"Chúng tôi muốn xây dựng một hệ thống có thể kết nối giả thuyết, suy luận, mô phỏng và thí nghiệm kiểm chứng thành một vòng lặp khép kín, qua đó rút ngắn chu trình nghiên cứu," Giám đốc điều hành Dương Thị Hồng Nhung của N2TP chia sẻ với Tia Sáng.
Chị giải thích, các mô hình AI dạng neural hiện đại - chẳng hạn các mô hình ngôn ngữ lớn tạo nên ChatGPT - học từ dữ liệu khổng lồ bằng cách tự tìm ra các mối liên hệ và mẫu dạng ngầm bên trong. Một trong những ưu thế nổi bật của cách tiếp cận này là khả năng mở rộng rất mạnh theo dữ liệu, năng lực tính toán và phạm vi tác vụ. Các thế hệ mô hình gần đây cũng đã cải thiện đáng kể khả năng suy luận. Tuy nhiên, quá trình suy luận của chúng phần lớn vẫn dựa trên các biểu diễn thống kê học được, vì vậy tính nhất quán, khả năng kiểm chứng và độ tin cậy của kết quả chưa phải lúc nào cũng được bảo đảm.
Ở hướng ngược lại, mô hình AI dạng symbolic biểu diễn tri thức dưới dạng các khái niệm, quan hệ và quy tắc rõ ràng, sau đó thực hiện suy luận trên những cấu trúc này. Cách tiếp cận symbolic đặc biệt mạnh khi bài toán đòi hỏi suy luận logic, tuân thủ các ràng buộc hoặc kiểm chứng kết quả.
Vì vậy, một hướng nghiên cứu ngày càng nhận được nhiều quan tâm là Neuro-Symbolic AI, kết hợp khả năng học và khái quát hóa từ dữ liệu của mạng neural với khả năng biểu diễn tri thức, suy luận có cấu trúc và kiểm chứng của các phương pháp symbolic. Mục tiêu không đơn thuần là làm mô hình lớn hơn, mà là xây dựng những hệ AI vừa có khả năng học ở quy mô lớn, vừa có thể suy luận một cách đáng tin cậy hơn trên các bài toán phức tạp.
Đây là một hướng nghiên cứu chuyên sâu, với hệ sinh thái nhỏ hơn đáng kể so với dòng phát triển thuần neural. Tuy nhiên, trên thế giới số nhóm theo đuổi ở mức hệ thống hoàn chỉnh vẫn tương đối hạn chế, chủ yếu đến từ các nước phát triển như Mỹ, Anh, Canada, Hàn Quốc - chẳng hạn Google Deepmind, Axiom Math, Harmonic.
"Hệ thống AI4Science của chúng tôi được xây dựng theo hướng Neuro-Symbolic AI như vậy ngay tại Việt Nam," CEO Dương Thị Hồng Nhung cho biết.
Đội ngũ sáng lập của N2TP (từ trái qua): Hồ Hải Phong (Giám đốc nghiên cứu CRO), Dương Thị Hồng Nhung (Giám đốc điều hành CEO), và Đỗ Ngọc Tuấn (Giám đốc phát triển sản phẩm CPO). Ảnh: N2TP
Các nghiên cứu phát triển nền tảng và ứng dụng AI4Science của N2TP đã được công bố trên tạp chí khoa học Q1 hoặc trình bày tại hội thảo A/A*. Hội thảo A* là nhóm hội thảo hàng đầu trong khoa học máy tính, có tính cạnh tranh rất cao mà việc có bài được chấp nhận thường được xem là thành tích nghiên cứu đáng kể.
Những cộng sự AI đa ngành
Khác với các hệ thống AI thông thường chủ yếu giúp tự động hóa và rút ngắn những bước nghiên cứu đã được xác định (chẳng hạn có hàng triệu hợp chất, AI sàng lọc để tìm ứng viên tiềm năng nhanh hơn), hệ thống AI4Science của N2TP còn được thiết kế để hỗ trợ hình thành các giả thuyết, mô hình và tri thức khoa học mới, từ đó có thể phát triển thành công bố khoa học hoặc bằng sáng chế.
Cụ thể, AI4Science có thể tự động quét và phân tích hàng triệu tài liệu y sinh, từ đó tìm kiếm những mối liên hệ mà con người khó nhận ra khi xử lý khối lượng dữ liệu khổng lồ.
Bằng một kiến trúc kết hợp khả năng học và nhận diện các mẫu dạng trong dữ liệu của mạng neural với lớp biểu diễn tri thức và suy luận (Knowledge Representation and Reasoning, KRR), hệ thống có thể liên kết dữ liệu với các quy luật hóa - sinh, quan hệ giữa các thực thể và những ràng buộc khoa học đã biết. Từ đó, AI có thể đề xuất và xếp hạng các giả thuyết nghiên cứu mới theo mức độ hợp lý và khả năng kiểm chứng. Chẳng hạn, hệ thống có thể hỗ trợ tìm kiếm và đánh giá các tổ hợp gen hoặc vị trí đích có tiềm năng được chỉnh sửa đồng thời bằng CRISPR-Cas. Hệ thống cũng có thể đề xuất các protein vận chuyển màng đáng chú ý và các giả thuyết về biến đổi cấu hình của chúng trong quá trình nhận diện và vận chuyển phân tử thuốc qua màng tế bào.
Từ những giả thuyết đó, nền tảng tiếp tục hỗ trợ mô phỏng và thiết kế thí nghiệm. AI4Science có thể tính toán các thông số phản ứng, mô phỏng cấu trúc phân tử trong không gian 3D và đề xuất kế hoạch thí nghiệm phù hợp để nhóm nghiên cứu kiểm chứng trong phòng lab.
Mục tiêu cuối cùng là rút ngắn đáng kể khoảng thời gian từ ý tưởng nghiên cứu ban đầu đến các thử nghiệm kiểm chứng. Theo các thử nghiệm nội bộ của N2TP trên một số quy trình nghiên cứu, nền tảng có thể giúp rút ngắn một số công đoạn R&D khoảng ba đến bốn lần, đồng thời giảm số lần thử nghiệm không hiệu quả và qua đó hạn chế chi phí, rủi ro trong quá trình nghiên cứu khoa học.
Trong quy trình nghiên cứu khoa học truyền thống - đặc biệt là ngành phát triển dược phẩm và y sinh - quá trình từ hình thành giả thuyết, thiết kế và thực hiện chuỗi thử nghiệm đến phân tích kết quả có thể kéo dài nhiều năm. Đây là nút thắt cổ chai khiến chi phí R&D bị đẩy lên rất cao và tỷ lệ thất bại lớn.
Nói cách khác, N2TP không chỉ đặt mục tiêu cung cấp cho các nhà khoa học những công cụ AI thông thường, mà là những "cộng sự" thực thụ, có khả năng "đồng nghiên cứu", dĩ nhiên dưới sự giám sát của trưởng nhóm con người.
Các "cộng sự AI" của N2TP không chuyên biệt cho một ngành cụ thể nào, mà có khả năng tự động hóa quá trình khám phá khoa học cho nhiều ngành - từ công nghệ sinh học, chăm sóc sức khỏe đến vật lý, mạng máy tính.
N2TP tiết lộ đến nay họ đã có 12 bài báo khoa học được chấp nhận và xuất bản tại các hội nghị AI và khoa học máy tính quốc tế. Trong đó có một số bài được thuyết trình tại hội thảo A* là ICML 2026, SIGMETRICS 2026 và ACL 2026 [1].
Ngoài ra, N2TP còn có ba bài báo khoa học chuyên ngành y sinh được công bố trên các tạp chí quốc tế Q1 (Scientific Reports, CPT: Pharmacometrics & Systems Pharmacology, Computers in Biology and Medicine); và bảy đơn đăng ký bằng sáng chế đã được nộp tại Việt Nam hoặc quốc tế.
Phòng thí nghiệm thực nghiệm wet lab của N2TP, nơi kiểm chứng các giả thuyết mà AI tạo ra. Ảnh: Ngô Hà
Các công bố trên đều do đội ngũ N2TP thực hiện trong các quy trình nghiên cứu có sự hỗ trợ của những "cộng sự AI". Các giả thuyết, mô hình hoặc kết quả lý thuyết do hệ thống đề xuất phải được các nhà khoa học N2TP kiểm chứng thông qua các phép tính độc lập, mô phỏng hoặc thí nghiệm wet lab. Chỉ những kết quả vượt qua bước "gác cổng" này mới được sử dụng làm cơ sở cho một phát hiện khoa học, công bố hoặc hồ sơ sáng chế. Theo cách đó, AI không thay thế nhà khoa học mà giúp hình thành một vòng phản hồi nhanh và chặt chẽ hơn giữa giả thuyết, tính toán và thực nghiệm.
Sức mạnh nội tại
Không phải ngay từ khi thành lập vào năm 2020, N2TP đã chọn bài toán phát triển những hệ thống AI có thể tham gia vào quá trình tạo ra tri thức khoa học.
Ban đầu, N2TP tập trung vào giải quyết các bài toán công nghệ y tế và y học chính xác. Một trong những sản phẩm đầu tay của họ là SmartDoseAI, nền tảng hỗ trợ bệnh viện cá thể hóa liều thuốc dựa trên dữ liệu và AI.
N2TP cho biết SmartDoseAI đã được triển khai ở 60 bệnh viện tuyến trung ương, tuyến tỉnh và tuyến huyện trên cả nước và nhận được những phản hồi rất tích cực. Phần mềm được dùng để giúp các bệnh viện giám sát nồng độ thuốc, chẳng hạn như kháng sinh vancomycin trong điều trị nhiễm khuẩn nặng do nhiễm trùng MRSA gây ra.
Đến giữa năm 2025, N2TP bắt đầu đẩy mạnh hướng phát triển AI hỗ trợ nghiên cứu khoa học và cho ra đời nền tảng AI4Science. Theo CEO Dương Thị Hồng Nhung, đây không phải một cú rẽ theo trào lưu, mà là hướng đi công ty đã ấp ủ một thời gian, dù biết nó đầy thử thách và ít doanh nghiệp theo đuổi.
Đặt trong bối cảnh Việt Nam đang đẩy mạnh việc làm chủ một số công nghệ lõi, thay vì chỉ ứng dụng công nghệ của nước khác, những nền tảng như AI4Science của N2TP sẽ trở thành mảnh ghép quan trọng cho tham vọng phát triển deeptech của quốc gia.
Đại diện của N2TP trình bày nghiên cứu The Fisher Dimension: Instance-Dependent Complexity for Causal Discovery trong phiên trình bày poster tại hội nghị ICML 2026, Seoul, tháng 7/2026. Trong đó, Fisher dimension là "thước đo độ khó" mới giúp trả lời câu hỏi cần bao nhiêu dữ liệu để máy tính có thể tự phát hiện ra mối quan hệ nhân quả cho từng trường hợp cụ thể. Ảnh: N2TP
Đáng nói là những thành tựu có được đến nay của N2TP đều đến từ sức mạnh nội tại. Startup này sở hữu một đội ngũ hết sức trẻ trung, hầu hết thuộc thế hệ 9x, và có nền tảng đa dạng. Gián đốc điều hành Dương Thị Hồng Nhung là nghiên cứu sinh tại Đại học Dược Hà Nội, chuyên ngành Hóa sinh Dược. Giám đốc Phát triển Sản phẩm Đỗ Ngọc Tuấn tốt nghiệp chuyên ngành Khoa học Máy tính tại Đại học Goldsmiths (Vương quốc Anh), phụ trách thiết kế hệ thống thuật toán và hạ tầng dữ liệu khoa học cho N2TP. Giám đốc Vận hành Nghiên cứu Hồ Hải Phong là cử nhân Kỹ thuật tại Đại học Kyushu và Thạc sĩ Tài chính tại Đại học Waseda (Nhật Bản), chịu trách nhiệm tối ưu hóa quy trình vận hành R&D và định hướng chiến lược phát triển thị trường.
N2TP hoàn toàn có thể lựa chọn những bài toán AI có chu kỳ phát triển và thương mại hóa ngắn hơn. Tuy nhiên, CEO Dương Thị Hồng Nhung cho biết công ty quyết định dành nguồn lực cho hướng có chu kỳ R&D dài hơn. Chị thú nhận rằng để theo đuổi công nghệ này, N2TP đã phải đầu tư rất nhiều thời gian, công sức và tiền bạc, bao gồm cả hệ thống wet lab để kiểm chứng các giả thuyết do AI tạo ra. Nhưng N2TP muốn "góp phần nâng vị thế của Việt Nam trên bản đồ nghiên cứu AI quốc tế".
Tin vui là mới đây, ngày 11/8, N2TP đã chính thức hoàn tất vòng gọi vốn hạt giống từ quỹ đầu tư mạo hiểm Việt Nam Touchstone Partners (con số cụ thể không được tiết lộ), sau khoản vốn của BK Funds và AiViet Ventures
Số vốn mới sẽ được ưu tiên cho R&D, mở rộng danh mục sáng chế và tích hợp AI với hệ thống tự động hóa phòng thí nghiệm - theo N2TP.
N2TP cũng cho biết, hệ thống AI4Science đang bước vào giai đoạn có thể triển khai với các đối tác nghiên cứu. Công ty theo đuổi mô hình kết hợp giữa khoa học mở và bảo hộ sở hữu trí tuệ. Một phần kết quả nghiên cứu, phương pháp và mã nguồn được công bố để cộng đồng khoa học có thể tái lập, kiểm chứng và tiếp tục phát triển các hướng nghiên cứu mới trên nền tảng đó. Đồng thời, những phát minh và công nghệ có giá trị ứng dụng được bảo hộ thông qua danh mục sở hữu trí tuệ của công ty. Khi các công nghệ này được phát triển thành sản phẩm, quy trình hoặc dịch vụ thương mại, N2TP có thể hợp tác với các đối tác thông qua các cơ chế chuyển giao công nghệ và cấp phép phù hợp.
---
Tài liệu đề cập trong bài:
[1] Luong Doan, Khanh N Quoc, Duc Nguyen, Mai Hung, Phong Ho, Nhung Duong, Tuan Do, (2026), The Fisher Dimension: Instance-Dependent Complexity for Causal Discovery, ICML 2026 poster, https://icml.cc/virtual/2026/poster/64369
[2] Mai Phan Quoc Hung, Khanh Nguyen Quoc, Doan Minh Luong, Duong Thu Ngan, Duong Thi Phuong Thao, and Tuan Do. (2026). An Information-Theoretic Foundation for the Subregular Hierarchy. In Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 46417–46429, San Diego, California, United States. Association for Computational Linguistics.