Giỏi thuật toán, nhanh thích nghi, nhưng kỹ sư AI Việt Nam vẫn chưa bứt phá trên bản đồ công nghệ toàn cầu. Cùng CEO FSI chia sẻ góc nhìn thẳng thắn về rào cản, khoảng cách và cơ hội để lực lượng kỹ sư Việt vươn xa trong làn sóng AI.
Anh đánh giá thế nào về trình độ công nghệ AI hiện tại của các kỹ sư Việt Nam, đâu là điểm mạnh và điểm yếu, so với mặt bằng chung của khu vực và thế giới?
Kỹ sư Việt Nam có thế mạnh rất rõ về tư duy logic, nền tảng toán học tốt, và khả năng tự học nhanh. Theo báo cáo của TopDev 2024, Việt Nam hiện có khoảng 5.000 kỹ sư AI, nhưng chỉ khoảng 10–15% trong số đó đã từng tham gia các dự án AI ở quy mô lớn. So với khu vực, đây là con số khiêm tốn, nhưng tiềm năng phát triển là rất lớn.
Điểm yếu hiện nay nằm ở kinh nghiệm triển khai thực chiến – đặc biệt là khả năng đưa mô hình từ phòng lab ra môi trường vận hành thực tế, với dữ liệu nhiễu, điều kiện tài nguyên giới hạn và yêu cầu bảo mật cao.
Ở nhiều doanh nghiệp công nghệ tại Việt Nam, bao gồm đơn vị tôi đang điều hành, chúng tôi nhận thấy rằng nếu được làm việc trong môi trường có dự án thật, kỹ sư Việt Nam thích nghi cực nhanh, thậm chí có thể làm chủ những mô hình phức tạp như transformer hoặc mô hình thị giác máy tính (computer vision) tối ưu cho tài liệu tiếng Việt.
Trong lĩnh vực AI mà anh đang triển khai, đâu là những thách thức kỹ thuật lớn nhất mà đội ngũ thường xuyên đối mặt?
Một trong những thách thức lớn mà FSI phải đối mặt khi triển khai các dự án về số hóa tài liệu là xử lý dữ liệu phi cấu trúc tiếng Việt – đặc biệt là các tài liệu hành chính cũ, chất lượng scan kém, chữ in xen lẫn chữ viết tay, có dấu mộc, bảng biểu không chuẩn hoá, và thậm chí còn dùng nhiều loại font tiếng Việt lỗi thời.
Ví dụ, trong các dự án số hoá hồ sơ tài liệu của các cơ quan nhà nước, FSI phải phát triển mô hình bóc tách kết hợp thị giác máy tính (computer vision), ngôn ngữ tự nhiên (NLP) và thuật toán kiểm lỗi hậu xử lý. Các mô hình không chỉ cần độ chính xác cao, mà còn phải đảm bảo tốc độ xử lý hàng chục triệu trang trong thời gian giới hạn, đồng thời tuân thủ nghiêm ngặt quy định về bảo mật dữ liệu quốc gia.
Xem thêm case :Trung tâm Phục vụ HCC TP. Hà Nội sử dụng Hệ thống số hóa D-IONE cho hành trình chuyển đổi số
Ngoài ra, môi trường dữ liệu Việt có mức độ biến dị cao – một loại văn bản nhưng có tới 5-7 cấu trúc trình bày khác nhau theo từng địa phương. Việc chuẩn hoá đầu vào và huấn luyện mô hình “chịu được độ lệch” này là bài toán rất khó.
Thách thức lớn là vậy, nhưng cũng chính vì thế, chúng tôi thấy đây là cơ hội để AI Việt thực sự làm điều khác biệt – không chỉ sao chép công nghệ quốc tế mà phải tùy biến sâu để giải quyết bài toán đặc thù của Việt Nam.
Liệu có sự khác biệt về cách tiếp cận vấn đề, tư duy giải quyết bài toán AI giữa kỹ sư Việt Nam và đồng nghiệp quốc tế hay không?
Có, và là khác biệt dễ hiểu. Kỹ sư quốc tế, đặc biệt từ Mỹ hoặc Nhật Bản, thường được đào tạo bài bản, quy trình hoá rất chặt. Họ giỏi tối ưu từ góc nhìn sản phẩm – tức là làm gì cũng hướng tới trải nghiệm người dùng cuối.
Kỹ sư Việt Nam thì linh hoạt, xử lý nhanh trong môi trường hạn chế tài nguyên. Họ thường đi từ “bài toán cụ thể” thay vì từ “kết cấu hệ thống”, điều này vừa là điểm mạnh vừa là điểm cần hoàn thiện nếu muốn vươn ra quốc tế.
Ở các dự án phối hợp quốc tế mà tôi từng tham gia, chúng tôi thường tạo đội ngũ đa quốc gia với kỹ sư Việt chịu trách nhiệm tầng dữ liệu và xử lý logic, kỹ sư nước ngoài đảm nhiệm phần tích hợp – sự kết hợp này mang lại hiệu quả rất tốt.
Việc tiếp cận các công nghệ, thuật toán, mô hình AI mới nhất trên thế giới có thuận lợi và khó khăn gì ở Việt Nam? Anh thường cập nhật kiến thức qua kênh nào?
Về lý thuyết, việc cập nhật kiến thức hiện nay không còn là rào cản. Các nền tảng như arXiv, GitHub, Papers with Code, HuggingFace… đều mở miễn phí. Nhưng điểm nghẽn lớn nhất là năng lực nội tại để thử nghiệm và triển khai các mô hình mới này trong môi trường thực tế.
Nhiều mô hình AI mới đòi hỏi GPU rất mạnh (ví dụ như LLaMA 3 cần tới A100 hoặc H100), trong khi hạ tầng tính toán tại Việt Nam vẫn còn hạn chế. Ngoài ra, việc thiếu sandbox hoặc cơ chế thử nghiệm công nghệ mới an toàn cũng khiến quá trình chuyển giao và áp dụng chậm lại.
Tại FSI, chúng tôi xây dựng một nhóm R&D chuyên theo dõi các công bố AI quốc tế hàng tuần, kết hợp với diễn đàn chuyên môn và thực nghiệm nội bộ – đó là cách để theo kịp tốc độ phát triển chóng mặt của ngành này.
Kỹ năng nào (ngoài câu chuyện chuyên môn về AI) là quan trọng nhất để một kỹ sư AI Việt Nam có thể cạnh tranh trên trường quốc tế?
Nếu chỉ chọn một kỹ năng, tôi chọn tư duy sản phẩm (product mindset). Rất nhiều kỹ sư giỏi mô hình, giỏi code, nhưng không thể trả lời câu hỏi: “Người dùng sẽ dùng tính năng này như thế nào?”, hoặc “Chi phí inference một lần là bao nhiêu, có tối ưu được không?”.
Khả năng kết nối giữa kỹ thuật và thực tế sản phẩm là điều sẽ phân biệt một kỹ sư giỏi với một kỹ sư có tầm ảnh hưởng.
Ngoài ra, kỹ năng mềm – đặc biệt là giao tiếp kỹ thuật bằng tiếng Anh, và khả năng làm việc đa văn hóa – là yếu tố bắt buộc nếu muốn làm việc trong môi trường toàn cầu.
Môi trường làm việc tại Việt Nam có tạo điều kiện thuận lợi cho việc nghiên cứu và phát triển AI không?
So với 5 năm trước, bức tranh tích cực hơn rõ rệt. Các quỹ đầu tư mạo hiểm, các trung tâm AI của doanh nghiệp lớn đã xuất hiện nhiều hơn. Tuy nhiên, vẫn còn nhiều điểm nghẽn: dữ liệu khó tiếp cận, chính sách bảo vệ sở hữu trí tuệ cho AI chưa rõ ràng, và đặc biệt là thiếu cơ chế hỗ trợ R&D có độ rủi ro cao.
Việt Nam cần sớm có khuôn khổ pháp lý cho thử nghiệm công nghệ mới (AI sandbox), và khuyến khích các doanh nghiệp hợp tác với trường đại học để đẩy mạnh nghiên cứu ứng dụng.
Một điểm sáng nữa là các doanh nghiệp công nghệ như FSI đã bắt đầu xây dựng trung tâm R&D nội bộ, hợp tác với đại học và triển khai thử nghiệm sản phẩm trên các dự án thực tiễn – không chỉ để tạo giá trị kinh doanh, mà còn đóng vai trò “vườn ươm công nghệ” cho AI Việt Nam.
Các công ty Việt Nam cần đầu tư vào R&D như thế nào để tạo ra các sản phẩm đột phá cạnh tranh toàn cầu?
Điều kiện tiên quyết là phải xác định R&D không phải là chi phí, mà là đầu tư chiến lược. Nhưng R&D muốn bền vững thì không thể “đơn độc” – cần kết hợp giữa doanh nghiệp, trường đại học và chính sách nhà nước.
Tại FSI, việc đầu tư vào các mô hình AI phục vụ bóc tách biểu mẫu hành chính, xử lý tiếng Việt có dấu, và bảo đảm dữ liệu đầu cuối (data assurance) là những dự án dài hạn. Chúng tôi từng phát triển mô hình bóc tách văn bản hành chính tiếng Việt trong suốt 18 tháng, chỉ để xử lý 0.5% dữ liệu “rất khó đọc” – nhưng chính phần đó lại giúp hệ thống vượt qua được các yêu cầu khắt khe của dự án dữ liệu quốc gia.
Điều gì khiến anh tự hào nhất khi là một kỹ sư AI, và nếu được gửi gắm lời khuyên cho thế hệ tiếp nối muốn theo đuổi ngành này, anh sẽ nói điều gì?
Tôi tự hào nhất khi thấy mô hình mình xây dựng không chỉ là thuật toán – mà thực sự được sử dụng. Các sản phẩm dù chỉ đóng góp nhỏ như:giúp một cán bộ xử lý hồ sơ nhanh hơn, giúp một doanh nghiệp tiết kiệm được chi phí lưu trữ, hay một người dân không cần phải lặn lội tìm giấy tờ đã mất cũng khiến chúng tôi thấy công việc của mình trở nên có ý nghĩa.
Lời khuyên của tôi là: AI không phải là phép màu, nó là công cụ. Nhưng nếu bạn biết dùng nó đúng lúc, đúng cách, và với mục tiêu rõ ràng – thì nó có thể tạo ra thay đổi rất lớn. Hãy học thật chắc nền tảng, hiểu sâu bài toán, và đừng quên đặt câu hỏi: “Giải pháp của mình sẽ tạo ra giá trị gì cho người dùng.
Có thể bạn quan tâm:
Báo cáo xu hướng số hóa 2025: Cách doanh nghiệp thích nghi và phát triển
5 lý do tại sao doanh nghiệp của bạn không nên trì hoãn việc số hóa tài liệu vào năm 2025
