Số ra ngày 20 tháng 10, 2026

Hãy yêu cầu AI vẽ “một y tá” hay “một luật sư”. Bạn không hề nhắc đến ngoại hình. Một nhóm do Đại học Cornell dẫn đầu đã làm đúng như thế với 27 công cụ tạo ảnh, thu được 51.300 khuôn mặt.

Theo đánh giá của 550 người, cả 23 công cụ có đủ ảnh được chấm điểm đều vượt ảnh thật về độ hấp dẫn. Trong số các khuôn mặt được yêu cầu là phụ nữ, 37% vượt người mẫu thời trang ở mức trung vị theo điểm tự động. Khuôn mặt được yêu cầu là người Nigeria, người da đen hay người Ethiopia nhận điểm thấp nhất.

Sau đó, 570 người sàng lọc hồ sơ xin việc. Một số người trước đó đã xem những khuôn mặt AI rất hấp dẫn. Kết quả, họ đánh giá chính những ứng viên thật ấy kém phù hợp để tuyển dụng hơn và kém đáng tin hơn. Ít người được mời phỏng vấn hơn: 72,5% so với 77,4%.

Chỉnh sửa ảnh kiểu truyền thống không thay đổi gì. Các tác giả chưa thể giải thích vì sao khuôn mặt AI lại có tác động. Nhưng những con người tổng hợp đang tràn ngập quảng cáo, trang web và kho ảnh.

Nguồn: Generative AI Produces and Transmits Beauty Bias, https://arxiv.org/abs/2610.22553

Hãy hình dung vài người chạy trên một đường đua hình tròn. Cùng xuất phát, mỗi người với một tốc độ không đổi của riêng mình. Liệu mỗi người, vào một lúc nào đó, có ở xa tất cả những người khác? Đó là giả thuyết người chạy cô đơn.

Với n + 1 người chạy, giả thuyết dự đoán một khoảng cách ít nhất 1/(n + 1) vòng. Một lập luận đếm đơn giản chỉ bảo đảm được một nửa con số đó. Suốt nhiều thập kỷ, phần cải thiện so với cận dễ ấy co lại về không khi thêm người chạy.

Xiyu Hu và Yifan Jing nay chứng minh một phần cải thiện không bao giờ phai: một tỉ lệ cố định trên cận dễ, với số người chạy bất kỳ. Công cụ: một bất đẳng thức chồng lấn mới và các lập luận về ước chung.

Các tác giả đã dùng ChatGPT 6 để kiểm tra và trau chuốt các chứng minh. Họ viết rằng các mô hình không thể tự mình cải thiện cận.

Nguồn: Near optimal gap in the Lonely Runner Conjecture, https://arxiv.org/abs/2610.23790

Các mô hình khí hậu chạy trên một số siêu máy tính lớn nhất thế giới. Nhưng mỗi phần năng lực tính toán thêm vào mua được bao nhiêu độ chính xác? Một nhóm 24 nhà nghiên cứu đã kiểm tra 159 mô hình khí hậu xây dựng từ năm 1995.

Câu trả lời đều đặn đến bất ngờ. Mỗi lần năng lực tính toán tăng gấp đôi, sai số của mô hình giảm khoảng 13,5%. Muốn giảm một nửa sai số hiện nay sẽ cần gấp khoảng 28 lần năng lực tính toán.

Tiến bộ không đồng đều. Từ thế hệ đầu tiên, sai số về khí áp giảm 3,5 lần và về nhiệt độ bề mặt giảm 2,7 lần. Sai số về lượng mưa chỉ giảm 7%.

Các mô hình thời tiết AI nay đã sánh ngang những dự báo tốt nhất. Nhưng không mô hình nào công bố mức năng lượng đo được. Khi tính cả quá trình huấn luyện, một trong số đó tụt từ hạng hai xuống hạng chót về hiệu quả. Nhóm nghiên cứu kêu gọi báo cáo năng lượng song song với độ chính xác.

Nguồn: Energy-Aware Earth System Science: A Community Roadmap, https://arxiv.org/abs/2610.23216

Hãy theo dõi lượng mưa hằng ngày và ghi lại mỗi kỷ lục: một ngày mưa nhiều hơn mọi ngày trước đó. Nhiều kỷ lục hẳn phải đồng nghĩa với một đỉnh cuối cao, phải không? Ba nhà vật lý đã kiểm tra bằng toán học chính xác.

Với các giá trị ngẫu nhiên rút từ một phân phối trơn bất kỳ, câu trả lời là không. Số kỷ lục và giá trị cao nhất hoàn toàn không liên quan. Biết một đại lượng không cho bạn biết gì về đại lượng kia, với chuỗi dài bao nhiêu cũng vậy.

Thêm những ngày khô, không mưa, và một mối liên hệ xuất hiện. Trên một tỉ lệ ngày khô tới hạn, nó tăng lên trước, rồi phai dần. Dưới ngưỡng đó, nó chỉ phai dần. Ngưỡng này có một công thức chính xác.

Nhóm đã kiểm tra điều này trên dữ liệu mưa hằng ngày từ các trạm khí tượng Đức. Một nhóm nằm trên ngưỡng, nhóm kia nằm dưới. Cả hai đều theo đúng hình dạng dự đoán, không cần điều chỉnh tham số nào.

Nguồn: Emergence of Correlations Between Records and Maximum in Random Time Series, https://arxiv.org/abs/2610.23217

Chèo lái đuôi (stern-sculling) là một cách cổ xưa để đẩy thuyền bằng một mái chèo duy nhất. Mái chèo tựa vào một khấc ở đuôi thuyền, lưỡi chèo luôn ở dưới nước. Hai tay người chèo vẽ một dấu vô cực.

Một nhóm người Pháp gắn lên một chiếc thuyền dài 4,7 mét các thiết bị đo lực, cảm biến chuyển động và một máy đo tốc độ. Sau đó hai người chèo giàu kinh nghiệm đẩy thuyền từ trạng thái đứng yên đến tốc độ tối đa trên mặt nước lặng.

Trong những nhịp quét sang ngang, lưỡi chèo hoạt động như một cánh máy bay. Lực nâng đẩy thuyền về phía trước. Ở mỗi lần đổi chiều, cú lật nhanh của lưỡi chèo hất nước về phía sau. Cả bốn pha của nhịp chèo đều tạo lực đẩy.

Hiệu suất đạt đỉnh gần 65% ở tốc độ vừa phải 1,2 mét mỗi giây. Ở 2 mét mỗi giây, nó giảm còn khoảng 25%. Khi đó thân thuyền đã gần tốc độ tới hạn, và sóng nuốt mất công sức.

Nguồn: Hydrodynamics and propulsive efficiency of stern-sculling propulsion, https://arxiv.org/abs/2610.23444

Cả bốn hành tinh khổng lồ trong Hệ Mặt Trời đều có vành đai. Thế nhưng chưa từng có vành đai nào được xác nhận quanh một hành tinh trưởng thành của ngôi sao khác. Chúng hiếm, hay chỉ khó thấy?

Kính viễn vọng không gian Roman mang theo một coronagraph che ánh sáng của ngôi sao. Nó sẽ thấy được các hành tinh khổng lồ nhờ ánh sao mà chúng phản xạ. Một nhóm ở Đại học Michigan đã mô hình hóa phần đóng góp của vành đai.

Vành đai có thể sáng hơn hành tinh của chúng từ mười đến một trăm lần. Và chúng để lại một dấu vân tay: bốn đỉnh và đáy độ sáng dọc theo quỹ đạo, thay vì hai.

Nhóm đã mô phỏng Epsilon Eridani b, một mục tiêu hàng đầu của Roman. Không có vành đai, nó thường chìm dưới ngưỡng phát hiện. Có một vành đai như của Sao Thổ, nó sáng gấp đến hai lần và vẫn nhìn thấy được trên gần trọn quỹ đạo.

Nguồn: Detecting Exoplanetary Rings with Roman CGI Reflected Light Phase Curve Observations, https://arxiv.org/abs/2610.23835

Điện lưới chạy ở 50 hoặc 60 hertz, nhưng không bao giờ chính xác như vậy. Tần số của nó dao động, theo cùng một cách trên toàn bộ lưới điện. Đèn nhấp nháy theo nó, và máy quay ghi lại nhấp nháy ấy.

Hai nhà nghiên cứu ở Đại học Southampton Solent hy vọng video AI sẽ thiếu nhấp nháy này. Bất ngờ: các công cụ tạo video tái tạo nó mạnh y như cảnh quay thật. Sự hiện diện của nó không chứng minh được gì.

Vì thế họ so sánh dao động ấy với một bản ghi độc lập của lưới điện. Hệ thống của họ chấp nhận 93% đoạn âm thanh thật và 100% video thật. Nó có thể xác định thời điểm của một bản ghi âm chính xác đến khoảng một giây trong vòng một ngày.

Hai bản dựng lại bằng AI của một cảnh thật nhấp nháy ở 60 hertz, trong khi nơi được tuyên bố dùng điện 50 hertz. Điểm yếu vẫn còn: một khuôn mặt bị ghép vào cảnh quay thật vẫn giữ tiếng ù thật.

Nguồn: An Agentic ENF Framework for Forensic Video Authentication Against Generative AI, https://arxiv.org/abs/2610.22440

Gluon mang lực mạnh, lực liên kết các quark. Đốt nóng chúng đủ mức, chúng tạo thành plasma. Plasma ấy tạo ra áp suất bao nhiêu? Các nhà vật lý tính câu trả lời từng bước, mỗi bước là một hiệu chỉnh tinh hơn.

Một bước, gọi là số hạng g⁶, đã nằm ngoài tầm với suốt hơn hai mươi năm. Nó cần 65 giản đồ rối rắm, mỗi giản đồ có bốn vòng.

Một nhóm từ Helsinki, Turku, Chile và Bern cuối cùng đã hoàn thành nó. Họ giải chín tích phân chưa biết bằng một phương pháp mới, dùng khoảng một triệu giờ bộ xử lý trên siêu máy tính.

Thành quả: các bước trước dao động lên trên rồi xuống dưới kết quả mô phỏng plasma trên máy tính. Với số hạng mới, lý thuyết và mô phỏng khớp nhau, xuống đến vài lần nhiệt độ mà tại đó gluon được giải phóng. Mục tiêu tiếp theo: thêm quark, cho các vụ hợp nhất sao neutron.

Nguồn: Complete g⁶ pressure of hot Yang-Mills theory, https://arxiv.org/abs/2610.23675

Ở Ấn Độ, phần lớn việc mua sắm hằng ngày diễn ra ở những cửa hàng tạp hóa nhỏ gọi là kirana. Một AI có thể điều hành một cửa hàng như vậy không? Một nhóm ở BITS Pilani đã dựng một cửa hàng mô phỏng để tìm câu trả lời.

Một mô hình AI đóng cả bốn vai nhân viên: quản lý, thu ngân, phụ việc và kế toán. Người quản lý không bao giờ nhìn thấy cửa hàng, chỉ đọc báo cáo của nhân viên. Khách hàng và nhà cung cấp nói tiếng Anh, tiếng Hindi hoặc Hinglish.

Bốn mô hình AI mở, mỗi mô hình điều hành cửa hàng trong 30 ngày mô phỏng. Một người chủ tiệm đơn giản làm theo quy tắc kiếm được khoảng 103.000 rupee. Mô hình tốt nhất trung bình được khoảng 13.700. Hai mô hình lỗ nhiều hơn một cửa hàng không ai quản lý.

Các thất bại đều có tên. Thư điện tử gửi cho những nhà cung cấp không tồn tại. Một khoản thanh toán chưa từng xảy ra. Đơn hàng bị trả tiền hai lần. Một mô hình có 42% thư tiếng Hindi bị trả lại vì không đọc được.

Nguồn: KiranaBench: Can a Language Model Run a Neighbourhood Shop?, https://arxiv.org/abs/2610.22980

Ứng dụng sức khỏe theo dõi nhịp tim, đường huyết, đôi khi cả sức khỏe tâm thần của bạn. Một nhóm từ các trường đại học ở Mỹ và Canada đã xem xét hơn 10.000 ứng dụng như vậy trên Google Play.

69% xin ít nhất một quyền mà phần mô tả của chúng không biện minh được. Khoảng một nửa muốn vị trí hoặc máy ảnh của bạn mà không nêu lý do. Một phần ba muốn micrô.

Nhóm đã khởi chạy các ứng dụng trên điện thoại thử nghiệm. Trong 3.599 ứng dụng chạy được, 93% không hiển thị màn hình xin đồng ý. Nhiều ứng dụng vẫn gửi đi mã nhận dạng quảng cáo của điện thoại.

Khi có biểu mẫu xin đồng ý, các ứng dụng phần lớn giữ lời: cứ 14 ứng dụng thì có 1 thu thập thứ mà nó không nhắc đến. Ngay cả những nhà phát triển lớn, giàu nguồn lực cũng vấp lỗi. Các tác giả kêu gọi kiểm tra quyền riêng tư tự động trước khi ứng dụng lên kho.

Nguồn: Bad Diagnosis: Analyzing Consent and Data Collection Practices of Mobile Medical Apps, https://arxiv.org/abs/2610.23851