AI LEADERS · MOVES & PAPERS

Lãnh đạo AI: Biến động nhân sự & Bài báo — thay đổi công việc và nghiên cứu mới nhất

Nơi các nhân vật chủ chốt của phòng lab AI, Big Tech và giới học thuật chuyển đến và những gì họ công bố là tín hiệu sớm về hướng đi của công nghệ và lợi thế cạnh tranh. Biến động nhân sự và bài báo được thu thập tự động mỗi ngày, được biên tập viên kiểm tra và tóm tắt dễ hiểu kèm liên kết gốc.

Tin nổi bật

Bài báo2026-10-30

Phát triển mô hình phân cấp vượt qua các giới hạn trong điều khiển robot phức tạp

Yann LeCun

Bài báo2026-10-29

Công nghệ huấn luyện chung dữ liệu robot sử dụng nhiều bộ điều khiển khác nhau

Chelsea Finn

Bài báo2026-10-29

Chứng minh rằng các mô hình trí tuệ nhân tạo học cùng một thế giới ngay cả qua các dạng thông tin khác nhau

Yann LeCun

Bài báo2026-10-29

Nâng cao hiệu suất AI tiếp nhận tâm thần thông qua đào tạo trong môi trường mô phỏng

Mark Chen

Nhân vật Tất cả Phòng lab tiên phong Phòng lab mới Học thuật Phần cứng AI Hàn Quốc Trung Quốc Lãnh đạo

Lĩnh vực Tất cả HBM & bộ nhớ GPU & bộ tăng tốc AI Hiệu quả suy luận Huấn luyện & mở rộng Agent & lập trình Robot & AI vật lý Mô hình thế giới & đa phương thức Trung tâm dữ liệu & điện AI cho khoa học An toàn & quy định

Biến động nhân sự · Phần cứng AI · Hiệu quả suy luận

Chưa có biến động nhân sự phù hợp.

Bài báo · Phần cứng AI · Hiệu quả suy luận

Bài báo2026-10-07 · arXiv (Cornell University)

Phát triển công nghệ xử lý bộ nhớ trực quan dài cho điều khiển robot thời gian thực

Long-WAM: Scaling the Context of World-Action Models

Song Han và 15 người khác

Nội dung: Các nhà nghiên cứu đã phát triển Long-WAM, một mô hình tận dụng hiệu quả thông tin trực quan trong quá khứ của robot trong các ràng buộc thời gian thực.
Kết quả chính: Khi tiền huấn luyện mô hình nền tảng xử lý thông tin trực quan bằng phương pháp tự hồi quy (AR), việc tận dụng bộ nhớ quá khứ được tối đa hóa và tỷ lệ thành công trong tác vụ của robot được cải thiện.
Ý nghĩa: Nó chứng minh rằng có thể vận hành trong thời gian thực ở các môi trường phần cứng khác nhau, có thể đóng góp cho các tác vụ điều khiển robot dài hạn phức tạp trong tương lai.Tóm tắt AI

Hiệu quả suy luận Robot & AI vật lý

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Bài báo2026-09-29 · arXiv (Cornell University)

SoL-Refiner nâng video độ phân giải thấp lên mức 4K chỉ trong một bước xử lý

SoL-Refiner: Speed-of-Light One-Step Refinement for High-Resolution Video

Song Han và 11 người khác

Nội dung: Nhóm nghiên cứu đã đề xuất SoL-Refiner, một mô hình tinh chỉnh giúp chuyển đổi video độ phân giải thấp thành video độ phân giải cao thông qua một bước khử nhiễu duy nhất.
Kết quả chính: Ở độ phân giải 2K, mô hình đạt điểm số trung bình trên VBench và UniPercept cao hơn các mô hình tinh chỉnh bên ngoài được so sánh, và ở độ phân giải 3840x2176, các chỉ số đều được cải thiện tốt hơn so với mô hình tinh chỉnh 3 bước LTX-2.3. Báo cáo cho biết trong cài đặt độ trễ 2K, độ trễ tinh chỉnh đã nhanh hơn 8.91 lần so với cùng một mô hình cơ sở.
Ý nghĩa: Việc tạo video độ phân giải cao làm tăng đáng kể khối lượng tính toán và gánh nặng chi phí, qua đó phương pháp nâng cao chất lượng trong một bước thay vì nhiều bước cho thấy hướng đi có thể giảm bớt gánh nặng này. Tuy nhiên, vì các kết quả trong bản tóm tắt được đo lường theo các điều kiện do tác giả thiết lập, nên khó có thể khẳng định đây là hiệu quả tổng thể cho mọi dịch vụ thực tế.Tóm tắt AI

Hiệu quả suy luận

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Bài báo2026-09-29 · arXiv (Cornell University)

LeapQuant: Tăng tốc suy luận AI bằng cách nén trạng thái chú ý tuyến tính xuống 8 bit

LeapQuant: Efficient Linear Attention with Accurate Recurrent State Quantization

Song Han và 12 người khác

Nội dung: Đề xuất LeapQuant, một phương pháp không cần huấn luyện (training-free) giúp nén 'trạng thái hồi tiếp' (recurrent state) với độ chính xác thấp, nơi các mô hình ngôn ngữ lớn liên tục đọc và ghi khi xử lý ngữ cảnh dài.
Kết quả chính: Theo tóm tắt, việc nén 8 bit vẫn duy trì độ chính xác tương đương với mô hình chuẩn FP32, đồng thời đạt mức tăng tốc trung bình từ 2.05 đến 3.70 lần ở cấp độ nhân GPU và 1.47 lần đối với toàn bộ quá trình suy luận.
Ý nghĩa: Nghiên cứu này có thể đóng góp vào việc cải thiện hiệu quả vận hành của các dịch vụ AI xử lý ngữ cảnh dài bằng cách giảm bớt gánh nặng bộ nhớ và tính toán trong quá trình suy luận. Tuy nhiên, vì bản tóm tắt chỉ trình bày kết quả trên các mô hình và GPU cụ thể, rất khó để kết luận rằng hiệu quả tương tự sẽ xuất hiện trên tất cả các dịch vụ thương mại thực tế.Tóm tắt AI

Hiệu quả suy luận

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Bài báo2026-09-28 · arXiv (Cornell University)

Đề xuất kỹ thuật giảm tốc độ và mức sử dụng bộ nhớ trong AI tạo video

Sol-H3: Recursive Self-Improvement for MiniMax-H3 Inference Acceleration on Sol-Engine across Cloud and Edge

Song Han và 8 người khác

Nội dung: Đã tạo ra một đường ống thực thi hoàn chỉnh để chạy mô hình AI tạo video MiniMax-H3 với 33 tỷ tham số nhanh hơn và tốn ít bộ nhớ hơn trên cả máy chủ đám mây và các thiết bị nhỏ.
Kết quả chính: Theo bản tóm tắt, tốc độ end-to-end đã tăng lên đến 30 lần và giảm khoảng 20% bộ nhớ, tạo ra một video dài 5 giây độ phân giải 1344x768 có âm thanh nhanh hơn 3.5 lần thời gian thực trên 8 nút máy chủ GB200.
Ý nghĩa: Điều này có ý nghĩa vì nó cho thấy một hướng đi nhằm giảm độ trễ tạo và giới hạn bộ nhớ - những trở ngại lớn nhất khi áp dụng AI tạo video vào các dịch vụ thực tế, mặc dù hiệu quả thương mại hóa và quy mô giảm chi phí rất khó đánh giá chỉ qua bản tóm tắt.Tóm tắt AI

GPU & bộ tăng tốc AI Hiệu quả suy luận

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Bài báo2026-09-28 · arXiv (Cornell University)

Nghiên cứu cải thiện quá trình huấn luyện mô hình ngôn ngữ khuếch tán khối bằng cách kết hợp ngữ cảnh tương lai

d-OPD: Future-Aware On-Policy Distillation for Block Diffusion Language Models

Song Han và 2 người khác

Nội dung: Đề xuất d-OPD, một phương pháp huấn luyện chưng cất nhằm chuyển đổi các mô hình ngôn ngữ tự hồi quy thông thường (tạo ra từng token một) thành mô hình ngôn ngữ khuếch tán khối có khả năng tạo ra nhiều token song song.
Kết quả chính: Các thí nghiệm với các mô hình Qwen3 (0.6B đến 8B) cho thấy phương pháp này đã nâng điểm số trung bình trên sáu tiêu chuẩn đánh giá lên tới 4.0 điểm so với phương pháp OPDLM hiện tại, đồng thời giảm thời gian huấn luyện từ 1.35 đến 1.58 lần.
Ý nghĩa: Tóm tắt cho biết phương pháp tạo ra nhiều token đồng thời theo khối có tiềm năng tăng tốc độ sinh văn bản và nghiên cứu này chứng minh rằng có thể cải thiện hiệu quả của quá trình huấn luyện để tạo ra những mô hình như vậy.Tóm tắt AI

Hiệu quả suy luận Huấn luyện & mở rộng

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Nhân vật

Phòng lab tiên phong

Phòng lab mới

Mira MuratiCEO Thinking Machines Lab Andrej KarpathyNha sang lap Eureka Labs Yann LeCunNha sang lap AMI LabsHoạt động gần nhất 2026-10-30 Ilya SutskeverCEO SSI Llion JonesSakana AIHoạt động gần nhất 2026-10-06 Lilian WengDong sang lap Thinking Machines Lab Barret ZophChuyen doi thuong xuyen (bao cao tro lai OpenAI nam 2026 roi chuyen tiep)Sergey LevinePhysical Intelligence va UC BerkeleyHoạt động gần nhất 2026-10-06 Aravind SrinivasCEO Perplexity Arthur MenschCEO Mistral AI Ashish VaswaniEssential AIHoạt động gần nhất 2026-10-28 Aidan GomezCEO CohereHoạt động gần nhất 2026-09-12 John SchulmanNha khoa hoc cap cao tai Thinking Machines Lab Chelsea FinnPhysical Intelligence va Dai hoc StanfordHoạt động gần nhất 2026-10-29 Fei-Fei LiCEO World Labs va Dai hoc StanfordHoạt động gần nhất 2026-10-07

Học thuật

Richard SuttonĐại học Alberta Stuart RussellUC Berkeley Andrew NgDeepLearning.AI và AI Fund Yoshua BengioĐại học Montreal và LawZeroHoạt động gần nhất 2026-10-12 Geoffrey HintonGiáo sư danh dự, Đại học TorontoHoạt động gần nhất 2026-09-28 Christopher ManningĐại học StanfordHoạt động gần nhất 2026-07-20 Percy LiangĐại học Stanford và Together AIHoạt động gần nhất 2026-10-22 Pieter AbbeelUC BerkeleyHoạt động gần nhất 2026-10-06 Kaiming HeMITHoạt động gần nhất 2026-10-01

Phần cứng AI

Bill DallyTrưởng nhà khoa học NVIDIA Tri DaoTogether AI và PrincetonHoạt động gần nhất 2026-08-12 Song HanMIT và NVIDIAHoạt động gần nhất 2026-10-07 Andrew FeldmanCEO Cerebras Jonathan RossGroq Jim KellerCEO Tenstorrent Jim FanRobotics NVIDIA

Hàn Quốc

Ha Jung-wooPhó Chủ tịch Ủy ban Chiến lược AI Quốc gia (Từ chức Thư ký Phụ trách AI của Văn phòng Tổng thống năm 2026)Hoạt động gần nhất 2026-04-22 Kim Sung HunCEO của Upstage Bae KyunghoonBộ trưởng Bộ Khoa học và CNTT-TT (Cựu Giám đốc Viện Nghiên cứu LG AI)Oh Alice HaeyunKAIST Lee Hae-minThư ký Phụ trách Hoạch định Tương lai AI của Văn phòng Tổng thống (Bổ nhiệm năm 2026)Cho KyunghyunNYU và GenentechHoạt động gần nhất 2026-10-04

Trung Quốc

Liang WenfengNgười sáng lập DeepSeekHoạt động gần nhất 2026-10-12 Yang ZhilinNgười sáng lập Moonshot AIHoạt động gần nhất 2026-07-27 Lý Khai PhụcKai-Fu Lee01.AI

Lãnh đạo

Kwak Noh-jungCEO SK hynix Mark ZuckerbergCEO Meta Sam AltmanCEO OpenAI Jun Young-hyunTrưởng bộ phận DS Samsung Electronics Jensen HuangCEO NVIDIA C.C. WeiChủ tịch kiêm CEO TSMC Greg BrockmanChủ tịch OpenAI Lisa SuCEO AMD Lip-Bu TanCEO Intel Satya NadellaCEO Microsoft Sanjay MehrotraCEO Micron Masayoshi SonChủ tịch SoftBank Sundar PichaiCEO Alphabet Andy JassyCEO Amazon Elon MuskCEO của xAI và Tesla Kevin ScottCTO Microsoft Hock TanCEO Broadcom

Vì sao nên theo dõi biến động và bài báo của lãnh đạo AI?

Trong ngành AI, con người chính là công nghệ. Việc một nhà nghiên cứu chủ chốt gia nhập công ty nào hay thành lập phòng lab nào thường dẫn đến sản phẩm, vòng gọi vốn và thương vụ M&A vài tháng sau. Trang này theo dõi biến động nhân sự tại các phòng lab tiên phong, phòng lab mới, giới học thuật, chip AI và các nhân vật ở Hàn Quốc, Trung Quốc.

Bài báo cho thấy một người đang tập trung vào điều gì. Chúng tôi phân loại bài báo vào 10 lĩnh vực gắn với đầu tư như HBM & bộ nhớ, GPU & bộ tăng tốc, hiệu quả suy luận, agent và robot, kèm tóm tắt ba dòng — nội dung, kết quả chính, ý nghĩa — dựa trên phần tóm tắt, cùng liên kết bản gốc và PDF. Đây là thông tin để tìm ý tưởng, không phải khuyến nghị mua bán chứng khoán.

Câu hỏi thường gặp

H. Theo dõi những ai?

Các nhà nghiên cứu và lãnh đạo chủ chốt tại phòng lab tiên phong (OpenAI, Google DeepMind, Anthropic, Meta…), phòng lab mới, giới học thuật, công ty chip AI, cùng nhân vật ở Hàn Quốc và Trung Quốc. Lãnh đạo ít công bố bài báo chỉ được theo dõi biến động nhân sự.

H. Dữ liệu lấy từ đâu và cập nhật bao lâu một lần?

Bài báo lấy từ Semantic Scholar và arXiv, lý lịch từ Wikidata (CC0) cùng thông báo chính thức và báo chí, được thu thập tự động mỗi ngày. Chỉ những mục đã được biên tập viên kiểm tra và duyệt mới được công bố.

H. Ai viết bản tóm tắt bài báo?

AI (Google Gemini) viết bản nháp dựa trên phần tóm tắt của bài báo, biên tập viên kiểm tra trước khi đăng. Các ngôn ngữ khác là bản AI dịch từ bản tóm tắt tiếng Hàn đã kiểm tra. Hãy luôn xác nhận số liệu và bối cảnh trong bản gốc.

Trang này tổng hợp các bài báo đã công bố, thông báo chính thức và tin báo chí chỉ nhằm mục đích cung cấp thông tin. Tóm tắt do AI viết dựa trên phần tóm tắt của bài báo và được biên tập viên kiểm tra; có thể khác bản gốc, vì vậy hãy kiểm tra bản gốc cho các nội dung quan trọng. Đây không phải khuyến nghị mua bán chứng khoán hay tư vấn đầu tư. Biến động nhân sự ghi nguồn từ thông báo chính thức hoặc báo chí lớn; một phần lý lịch tham khảo Wikidata (CC0). Các bản tóm tắt trên trang này được AI dịch từ bản tiếng Hàn đã được biên tập viên kiểm tra.