Nhắc đến trí tuệ nhân tạo, phần lớn người ngoài ngành nghĩ ngay đến ChatGPT, các mô hình ngôn ngữ lớn, công cụ tạo hình ảnh hay trợ lý viết code. Đó chỉ là lớp bề mặt của một lĩnh vực rộng hơn nhiều. Trong một chương trình đào tạo AI hoàn chỉnh, những công nghệ đang gây chú ý trên thị trường chỉ là điểm đến cuối của một lộ trình dài, và sinh viên ngành Trí tuệ nhân tạo tại PTIT không bắt đầu từ đó. Hai năm đầu tập trung vào toán học, lập trình và nền tảng khoa học máy tính: Python, cấu trúc dữ liệu và giải thuật, cơ sở dữ liệu, kiến trúc máy tính, mạng máy tính, công nghệ phần mềm, cùng đại số tuyến tính, giải tích và xác suất thống kê. Nhìn từ bên ngoài, một số học phần trong đó có vẻ không liên quan trực tiếp đến AI.

Khoảng cách đó biến mất ngay khi một mô hình rời phòng thí nghiệm để trở thành sản phẩm thực tế. Mô hình cần dữ liệu để học, phần mềm để người dùng tương tác, máy chủ hoặc thiết bị để chạy, mạng để truyền dữ liệu, và cơ chế bảo vệ hệ thống. Biết huấn luyện một mô hình mà không hiểu nó sẽ vận hành ở đâu trong một hệ thống thực là kiến thức dừng lại ở mức thử nghiệm. Toán học đóng vai trò tương tự, dù ít hiển thị hơn: các thư viện hiện nay cho phép dựng một mạng nơ-ron hoặc gọi một mô hình chỉ bằng vài dòng code, nhưng không thư viện nào giải thích được vì sao mô hình hoạt động. Khi huấn luyện không hội tụ, dữ liệu lệch, kết quả đánh giá bất thường, hoặc một mô hình tốt trên tập này nhưng thất bại trên tập khác, xác suất, đại số tuyến tính và tối ưu hóa mới là công cụ thực sự xử lý được vấn đề. Học AI có thể bắt đầu từ Python, nhưng chắc chắn không kết thúc ở đó.

Sau nền tảng, chương trình đi vào các mảng gắn trực tiếp với hình dung thông thường về AI: học máy, học sâu, xử lý ngôn ngữ tự nhiên, thị giác máy tính, truy xuất thông tin, học tăng cường và mô hình ngôn ngữ lớn. Đây không phải các tên gọi khác nhau cho một công việc, mà là các hướng giải những nhóm bài toán khác nhau. Xử lý ngôn ngữ tự nhiên làm việc với văn bản, thị giác máy tính làm việc với hình ảnh và video, mô hình ngôn ngữ lớn mở rộng khả năng hiểu và sinh ngôn ngữ ở quy mô lớn, còn học tăng cường đặt hệ thống vào môi trường phải học qua hành động và phản hồi. Đi sâu hơn, sinh viên còn gặp hệ khuyến nghị, học máy trên dữ liệu đồ thị, phân tích chuỗi thời gian, robotics và AI cho tính toán biên. Chính ở giai đoạn này, AI bắt đầu giao cắt với các mảng đào tạo khác của PTIT: một hệ thống nhận diện hình ảnh trên camera cần cả kiến thức thiết bị, mạng truyền dữ liệu và tính toán biên chứ không chỉ thị giác máy tính; một hệ thống phát hiện bất thường trong mạng cần cả học máy lẫn kiến thức viễn thông, an toàn thông tin; một hệ thống gợi ý sản phẩm phải xử lý đồng thời dữ liệu người dùng, hệ thống phần mềm và bài toán kinh doanh. AI hiếm khi tồn tại như một lĩnh vực tách biệt, và đây là chỗ nền tảng đa ngành của PTIT về công nghệ thông tin, viễn thông, điện tử, an toàn thông tin, đa phương tiện, kinh tế trở thành lợi thế thực chất, không phải khẩu hiệu tuyển sinh.

Phần thường bị bỏ qua nhất trong quá trình học là triển khai và vận hành. Tự học dễ khiến sinh viên dừng lại ở việc chạy một notebook, thấy accuracy tăng, và coi đó là kết quả cuối cùng. Khoảng cách giữa “mô hình chạy được trên máy cá nhân” và “hệ thống phục vụ người dùng ổn định” lớn hơn nhiều so với hình dung đó. Đưa AI vào sản phẩm đòi hỏi một tập năng lực khác: đóng gói mô hình, xây dựng API, quản lý phiên bản, giám sát tài nguyên, theo dõi chất lượng dự đoán, xử lý dữ liệu thực tế lệch khỏi dữ liệu huấn luyện. Một mô hình tốt về thuật toán nhưng phản hồi chậm hoặc tiêu tốn tài nguyên vượt khả năng hệ thống vẫn là một mô hình không triển khai được, nên xây dựng mô hình và vận hành mô hình luôn phải đi cùng nhau. Song song với kỹ thuật là trách nhiệm: mô hình có thể sinh thông tin sai, dữ liệu huấn luyện có thể mang thiên lệch, thông tin nhạy cảm có thể rò rỉ, và hệ thống tự động đôi khi ra quyết định ảnh hưởng trực tiếp đến con người. Đạo đức và chính sách AI, vì vậy, không còn là chủ đề nằm ngoài kỹ thuật, mà là một phần của thiết kế hệ thống.

Tóm lại, hành trình học AI tại PTIT đi theo một trục: toán học và lập trình, đến dữ liệu và học máy, tiếp tục với học sâu, xử lý ngôn ngữ tự nhiên, thị giác máy tính, mô hình ngôn ngữ lớn, rồi đi tới xây dựng và triển khai ứng dụng. Bao quanh trục này là mạng máy tính, an toàn thông tin, IoT, hệ thống phân tán, robotics và nhiều miền ứng dụng khác. Một sinh viên mới vào ngành không cần xác định ngay mình sẽ là AI Engineer, Machine Learning Engineer hay nghiên cứu viên; lựa chọn chuyên sâu đến sau, còn ưu tiên ở những năm đầu là một nền tảng đủ vững để khi công nghệ đổi, người học vẫn hiểu được công cụ mới thay vì lệ thuộc hoàn toàn vào nó. Framework có thể thay đổi, mô hình phổ biến hôm nay có thể lỗi thời trong vài năm, nhưng khả năng đọc dữ liệu, tư duy thuật toán, hiểu toán học phía sau mô hình và biết cách biến một mô hình thành hệ thống hoạt động trong thực tế là những năng lực có tuổi thọ dài hơn bất kỳ công nghệ cụ thể nào.

Cuộc thi Olympic AI 2025. Nguồn: Đài truyền hình PTIT.

Olympic AI PTIT chính là nơi hành trình đó được kiểm chứng ngoài giảng đường. Vòng Sơ loại, diễn ra ngày 16/8/2026, buộc các đội thi vận dụng đồng thời những gì lộ trình trên đề cập, từ đọc dữ liệu, xây dựng baseline đến thử nghiệm có kiểm soát, trong một khung thời gian giới hạn và trên hai lĩnh vực cốt lõi là thị giác máy tính và xử lý ngôn ngữ tự nhiên. Các đội vượt qua vòng này sẽ bước tiếp vào Chung kết, nơi bài toán không chỉ dừng ở độ chính xác của mô hình mà còn ở khả năng tổ chức quy trình, quản lý thời gian và đưa ra một hệ thống hoạt động được trong điều kiện thực tế. Đó đúng là những năng lực mà một chương trình đào tạo AI bài bản hướng tới. Học AI ở PTIT, vì thế, không phải là học cách dùng các công cụ AI đang có, mà là học cách hiểu, xây dựng và đưa hệ thống thông minh vào giải quyết bài toán thực tế, và Olympic AI PTIT là một trong những nơi đầu tiên để kiểm chứng điều đó.

Mọi thông tin chi tiết về cuộc thi, học sinh, sinh viên và quý thầy cô cập nhật tại trang web olpai.ptit.edu.vn.