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.

Olympic AI PTIT 2026 chính là nơi hành trình đó được kiểm chứng ngoài giảng đường, và cách tổ chức của cuộc thi phản ánh khá sát tinh thần vừa nêu ở trên. Cuộc thi chia thành hai bảng độc lập. Bảng Sinh viên PTIT dành cho sinh viên đang học tại Học viện, ở cả cơ sở Hà Nội và Thành phố Hồ Chí Minh, phải trải qua Vòng Sơ loại trước khi bước vào Vòng Chung kết. Bảng THPT dành cho học sinh trung học phổ thông trên toàn quốc, với điều kiện các thành viên trong cùng một đội phải học cùng một trường, được vào thẳng Vòng Chung kết mà không cần thi vòng loại. Kỳ thi diễn ra trực tiếp tại ba điểm đại diện cho ba miền: Học viện Công nghệ Bưu chính Viễn thông cơ sở Hà Đông cho khu vực miền Bắc, Trường THPT Chuyên Lê Quý Đôn tại Đà Nẵng cho khu vực miền Trung, và cơ sở Thành phố Hồ Chí Minh của Học viện cho khu vực miền Nam.

Vòng Sơ loại, dự kiến diễn ra ngày 16/8/2026, kéo dài 4 giờ và áp dụng riêng cho Bảng Sinh viên PTIT, trong khi Vòng Chung kết kéo dài 6 giờ và quy tụ cả những đội vượt qua vòng loại lẫn các đội Bảng THPT. Cả hai vòng đều chia thành hai giai đoạn: phần lớn thời gian dành cho việc khai thác dữ liệu huấn luyện và tập kiểm tra công khai để tinh chỉnh mô hình, một giờ cuối cùng dành riêng cho tập kiểm tra riêng, nơi đội thi chạy mô hình đã chọn và nộp kết quả cuối cùng. Đề thi gồm hai tác vụ thuộc Thị giác máy tính và Xử lý ngôn ngữ tự nhiên, đúng hai lĩnh vực được nhấn mạnh xuyên suốt chương trình đào tạo, và trong quá trình giải quyết đội thi thường phải vận dụng tổng hợp cả kiến thức nền tảng về học máy và học sâu.

Về hạ tầng, mỗi đội được cấp tài nguyên tính toán trên nền tảng FPT Smart Cloud, tối thiểu 30GB RAM cùng một phần tám GPU NVIDIA H100 với 10GB VRAM, chạy trong môi trường không có Internet mở và chỉ giới hạn ở danh sách thư viện được cài sẵn từ trước. Điều kiện này gần như là một bản thu nhỏ của bài toán triển khai thực tế đã nói ở trên. Đội thi phải làm việc trong giới hạn tài nguyên cố định, không thể tùy ý cài thêm công cụ mới, và mọi bước tiền xử lý, huấn luyện, suy luận đều phải được thể hiện đầy đủ trong mã nguồn để có thể chạy lại từ đầu đến cuối mà không phát sinh lỗi. Đội thi còn buộc phải cố định seed cho toàn bộ thành phần ngẫu nhiên, một yêu cầu nhỏ nhưng phản ánh đúng tinh thần khả năng tái lập mà một hệ thống AI nghiêm túc luôn phải đáp ứng, thay vì chỉ cần một lần chạy may mắn cho kết quả tốt.

Ban tổ chức cũng cho phép sử dụng mô hình ngôn ngữ lớn trong một môi trường được kiểm soát, nhưng chỉ trong giai đoạn đầu của mỗi vòng thi và giới hạn 2.000 token cho mỗi phiên chat. Cách giới hạn này khá gần với thực tế làm việc của một kỹ sư AI hiện nay: LLM là công cụ hỗ trợ tư duy và gợi ý mã nguồn hữu ích, nhưng đội thi vẫn phải tự chịu trách nhiệm về tính đúng đắn của kết quả cuối cùng, không được sao chép nguyên trạng những gì công cụ trả về mà không kiểm chứng.

Điểm số của mỗi tác vụ được chuẩn hóa theo thang từ 0 đến 100, dựa trên khoảng cách giữa kết quả của đội thi với mức điểm thấp nhất và cao nhất trên bảng xếp hạng riêng của tác vụ đó, còn điểm chung cuộc là trung bình cộng của hai tác vụ. Cách tính này có nghĩa là thứ hạng không phụ thuộc vào một lần nộp bài may mắn, mà vào việc duy trì hiệu suất ổn định trên cả tập kiểm tra công khai lẫn tập kiểm tra riêng, đúng tinh thần một baseline ổn định thường quan trọng hơn một mô hình phức tạp nhưng khó tái tạo.

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 trong những điều kiện ràng buộc cụ thể về thời gian, tài nguyên và dữ liệu. Với Vòng Sơ loại dự kiến diễn ra ngày 16/8/2026 và Vòng Chung kết ngay sau đó, Olympic AI PTIT 2026 là một trong những nơi đầu tiên để sinh viên và học sinh kiểm chứng điều đó ngoài giảng đường.

Cổng đăng ký đã khép lại. Phần quan trọng nhất của Olympic AI PTIT 2026 đang ở phía trước.

Thông tin và các cập nhật chính thức của cuộc thi được đăng tải tại trang olpai.ptit.edu.vn và nhóm cộng đồng thí sinh dự thi trên Zalo.