Model ngành dọc đang lên bóng

Model ngành dọc đang lên bóng

Tín hiệu mới không phải model to hơn, mà là dữ liệu ngành sâu hơn. Team builder nên đổi cách chọn model: nhìn domain, ops và eval trước hype.

Bạn có để ý không: dạo này release AI bắt đầu bớt khoe “tôi biết mọi thứ”, mà chuyển sang khoe “tôi hiểu rất sâu một loại dữ liệu cụ thể”? MRI não, bảng dữ liệu doanh nghiệp, tín hiệu wearable, log inference ở production — mỗi thứ như một vị trí riêng trong đội hình.

Điểm lạ nằm ở chỗ đó. Thị trường đang bớt mê một tiền đạo siêu sao đá mọi vai, và bắt đầu trả tiền cho đội hình biết ai giữ khu giữa, ai phòng ngự, ai chuyền bóng sạch.

NeuroVFM là một tín hiệu đáng soi trong làn sóng này: một foundation model — model nền được huấn luyện rộng để dùng lại cho nhiều tác vụ — dành cho neuroimaging, tức ảnh não từ MRI và CT. Nhưng bài này không phải để khen thêm một model y tế. Mình muốn bóc một ý thực dụng hơn: đối với builder, lựa chọn model sắp tới không còn là “model nào mạnh nhất”, mà là “model nào có quyền tiếp cận đúng loại dữ liệu, có hạ tầng quan sát được, và có eval đủ tin”.

Sơ đồ minh họa cho bài Model ngành dọc đang lên bóng

Sơ đồ tóm tắt ý chính của bài viết.

Tín hiệu lạ: dữ liệu kín mới là sân nhà

Các model frontier học rất nhiều từ internet công khai. Nhưng ảnh MRI/CT lâm sàng gần như không nằm sẵn ngoài đó, một phần vì ảnh có thể chứa đặc điểm nhận dạng khuôn mặt. Kết quả: model tổng quát có thể rất giỏi đọc web, viết code, phân tích ảnh phổ thông, nhưng lại hụt hơi trước dữ liệu bệnh viện thật.

NeuroVFM đi theo hướng khác: học từ 5,24 triệu clinical MRI và CT volumes, lấy từ 566.915 nghiên cứu trong UM-NeuroImages, trải qua hơn hai thập kỷ hoạt động chăm sóc thường quy. Quan trọng hơn, dữ liệu này uncurated — chưa được dọn đẹp theo kiểu dataset thi đấu — và không cần nhãn từ radiology report.

Đây là market signal khá rõ: ai đang nắm dữ liệu vận hành thật trong một ngành, người đó có lợi thế mới. Không phải lợi thế vì prompt hay hơn, mà vì họ có “sân tập” mà model tổng quát không được vào.

Ví dụ cụ thể: một startup Việt Nam làm AI cho bệnh viện không nên bắt đầu bằng câu “dùng model vision mới nhất nào?”. Câu hỏi nên là:

Nếu không trả lời được bốn câu đó, thay model chỉ giống thay áo đấu: nhìn mới hơn, đá chưa chắc khác.

Mổ xẻ lớp kỹ thuật: vì sao không cần report vẫn học được?

NeuroVFM dùng Vol-JEPA, một biến thể JEPA cho ảnh y tế dạng thể tích. Self-supervised learning nghĩa là model tự học từ cấu trúc dữ liệu, không cần con người gắn nhãn từng mẫu. Với NeuroVFM, model không cố tái tạo pixel thô. Nó dự đoán biểu diễn trong latent space — không gian đặc trưng nén, nơi model giữ ý nghĩa thay vì từng điểm ảnh.

Cơ chế đại khái thế này: ảnh 3D được chia thành các patch 4×16×16 voxel. Một phần nhỏ được cho model thấy, phần lớn bị che. Student encoder đọc phần thấy được. Predictor đoán biểu diễn của vùng bị che. Teacher encoder tạo đáp án mục tiêu, và teacher này là EMA — bản trung bình trượt theo thời gian của student, giúp mục tiêu ổn định hơn.

Nói thẳng ra thì: thay vì bắt một bác sĩ dán nhãn từng ca, model học kiểu “nhìn một phần phim chụp và đoán phần còn lại nên có cấu trúc gì”. Giống cầu thủ tập đọc thế trận: không cần huấn luyện viên gọi tên từng đường chuyền, vẫn học được khoảng trống nào là bất thường.

Điểm đáng giữ ở đây không phải là “JEPA hay hơn mọi thứ”. Điểm đáng giữ là chiến lược giảm phụ thuộc vào nhãn đắt đỏ. Trong y tế, tài chính, sản xuất, logistics, nhãn tốt thường hiếm, chậm và tốn chuyên gia. Nếu model ngành dọc có thể học từ dữ liệu vận hành thô, incentive thay đổi: tổ chức có dữ liệu sạch vừa đủ và quyền dùng rõ ràng sẽ có ưu thế hơn tổ chức chỉ giỏi gom benchmark.

Không chỉ y tế: foundation model đang tách theo mặt sân

NeuroVFM không đứng một mình. Google có TabFM cho dữ liệu bảng, nhắm vào zero-shot classification và regression. Zero-shot là dự đoán tác vụ mới mà không train riêng cho dataset đó. TabFM đọc dataset như một prompt và dùng in-context learning — học từ ví dụ trong ngữ cảnh đầu vào — để dự đoán trong một forward pass.

Ở hướng khác, SensorFM học từ hơn một nghìn tỷ phút dữ liệu sensor wearable của 5 triệu người, chuyển sang 35 tác vụ sức khỏe. Nó dùng tín hiệu như PPG, accelerometer, EDA, nhiệt độ da, độ cao, tổ chức theo cửa sổ 24 giờ.

Ba mảnh này nói cùng một câu: foundation model đang rời khỏi sân internet chung và đi vào dữ liệu chuyên ngành.

Với team Việt Nam, đây là thay đổi lớn. Trước đây, một team nhỏ có thể chờ API model tổng quát ngày càng rẻ, ngày càng mạnh. Bây giờ, trong vài mảng, lợi thế có thể nằm ở:

Nếu bạn làm fintech, retail, bệnh viện, manufacturing, bài toán không phải “có nên tự train foundation model không?”. Phần lớn team không nên nhảy vào pretrain ngay. Câu hỏi đúng hơn là: dữ liệu ngành nào của mình đủ đặc thù để model tổng quát không hiểu hết, và mình có cách đo phần đó chưa?

Lớp vận hành: model ngành dọc mà không quan sát được thì vẫn mù

Một release khác đáng nối vào bức tranh này là SageMaker HyperPod tăng khả năng inference production: data capture ở nhiều điểm trên đường request, load weight từ NVMe cục bộ để giảm cold-start, deploy model từ Hugging Face với gated access, revision pinning và token isolation.

Ở đây có vài thuật ngữ cần neo nhanh:

Market signal nằm ở phần incentive: khi model ngành dọc bước vào production, khách hàng không chỉ hỏi “AUC bao nhiêu?” hay “demo có đẹp không?”. Họ hỏi: request này đi qua đâu, output nào bị ghi lại, bản model nào đã trả lời, nếu sai thì truy vết kiểu gì?

Hình dung thế này: team bạn deploy một model hỗ trợ phân loại hồ sơ bảo hiểm. Nếu tuần sau tỷ lệ khiếu nại tăng, bạn không thể chỉ nói “model mới chắc hơi lệch”. Bạn cần biết phiên bản weights, prompt/template, input sample, route inference, latency, và output tại từng lớp. Không có lớp quan sát đó, model ngành dọc thành cầu thủ chạy rất nhanh nhưng không ai biết đang ở vị trí nào khi mất bóng.

Framework 3 câu hỏi trước khi xuống tiền

Để khỏi bị cuốn theo tên model mới, mình sẽ dùng framework D-O-E cho builder: Domain, Operations, Evaluation.

1. Domain: dữ liệu này có thật sự lệch khỏi internet không?

Nếu dữ liệu của bạn là FAQ, email, tài liệu public, model tổng quát có thể đã đủ tốt. Nhưng nếu dữ liệu là ảnh y tế, telemetry máy móc, bảng giao dịch nội bộ, log sensor, hồ sơ nghiệp vụ nhiều quy tắc ngầm — hãy coi domain model là ứng viên đáng thử.

Câu hỏi kiểm tra:

2. Operations: có chạy được như hệ thống, không chỉ notebook?

Model tốt nhưng không có data capture, versioning, quyền truy cập, rollback thì chưa đủ vào production. Với domain nhạy cảm, phần vận hành là hàng phòng ngự. Một lỗi nhỏ ở quyền dữ liệu có thể ăn thẻ vàng rất nhanh.

Checklist một buổi chiều cho tech lead:

[ ] Mỗi request có trace_id chưa?
[ ] Có ghi model_version và data_version không?
[ ] Có tách log nhạy cảm khỏi log debug không?
[ ] Có cơ chế replay một batch lỗi không?
[ ] Có rollback về phiên bản trước trong cùng ngày không?

3. Evaluation: điểm số có đọc được và so được không?

Hugging Face đưa Every Eval Ever vào model pages là tín hiệu khác: eval không thể mãi nằm rải rác trong paper, leaderboard và log riêng. Eval metadata là thông tin mô tả cách chạy đánh giá: dataset, setting, prompt, seed, harness, phiên bản model. Thiếu metadata, cùng một benchmark có thể cho điểm khác nhau mà không ai biết vì sao.

Với domain model, eval càng phải gần workflow thật. Nếu model đọc MRI, eval không chỉ là accuracy chung. Cần tách theo modality, thiết bị, nhóm bệnh, ca hiếm, ca chất lượng ảnh kém. Nếu model dự đoán churn từ bảng, eval nên tách theo phân khúc khách hàng và thời điểm dữ liệu.

Điều nên bỏ qua trong làn sóng này

Có ba thứ mình sẽ bỏ qua khi đọc release kiểu này.

Thứ nhất, bỏ qua cảm giác “model ngành dọc nào cũng đáng áp dụng ngay”. NeuroVFM thú vị vì dữ liệu và cách học phù hợp neuroimaging. Điều đó không tự động chứng minh mọi ngành đều cần pretrain riêng.

Thứ hai, bỏ qua benchmark đơn lẻ nếu không thấy setting. Một điểm số đẹp mà thiếu metadata giống bảng tỷ số không ghi đội hình, sân, luật và hiệp phụ.

Thứ ba, bỏ qua kiến trúc nếu team chưa có quyền dữ liệu. Vol-JEPA, hybrid-attention hay masked autoencoder đều đáng học, nhưng moat thật có thể nằm ở data governance: ai được dùng dữ liệu nào, dùng để train hay chỉ inference, lưu bao lâu, audit ra sao.

Sau bài này, mình muốn bạn đổi một cách nghĩ: đừng hỏi “release nào mới nhất?”, hãy hỏi “release này tiết lộ quyền lực đang dịch chuyển về đâu?” Với NeuroVFM, TabFM, SensorFM, câu trả lời là: về phía dữ liệu ngành dọc, hạ tầng quan sát được, và eval có ngữ cảnh.

Model mới có thể lên bóng rất đẹp, nhưng production mới là nơi trọng tài thổi còi.

---
Bụi Wire — nghiện đọc release notes lúc 2 giờ sáng

Nguồn tham khảo