Xu hướng Công nghệTin tức

Khám phá những đổi mới công nghệ mới nhất, nâng cấp giao thức, giải pháp cross-chain và cơ chế bảo mật trong lĩnh vực blockchain. Cung cấp góc nhìn tập trung vào nhà phát triển để phân tích xu hướng công nghệ mới nổi và đột phá tiềm năng.

Phía sau bảng điểm AI, ẩn giấu một 'người ra đề' gốc Hoa

Mỗi khi một mô hình AI tiên tiến ra mắt, giới công nghệ lại dõi theo những “bảng điểm” quen thuộc như MMLU-Pro, MMMU hay MMMU-Pro. Đây là các tiêu chuẩn đánh giá quan trọng giúp so sánh năng lực của các mô hình lớn như GPT, Claude hay Gemini. Tuy nhiên, ít người biết rằng đằng sau những bộ đề thi này là một nhà nghiên cứu người Hoa: Chen Wenhu (Trần Văn Hổ), trợ lý giáo sư tại Đại học Waterloo, Canada. Ông cùng phòng thí nghiệm TIGERLab (còn gọi là Hổ Đầu Bang) đã tạo ra MMLU-Pro vào năm 2024 để giải quyết vấn đề “mất chuẩn” của bộ đánh giá MMLU cũ, khi nhiều mô hình tiên tiến đạt điểm gần tuyệt đối, khó phân biệt được sự khác biệt thực sự. MMLU-Pro với hơn 12.000 câu hỏi, mở rộng lựa chọn và tăng cường các câu đòi hỏi suy luận, đã giúp kéo giãn khoảng cách điểm số và đánh giá ổn định hơn. Trước đó, nhóm của Chen Wenhu cũng phát triển MMMU - bộ đánh giá đa phương thức (multimodal) yêu cầu mô hình kết hợp hiểu biết hình ảnh, biểu đồ với kiến thức chuyên môn để trả lời câu hỏi. Ngay cả các mô hình mạnh nhất thời điểm đó như GPT-4V cũng chỉ đạt độ chính xác khoảng 56%. Phiên bản MMMU-Pro sau này được thiết kế để đảm bảo mô hình không thể “bỏ qua” thông tin hình ảnh mà chỉ dựa vào văn bản để đoán đáp án. Nghiên cứu của Chen Wenhu tập trung vào việc hiểu thông tin phức tạp, hỏi đáp tri thức và suy luận. Ông từng làm việc tại Google Research và DeepMind, tham gia vào dự án Gemini, trước khi gia nhập Đại học Waterloo và thành lập TIGERLab. Phòng thí nghiệm không chỉ tạo ra các bộ đánh giá mà còn nghiên cứu phát triển mô hình, chẳng hạn trong lĩnh vực xử lý video. Hiện tại, Chen Wenhu làm việc tại Phòng thí nghiệm Siêu trí tuệ (Super Intelligent Lab) của Meta, tiếp tục tập trung vào dữ liệu huấn luyện và đánh giá đa phương thức. Công việc của ông và nhiều nhà nghiên cứu người Hoa khác đang đóng góp quan trọng vào sự phát triển chung của ngành AI, dù có thể không nằm dưới ánh đèn sân khấu.

marsbit06/20 03:53

Phía sau bảng điểm AI, ẩn giấu một 'người ra đề' gốc Hoa

marsbit06/20 03:53

Ai là người sử dụng Claude Code hiệu quả nhất? Câu trả lời có thể không phải là lập trình viên

Bài viết phân tích dữ liệu từ khoảng 400.000 phiên Claude Code, chỉ ra rằng AI đang định hình lại mối quan hệ giữa con người và mã nguồn. Phát hiện chính: trong lập trình với AI, con người chủ yếu quyết định "làm gì", còn Claude phụ trách "làm như thế nào". Điều này cho thấy AI đang tiếp quản các công việc thực thi như viết mã, sửa lỗi và chạy lệnh, nhưng việc xác định mục tiêu và đánh giá kết quả vẫn phụ thuộc vào con người. Đáng chú ý, hiệu quả sử dụng Claude Code không chỉ phụ thuộc vào việc người dùng có phải là lập trình viên hay không. Trong các nhiệm vụ tạo mã, tỷ lệ thành công của người dùng thuộc các ngành nghề phi kỹ thuật như luật, tài chính, quản lý và nghiên cứu đã gần bằng với kỹ sư phần mềm. Yếu tố then chốt ảnh hưởng đến kết quả là người dùng có thực sự hiểu vấn đề họ cần giải quyết hay không. Điều này có nghĩa là AI làm giảm rào cản thực thi, chứ không phải rào cản phán đoán. Trong tương lai, những người am hiểu nghiệp vụ, nắm rõ ngữ cảnh, có khả năng đưa ra yêu cầu rõ ràng và đánh giá kết quả có thể sẽ sử dụng AI hiệu quả hơn cả những người chỉ giỏi viết mã. AI không tự động thay thế kiến thức chuyên môn mà ngược lại, còn làm gia tăng giá trị của kiến thức đó.

marsbit06/20 02:07

Ai là người sử dụng Claude Code hiệu quả nhất? Câu trả lời có thể không phải là lập trình viên

marsbit06/20 02:07

CPU trở lại bàn đàm phán, một vở kịch "thăng tiến" trị giá 1700 tỷ USD bắt đầu

CPU đang trở lại trung tâm sân khấu trong kỷ nguyên AI, dẫn dắt một cơ hội thị trường trị giá 1700 tỷ USD vào năm 2030. Việc chuyển dịch từ huấn luyện sang suy luận (inference) và AI Agent đã làm thay đổi hoàn toàn vai trò của CPU. Trong các tác vụ Agent phức tạp, CPU hiện đảm nhận hơn 70% khối lượng công việc, xử lý luồng điều khiển, gọi công cụ và quản lý bộ nhớ (KV Cache). Tỷ lệ phối hợp GPU:CPU đang thu hẹp từ 1:8 xuống khoảng 1:4, thậm chí 1:1 trong một số trường hợp. Nhu cầu này dẫn đến việc thiếu hụt nguồn cung và lần tăng giá đầu tiên sau hơn một thập kỷ cho server CPU của Intel và AMD, với mức tăng 10-15%. Thị trường CPU server dự kiến tăng từ khoảng 300 tỷ USD năm 2025 lên 1700 tỷ USD vào năm 2030, được thúc đẩy bởi ba phân khúc: điện toán đám mây truyền thống, CPU head-node cho cụm AI và CPU node độc lập cho Agent – một thị trường hoàn toàn mới. NVIDIA cũng đã tham gia cuộc chơi với CPU Vera dựa trên kiến trúc ARM, nhấn mạnh tầm quan trọng chiến lược của CPU. Tại Trung Quốc, các công ty như Hygon (Hải Quang) và Huawei đang nắm bắt cơ hội từ làn sóng nhu cầu này và chương trình thay thế nhập khẩu (xinchuang), với hệ sinh thái phần mềm đang trưởng thành nhanh chóng.

marsbit06/19 13:47

CPU trở lại bàn đàm phán, một vở kịch "thăng tiến" trị giá 1700 tỷ USD bắt đầu

marsbit06/19 13:47

Không có đội ngũ bán hàng vẫn thu về 20 triệu đô la, AI nhân viên Viktor dựa vào điều gì để chinh phục 30.000 doanh nghiệp?

AI nhân viên Viktor đạt doanh thu 20 triệu USD/năm với hơn 30.000 doanh nghiệp mà không cần đội ngũ bán hàng, bằng cách nào? Sản phẩm "Tier 3 AI Coworker" này, do đội ngũ từ DeepMind phát triển, hoạt động như một nhân viên kỹ thuật số. Người dùng chỉ cần đề cập @Viktor trong Slack hoặc Teams và yêu cầu bằng ngôn ngữ tự nhiên (ví dụ: tạo báo cáo bán hàng), nó sẽ tự động truy cập CRM, tạo biểu đồ và gửi kết quả. Ngoài phản hồi, Viktor còn tự động kích hoạt tác vụ như đối chiếu sổ sách ban đêm hay tổng hợp dữ liệu từ nhiều công cụ để làm PowerPoint. Thành công của Viktor đến từ mô hình PLG (Product-Led Growth) thuần túy. Thay vì bán theo số ghế, họ tính phí theo tín dụng hoặc nhiệm vụ, giúp giảm chi phí thử nghiệm. Người dùng có 100 USD miễn phí để trải nghiệm, từ đó lan truyền tự nhiên trong nội bộ. Viktor phá vỡ rào cản "kỹ thuật nhắc lệnh" (prompt engineering) bằng cách chuyển từ hỗ trợ soạn thảo sang thực thi đầu-cuối. Tuy nhiên, cơ chế ra quyết định tự động cũng tiềm ẩn rủi ro khi hiểu sai yêu cầu mơ hồ. Sản phẩm đang chuyển từ Slack sang Microsoft Teams (3.2 tỷ người dùng), đối mặt với thách thức tuân thủ và kiểm soát của bộ phận IT tại các tập đoàn lớn. Rào cản chính là cân bằng giữa tự động hóa hoàn toàn và kiểm soát rủi ro (như ghi sai dữ liệu), đòi hỏi khung quản trị chặt chẽ về quyền hạn, nhật ký kiểm toán để xây dựng lòng tin.

marsbit06/19 10:58

Không có đội ngũ bán hàng vẫn thu về 20 triệu đô la, AI nhân viên Viktor dựa vào điều gì để chinh phục 30.000 doanh nghiệp?

marsbit06/19 10:58

Phía sau bảng điểm AI, ẩn giấu một "người ra đề" người Hoa

Bài viết này giới thiệu Giáo sư Văn Hổ Trần (Chen Wenhu), một nhà khoa học máy tính người Hoa hiện công tác tại Đại học Waterloo, Canada, và là người đứng sau các bộ đánh giá tiêu chuẩn quan trọng trong ngành AI như MMLU-Pro, MMMU và MMMU-Pro. Khi các mô hình AI tiên tiến như GPT-4, Claude hay Gemini đạt điểm số gần tuyệt đối trên các bài kiểm tra cũ như MMLU, cộng đồng cần một thước đo mới để phân biệt khả năng thực sự. Năm 2024, nhóm của Giáo sư Văn Hổ Trần tại Phòng thí nghiệm TIGER (còn gọi là Hổ Đầu Bang) đã phát triển MMLU-Pro. Bộ dữ liệu mới này với hơn 12.000 câu hỏi đã mở rộng lựa chọn, tăng cường các câu hỏi suy luận và loại bỏ những câu đơn giản, giúp giảm đáng kể điểm số của các mô hình và đánh giá ổn định hơn. Ông cũng là tác giả chính của MMMU - bộ tiêu chuẩn đánh giá đa phương thức (multimodal) đầu tiên yêu cầu mô hình kết hợp hiểu biết hình ảnh phức tạp (biểu đồ, bản đồ, công thức) với kiến thức chuyên ngành để trả lời câu hỏi. Phiên bản nâng cấp MMMU-Pro sau đó được tạo ra để đảm bảo mô hình thực sự xử lý thông tin thị giác chứ không chỉ dựa vào văn bản. Bài viết cho thấy công việc của Giáo sư Văn Hổ Trần bắt nguồn từ hướng nghiên cứu lâu dài về hiểu thông tin phức tạp và trả lời câu hỏi dựa trên tri thức. Kinh nghiệm thực tế của ông từ khi tham gia phát triển mô hình Gemini tại Google DeepMind và hiện tại là tại Phòng thí nghiệm Siêu Trí tuệ của Meta, cùng với việc phòng thí nghiệm của ông cũng tự phát triển các mô hình (như UniVideo, Vamba), đã giúp ông thiết kế ra những bài đánh giá sát thực tế, phát hiện đúng điểm mạnh yếu của mô hình. Tác giả kết luận rằng trong khi sự chú ý của ngành AI thường đổ dồn vào các nhà sáng lập hay lãnh đạo nổi tiếng, thì sự đóng góp của các nhà nghiên cứu như Giáo sư Văn Hổ Trần trong việc xây dựng "ngôn ngữ chung" để đánh giá tiến bộ AI là vô cùng quan trọng.

marsbit06/19 09:20

Phía sau bảng điểm AI, ẩn giấu một "người ra đề" người Hoa

marsbit06/19 09:20

Vị trí công việc mới được săn đón nhất tại Thung lũng Silicon đã xuất hiện

Trong ba năm qua, ngành AI tập trung vào các nhà khoa học mô hình. Nhưng giờ đây, OpenAI, Anthropic và Google đang ráo riết tuyển dụng một vị trí mới: Kỹ sư Triển khai Tiền tuyến (Forward Deployment Engineer - FDE). Vai trò này bùng nổ, với số lượng tuyển dụng tăng 42 lần từ 2023-2025, báo hiệu một sự chuyển hướng lớn: cuộc chiến về mô hình đã kết thúc, và cuộc chiến triển khai thực tế bắt đầu. Các công ty nhận ra vấn đề không còn là công nghệ, mà là việc doanh nghiệp không biết cách sử dụng AI hiệu quả. Nhiều doanh nghiệp mua AI nhưng không thấy thay đổi lớn vì gặp phải các rào cản tổ chức nội bộ như dữ liệu lịch sử lộn xộn, quy trình phê duyệt phức tạp và hệ thống cũ khó tích hợp. Mô hình AI giống như một động cơ tên lửa gắn trên cỗ xe ngựa – mạnh mẽ nhưng vô dụng nếu không thay đổi toàn bộ hệ thống. Palantir Technologies là công ty tiên phong trong mô hình FDE, cử kỹ sư đến tận nơi khách hàng để hiểu và cải thiện quy trình làm việc thực tế. Phương pháp này giờ đây trở thành bài học cho toàn ngành. Tháng 5/2026, ba gã khổng lồ AI cùng hành động: Anthropic thành lập liên doanh 1,5 tỷ USD để triển khai Claude, OpenAI thành lập công ty con DeployCo với 4 tỷ USD và mua lại công ty tư vấn Tomoro, còn Google Cloud tuyển dụng ồ ạt FDE. Điều này cho thấy trọng tâm đã chuyển từ phát triển mô hình sang triển khai ứng dụng. Vai trò của FDE là "giao kết quả", không chỉ là phần mềm. Họ cần kỹ năng kỹ thuật sâu, hiểu biết về tổ chức và khả năng hợp tác để vượt qua các rào cản về quyền lực, văn hóa và trách nhiệm trong doanh nghiệp – những yếu tố chiếm tới 80% nguyên nhân thất bại của dự án AI. Tóm lại, khi công nghệ AI trở nên phổ biến và rẻ hơn, thứ đắt giá nhất chính là khả năng thấu hiểu tổ chức và thay đổi quy trình. Sự nổi lên của FDE chứng tỏ phần khó nhất của cuộc cách mạng công nghệ không phải là kỹ thuật, mà là con người.

marsbit06/19 09:07

Vị trí công việc mới được săn đón nhất tại Thung lũng Silicon đã xuất hiện

marsbit06/19 09:07

Khi World Cup Va chạm với Agent: Từ Web2 đến Web3, Ví tiền sẽ tiến tới Agentic Wallet như thế nào?

World Cup là một bối cảnh thích hợp để quan sát sự phát triển của ví tiền điện tử. Trong sự kiện này, các ví Web3 như imToken đã thử nghiệm tích hợp AI Agent vào các hoạt động dự đoán thị trường (ví dụ: Polymarket), cho phép người dùng tương tác với các thị trường dự đoán thông qua Discord hoặc trang web một cách tự nhiên, sau đó được Agent dẫn dắt một cách liền mạch trở lại giao dịch trên chuỗi. Điều này cho thấy sự thay đổi tiềm năng: ví không còn chỉ là một ứng dụng quản lý tài sản và ký giao dịch, mà đang trở thành "trình thông dịch ý định", nơi người dùng có thể diễn đạt nhu cầu bằng ngôn ngữ tự nhiên và để Agent phân tách thành các hành động cụ thể. Sự phát triển của Agentic Wallet không chỉ giới hạn trong Web3. Các gã khổng lồ thanh toán truyền thống như Mastercard (với Agent Pay) hay WeChat Pay cũng đang thử nghiệm để AI Agent tham gia vào lớp thanh toán, với trọng tâm là nhận dạng, ủy quyền, kiểm soát và giám sát. Điều này cho thấy xu hướng chung là AI đang thâm nhập vào lĩnh vực tài chính và giao dịch. Tuy nhiên, thách thức cốt lõi đối với ví Agentic không phải là tự động hóa, mà là thiết lập "ranh giới" an toàn rõ ràng. Vì ví xử lý tài sản thực, nên điều quan trọng là người dùng phải luôn nắm quyền kiểm soát: hiểu Agent là ai, nó có thể làm gì, thời gian ủy quyền, giới hạn số dư, và khả năng tạm dừng hoặc thu hồi ủy quyền. Tương lai của ví thông minh nằm ở việc biến các giao dịch phức tạp thành thông tin dễ hiểu cho người dùng, đảm bảo sự tiện lợi đi đôi với bảo mật. Các thử nghiệm trong bối cảnh World Cup chính là những bước đầu tiên hướng tới tương lai đó.

marsbit06/19 07:43

Khi World Cup Va chạm với Agent: Từ Web2 đến Web3, Ví tiền sẽ tiến tới Agentic Wallet như thế nào?

marsbit06/19 07:43

"Sở Hữu" Hay "Thuê Mướn" Trí Tuệ? Câu Hỏi Mới Cho Khởi Nghiệp AI

Mythos ngừng hoạt động đã khiến các nhà sáng lập AI nhận ra một vấn đề cốt lõi: khi sản phẩm phụ thuộc vào mô hình và nền tảng bên ngoài, công ty thực sự sở hữu điều gì? Cuộc thảo luận thường tập trung vào chi phí của mô hình mã nguồn mở so với API của mô hình tiên tiến, nhưng yếu tố then chốt thực sự là quyền kiểm soát. Sử dụng API mô hình tiên tiến giống như "thuê trí tuệ": giúp khởi động nhanh nhưng đồng nghĩa với việc chấp nhận rủi ro từ các quyết định về giá cả, chính sách hoặc thậm chí là ngừng cung cấp của nhà cung cấp. Ngược lại, "sở hữu trí tuệ" nghĩa là xây dựng dựa trên một mô hình mã nguồn mở mạnh mẽ và định hình nó bằng dữ liệu, quy trình làm việc, kiến thức chuyên môn và các tiêu chuẩn đánh giá độc đáo của công ty. Theo thời gian, nó trở thành tài sản trí tuệ riêng, phản ánh chính xác công việc kinh doanh cốt lõi. Tương lai của AI không phải là một mô hình lớn duy nhất thống trị tất cả, mà sẽ tồn tại nhiều "mặt trận" khác nhau: mô hình tiên tiến phổ thông, mô hình được huấn luyện tiếp với kiến thức chuyên sâu của doanh nghiệp, mô hình chuyên dụng cho lĩnh vực hẹp, và hệ thống định tuyến kết hợp nhiều mô hình. Lợi thế cạnh tranh thực sự nằm ở khả năng biến trí tuệ thành tài sản độc đáo và có thể kiểm soát của công ty, thay vì chỉ đơn thuần có khả năng gọi đến một mô hình mạnh.

marsbit06/19 02:09

"Sở Hữu" Hay "Thuê Mướn" Trí Tuệ? Câu Hỏi Mới Cho Khởi Nghiệp AI

marsbit06/19 02:09

Nvidia CPU áp sát, RISC-V Trung Quốc đối đầu: Quan sát sâu về bán dẫn (Phần 4)

Tuần này, tin tức về việc NVIDIA chuẩn bị cung cấp CPU Vera cho khách hàng Trung Quốc từ tháng 8, với giá hơn 20.000 USD mỗi chip, một lần nữa làm nổi bật bài toán về sự phụ thuộc vào kiến trúc Arm và nhu cầu cấp thiết về một lựa chọn thay thế tự chủ, kiểm soát được cho hạ tầng AI. Trong bối cảnh đó, RISC-V đang nổi lên như một con đường tiềm năng, được thúc đẩy mạnh mẽ tại Trung Quốc đại lục bởi nhu cầu an ninh chuỗi cung ứng, giảm chi phí, chủ quyền công nghệ và làn sóng ứng dụng AI. Mặc dù đã thành công trong lĩnh vực nhúng, RISC-V đang chinh phục thách thức lớn nhất: điện toán hiệu năng cao (HPC) cho máy chủ và trung tâm dữ liệu. Ngành công nghiệp coi điểm chuẩn SPECint 15 (trên mỗi GHz) là "tấm vé vào cửa" cho câu lạc bộ HPC. Nhiều công ty Trung Quốc, cả từ cộng đồng mã nguồn mở lẫn thương mại, tuyên bố đã đạt hoặc vượt ngưỡng này, với xung nhịp vượt 3 GHz. Sự tiến bộ không chỉ dừng ở lõi đơn lẻ; trọng tâm đã chuyển sang toàn bộ "hệ thống con tính toán", bao gồm mạng NoC nhất quán, các tính năng RAS, quản lý từ xa (BMC/IPMI) và khả năng chịu lỗi (Partial Goods). Một bước ngoặt quan trọng là sự xuất hiện của bộ xử lý máy chủ RISC-V 40 lõi, tuân thủ 100% tiêu chuẩn RVA23 mà không có tập lệnh tùy chỉnh, thể hiện cam kết về khả năng tương thích phần mềm lâu dài thay vì tối ưu hóa điểm chuẩn ngắn hạn. Lợi thế cốt lõi của RISC-V nằm ở kiến trúc mô-đun mở, cho phép tùy chỉnh sâu cho các tải AI đa dạng và tiềm năng thống nhất ngăn xếp phần mềm, giảm gánh nặng trùng lặp cho các nhà phát triển chip AI. Tuy nhiên, con đường phía trước vẫn còn nhiều thách thức "cứng": hệ sinh thái phần mềm chưa hoàn thiện và bị phân mảnh, công cụ EDA và xác minh thiết kế còn hạn chế, hiệu suất và hiệu suất năng lượng trên mỗi lõi cần được cải thiện, cùng với những ràng buộc về công nghệ bán dẫn tiên tiến. Tóm lại, khi NVIDIA với Vera tiếp tục thống trị, RISC-V đại diện cho một con đường chiến lược dài hạn cho Trung Quốc. Cánh cửa vào thị trường HPC đã mở với những tiến bộ đáng kể về phần cứng và tư duy hệ thống. Tuy nhiên, hành trình để phá vỡ "tam giác bất khả thi" (thịnh vượng, kiểm soát, tự chủ) và xây dựng một hệ sinh thái cạnh tranh với các pháo đài như CUDA của NVIDIA vẫn còn dài và đòi hỏi sự kiên trì giải quyết những công việc khó khăn, kém hào nhoáng trong nhiều năm tới.

marsbit06/18 17:46

Nvidia CPU áp sát, RISC-V Trung Quốc đối đầu: Quan sát sâu về bán dẫn (Phần 4)

marsbit06/18 17:46

Hướng dẫn trải nghiệm thực tế thẻ AI WeChat: Liệu kỷ nguyên AI Shopping đã tới?

Tác giả: Alan | Biteye Content Team Ngày 17/6, WeChat chính thức ra mắt thẻ AI chuyên dụng. Theo mô tả, người dùng có thể đưa ra nhu cầu chi tiêu trong cuộc trò chuyện với Workbuddy (một Agent AI) và hoàn thành thanh toán qua thẻ này. Trải nghiệm thực tế cho thấy, đây không phải là tính năng "chi tiêu tự động hoàn toàn", mà là một lớp khả năng thanh toán được mở ra cho AI Agent, với mỗi giao dịch vẫn cần người dùng xác nhận. **Thẻ AI là gì?** Thẻ hoạt động như một "ví nhỏ" tách biệt với ví WeChat chính. Người dùng cần liên kết và nạp tiền vào thẻ này. Các giao dịch do AI khởi tạo sẽ ưu tiên trừ từ số dư độc lập này. **Cách kích hoạt:** Trong chat với Workbuddy, hỏi "Làm thế nào để sử dụng thẻ thanh toán AI chuyên dụng của WeChat?" -> Nhấp liên kết được cung cấp -> Quét mã QR bằng WeChat để liên kết và nạp tiền. **Các tình huống sử dụng được đề xuất:** Mua nội dung trả phí (báo cáo, dữ liệu), gọi API/tools trả phí, đăng ký/gia hạn dịch vụ. Tuy nhiên, tính năng này vẫn đang trong giai đoạn thử nghiệm và chưa dễ dàng tìm thấy các ứng dụng cụ thể. **Kiểm tra thực tế: Dùng Workbuddy đặt trà sữa Hi Tea (THẤT BẠI)** - Workbuddy không thể tự đặt hàng mà cần gọi Skill "Trợ lý sống Meituan". - Chỉ riêng việc tạo mã QR đăng nhập tài khoản Meituan đã tiêu tốn 185.37 điểm (vượt quá 150 điểm miễn phí nhận được mỗi ngày). - Sau khi đăng nhập và yêu cầu đặt trà, AI tạo được liên kết thanh toán qua thẻ AI. - Tuy nhiên, sau khi thanh toán, phát hiện AI đã mua nhầm một loại phiếu mua hàng (deal) trên Meituan không đúng với nhu cầu. **Nguyên nhân thất bại:** Vấn đề không nằm ở khả năng thanh toán của thẻ AI, mà ở chuỗi thực thi của Agent. Một tác vụ như "đặt trà sữa" đòi hỏi nhiều bước: hiểu nhu cầu, gọi đúng nền tảng, ủy quyền tài khoản, chọn đúng sản phẩm, xác nhận phương thức giao hàng,... Thẻ AI chỉ giải quyết được bước "thanh toán". Phần còn lại phụ thuộc hoàn toàn vào năng lực của Agent và Skill bên thứ ba. **Cơ chế an toàn hiện tại:** - **Nguồn tiền:** Chỉ sử dụng số dư trong thẻ AI. - **Xác nhận thanh toán:** Mỗi giao dịch đều cần người dùng xác nhận trên điện thoại. - **Tài khoản chính:** Không trực tiếp trừ tiền từ ví WeChat chính. - **Sản phẩm tại cửa hàng:** Sau thanh toán, người dùng vẫn cần đến cửa hàng để xác nhận sử dụng. **Kết luận:** Thẻ AI chuyên dụng của WeChat hiện giống một "ví nhỏ" có hạn mức kiểm soát được, cần xác nhận từng giao dịch và tách biệt với tài khoản chính. Nó đánh dấu một bước tiến trong việc tích hợp thanh toán cho AI, nhưng kỷ nguyên "AI Shopping" thực sự vẫn chưa bắt đầu, vì khả năng thực thi nhiệm vụ phức tạp của Agent vẫn còn nhiều hạn chế. Người dùng muốn trải nghiệm nên bắt đầu với số tiền nhỏ, các dịch vụ số và luôn kiểm tra kỹ thông tin sản phẩm trước khi xác nhận thanh toán.

marsbit06/18 12:06

Hướng dẫn trải nghiệm thực tế thẻ AI WeChat: Liệu kỷ nguyên AI Shopping đã tới?

marsbit06/18 12:06

活动图片

Danh mục Phổ biếnright-arrow

Thẻ Nổi bậtright-arrow

Khácright-arrow