• Cục Quản lý Không gian mạng duyệt Apple Intelligence ngày 15/07.
• Qwen chạy lõi trên iOS, iPadOS, macOS và visionOS đại lục.
• Baidu tham gia ở vai trò đã xác nhận nhưng chưa công bố chi tiết.
• Cổ phiếu Alibaba tăng 4% ngay sau khi tin được công bố.
• Quy trình xin phép kéo dài từ 2024, chưa có ngày ra mắt cụ thể.

Đây là tin quan trọng nhất tuần, và lý do không nằm ở công nghệ. Apple là công ty có nhiều tiền mặt nhất hành tinh, có đội silicon giỏi nhất, có model on-device riêng — vậy mà ở Trung Quốc vẫn phải bỏ lõi của mình để lấy giấy phép. Nói cách khác: ở thị trường này, giấy phép đắt hơn công nghệ. Với doanh nghiệp Việt bán sản phẩm có AI ra nước ngoài, bài học rất cụ thể: kiến trúc phải tách được lớp model ra khỏi lớp ứng dụng, để khi một thị trường bắt đổi nhà cung cấp thì bạn đổi được mà không phải viết lại. Đừng khoá cứng vào một API. Điểm thứ hai đáng để ý là Qwen giờ có một kênh phân phối mà không hãng nào mua được bằng tiền — hàng trăm triệu iPhone tại Trung Quốc. Đó là lý do cổ phiếu tăng 4%, chứ không phải vì benchmark. Và điểm cuối: hãy đọc kỹ chữ "chưa có ngày ra mắt". Được duyệt không đồng nghĩa với đã chạy.

• Ra mắt tại AI Engineer World Fair, San Francisco, ngày 15/07.
• Sáu phím agent mặt mờ, LED bám trạng thái Codex theo thời gian thực.
• Núm xoay chỉnh mức reasoning ngay khi agent đang chạy.
• Joystick phẳng để nhảy giữa workflow, kèm 32 keycap tự ánh xạ.
• Bán qua OpenAI và Work Louder, số lượng có hạn.

Đừng nhìn cái bàn phím, hãy nhìn giả định đằng sau nó. OpenAI đang đặt cược rằng lập trình viên sẽ chạy nhiều agent song song đến mức mắt không theo kịp trên màn hình, phải cần đèn LED vật lý. Nếu đúng, nghề dev đổi từ "viết code" sang "điều phối và duyệt", và kỹ năng quý nhất là biết agent nào đang đi sai để dừng sớm. Nếu sai, đây là món đồ chơi 230 đô đẹp trên bàn. Mình nghiêng về giữa: giả định về hướng đi đúng, nhưng giải pháp phần cứng thì hơi sớm — phần lớn người dùng sẽ giải bài toán này bằng phần mềm và màn hình thứ hai, rẻ hơn nhiều. Điểm thật sự đáng học ở đây không phải mua hay không, mà là câu hỏi nó đặt ra: workflow của bạn đã tới mức chạy nhiều agent song song chưa, và bạn có cách nào biết agent đang làm gì mà không phải dán mắt vào terminal không? Trả lời được câu đó quan trọng hơn cái macro pad.

• Miễn phí tính năng premium cho giáo viên K-12 Mỹ đã xác minh.
• Cơ sở dữ liệu chương trình bám chuẩn học thuật của cả 50 bang.
• Tích hợp 9 nền tảng edtech, điều khoản dữ liệu tuân thủ FERPA.
• Hội thoại trong sản phẩm không được dùng để train model.
• Đăng ký trước 30/06/2027 nhận trọn một năm sử dụng.

Miễn phí cho giáo viên không phải từ thiện, đó là chiến lược phân phối. Ai chiếm được lớp học thì chiếm luôn thói quen của thế hệ người dùng tiếp theo — Google đã thắng bài này với Docs và Chromebook cả thập kỷ trước. Điểm mình đánh giá cao về mặt kỹ thuật là cách họ giải bài toán adoption: không đưa cho giáo viên một chatbot trống rồi bảo tự xoay, mà đóng gói sẵn teaching skills và map vào chuẩn của từng bang. Đây chính xác là điều mình hay nói khi tư vấn doanh nghiệp — công cụ mạnh mà không có context của nghề thì người dùng bỏ sau hai tuần. Cam kết FERPA và không train trên hội thoại cũng là điều kiện cần, vì dữ liệu học sinh là vùng nhạy cảm nhất. Với các đơn vị đào tạo ở Việt Nam, thứ đáng học không phải là bản miễn phí, mà là mô hình: muốn giáo viên dùng AI, phải đưa AI đã biết chương trình dạy, chứ không phải đưa một ô chat.

• Nền Qwen3.6 27B, lượng tử hóa 1-bit và ternary.
• Bộ nhớ từ 54 GB xuống 3,9 GB (mobile) và 5,9 GB (laptop).
• Giữ context 262K, multimodal nhờ vision tower 4-bit.
• iPhone 17 Pro Max: ~11 token/giây; M5 Max: tới 87 token/giây.
• RTX 5090: 163 token/giây bản 1-bit, 134 token/giây bản ternary.

Đây là tin mình quan tâm nhất tuần về mặt ứng dụng. Làm RAG và AI agent cho doanh nghiệp đủ nhiều thì thấy hai nỗi đau lặp đi lặp lại: hóa đơn API và câu hỏi "dữ liệu này có ra khỏi công ty không". Cả hai đều đến từ cùng một chỗ — mọi thứ phải đi qua đám mây. Một model 27B chạy ở 3,9 GB với context 262K, lại còn đọc được ảnh chụp màn hình và tài liệu, là đủ sức cho một loạt tác vụ nội bộ: tra cứu tài liệu, phân loại, trích xuất trường từ hợp đồng scan. Nhưng nói cho sòng phẳng: 11 token/giây là chậm, chỉ hợp tác vụ chạy nền chứ không hợp chat trực tiếp; và lượng tử hóa 1-bit luôn phải trả giá bằng chất lượng ở đâu đó — hiện chưa có đánh giá độc lập nào công bố. Khuyến nghị của mình: đáng thử ngay cho một use case nội bộ có dữ liệu nhạy cảm, tự benchmark trên chính dữ liệu của mình, và đừng chuyển toàn bộ workload chỉ vì một thông cáo báo chí.

• Lệnh fork sao chép hội thoại sang background session riêng.
• Trần mặc định 200 lần gọi tìm kiếm web mỗi phiên.
• Trần mặc định 200 lần spawn subagent để chặn vòng lặp delegation.
• MCP tool quá 2 phút tự chuyển nền, phiên không bị treo.
• Bản 2.1.211 sửa lỗi auto mode ghi đè quyết định của PreToolUse hook.

Nhìn changelog này để hiểu ngành đang ở đâu. Khi một công cụ phải thêm trần mặc định cho số lần agent tự gọi search và tự đẻ subagent, nghĩa là ngoài thực tế đã có người bị vòng lặp đó đốt tiền thật. Đây là kiểu tính năng không ai khoe trong keynote nhưng lại là thứ quyết định bạn có dám cho agent chạy nền hay không. Với team nhỏ ở Việt Nam trả tiền theo token, mình khuyên đọc kỹ hai con số 200 kia và chỉnh xuống thấp hơn nếu workflow của bạn không cần — mặc định là để an toàn cho số đông, không phải tối ưu cho bạn. Điểm còn lại đáng chú ý là fork sang background session: nó thừa nhận rằng một phiên làm việc giờ có nhiều nhánh chạy song song, và bạn cần tách nhánh mà không mất context. Đó là mô hình làm việc mới, không chỉ là tiện ích.

• Codex 0.144.5 (16/07): sửa phát hiện lệnh nguy hiểm, rõ lý do từ chối.
• Custom instructions tăng từ 1.500 lên 5.000 ký tự (15/07).
• Unified search quét xuyên chat, project, ảnh, tài liệu (14/07).
• Apps with sync cho workspace dùng Enterprise Key Management.
• ChatGPT trên WhatsApp hoạt động lại tại khu vực EEA (13/07).

Trong đống này, thứ đáng làm ngay là custom instructions 5.000 ký tự. Từ 1.500 lên 5.000 nghe nhàm, nhưng nó là khác biệt giữa "viết vài dòng về mình" và "đóng gói một context profile thật sự": vai trò, ngữ cảnh công ty, quy ước đặt tên, định dạng output mong muốn, những thứ bạn không muốn gõ lại mỗi lần. Đây chính là context engineering ở dạng đơn giản nhất, và phần lớn người dùng đang bỏ trống ô này. Còn bản vá phát hiện lệnh nguy hiểm của Codex thì đáng suy nghĩ theo chiều khác: nó vừa được sửa, nghĩa là trước đó nó có lỗi. Agent chạy terminal vẫn là bề mặt rủi ro chưa yên tâm, và cách phòng thủ đúng không phải trông chờ vào bộ lọc của nhà cung cấp, mà là chạy trong môi trường có giới hạn quyền ngay từ đầu.

• Ba thành phần: vision encoder, bản Parsing đa ngữ, bản Und.
• Train trên MonkeyDoc v2: 113 triệu ảnh, 17 ngôn ngữ.
• Học đồng thời sinh text từ ảnh và tái dựng tài liệu ở mức pixel.
• Bao phủ OCR, nhận dạng công thức, phát hiện giả mạo tài liệu.
• Tác giả từ Đại học KHCN Hoa Trung và Kingsoft Office.

Trong tất cả các tin tuần này, đây có thể là tin ít ồn ào nhất nhưng dễ tạo giá trị thật nhất cho doanh nghiệp Việt. Lý do đơn giản: rất nhiều dự án data ở ta bắt đầu bằng một đống PDF scan, hợp đồng chụp bằng điện thoại, hóa đơn giấy. Đó là khâu tắc trước cả khi nói tới dashboard hay AI agent. Điểm kỹ thuật đáng chú ý là cách họ train: học đồng thời sinh text từ ảnh và tái dựng tài liệu ở mức pixel, tức là model bị buộc phải giữ nét chữ và bố cục chứ không chỉ đoán nội dung — đúng thứ cần cho tài liệu tiếng Việt nhiều dấu. Lưu ý sòng phẳng: 17 ngôn ngữ không đảm bảo tiếng Việt được xử lý tốt, phải tự kiểm chứng trên tài liệu thật của mình. Nhưng cái giá để thử là bằng không, còn API OCR thương mại thì tính tiền theo trang. Đáng chạy thử một buổi.

• Function-Aware FIM (TIGER-Lab): 95 upvote, dẫn đầu ngày 15/07.
• Cắt theo đơn vị hàm thay vì cắt token tùy tiện khi mid-training.
• Read It Back (ByteDance Seed): 72 upvote, MLLM chấm ảnh zero-shot.
• SynthDocBench của ServiceNow-AI: benchmark hiểu tài liệu context dài.
• Blind-Spots-Bench của EPFL: đo điểm mù của model multimodal.

Hai bài dẫn đầu tuần này chung một tinh thần mà mình thấy đáng chú ý: khai thác cấu trúc sẵn có thay vì đổ thêm dữ liệu và GPU. Function-Aware FIM nói rằng khi dạy model điền code vào giữa, hãy cắt theo ranh giới hàm — vì đó là đơn vị ngữ nghĩa thật của code — thay vì cắt bừa theo token. Nghe hiển nhiên đến mức ngạc nhiên là trước giờ chưa làm, và đó thường là dấu hiệu của một ý tưởng tốt. Read It Back thì chỉ ra MLLM đã pretrain vốn đã biết ảnh nào đẹp, nên dùng luôn nó làm reward model, khỏi train bộ chấm riêng. Cả hai đều là tin vui cho team nhỏ: bạn không cạnh tranh được về quy mô GPU, nhưng cạnh tranh được về việc hiểu dữ liệu của mình đủ sâu để cắt và dùng cho đúng. Đây là chỗ mình hay nói với anh em — vấn đề thường không nằm ở công cụ, mà ở cách mình thiết kế dữ liệu và workflow.

• 46 tác vụ dài hơi trải 9 nhóm, từ game tới tính toán khoa học.
• Chấm điểm từng phần thay vì chỉ đúng-sai ở bước cuối.
• Model tốt nhất: 15,2% pass@1 ở ngưỡng 0,95.
• Model tốt nhất: 10,9% ở ngưỡng điểm tuyệt đối.
• Trung bình các model: chỉ 4,3% và 1,7% ở hai ngưỡng.

Đọc con số này xong nên bình tĩnh lại một chút về kỳ vọng agent tự chạy dự án. Model mạnh nhất được test chỉ hoàn thành 15,2% tác vụ dài hơi, trung bình cả nhóm là 4,3%. Nhưng điểm hay nhất của bài không phải con số thấp, mà là cách chấm: họ chia nhỏ từng tác vụ ra chấm điểm từng phần, nên nhìn được agent đi được bao xa trước khi hỏng. Và đó chính là kiểu thất bại tốn tiền nhất ngoài đời thật — agent không dừng lại nói "tôi không làm được", nó chạy tiếp, đốt token, tạo ra thứ trông có vẻ xong mà thực ra sai. Với anh em đang cân nhắc giao dự án dài cho agent, khuyến nghị của mình rất rõ: chia nhỏ công việc thành các bước có kiểm chứng được, đặt checkpoint để người duyệt, đừng thả một tác vụ nhiều giờ rồi quay lại xem kết quả. Agent hiện tại giỏi chạy nước rút, chưa giỏi chạy marathon.

• Công cụ Jacobian lens (J-lens) soi vào Claude Opus 4.6.
• J-space chứa từ không xuất hiện ở output nhưng ảnh hưởng cách giải bài.
• Anthropic ví J-space với global workspace theory trong thần kinh học.
• MIT Tech Review: phép so sánh đi xa hơn bằng chứng thực tế.
• Anthropic hợp tác Neuronpedia làm demo cho người ngoài thử.

Mình đưa tin này vào không phải vì J-space, mà vì bài học về cách đọc tin AI. Phát hiện kỹ thuật ở đây là thật và thú vị: J-lens tìm ra những từ model "nghĩ tới" nhưng không nói ra, và chúng có ảnh hưởng tới cách nó giải bài. Vấn đề nằm ở lớp kể chuyện — khi so sánh nó với global workspace theory, một lý thuyết về ý thức trong thần kinh học, thì câu chuyện lập tức to hơn bằng chứng rất nhiều. MIT Tech Review chỉ đúng chỗ đó. Đây là kiểu khoảng cách xuất hiện liên tục trong ngành này: kết quả thì hẹp và cẩn thận, tiêu đề thì rộng và kêu. Với người làm nghề, thói quen nên có là đọc cả bài gốc lẫn bài phản biện trước khi trích dẫn trong buổi họp hay slide đào tạo. Trích sai một lần thì lần sau không ai tin mình nữa, và đó là cái giá đắt hơn nhiều so với công đọc thêm mười phút.

• 521 điểm và 477 bình luận trên Hacker News ngày 14/07.
• Chủ đề: dùng AI cho mọi bước tư duy có bào mòn năng lực tư duy không.
• Đứng đầu bảng xếp hạng cộng đồng công nghệ trong tuần.
• Cùng tuần với thread Ask HN đòi gắn cờ nội dung do AI sinh.

Cuộc tranh luận về AI đang dịch trọng tâm, và tuần này thấy rõ. Trước đây là lo AI cướp việc. Giờ là lo AI làm teo kỹ năng của chính người đang dùng nó. Hai nỗi lo khác nhau hoàn toàn: cái đầu là chuyện kinh tế, cái sau là chuyện năng lực cá nhân, và cái sau khó thấy hơn nhiều vì nó diễn ra chậm. Góc nhìn của mình: vấn đề không nằm ở việc dùng AI nhiều hay ít, mà ở việc bạn giao đúng phần nào. Giao phần soạn thảo, tra cứu, biến đổi định dạng thì tốt — đó là phần cơ bắp. Giao phần định nghĩa vấn đề, chọn giả thuyết, quyết định cái gì quan trọng thì mới là bán năng lực của mình. Trong đào tạo mình luôn nói AI khuếch đại người biết làm việc rõ ràng; hệ quả ngược lại cũng đúng — ai chưa từng tự nghĩ rõ thì AI chỉ giúp họ sản xuất nhanh hơn thứ chưa nghĩ kỹ. Cách kiểm tra đơn giản: tắt AI đi một buổi, xem mình còn làm được gì.

• 1.087 điểm và 456 bình luận, một trong các thread nóng nhất tuần.
• Đề xuất: thêm cờ đánh dấu bài viết do AI sinh ra trên HN.
• Tranh luận về cách cộng đồng xử lý làn sóng nội dung máy viết.
• Trùng hướng với Nghị định 237/2026 của Việt Nam về gắn nhãn AI.

Điều thú vị nhất ở thread này là ai đang đòi dán nhãn: chính Hacker News, cộng đồng từng nhiệt tình với AI nhất. Khi nhóm sớm nhất bắt đầu đòi phân biệt máy viết với người viết, đó là dấu hiệu chi phí đã vượt lợi ích ở một khía cạnh cụ thể — lòng tin. Và điều đáng chú ý với người Việt là hướng này trùng khớp với quản lý trong nước: Nghị định 237/2026 đã buộc các cơ quan báo chí gắn nhãn khi dùng AI trong thu thập, sản xuất, biên tập và phân phối nội dung, hiệu lực từ 01/07. Tức là chuyện cộng đồng quốc tế còn đang tranh cãi thì ở ta đã thành nghĩa vụ pháp lý. Với ai đang làm nội dung có AI hỗ trợ, khuyến nghị của mình đơn giản: chủ động ghi rõ AI tham gia ở khâu nào. Minh bạch trước thì bạn kiểm soát câu chuyện; để người khác phát hiện thì bạn mất luôn cả uy tín lẫn quyền giải thích.

• Đình công luân phiên 3 ngày, ngừng việc 4 tiếng mỗi ngày, 13-15/07.
• Đòi thưởng bằng 30% lợi nhuận ròng năm ngoái.
• Đòi cam kết việc làm và lương tháng đủ trước tự động hóa.
• Atlas của Boston Dynamics vào nhà máy Mỹ từ 2028.
• Kế hoạch hơn 25.000 robot trên toàn hệ thống Hyundai và Kia.

Chi tiết đắt nhất của tin này là mốc thời gian: robot Atlas mãi 2028 mới vào nhà máy, nhưng công nhân đình công từ 2026. Họ không đợi công nghệ đến rồi mới phản ứng — họ đàm phán khi còn đòn bẩy. Đây là bài học về lớp human và adoption mà mình hay nhắc: công nghệ chỉ có giá trị khi chạm được tới người dùng và người bị ảnh hưởng, và bỏ qua lớp này thì dự án tự động hóa chết ở khâu triển khai chứ không phải khâu kỹ thuật. Yêu cầu của công đoàn cũng rất tinh: ngoài thưởng theo lợi nhuận, họ đòi cơ chế lương tháng đủ để bảo vệ lương cơ bản khi giờ làm của người giảm vì máy. Tức là họ hiểu bản chất vấn đề — không phải mất việc ngay, mà là bị bào mòn dần. Với doanh nghiệp Việt đang tính tự động hóa, đây là lời nhắc: hãy nói chuyện với người lao động trước khi ký hợp đồng mua thiết bị, không phải sau.

• Khai mạc 17/07 tại Thượng Hải, kéo dài tới 20/07.
• Chủ đề: AI Partnership for a Brighter Future.
• Hơn 140 diễn đàn, 1.400 khách mời, 1.100 đơn vị triển lãm.
• Hơn 300 sản phẩm ra mắt lần đầu trên toàn cầu.
• Lần đầu Chủ tịch Tập Cận Bình dự trực tiếp kể từ 2018.

Tin này nên đọc cùng tin WAICO ngay bên dưới, vì chúng là một gói. Lễ ký thành lập tổ chức quản trị AI diễn ra ngày 16/07, hội nghị khai mạc ngày 17/07 với lãnh đạo cao nhất dự trực tiếp lần đầu sau tám năm. Đó không phải trùng hợp lịch, đó là dàn dựng có chủ đích. Thông điệp gửi đi khá rõ: Trung Quốc không chỉ muốn làm ra model tốt, họ muốn ngồi ở ghế viết luật. Con số 300 sản phẩm ra mắt toàn cầu cũng đáng chú ý — nó cho thấy hệ sinh thái đủ dày để một hội nghị trong nước trở thành sân ra mắt quốc tế. Với doanh nghiệp Việt, ý nghĩa thực tế nằm ở chỗ này: các lựa chọn công nghệ AI từ Trung Quốc sẽ ngày càng nhiều, rẻ hơn và gần về địa lý, nhưng chúng đi kèm một khung quản trị riêng. Chọn thì phải chọn có ý thức về cả hai mặt, đừng chỉ nhìn bảng giá.

• 29 nước sáng lập, ký tại Thượng Hải ngày 16/07.
• Gồm Nga, Belarus, Serbia, Cuba, Brazil, Venezuela.
• 10 nước châu Phi và 12 nước châu Á, có Kazakhstan, Lào, Pakistan, Indonesia.
• Tổ chức liên chính phủ độc lập, trụ sở đặt tại Thượng Hải.
• Ngoại trưởng Vương Nghị ký; Tổng Thư ký LHQ Guterres dự lễ ký.

Đây là tin có sức ảnh hưởng dài hạn lớn nhất tuần, dù nó không có benchmark nào. Từ nay quản trị AI toàn cầu có ít nhất hai trung tâm: một bên là tiến trình Liên Hợp Quốc cùng các khung phương Tây, một bên là WAICO đặt tại Thượng Hải với 29 nước sáng lập. Chi tiết ông Guterres có mặt tại lễ ký rất đáng chú ý — nó cho WAICO một lớp chính danh mà một liên minh thuần khu vực không có được. Ý nghĩa thực tế cho doanh nghiệp: nếu bạn bán sản phẩm có AI ra nhiều thị trường, chuẩn tuân thủ sẽ không hội tụ về một mối trong vài năm tới, mà phân nhánh. Điều đó có nghĩa chi phí tuân thủ tăng, và kiến trúc sản phẩm phải tách được lớp model, lớp dữ liệu và lớp ứng dụng để thay từng mảnh theo từng thị trường. Xem lại tin Apple đầu bản tin sẽ thấy đây không phải lý thuyết — đó chính xác là việc Apple vừa phải làm.

• Series C 130 triệu USD, định giá 1,5 tỷ USD.
• Tổng vốn huy động lên 230 triệu USD.
• Trước đó là Series B 70 triệu USD hồi tháng 1/2026.
• Thành kỳ lân chỉ hơn một năm sau khi ra mắt.
• Cùng tuần: 8 startup AI gọi tổng cộng 1,022 tỷ USD chỉ trong ngày 15/07.

Điểm đáng chú ý không phải con số, mà là địa chỉ. Một đội Ấn Độ thành kỳ lân trong mảng coding agent — mảng mà OpenAI, Anthropic và Google đều đang đổ tiền — chỉ sau hơn một năm. Điều đó nói lên rằng ở lớp ứng dụng, lợi thế không nằm ở việc bạn có model tốt nhất, mà ở việc bạn hiểu người dùng cụ thể nào đó tốt hơn người khác. Đây là tin đáng khích lệ cho startup Việt: cửa vẫn mở, nhưng không phải cửa xây model nền, mà là cửa xây lớp trên. Cũng nên nhìn con số bối cảnh: riêng ngày 15/07 có 8 startup AI gọi tổng cộng hơn 1 tỷ USD. Vốn vẫn đang chảy rất mạnh, và với mật độ này thì bài toán không còn là gọi được tiền hay không, mà là sống được sau khi hết tiền dễ. Định giá 1,5 tỷ sau một năm là áp lực tăng trưởng khủng khiếp cho những năm sau.

• Thống đốc Kathy Hochul ký sắc lệnh hành pháp ngày 14/07.
• Áp dụng với data center mới có nhu cầu điện từ 50 MW trở lên.
• Không áp dụng với cơ sở đang hoạt động và giấy phép đã hoàn tất.
• Sở Dịch vụ Công ích xây báo cáo tác động môi trường tổng thể trong 1 năm.
• Bang sẽ theo đuổi luật bãi bỏ miễn thuế bán hàng cho data center lớn.

Suốt hai năm qua câu chuyện nút thắt của AI luôn được kể là chip. Tuần này New York nói thẳng: nút thắt là lưới điện, là nước, và quan trọng nhất là sự đồng thuận của người dân địa phương. Không có giấy phép thì GPU nằm trong kho. Chi tiết đáng chú ý nhất không phải lệnh hoãn — một năm rồi cũng hết — mà là ý định bãi bỏ miễn thuế bán hàng. Miễn thuế chính là thứ kéo data center về bang suốt nhiều năm; bỏ nó đi là đảo ngược hẳn chính sách, và nó bền hơn một sắc lệnh nhiều. Đọc rộng ra, đây là lần đầu chi phí xã hội của hạ tầng AI được đặt lên bàn cân công khai ở cấp bang tại Mỹ: người dân trả hóa đơn điện cao hơn để một công ty chạy model. Với Việt Nam, nơi cũng đang bàn chuyện thu hút data center, đây là bài học đáng đọc sớm: ưu đãi hút được dự án, nhưng nếu không tính trước bài toán điện, nước và tiếng nói cộng đồng thì vài năm sau sẽ phải gỡ, và gỡ luôn đắt hơn làm đúng từ đầu.

• Series C 400 triệu USD, định giá 3,8 tỷ, do Index Ventures dẫn dắt.
• Định giá gần gấp ba chỉ sau chưa đầy tám tháng.
• Chai-2 đạt tỷ lệ trúng thực nghiệm 16-20% khi thiết kế kháng thể mới.
• Phương pháp tính toán trước đó chỉ đạt dưới 1%.
• Hợp tác Eli Lilly (01/2026), Pfizer (06/2026) và Novartis.

Trong cả bản tin này, đây có lẽ là con số đẹp nhất về mặt khoa học: tỷ lệ trúng thực nghiệm khi thiết kế kháng thể hoàn toàn mới nhảy từ dưới 1% lên 16-20%. Đó không phải cải thiện biên, đó là thay đổi kinh tế của cả một quy trình — từ chỗ phải thử hàng trăm mẫu để được một, xuống còn thử vài mẫu. Điều làm mình tin tin này hơn các tin AI y sinh khác là thị trường đã trả tiền: Lilly ký hợp tác nghiên cứu từ tháng 1, Pfizer cấp phép từ tháng 6, Novartis cũng vào. Big Pharma không ký vì hype, họ ký sau khi tự kiểm chứng trong phòng lab của mình. Đây là ví dụ rõ nhất về điều mình hay nói: AI có giá trị khi chạm được lớp business, chứ không phải khi có benchmark đẹp. Và đáng chú ý là nó không giải bài toán chat hay sinh nội dung — nó giải một bài toán khoa học hẹp, đo được, có tiền thật ở đầu ra.

• Chung kết 17-19/07 tại FPT Tower, Hà Nội.
• Gần 2.500 lượt đăng ký, hơn 300 đội hoàn tất đội hình.
• Thi lập trình 48 giờ liên tục, tập trung giải pháp AI thực tế.
• Một trong những hackathon AI-native lớn nhất Việt Nam.
• Việt Nam đồng thời ứng cử đăng cai Olympiad AI toàn cầu.

Con số đáng chú ý ở đây không phải 2.500 lượt đăng ký, mà là 1,2 tỷ USD và mức tăng 76% của thị trường AI Việt Nam trong một năm — nhanh nhất Đông Nam Á. Tăng trưởng kiểu đó luôn kéo theo một vấn đề quen thuộc: thiếu người làm được việc thật. Và đó là lý do một hackathon 48 giờ với hơn 300 đội đáng để doanh nghiệp để mắt, không phải để xem ai thắng, mà để nhìn cách các đội xử lý bài toán dưới áp lực. Đây là kênh kiểm chứng năng lực tốt hơn nhiều so với CV. Góc nhìn của mình sau nhiều năm đào tạo: khoảng cách lớn nhất ở ta không phải kỹ năng dùng công cụ AI — cái đó học nhanh — mà là khả năng định nghĩa bài toán cho đúng trước khi code. Một cuộc thi 48 giờ ép người ta phải chọn, phải cắt, phải quyết định cái gì không làm. Đó chính là kỹ năng mà thị trường đang thiếu nhất, và nó không có trong khoá học nào cả.