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 · Huấn luyện & mở rộng

Chưa có biến động nhân sự phù hợp.

Bài báo · Huấn luyện & mở rộng

Bài báo2026-10-29 · arXiv (Cornell University)

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

Proving and Improving the Platonic Representation Hypothesis with JEPAs

Yann LeCun và 1 người khác

Nội dung: Các nhà nghiên cứu đã chứng minh giả thuyết rằng các mô hình trí tuệ nhân tạo được huấn luyện trên các dạng đầu vào khác nhau sẽ hội tụ về cùng một biểu diễn thế giới thành một định lý toán học và đề xuất phương pháp cải thiện điều đó.
Kết quả chính: Đã xác nhận rằng các mô hình sử dụng góc nhìn tốt có thể căn chỉnh các biểu diễn hiệu quả hơn nhiều với dữ liệu ít hơn đáng kể so với phương pháp dự đoán mã thông báo tiếp theo.
Ý nghĩa: Nghiên cứu này có thể góp phần cải thiện cách trí tuệ nhân tạo hiểu dữ liệu một cách hiệu quả và kết nối các dạng thông tin khác nhau.Tóm tắt AI

Huấn luyện & mở rộng

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Bài báo2026-10-22

Đã tìm ra quy luật nâng cao hiệusuất bằng dữ liệu giả lập do trí tuệ nhân tạo tạo ra

Rewriting Scaling Laws for Synthetic Data with Compute and Data Constraints

Percy Liang và 6 người khác

Nội dung: Khi sử dụng dữ liệu giả lập được viết lại từ các tài liệu ngôn ngữ tự nhiên theo các phong cách khác nhau cho việc huấn luyện trước, chúng tôi đã nghiên cứu các quy luật dự đoán tỷ lệ tối ưu và hiệu suất dưới các ràng buộc về tính toán và dữ liệu.
Kết quả chính: Khi khối lượng tính toán tăng lên, tỷ lệ tối ưu của dữ liệu giả lập tăng lên và các mô hình được huấn luyện bằng dữ liệu giả lập do các mô hình lớn hơn hoặc có cùng kích thước tạo ra cho thấy hiệu suất vượt trội hơn so với các mô hình chỉ sử dụng dữ liệu gốc.
Ý nghĩa: Điều này cho thấy các phương pháp huấn luyện AI sử dụng dữ liệu giả lập có thể dự đoán được, qua đó giúp vượt qua các hạn chế về dữ liệu và cải thiện hiệu suất một cách hiệu quả.Tóm tắt AI

Huấn luyện & mở rộng

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Bài báo2026-10-04 · arXiv (Cornell University)

Đề xuất phương pháp mới huấn luyện mô hình AI cân bằng nhiều giá trị

Which Preferences to Train On? End-to-End Multi-Objective Alignment with an Adversarial Preference Distribution

Cho Kyunghyun và 2 người khác

Nội dung: Các nhà nghiên cứu đã đề xuất một phương pháp huấn luyện mang tên MAESTRO, cho phép các mô hình ngôn ngữ AI điều chỉnh sự cân bằng giữa nhiều giá trị như tính hữu ích, tính vô hại và tính hài hước theo yêu cầu của người dùng.
Kết quả chính: Theo bản tóm tắt, MAESTRO đã đạt được các đường cong đánh đổi tốt nhất (mặt trận Pareto) trong hầu hết các tác vụ chỉ với một lần huấn luyện duy nhất trong các thí nghiệm xử lý tối đa ba mục tiêu, và có chi phí huấn luyện thấp nhất trong số các phương pháp được so sánh.
Ý nghĩa: Mặc dù điều này cho thấy tiềm năng để các doanh nghiệp xây dựng các dịch vụ AI phù hợp với cài đặt của từng người dùng hiệu quả hơn nếu một mô hình duy nhất có thể xử lý nhiều tổ hợp giá trị, tác động thực tế trên thị trường rất khó đánh giá chỉ từ bản tóm tắt.Tóm tắt AI

Huấn luyện & mở rộng An toàn & quy định

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

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

Học tập vận chuyển đồ vật cho robot hình người bằng cách mở rộng một số video thực tế bằng AI

Counterfactual Video Generation Enables Scalable Humanoid Loco-Manipulation

Pieter Abbeel và 8 người khác

Nội dung: Đề xuất một phương pháp (PRISM) trong đó AI tạo ra nhiều video ảo dựa trên một vài video thực tế về con người mang đồ vật, và sử dụng chúng để huấn luyện robot.
Kết quả chính: Báo cáo cho thấy một chính sách điều khiển duy nhất được huấn luyện theo cách này đã giúp một robot hình người thực tế thành công trong việc nhặt, vận chuyển và đặt các hộp, thùng phuy, thùng chứa và quả bóng xuống mà không cần học thêm trong thế giới thực.
Ý nghĩa: Có ý nghĩa ở chỗ nó cho thấy tiềm năng gia tăng dữ liệu huấn luyện bằng cách sử dụng ít video thực tế trong các tình huống khó thu thập lượng lớn dữ liệu mô phỏng từ robot thực tế.Tóm tắt AI

Huấn luyện & mở rộng Robot & AI vật lý

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 ↗

Bài báo2026-09-10

Phân tích hiện tượng quá khớp ở các mô hình Hỗn hợp chuyên gia khi lặp lại dữ liệu huấn luyện trí tuệ nhân tạo

Data Scarcity and Model Sparsity: Mixtures-of-Experts Overfit More to Repeated Data

Percy Liang và 4 người khác

Nội dung: Nghiên cứu chỉ ra rằng khi dữ liệu huấn luyện trí tuệ nhân tạo bị lặp lại, kiến trúc 'Hỗn hợp chuyên gia' vốn được sử dụng rộng rãi gần đây sẽ bị suy giảm hiệu suất nhanh hơn các mô hình thông thường.
Kết quả chính: Khi lặp lại dữ liệu, các mô hình Hỗn hợp chuyên gia rất dễ bị quá khớp, và mặc dù các kỹ thuật điềuregular hóa hiện có có thể giảm thiểu phần nào, chúng vẫn không đạt được hiệu suất như khi học bằng dữ liệu độc nhất.
Ý nghĩa: Điều này cho thấy sự cần thiết phải thiết lập các chiến lược huấn luyện có tính đến đặc điểm của từng kiến trúc mô hình trí tuệ nhân tạo trong các tình huống cần học tập lặp đi lặp lại do thiếu hụt dữ liệu.Tóm tắt AI

Huấn luyện & mở rộng

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Bài báo2026-08-12

Phat trien 'Dion3', cong nghe toi uu hoa moi giup tang toc do huan luyen AI len den 6 lan

Dion3: Full-Stack Orthogonal Updates

Tri Dao và 7 người khác

Nội dung: Da phat trien 'Dion3', cai thien toan bo he thong de giai quyet cac van de chi phi tinh toan va truyen tai cao cua cong cu huan luyen AI hien tai la Muon.
Kết quả chính: Dion3 da giam thoi gian thuc hien buoc toi uu hoa xuong den 6 lan trong khi van duyi hieu suat tuong duong hoac tot hon Muon.
Ý nghĩa: Co the gop phan giam chi phi tinh toan lien quan bang cach nang cao hieu suat cua qua trinh huan luyen mo hinh AI.Tóm tắt AI

Huấn luyện & mở rộng

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Bài báo2026-07-27

Ra mắt mô hình AI mã nguồn mở 'Kimi K3'

Kimi K3: Open Frontier Intelligence

Yang Zhilin và 399 người khác

Nội dung: Các nhà nghiên cứu đã phát triển và công bố 'Kimi K3', một mô hình AI mở với 2,8 nghìn tỷ tham số.
Kết quả chính: Mô hình này cho thấy hiệu quả mở rộng được cải thiện khoảng 2,5 lần so với các mô hình hiện có và đạt hiệu suất vượt trội trong nhiều đánh giá khác nhau.
Ý nghĩa: Bằng cách công bố công nghệ AI tiên tiến dưới dạng mã nguồn mở, nó được kỳ vọng sẽ thúc đẩy các nghiên cứu liên quan và ứng dụng công nghiệp trong tương lai.Tóm tắt AI

Huấn luyện & mở rộng Trung tâm dữ liệu & điện

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Bài báo2026-07-02 · arXiv.org

Google ra mắt AI mã nguồn mở 'Gemma 4' với hiệu năng và hiệu quả được nâng cao

Gemma 4 Technical Report

Demis Hassabis · Koray Kavukcuoglu và 298 người khác

Nội dung: Google đã phát triển 'Gemma 4', mô hình ngôn ngữ đa phương thức mã nguồn mở thế hệ tiếp theo với hiệu quả tính toán và khả năng suy luận được nâng cao.
Kết quả chính: Hiệu năng đã được cải thiện đáng kể trên nhiều tiêu chí đánh giá khác nhau như Khoa học, Công nghệ, Kỹ thuật và Toán học (STEM) cũng như đa phương thức.
Ý nghĩa: Điều này cho thấy các lựa chọn mô hình AI mã nguồn mở có khả năng giải quyết các vấn đề phức tạp với ít tài nguyên hơn đã được mở rộng.Tóm tắt AI

Hiệu quả suy luận Huấn luyện & mở rộng

Tóm tắt chi tiết Đọc bài gốc ↗ PDF ↗

Bài báo2026-05-27 · arXiv.org

Phát triển công cụ chẩn đoán để theo dõi sự chuyển đổi giữa việc ghi nhớ và tổng quát hóa trong quá trình huấn luyện trí tuệ nhân tạo

A Training-Time Diagnostic for Generalization via the Log-Alignment Ratio

Ashish Vaswani và 1 người khác

Nội dung: Chúng tôi đã nghiên cứu một phương pháp chẩn đoán tận dụng Tỷ lệ Căn chỉnh Lô-garit (LAR), đo lường các tham số và kích hoạt, để theo dõi xem trí tuệ nhân tạo đang ghi nhớ dữ liệu đơn thuần hay thực sự đang học tập.
Kết quả chính: LAR đã nắm bắt hiệu quả các thay đổi về khả năng tổng quát hóa của trí tuệ nhân tạo và các dấu hiệu quá khớp ngay cả khi không có dữ liệu xác thực bổ sung.
Ý nghĩa: Vì có thể chẩn đoán hiệu suất của AI trong quá trình huấn luyện mà không cần dữ liệu xác thực riêng biệt, điều này có thể đóng góp vào sự phát triển trong tương lai của các công nghệ quản lý huấn luyện mô hình hiệu quả.Tóm tắt AI

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.