Chuyên gia SenseTime: Đột phá AI đa phương thức sẽ xuất hiện trong vòng 2 năm tới

“Đã có những Einstein và Newton trước khi máy tính ra đời. Chúng ta không nghĩ rằng họ kém thông minh hơn chỉ vì họ không biết lập trình.”

Đồng sáng lập kiêm nhà khoa học trưởng của SenseTime, ông Lin Dahua, đã sử dụng phép so sánh này trong một cuộc phỏng vấn với 36Kr để giải thích lý do tại sao khả năng lập trình không định nghĩa giới hạn của trí tuệ. Điều này cũng giúp giải thích cam kết lâu dài của công ty đối với trí tuệ nhân tạo đa phương thức (multimodal AI) nguyên bản, vốn xử lý các dạng thông tin khác nhau trong một mô hình chung.

Các tác nhân lập trình (coding agents) là một trong những ứng dụng AI đầu tiên chứng minh được mô hình thương mại khả thi. Thông tin công khai cho thấy doanh thu hàng năm của Anthropic đã vượt 65 tỷ USD vào cuối tháng 7, gấp khoảng bảy lần so với mức cuối năm 2025. Khi nào AI đa phương thức có thể mang lại những bước tiến rõ rệt tương tự về năng lực và kết quả thương mại? Câu hỏi đó đã lặp lại xuyên suốt cuộc trò chuyện. Về dài hạn, Lin tin rằng “tiềm năng của AI và AGI còn vượt xa việc lập trình”.

Nhà sáng lập DeepSeek, Liang Wenfeng, cho biết công ty cuối cùng sẽ nghiên cứu AI đa phương thức nhưng coi đó là một “thành phần” thay vì bản thân trí tuệ, trong quá trình theo đuổi AGI (trí tuệ nhân tạo tổng quát).

Cùng khoảng thời gian đó, nhà sáng lập kiêm CEO của Nvidia, Jensen Huang, đã công bố Cosmos 3, một mô hình nền tảng thế giới (world foundation model) dành cho robot và xe tự lái. Nó kết hợp suy luận hình ảnh, mô phỏng môi trường và dự đoán hành động trong một kiến trúc duy nhất. Huang cho biết Cosmos 3 có thể “hiểu và suy luận về thế giới vật lý, tạo ra nó, mô phỏng nó trong vòng lặp và thậm chí trở thành chính sách điều khiển”.

Lin không coi đây là vấn đề đúng hay sai. Ông cho biết các công ty khác nhau đối mặt với những nhiệm vụ, nguồn lực và tầm nhìn dài hạn khác nhau, vì vậy lựa chọn của họ đương nhiên sẽ khác biệt.

Nền tảng của SenseTime trong lĩnh vực thị giác máy tính (computer vision) đã định hình bước tiến của công ty vào AI đa phương thức nguyên bản và trí tuệ không gian (spatial intelligence). Tính đa phương thức xuyên suốt cả quá trình phát triển mô hình lẫn chiến lược sản phẩm của hãng.

Dòng SenseNova 6.8 của hãng bao gồm các mô hình tác nhân đa phương thức có khả năng lập kế hoạch, thực hiện các nhiệm vụ mở rộng và điều phối nhiều tác nhân. Dòng U hợp nhất khả năng hiểu, tạo và chỉnh sửa hình ảnh, với các năng lực mở rộng sang cả video và 3D. Các ứng dụng của nó bao gồm Seko, một tác nhân AI liên kết việc kể chuyện, xây dựng kịch bản phân cảnh và tạo video để làm phim ngắn, và Office Raccoon, một tác nhân phục vụ công việc văn phòng và phân tích dữ liệu.

Vào tháng 4, SenseTime đã phát hành và mở mã nguồn SenseNova U1, một mô hình nguyên bản hợp nhất khả năng hiểu và tạo. Nó loại bỏ bộ mã hóa thị giác (vision encoder) và bộ tự mã hóa biến phân (VAE) riêng biệt, xử lý ngôn ngữ, ý nghĩa hình ảnh và tạo pixel cùng nhau trong một kiến trúc tự hồi quy (autoregressive) duy nhất.

Gần bốn tháng sau, SenseTime phát hành U1.5 Lite. Nó mở rộng kiến trúc sang chỉnh sửa liên tục, đồng thời cải thiện khả năng tạo hình ảnh độ phân giải cao và khả năng tuân thủ các chỉ dẫn phức tạp.

SenseTime báo cáo doanh thu nửa đầu năm đạt 2,91 tỷ RMB (432,6 triệu USD) trong kết quả kinh doanh tạm thời năm 2026, tăng 23,4% so với cùng kỳ năm ngoái. Doanh thu từ AI tạo sinh đạt 2,33 tỷ RMB (346,4 triệu USD), chiếm gần 80% tổng doanh thu.

Được thúc đẩy bởi sự tăng trưởng trong mảng kinh doanh AI, SenseTime đã đạt được lợi nhuận theo chuẩn IFRS lần đầu tiên, tạo thêm dư địa để duy trì đầu tư dài hạn vào AI đa phương thức.

Bản ghi chép sau đây đã được biên tập và tổng hợp để đảm bảo sự ngắn gọn và rõ ràng.

36Kr: Liang Wenfeng coi AI đa phương thức là một “thành phần”, tương tự như tìm kiếm, thay vì là con đường chính để nâng cao giới hạn của trí tuệ. Tuy nhiên, ông lại lập luận rằng một khi các khả năng đa phương thức được tích hợp hoàn toàn, một mô hình ngôn ngữ độc lập sẽ không còn cần thiết nữa. Quan điểm này xuất phát từ đâu?

Lin Dahua (LD): Tôi thực sự rất tôn trọng DeepSeek. Mỗi công ty cần có một trọng tâm chính. DeepSeek muốn khả năng ngôn ngữ và lập trình của mình đứng đầu ngành trong khi vẫn giữ kiến trúc mô hình hiệu quả nhất có thể. Từ vị thế của họ, lựa chọn đó hoàn toàn hợp lý. Khi cần xử lý hình ảnh, họ có thể kết nối một thành phần đa phương thức, nhờ đó chức năng của sản phẩm vẫn hoàn thiện.

SenseTime đối mặt với những nhiệm vụ hơi khác biệt. Công việc văn phòng, chăm sóc sức khỏe, bán lẻ, robot và các mô hình thế giới đều đòi hỏi tín hiệu thị giác. Chúng tôi đã kết luận từ rất sớm rằng việc mô hình hóa đồng thời thị giác và ngôn ngữ là nền tảng để đưa AI vào các ngành công nghiệp thực tế và thế giới vật lý.

SenseTime cũng làm về lập trình. Chúng tôi coi khả năng lập trình là nền tảng quan trọng cho các mô hình, nhưng chúng tôi không coi kỹ thuật phần mềm phức tạp là trọng tâm duy nhất.

Ở cấp độ sâu hơn, câu hỏi then chốt là chúng ta hiểu giới hạn trên của trí tuệ như thế nào. Khả năng lập trình mạnh mẽ là kết quả của trí tuệ cao hơn, nhưng lập trình như một hình thức công việc không phải là bản chất của nó. Trí tuệ là khả năng kết hợp các thông tin phức tạp và thực hiện suy luận, mô phỏng, thực thi và hiệu chỉnh thông qua các nhiệm vụ mở rộng.

36Kr: AI đa phương thức nguyên bản có cần thiết cho trí tuệ có khả năng xử lý các nhiệm vụ mở rộng để bước vào thế giới thực không?

LD: Nếu một mô hình chỉ viết mã, khả năng đa phương thức có thể không cần thiết. Nhưng một khi các nhiệm vụ mở rộng ra ngoài lập trình vào các ngành công nghiệp rộng lớn hơn và thế giới thực, nhiều tình huống sẽ đòi hỏi điều đó.

Lập trình hiện là phương tiện trưởng thành nhất để chứng minh khả năng suy luận qua các nhiệm vụ mở rộng vì điều kiện dữ liệu rất thuận lợi. GitHub chứa lượng dữ liệu khổng lồ về quy trình phát triển, mã có thể được thực thi, các trường hợp kiểm thử (test cases) có thể cung cấp phản hồi xác định và một thị trường kỹ thuật phần mềm trưởng thành hỗ trợ nó. Đó là lý do tại sao lập trình là lĩnh vực đầu tiên thiết lập con đường hoàn chỉnh từ đào tạo đến thương mại hóa.

Nhưng AI sẽ không dừng lại ở lập trình. Ngay cả trong phát triển front-end, sau khi mô hình viết mã, nó vẫn cần hiển thị trang web và xem liệu nó có đẹp hay chứa các lỗi rõ ràng hay không. Điều đó cũng đòi hỏi khả năng thị giác.

36Kr: Các nhà nghiên cứu làm việc với các mô hình ngôn ngữ lớn đa phương thức và các mô hình đa phương thức nguyên bản cho biết việc thêm dữ liệu thị giác làm tăng đáng kể độ khó của quá trình tiền đào tạo và hậu đào tạo. Nếu hỗn hợp dữ liệu được xử lý kém, khả năng ngôn ngữ, toán học và suy luận thậm chí có thể suy giảm. Làm thế nào...

LD: Nếu bạn chỉ đơn giản gắn một bộ mã hóa thị giác vào một mô hình ngôn ngữ, mức tính toán bổ sung tại thời điểm suy luận thực tế là không đáng kể so với một mô hình ngôn ngữ xương sống chứa hàng trăm tỷ hoặc thậm chí một nghìn tỷ tham số. Khó khăn thực sự nằm ở quá trình đào tạo.

Vấn đề đầu tiên là hỗn hợp dữ liệu. Nếu bạn thêm khả năng thị giác vào một mô hình, bạn cần thêm dữ liệu tương ứng trong khi vẫn ngăn chặn khả năng ngôn ngữ, toán học và suy luận hiện có bị suy giảm. Đó là điều tôi gọi là “thuế căn chỉnh” (alignment tax). Nó không đơn thuần là vấn đề điều chỉnh tỷ lệ từ 1:9 sang 2:8. Bạn còn cần một số lượng lớn các thí nghiệm có kiểm soát, và mỗi lần nâng cấp mô hình có thể đòi hỏi hỗn hợp dữ liệu phải được điều chỉnh lại.

Vấn đề thứ hai là học tăng cường (reinforcement learning). Việc giới thiệu một phương thức mới làm cho các mục tiêu đào tạo và phương pháp kỹ thuật trở nên phức tạp hơn. Làm thế nào để xây dựng các tín hiệu phản hồi cho các nhiệm vụ liên quan đến thị giác vẫn là một bài toán mở. Thông thường, phần tốn kém nhất là thời gian dành cho việc khám phá các phương pháp trước khi chạy đào tạo quy mô lớn cuối cùng. Đối với một công ty mô hình, vấn đề có thể vượt xa việc liệu họ có đủ khả năng chi trả chi phí tài chính hay không. Thêm một thí nghiệm có thể đồng nghĩa với việc phát hành mô hình chậm hơn đối thủ một tháng.

Đó cũng là lý do tại sao chúng tôi lặp lại (iterate) trước với các mô hình nhẹ chứa tám tỷ tham số. Phương pháp tiếp cận để hợp nhất hiểu và tạo vẫn chưa được định hình rõ ràng. Việc ổn định kiến trúc, hỗn hợp dữ liệu và phương pháp đào tạo trước khi mở rộng quy mô sẽ hiệu quả hơn.

36Kr: U1 và U1.5 vẫn tập trung chủ yếu vào tạo hình ảnh. Từ góc độ người dùng, kiến trúc hợp nhất này, vốn không dựa vào bộ mã hóa thị giác truyền thống, mang lại những trải nghiệm gì mà các mô hình chuyên biệt không thể cung cấp?

LD: Đối với người dùng, thay đổi trực tiếp nhất là mô hình hiểu nội dung trước rồi mới quyết định cách tạo ra nó. Khi được cung cấp nhiều thông tin phức tạp, nó phải đánh giá điều gì là quan trọng, sau đó xác định cấu trúc, bố cục và cách trình bày trực quan. Các đồ họa thông tin (infographics) đương nhiên đòi hỏi sự kết nối giữa hiểu, suy luận và tạo, đó là lý do tại sao chúng tôi bắt đầu với trường hợp sử dụng đó.

Dòng U cũng có một mục tiêu dài hạn hơn: trí tuệ không gian và trí tuệ vật lý. Chúng tôi từng cân nhắc phát triển trí tuệ không gian cùng với tạo hình ảnh, nhưng mỗi khả năng bổ sung đều làm tăng đáng kể độ phức tạp của quá trình đào tạo. Vì vậy, chúng tôi tạm thời gác lại công việc trí tuệ không gian phức tạp hơn và để U1 thiết lập phương pháp tiếp cận hợp nhất hiểu và tạo trước. Điều đó cho phép chúng tôi phát triển sự hiểu biết kỹ thuật về cách ngôn ngữ và các yếu tố thị giác có thể được tích hợp trong cùng một không gian biểu diễn.

Bạn không thể dành ba năm làm việc với công nghệ dài hạn mà không có kết quả trung gian. SenseTime là một công ty niêm yết. Nó cần liên tục tạo ra các kết quả mà người dùng có thể cảm nhận được và tạo ra giá trị cho ngành. Tạo hình ảnh là khả năng đầu tiên mà phương pháp này mở khóa, nhưng nó không phải là điểm cuối.

36Kr: U1.5 tập trung vào cải thiện tạo văn bản, tính thẩm mỹ và chỉnh sửa liên tục. Nó thay đổi quy trình tạo hình ảnh cũ vốn phải “rút thẻ” (drawing cards) lặp đi lặp lại và hy vọng có kết quả sử dụng được như thế nào?

LD: Sau khi U1 ra mắt, việc sử dụng thực tế cho thấy khả năng tạo văn bản và các chi tiết cục bộ vẫn cần cải thiện. Từ tháng 4 đến tháng 6, chúng tôi liên tục tinh chỉnh phiên bản đồ họa thông tin và dần dần sửa các vấn đề về tạo văn bản.

Sau đó, chúng tôi nhận thấy ngay cả khi tất cả văn bản đều chính xác, hình ảnh vẫn có thể trông giống như một bản PowerPoint do sinh viên làm, không có tư duy thiết kế. Vì vậy, chúng tôi đã mời các nhà thiết kế chuyên nghiệp dạy cho mô hình bài học về thẩm mỹ đó. Phán đoán thẩm mỹ và khả năng logic là hai việc khác nhau. Lập trình và cảm quan về cái đẹp cũng là hai việc khác nhau. Dù mô hình có trở nên mạnh mẽ đến đâu, phán đoán thẩm mỹ không tự nhiên xuất hiện.

Văn bản chính xác và hình ảnh hấp dẫn vẫn chỉ giải quyết chất lượng của một lần tạo duy nhất. Công việc thiết kế thực sự không kết thúc sau một lần tạo. Một bộ yêu cầu bố cục và sửa đổi hoàn chỉnh có thể lên tới 1.000 hoặc 2.000 ký tự tiếng Trung. Mô hình phải hiểu tất cả các ràng buộc đó trong khi chỉ thay đổi khu vực được chỉ định và giữ nguyên mọi thứ khác nhiều nhất có thể.

Quy trình tạo một lần (one-shot) cũ giống như rút thẻ từ một bộ bài hơn. Bạn có thể tạo năm hình ảnh liên tiếp, mỗi hình ảnh có một lỗi ở vị trí khác nhau và cuối cùng không có hình nào sử dụng được. Chỉnh sửa liên tục cho phép người dùng bảo toàn những gì đã đúng và chỉ thay đổi những gì có vấn đề.

Chỉnh sửa liên tục là một khả năng nền tảng. Nó kết nối việc hiểu yêu cầu, tạo nội dung và sửa đổi lặp đi lặp lại thành một quy trình hoàn chỉnh. Đó là điều chúng tôi gọi là “tạo tác nhân” (agentic generation). Mô hình tiếp tục lặp lại trên cùng một tác phẩm cho đến khi nó sẵn sàng để bàn giao.

36Kr: Yao Shunyu của Tencent cho biết người dùng sẵn sàng trả tiền cho các mô hình mạnh nhất và các doanh nghiệp đánh giá hiệu quả chi phí cần xem xét hiệu suất trước. Một mô hình đắt tiền hơn đôi khi có thể tiết kiệm tiền bằng cách hoàn thành nhiệm vụ chính xác trong một lần thử. U1.5 Lite nhấn mạnh vào hiệu quả chi phí...