bản và giải pháp robot thay thế Là một trong những nền kinh tế lớn nhất thế giới, Nhật Bản đang phải đối mặt với thách thức dân số già hóa và lực lượng lao động sụt giảm. Tình trạng thiếu hụt nhân sự này đặc biệt nghiêm trọng trong các ngành dịch vụ, bao gồm cả chuỗi cửa hàng tiện lợi (konbini). Với hơn 56.000 cửa hàng trên khắp cả nước, các konbini như FamilyMart và Lawson là một phần thiết yếu của đời sống hàng ngày ở Nhật Bản. Để giải quyết vấn đề này, các chuỗi cửa hàng tiện lợi đã chuyển sang sử dụng công nghệ. Công ty khởi nghiệp robotics Telexistence (TX), có trụ sở tại Tokyo, đã phát triển một giải pháp robot từ xa. Telexistence đã hợp tác với FamilyMart để triển khai robot TX SCARA. Mẫu robot này, chạy trên nền tảng AI Jetson của Nvidia, được thiết kế để thay thế công việc bổ sung sản phẩm lặp đi lặp lại trong các cửa hàng bán lẻ. Cụ thể, robot TX SCARA có khả năng xử lý tất cả chai PET và lon nước đóng hộp có kích cỡ khác nhau trong tủ mát. Cầu nối 3.000km từ Manila đến Tokyo Telexistence đã cung cấp robot cho hơn 300 cửa hàng tiện lợi trên khắp Nhật Bản (bao gồm FamilyMart và Lawson, và sắp tới là 7-Eleven). Điều độc đáo là những robot này được giám sát và điều khiển từ xa bởi đội ngũ nhân viên của Astro Robotics – một công ty khởi nghiệp tại Philippines. Mô hình này xuất hiện do việc tìm kiếm nhân công sắp xếp hàng hóa ở Nhật Bản đang ngày càng khó khăn và tốn kém, mặc dù mức lương tối thiểu khá cao. Ngược lại, Philippines là một trung tâm gia công toàn cầu với lực lượng lao động trẻ hơn, am hiểu công nghệ hơn và đặc biệt là chi phí thấp hơn nhiều so với ở Nhật Bản. Tại văn phòng ở Manila, khoảng 60 nhân viên trẻ tuổi sử dụng kính thực tế ảo (VR) và cần điều khiển để giám sát và vận hành robot. Công nghệ này cho phép các cửa hàng ở Nhật Bản thuê nhân viên từ bất cứ nơi nào trên thế giới, qua đó giải quyết tình trạng thiếu hụt lao động. Vai trò của con người Hệ thống của Telexistence sử dụng AI độc quyền tên là Gordon để thực hiện hầu hết các thao tác sắp xếp hàng hóa một cách tự động. Tuy nhiên, tự động hóa hoàn toàn trong trường hợp này vẫn chưa thể áp dụng mà vẫn cần đến con người. [HUMAN_ROBOT_COLLABORATION_CHART] Phần lớn thời gian, robot TX SCARA hoạt động tự động, nhưng khi xảy ra các sự cố ngoài dự kiến, ví dụ như làm rơi chai nước hoặc sắp xếp sai vị trí, người điều khiển từ xa sẽ bắt buộc phải can thiệp. Việc can thiệp thủ công này (khoảng 4% các trường hợp) đòi hỏi người điều khiển phải sử dụng kính VR để nhập vào robot và điều khiển nó nhặt vật thể bị rơi. Quá trình này được các nhà nghiên cứu gọi là hòa thân kỹ thuật số (Digital Embodiment). Về cơ bản, người lao động đang vận hành cơ thể máy móc thông qua giao diện truyền hình ảnh để cung cấp khả năng cảm biến và vận động mà robot và AI hiện tại vẫn còn thiếu. Người lao động từ xa đóng vai trò là người giám sát cho máy móc khi hệ thống tự động gặp thất bại. Những đánh đổi và nỗi lo mới xuất hiện Mô hình lao động robot từ xa này, dù mang tính tiên tiến, lại bộc lộ những mâu thuẫn phức tạp của chủ nghĩa tư bản toàn cầu trong lĩnh vực tự động hóa. 1. Chi phí lao động thấp: Các công ty toàn cầu chắc chắn sẽ tìm kiếm nguồn lao động rẻ, ngay cả trong những công việc đòi hỏi kỹ năng cao như vận hành robot. Mặc dù công việc được xem là hiện đại, kỹ sư và cử nhân công nghệ thông tin tại Philippines thường chỉ được trả mức lương thấp hơn nhiều so với đồng nghiệp tại các quốc gia phát triển. 2. Sức khỏe và áp lực: Những người điều khiển robot phải đối mặt với áp lực lớn trong việc xử lý lỗi nhanh chóng để không làm gián đoạn hệ thống. Hơn nữa, họ thường xuyên cảm thấy chóng mặt và hoa mắt do say mạng đây là một dạng say tàu xe liên quan đến việc sử dụng kính thực tế ảo (VR) trong thời gian dài. 3. Nguy cơ con người bị thay thế: Đằng sau cơ hội việc làm là nỗi lo bị chính công nghệ nuốt chửng vì toàn bộ thao tác của người điều khiển robot đang được ghi lại để huấn luyện AI. Mục đích của việc thu thập dữ liệu này là để phát triển thế hệ robot tương lai có thể tự hoạt động mà không cần sự hỗ trợ của con người. Giáo sư Lionel Robert (Đại học Michigan, Mỹ) nhận định người lao động đang trở nên không khác gì phiên bản dự phòng của robot. Tương lai của lực lượng lao động sắp tới chắc chắn sẽ là sự kết hợp lai giữa robot, AI, tự động hóa và con người. Trong khi mô hình robot từ xa ở FamilyMart chứng minh rằng công nghệ có thể vượt qua khoảng cách địa lý để giải quyết vấn đề logistics, nó cũng đặt ra câu hỏi về việc giá trị của sức lao động thủ công được số hóa này sẽ được định nghĩa như thế nào trong một thế giới ngày càng tự động hóa.

Ra mắt vào tháng 4-2024, Meta AI được kỳ vọng là một ứng dụng độc lập đóng vai trò trợ lý ảo của Meta, đến thời điểm này Meta AI đã ra mắt thêm phần "Discover" để người dùng khám phá cách cộng đồng tạo nội dung AI, tuy nhiên sản phẩm này vẫn được đánh giá là được phát triển quá vội vàng từ ứng dụng AI đi kèm kính thông minh. Chỉ sau vài tháng, hàng loạt phản hồi tiêu cực đã xuất hiện, cho rằng trải nghiệm kém, nội dung trên nguồn cấp dữ liệu không cập nhật, và AI thường xuyên "bịa đặt" thông tin. Dù đã đầu tư hàng tỷ đô la vào phát triển AI cộng với nguồn lực khổng lồ, Meta AI vẫn bị đánh giá là thiếu cá nhân hóa, hoạt động rời rạc và chưa đủ sức cạnh tranh với các ông lớn như ChatGPT, Gemini, Claude, Deepseek. Trải nghiệm rời rạc, cá nhân hóa rất yếu kém Một trong những vấn đề lớn nhất của Meta AI là thiếu tính liền mạch. Khi người dùng chuyển đổi giữa Facebook, Instagram, Messenger hoặc WhatsApp, các cuộc trò chuyện của họ với Meta AI không thể đồng bộ, gây ra trải nghiệm rời rạc. Mỗi nền tảng lại có một phiên bản Meta AI hoạt động khác nhau: WhatsApp tập trung vào gợi ý tác vụ và quản lý lịch, Messenger vượt trội trong việc tạo ảnh, và Facebook nghiêng về tóm tắt bình luận. Sự phân mảnh này trái ngược với ChatGPT hoặc Gemini hoặc thậm chí Perplexity có thể làm tốt hơn với lịch sử trò chuyện có thể đồng bộ hóa trên các thiết bị và nền tảng, tạo ra cảm giác thống nhất- điều cực kì cần thiết với các nền tảng hiện nay. Tính cá nhân hóa cũng bị đánh giá thấp. Mặc dù Meta AI biết vị trí và một số sở thích của người dùng nhưng vẫn đưa ra gợi ý các hoạt động sự kiện không hề liên quan. Ứng dụng này không truy xuất dữ liệu cá nhân từ Facebook hoặc Instagram để điều chỉnh câu trả lời, một hạn chế khiến người dùng thất vọng. Đáng chú ý, AI đôi khi "tự bịa" chi tiết về cuộc sống cá nhân của người dùng, làm giảm độ tin cậy tạo ra trải nghiệm rất tệ nếu nói về độ hiểu người dùng trong các sản phẩm của Meta. Bloomberg News đã thử nghiệm và chỉ ra rằng Meta AI có thể nhận ra một số sở thích cơ bản của người dùng nhưng vẫn dễ đưa ra thông tin sai lệch, đặc biệt khi được hỏi những câu hỏi cần cập nhật thông tin mới nhất (điều mà Grok 4 đang làm rất tốt) hoặc liên quan đến dữ liệu cá nhân. Phản hồi tiêu cực và thách thức cạnh tranh Meta AI đã nhận được nhiều ý kiến trái chiều kể từ khi ra mắt cho rằng Meta đang ép người dùng sử dụng đi kèm với các ứng dụng phổ biến mà không đem lại lợi ích gì. Mặc dù tiếp cận hơn 1 tỷ người dùng thông qua các mạng xã hội Facebook, Instagram, Messenger và WhatsApp, Meta AI vẫn chưa tạo được sức hấp dẫn riêng. Phần "Discover" của ứng dụng chủ yếu hiển thị ảnh AI do người lạ tạo không hề liên quan tới người dùng và đôi khi Discover còn hiển thị các yếu tố nhạy cảm. Về mặt chiến lược, CEO Zuckerberg chắc chắn không đổ hàng tỷ đô la chỉ để chơi mà Zuckerberg đã coi Meta AI là con bài chiến lược trong khả năng cạnh tranh với ChatGPT, Gemini hoặc Claude, Grok. Chắc chắn mục tiêu dài hạn của Meta AI vẫn là AGI - Trí tuệ nhân tạo tổng quát có thể thực hiện tác vụ giống như con người. Hiện nay Meta AI vẫn đang rất xa vời tham vọng của mình, Meta cũng đã có nhiều động thái thay đổi như mở nguồn mô hình ngôn ngữ Llama của mình, đẩy nhanh nghiên cứu và tuyển dụng nhân tài từ Apple và OpenAI. Có lẽ chúng ta phải chờ đợi sự thay đổi ở Llama 5. Cuộc hôn nhân đổ vỡ với Scale AI Một minh chứng cho sự loay hoay của Meta nữa chính là sự hợp tấc của họ với Scale AI Tháng 6 năm 2025, Meta công bố khoản đầu tư trị giá 14,3 tỷ USD vào Scale AI, đồng thời đưa CEO Alexander Wang và nhiều nhân sự cấp cao về làm việc tại Meta Superintelligence Labs (MSL). Nhưng giờ đây MSL đang có tình trạng chảy máu chất xám nghiêm trọng với ít nhất 8 nhân sự chủ chốt rời đi ,bao gồm các nhân vật quan trọng như Bert Maher và Tony Liu Thách thức nội bộ và quy định Meta đang đối mặt với tình trạng chảy máu chất xám nghiêm trọng trong Meta Superintelligence Labs (MSL), với ít nhất tám nhân sự chủ chốt rời đi chỉ trong ba tháng, bao gồm các nhân vật quan trọng như Bert Maher và Tony Liu. Các đợt tái tổ chức thường xuyên và chiến lược không rõ ràng đã làm gián đoạn các dự án AI quan trọng như mô hình "Behemoth". Sự rối ren đỉnh điểm của vụ việc này Các nhóm nghiên cứu tại TBD Labs đã nhiều lần phải tìm đến dữ liệu từ những nhà cung cấp khác như Mercor hay Surge vì đánh giá dữ liệu của Scale AI “không đủ chuẩn” cho các thí nghiệm quy mô lớn. Hoặc vụ các khách hàng lớn của Scale AI như Open AI, Google đồng loạt rời bỏ họ khiến Scale AI gặp cực kì nhiều khó khăn và thách thức. Vậy là CEO Zuckerberg đã đổ rất nhiều tiền chỉ để theo kịp về AI với các đối thủ như Open AI, Google, xAI nhưng vẫn còn chưa đâu vào đâu cho thấy trong lĩnh vực AI tiền “không” phải là tất cả.

The latest report from Decision Lab has painted a vivid and potential-rich picture of the artificial intelligence (AI) market in Vietnam. According to data published in July 2025, nearly 80% of online users in Vietnam have used AI in the past 3 months, demonstrating the rapid adaptation of Vietnamese people to AI. AI Penetration and Market Landscape in Vietnam Vietnam's consumer AI market is witnessing a very high penetration rate. Decision Lab's online survey, conducted from July 20-28 with 600 participants, shows that nearly 80% of online users have accessed AI tools in the last 3 months, and 33% of them have integrated AI into their daily activities, with 55% paying for services. This indicates that AI is not just a useful tool but is gradually becoming an indispensable part of Vietnamese life. Regarding market share, ChatGPT holds a dominant position with 81% of users choosing it. This is followed by competition from Gemini (51%) and Meta AI (36%). Notably, two Vietnamese platforms have made it into the top 10 in terms of usage: AI Hay (9%) and Kiki (3%). Vietnamese users tend to use multiple tools concurrently, with each user averaging about 2 different AI platforms for diverse purposes ranging from learning, research, and translation to entertainment and content creation.[BENCHMARK_CHART] Furthermore, not only users but also the government is participating in the AI race with policies aimed at promoting national digital transformation, such as Resolution 57-NQ/TW, the National AI Strategy under Decision 127/QD-TTg, or the “Digital Literacy for All” movement. What Do Vietnamese People Use AI For? Of course, the need for confiding and chatting is very normal for us Vietnamese people, but now we are shifting that role to AI with a 40% AI adoption rate. Activities such as updating information, learning new skills and knowledge, and practicing communication are basic things that AI users aim for. However, according to Decision Lab's report, it is surprising that users also use AI for drug and health information retrieval, demonstrating the trust of Vietnamese people in AI tools for issues requiring high accuracy.[ACTIVITIES_CHART] Opportunities for AI Developers in Vietnam Decision Lab's report indicates that Vietnam's consumer AI market still holds significant potential for domestic developers. Evidence of this is the two local platforms, Kiki and AI Hay, which have entered the top 10 most used AI tools, competing directly with international giants. AI Hay: This purely Vietnamese AI Q&A platform has become very popular, perhaps the largest purely Vietnamese AI Q&A social network in Vietnam, attracting over 15 million downloads since its launch in 2023. Even in the user satisfaction report, AI Hay achieved 47%, closely trailing ChatGPT (51%) and surpassing many major players like Gemini (36%), Meta (27%), Copilot (26%)...[SATISFACTION_CHART] Kiki: Developed by 100% Vietnamese engineers and backed by the giant VNG, Kiki has been deeply integrated with Zalo via Kiki Info, facilitating access to nearly 80 million Zalo users. The platform has also launched Kiki Auto, the first purely Vietnamese driving assistant to reach 1 million installations, offering smart features such as navigation, music playback, traffic alerts, and cold penalty reports, all by voice. Factors Influencing AI Choice Among Vietnamese Users Decision Lab's report also highlights three main factors that Vietnamese users prioritize when choosing an AI platform: Affordability: The most important aspect is access to many useful features without cost. Ease of Use: Convenient, versatile features that are easy to integrate with other platforms. Accuracy: Information from reliable sources, updated in real-time. Additionally, localization plays a crucial role. Users desire AI platforms that better support Vietnamese, with natural intonation and contextual accuracy. However, Vietnamese users also express significant concerns when using AI: Personal Data Privacy: This is the biggest concern, with 52% of respondents expressing worry about how AI collects and uses personal information. Inaccurate Responses: The issue of platforms providing inaccurate or irrelevant responses is also a major challenge. Job Displacement: Approximately 48% of survey participants fear being replaced by AI in their jobs. Misinformation: 36% express concern about misinformation such as deepfakes or manipulation of public opinion. AI Landscape in Vietnam: Potential and Challenges Vietnam is demonstrating a prominent role on the global AI map. According to the World AI Index 2025 published by WIN (Worldwide Independent Network of Market Research), Vietnam ranks 6th out of 40 countries, surpassing many developed economies such as South Korea, Australia, and Japan. This shows that Vietnamese people are not only open but also ready to actively participate in the era of artificial intelligence. Specifically, Vietnam ranks 3rd in AI trust (65.6 points) and 5th in AI acceptance (71.6 points), indicating the high level of AI adoption among Vietnamese people. With high levels of trust and a positive attitude, Vietnam has many advantages to break through in the global AI race. Therefore, the question for young Vietnamese people is not when to use AI, but how to effectively apply AI to their work.