AGI là gì? Định nghĩa và phân biệt
AGI (Artificial General Intelligence), trí tuệ nhân tạo tổng quát, là một hệ thống AI có khả năng hiểu, học và thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người làm được, không cần lập trình riêng cho từng tác vụ.
Nếu AI hiện tại (như ChatGPT, DALL-E) giống như một chuyên gia, cực giỏi một việc nhưng vô dụng ở việc khác, thì AGI giống một con người thực thụ, có thể học lái xe, viết thơ, giải toán, và nấu ăn, tất cả trong cùng một “bộ não”.
Khác biệt cốt lõi nằm ở tính tổng quát. ChatGPT có thể viết bài này, nhưng nó không thể cùng lúc lái xe, chơi cờ vua, và chẩn đoán bệnh. AGI thì có thể, như cách bạn có thể vừa nấu cơm vừa nghe podcast vừa nghĩ về công việc.
ANI (Narrow AI): AI hẹp, giỏi 1 việc. ChatGPT, AlphaGo, xe tự lái.
AGI (General AI): AI tổng quát, làm được mọi việc như con người.
ASI (Super AI): Siêu trí tuệ, vượt xa con người về mọi mặt.
Theo tôi, ranh giới giữa ANI và AGI đang mờ dần nhanh hơn hầu hết mọi người nghĩ. Năm 2023, việc một AI vừa viết code, vừa phân tích dữ liệu, vừa tạo hình ảnh là không tưởng. Năm 2026, đây là chuyện thường ngày. Câu hỏi không còn là “liệu AGI có xuất hiện không”, mà là “chúng ta có nhận ra nó khi nó xuất hiện không?”
5 Cấp độ AGI theo DeepMind: Chúng ta đang ở đâu?
Năm 2023, Google DeepMind công bố khung phân loại 5 cấp độ AGI, đến giữa 2026 vẫn là thước đo chuẩn trong giới nghiên cứu. Khung này không chỉ định nghĩa AGI mà còn giúp chúng ta hiểu mình đã đi được bao xa.
| Cấp | Tên | Mô tả | Ví dụ | Trạng thái 2026 |
|---|---|---|---|---|
| 0 | Không AI | Phần mềm truyền thống | Máy tính bỏ túi | ✅ Quá khứ |
| 1 | Mới nổi | Ngang hoặc hơn người chưa kỹ năng | ChatGPT (2023) | ✅ Đã qua |
| 2 | Thành thạo | Top 50% người có kỹ năng | GPT-4 (2024) | ✅ Đã qua |
| 3 | Chuyên gia | Top 10% người có kỹ năng | AI Agent 2026 | 🔄 Đang đạt |
| 4 | Bậc thầy | Top 1%, như AlphaGo với cờ vây | Chưa có | 🔮 Mục tiêu |
| 5 | Siêu nhân | Vượt 100% con người mọi lĩnh vực | Chưa có | 🔮 Tương lai xa |
Theo khung này, các mô hình mạnh nhất giữa 2026 đang dao động giữa Cấp 2 và Cấp 3. GPT-6 Astra, Claude Opus 5 và Gemini 3.1 Pro đã vượt xa người bình thường ở hầu hết tác vụ tri thức, thậm chí vượt cả chuyên gia ở một số bài kiểm tra hẹp. Nhưng “vượt chuyên gia ở vài bài thi” không đồng nghĩa với Cấp 3 — khung DeepMind đòi hỏi mức chuyên gia trên phần lớn lĩnh vực cùng một lúc, và đó vẫn là chỗ các mô hình hiện nay hụt hơi.
Tuy nhiên, tôi cho rằng khung DeepMind đo lường năng lực kỹ thuật, trong khi thực tế doanh nghiệp lại đo bằng tác động kinh tế. Và ở tiêu chí thứ hai, AGI đã âm thầm xuất hiện dưới hình thái “functional AGI” — những hệ thống AI có thể tự vận hành trong thời gian dài, đưa ra quyết định phức tạp mà không cần con người can thiệp từng bước.
Benchmark: AGI đang tiến tới đâu?
Làm sao để biết một hệ thống AI đã đạt AGI? Giới nghiên cứu dùng các benchmark. Nhưng vấn đề là AI đang vượt benchmark nhanh hơn khả năng tạo ra bài kiểm tra mới.
ARC-AGI (Abstraction and Reasoning Corpus). Từng được xem là “pháo đài cuối cùng” chống lại AI: nó kiểm tra khả năng suy luận trừu tượng từ rất ít ví dụ, thứ con người làm dễ dàng nhưng AI truyền thống thất bại. Pháo đài đó đã thất thủ — và phải xây lại hai lần:
- ARC-AGI-1 (2019): 0% năm 2020, 21% năm 2024 (Claude 3.5). Đến 2026 đã bão hòa — các mô hình đầu bảng đạt 95-98%, vượt xa mức 85% của con người.
- ARC-AGI-2 (2025): xây lại để chống kiểu “dò tìm thô bạo” đã phá vỡ bản 1. Nhóm người thật được đo đạt trung bình 60%. Giữa 2026, GPT-6 Astra đã lên khoảng 90%, Claude 4.7 khoảng 85% (bảng xếp hạng ARC Prize).
- ARC-AGI-3 (2026): thế hệ mới nhất, đo khả năng AI tự thích nghi trong môi trường tương tác lạ chưa từng thấy. Đây mới là ranh giới thật hiện nay: phần lớn mô hình còn dưới 20%, bản mạnh nhất cũng chỉ quanh 60%.
Để ý chi tiết này: cùng một “gia đình” bài kiểm tra, mô hình vẫn vấp ngã ngay khi đề bài đổi sang dạng tương tác. Điều đó nói lên một thứ quan trọng hơn cả con số: cái AI đang giỏi là bài thi đã được định dạng sẵn, không phải độ tổng quát.
MMLU (Massive Multitask Language Understanding). 57 lĩnh vực từ luật, y khoa đến lịch sử. GPT-4 (2023): 86%. GPT-5 (2025): 92%. Khi đạt ngưỡng này, MMLU đã “bão hòa” — không còn phân biệt được nữa. Benchmark này đã bị khai tử trong giới nghiên cứu nghiêm túc.
GPQA (Graduate-Level Q&A). Câu hỏi khoa học cấp độ tiến sĩ, thiết kế để không tra Google ra đáp án. Chuyên gia có bằng tiến sĩ đúng ngành chỉ đạt 69,7%. Các mô hình đầu bảng đã vượt mốc đó từ giữa 2025 và nay ở vùng 85-90%. Đây là tín hiệu rõ ràng: ở dạng câu hỏi đóng có đáp án đúng, AI đã vượt con người ngay cả trong lĩnh vực đòi hỏi chuyên môn sâu nhất.
Benchmark chỉ đo được những gì ta thiết kế để đo. Một đứa trẻ 5 tuổi có thể học cách chơi trò mới sau 2 lần thử. AI cần hàng triệu ví dụ. Đây chính là khoảng cách cốt lõi: khả năng học từ rất ít dữ liệu. Tôi cho rằng benchmark hiện tại chỉ đo được pattern matching mạnh, chứ chưa đo được trí thông minh thực sự.
Dữ liệu thị trường: Cuộc đua AGI qua các con số
Để hiểu AGI không chỉ bằng khái niệm mà bằng con số, dưới đây là những chỉ số tôi cho là đáng theo dõi nhất, lấy từ ba nguồn có báo cáo công khai và kiểm chứng được: Stanford AI Index 2026, Epoch AI và khảo sát State of AI 2026 của McKinsey.
| Chỉ số | Con số mới nhất | Nguồn |
|---|---|---|
| Vốn đầu tư tư nhân vào AI toàn cầu (2025) | 344,7 tỷ USD — tăng 127,5% so với 2024 | Stanford AI Index 2026 |
| Phần rót riêng vào AI tạo sinh | Khoảng một nửa tổng vốn, tăng hơn 200% | Stanford AI Index 2026 |
| Năng lực tính toán AI toàn cầu | 17,1 triệu H100-equivalent — gấp ~30 lần năm 2021 | Stanford AI Index 2026 |
| Tốc độ tăng compute huấn luyện model đầu bảng | 5 lần mỗi năm kể từ 2020 (gấp đôi sau mỗi ~5 tháng) | Epoch AI (2/2026) |
| Doanh nghiệp dùng AI thường xuyên ở ít nhất 1 bộ phận | Khoảng 89% | McKinsey (khảo sát 5-6/2026) |
| Doanh nghiệp đã chạy AI agent ở quy mô thật | 40% với doanh nghiệp doanh thu trên 1 tỷ USD; khoảng 20% tính chung | McKinsey 2026 |
| Doanh nghiệp ghi nhận AI tác động lên lợi nhuận (EBIT) | 37% — không đổi so với năm trước; chỉ 6% đạt mức từ 5% EBIT trở lên | McKinsey 2026 |
| Dự đoán AGI (median cộng đồng Metaculus) | Khoảng tháng 1/2033 — lùi lại lần đầu sau 5 năm | Metaculus / FutureSearch |
Con số làm tôi dừng lại lâu nhất không nằm ở phần năng lực, mà ở phần tiền. Năm 2025 thế giới rót 344,7 tỷ USD vào AI, tăng hơn gấp đôi chỉ sau một năm. Nhưng tỷ lệ doanh nghiệp nói AI có tác động thật lên lợi nhuận vẫn đứng yên ở 37%, y hệt năm trước, và chỉ 6% đạt được mức tác động đáng kể. Nói gọn: tiền tăng gấp đôi, kết quả tài chính thì không nhúch nhích.
Theo tôi đây mới là nghịch lý quan trọng nhất để hiểu đúng về AGI ở thời điểm này. Năng lực kỹ thuật đang tăng theo cấp số nhân — compute huấn luyện gấp 5 lần mỗi năm — nhưng năng lực hấp thụ của tổ chức thì chỉ tăng tuyến tính, vì nó phụ thuộc vào quy trình, dữ liệu nội bộ và thói quen con người. Khoảng cách giữa hai đường đó chính là chỗ phần lớn tiền đang thất thoát — và cũng là chỗ một người biết việc tạo ra được giá trị rõ rệt nhất lúc này. AGI có đến sớm hay muộn thì khoảng trống đó vẫn ở đó, và nó không đợi ai cả.
Còn ở phía năng lực thuần túy, điều làm tôi chú ý nhất là tốc độ tăng của ARC-AGI. Khi tôi viết bản đầu của bài này, tôi dự đoán ARC-AGI sẽ chạm mức con người (85%) trong 2-3 năm. Thực tế nó chạm chỉ trong vòng vài tháng — nhanh hơn cả kịch bản lạc quan nhất.
Nhưng đây mới là chi tiết đáng chú ý nhất của năm 2026, và nó đi ngược với phần lớn những gì bạn đọc được: lần đầu tiên sau 5 năm, dự đoán AGI ngừng rút ngắn. Suốt 2023-2025, gần như mọi nhà dự báo đều kéo mốc AGI về gần hơn. Sang 2026, cộng đồng Metaculus — cùng với chính Dario Amodei (Anthropic) và một số nhà dự báo hàng đầu — lại đẩy mốc này ra xa, về khoảng tháng 1/2033. Các thị trường dự đoán cũng phân hóa mạnh: Kalshi cho khoảng 55% khả năng OpenAI tuyên bố đạt AGI trước 2030, trong khi Polymarket chỉ cho ~9% cho mốc 2027.
Hai con số trái chiều này — benchmark vỡ nhanh hơn dự kiến, nhưng dự đoán AGI lại lùi ra — không hề mâu thuẫn. Theo tôi chúng giải thích lẫn nhau: khi các bài thi cũ bị vượt quá dễ, giới nghiên cứu buộc phải thiết kế bài thi đo đúng thứ còn thiếu hơn — và khi nhìn vào kết quả của những bài thi đó (ARC-AGI-3, agent chạy dài, học từ rất ít dữ liệu), họ nhận ra khoảng cách còn lại lớn hơn họ tưởng. Nói cách khác: năm 2026 không phải năm AGI chậm lại, mà là năm chúng ta đo được chính xác hơn mình đang ở đâu.
Tôi cho rằng dù benchmark có tiến bộ nhanh đến đâu, AGI thực sự không chỉ là chuyện vượt qua bài kiểm tra. Theo kinh nghiệm của tôi khi làm việc với các hệ thống AI, khả năng suy luận linh hoạt và thích ứng với tình huống mới vẫn là điểm yếu lớn nhất của các mô hình hiện tại.
Cuộc đua AGI: Ai đang dẫn đầu?
Đây không còn là cuộc chơi của riêng OpenAI nữa. Năm 2026, ít nhất 5 “người chơi lớn” đang cạnh tranh quyết liệt với những triết lý khác biệt:
OpenAI. Tuyên bố đạt AGI khi hệ thống tạo ra 100 tỷ USD lợi nhuận. Dòng GPT-6 (bản Astra) đang dẫn đầu hầu hết benchmark giữa 2026. Chi tiết ít người biết: hợp đồng OpenAI-Microsoft từng có điều khoản quy định khi OpenAI tuyên bố đạt AGI, Microsoft sẽ mất quyền truy cập công nghệ — nhưng điều khoản này đã bị gỡ bỏ trong lần tái cấu trúc hợp đồng gần đây, phần nào hạ nhiệt căng thẳng giữa hai bên.
Google DeepMind. Xây dựng khung lý thuyết AGI chặt chẽ trước. Không chạy theo truyền thông. Tập trung vào học liên tục và thích nghi, dẫn đầu về AI safety research.
Anthropic. Dòng Claude Opus (bản 4.7 và Opus 5) đứng nhóm đầu ở cả ARC-AGI-2 lẫn ARC-AGI-3, và được đánh giá cao nhất về suy luận an toàn. Triết lý: AGI phải an toàn trước khi mạnh mẽ.
Meta. LeCun tin AGI còn “hàng thập kỷ”. Mã nguồn mở Llama, tin AGI đến từ cộng đồng. Quan điểm này đang bị thách thức bởi tốc độ tiến bộ thực tế.
xAI (Musk). Dòng Grok 4.x (bản hiện tại là Grok 4.6) tập trung vào dữ liệu real-time và chi phí thấp. Dự đoán AGI 2027-2028, nhưng lịch sử dự đoán của Musk về AI thường không chính xác.
Dự đoán AGI đã rút ngắn ngoạn mục: từ 2050 (2020) xuống 2035 (2025) — rồi dừng lại và lùi nhẹ về khoảng 2033 trong năm 2026. Jensen Huang (NVIDIA) nói “chúng ta đã đạt AGI”. Sam Altman nói 2027-2028. LeCun nói 2035+. Cá nhân tôi nghi ngờ các dự đoán lạc quan nhất, nhưng cũng không dám cá LeCun đúng. Điểm khác biệt lớn nhất giữa các con số này không nằm ở công nghệ, mà ở định nghĩa: Metaculus đòi hỏi AI phải giỏi cả trí tuệ lẫn thao tác vật lý, còn các thị trường cá cược chỉ cần OpenAI đứng ra tuyên bố. Cùng một thế giới, hai thước đo, lệch nhau cả thập kỷ.
Case study: Functional AGI trong doanh nghiệp Việt
Tháng 3/2026, tôi có dịp làm việc với một startup AI tại Hà Nội đang xây dựng hệ thống AI agent tự động cho quy trình tuyển dụng. Họ dùng Claude Code + custom agent framework để tự động hóa toàn bộ quy trình: đọc CV, phân tích kỹ năng ứng viên, đối chiếu với mô tả công việc, và gửi email phỏng vấn — tất cả không cần con người chạm vào.
Kết quả: Quy trình từ 3 ngày (nhân viên HR) xuống còn 20 phút (AI agent). Họ xử lý 200+ ứng viên/tuần với chỉ 1 người giám sát. Chi phí giảm 80% so với thuê HR agency.
Theo tôi, đây chính xác là định nghĩa “functional AGI” mà Sequoia Capital đưa ra tại hội nghị AI Ascent 2026: nếu một hệ thống có thể được giao việc, tự sửa sai sau khi thất bại, và theo đuổi đến khi xong việc, thì về mặt chức năng nó tương đương AGI. Đây là định nghĩa thực dụng: không hỏi “AI có thông minh như người không”, mà hỏi “AI có thay được một vị trí công việc không”.
Cần nói thẳng một điều để tránh ngộ nhận: Sequoia là quỹ đầu tư đang rót tiền vào chính các công ty AI, nên họ có lợi ích trong việc định nghĩa AGI theo hướng “đã đạt được rồi”. Định nghĩa functional AGI hữu ích để ra quyết định kinh doanh, nhưng nó không thay thế định nghĩa kỹ thuật — và hai bên đang nói về hai thứ khác nhau. Hệ thống tuyển dụng ở trên là functional AGI trong phạm vi hẹp của nó; đưa nó sang đọc hồ sơ thầu xây dựng, nó về lại con số không.
Vấn đề duy nhất: hệ thống này vẫn thỉnh thoảng “hiểu sai” CV tiếng Việt có từ ngữ địa phương hoặc thuật ngữ ngành đặc thù. Nhưng tỷ lệ lỗi đã giảm từ 15% (tháng 1) xuống 4% (tháng 4) nhờ fine-tune thêm dữ liệu tiếng Việt.
AGI và Việt Nam: Tác động và cơ hội
Khi thế giới bàn về AGI, Việt Nam đang ở đâu trên bản đồ này? Câu trả lời trung thực: còn khoảng cách rất xa về mặt nghiên cứu nền tảng, nhưng cực kỳ nhanh nhạy về mặt ứng dụng.
Nghiên cứu. Các đội ngũ như Zalo AI, VinBigdata, VietAI đang làm việc với LLM tiếng Việt — bước đi nền tảng. Trên VMLU benchmark, 45 LLM đã được đánh giá năng lực tiếng Việt năm 2024, gấp nhiều lần so với 2023. Con số này đến 2026 đã tăng lên đáng kể, cho thấy sự quan tâm ngày càng lớn.
Ứng dụng. Việt Nam có lợi thế về khả năng thích nghi. Người Việt nổi tiếng nhanh nhạy với công nghệ mới. Khi ChatGPT ra mắt, Việt Nam nằm trong top quốc gia có tỷ lệ người dùng tăng nhanh nhất. Các bạn trẻ Việt đang dùng AI agent, học prompt engineering, xây dựng ứng dụng trên nền LLM.
Thách thức. AGI đòi hỏi hạ tầng tính toán khổng lồ, đội ngũ nghiên cứu đẳng cấp, và vốn hàng tỷ USD. Việt Nam chưa có những thứ này. Nhưng điều quan trọng không phải là tự xây AGI, mà là chuẩn bị cho thế giới hậu AGI. Khi AGI làm được hầu hết công việc văn phòng, người Việt sẽ làm gì? Hệ thống giáo dục có đang dạy những kỹ năng AGI khó thay thế: tư duy phản biện, sáng tạo chiến lược, trí tuệ cảm xúc?
Dù không có “ông lớn” AI, Việt Nam có cộng đồng AI ứng dụng sôi động. Hàng trăm startup AI, từ chatbot RAG, AI agent cho SME, đến computer vision trong nông nghiệp. Đây là hướng đi thực tế: làm chủ công nghệ ứng dụng trên nền tảng do các lab lớn xây dựng, thay vì cạnh tranh ở mảng nghiên cứu nền tảng tốn kém.
Mặt trái của AGI: Những rủi ro ít được nói đến
AGI không chỉ là giấc mơ. Nó cũng là cơn ác mộng tiềm tàng. Đây không phải “sợ vớ vẩn”, các nhà nghiên cứu AI hàng đầu thế giới đều công khai bày tỏ lo ngại.
Vấn đề alignment. AGI siêu thông minh theo đuổi mục tiêu của nó, không phải mục tiêu của chúng ta. Bạn yêu cầu “giải quyết biến đổi khí hậu”, nó có thể kết luận loài người là nguyên nhân và hành động theo cách không ai lường trước.
Tập trung quyền lực. Nếu chỉ một công ty hay quốc gia kiểm soát AGI, đó là mức độ tập trung quyền lực chưa từng có. Bản thân OpenAI và Microsoft từng phải đàm phán lại quyền kiểm soát công nghệ ngay trong điều khoản hợp đồng, cho thấy đây không chỉ là vấn đề lý thuyết.
Tác động lên Việt Nam. Theo báo cáo của VCCI và Tổng cục Giáo dục nghề nghiệp (2023), khoảng 70% việc làm trong các ngành thâm dụng lao động như dệt may, da giày, gia công điện tử tại Việt Nam có nguy cơ bị thay thế bởi robot và AI trong 10 năm tới — đây là nhóm ngành cụ thể, không phải toàn bộ lực lượng lao động. Dù vậy, nếu AGI xuất hiện đột ngột, tác động lên thị trường lao động Việt Nam vẫn có thể nghiêm trọng hơn nhiều nước phát triển, vì tỷ trọng lao động phổ thông trong các ngành này cao hơn.
AGI không phải vấn đề của tương lai xa. Functional AGI đã ở đây. Vấn đề không còn là “có nên phát triển AGI không”, nó đang được phát triển. Vấn đề là làm sao để đảm bảo AGI phục vụ con người, không phải ngược lại.
Câu hỏi thường gặp về AGI
Nếu AGI xuất hiện trong 3-5 năm tới, ngành nào ở Việt Nam bị ảnh hưởng nhiều nhất?
Dựa trên dữ liệu việc làm Việt Nam 2025-2026, ba ngành chịu tác động mạnh nhất: (1) Gia công phần mềm và lập trình viên junior — AGI tự code được hầu hết tác vụ CRUD, test, deploy. (2) Xử lý dữ liệu đầu vào — AGI đọc và xử lý tài liệu nhanh hơn con người 100 lần. (3) Dịch thuật và content đơn giản — AGI dịch chất lượng ngang người, rẻ hơn và nhanh hơn. Ngành ít bị ảnh hưởng nhất: chăm sóc sức khỏe trực tiếp, giáo dục (quan hệ người – người), và các công việc đòi hỏi tay nghề thủ công cao.
Tôi nên đầu tư thời gian học kỹ năng gì để không bị AGI thay thế?
Theo quan sát của tôi, AGI giỏi làm việc trong khuôn khổ nhưng yếu ở ba thứ: (1) Tư duy phản biện và đặt câu hỏi — biết không làm gì quan trọng hơn biết làm gì. (2) Sáng tạo chiến lược — kết nối các ý tưởng từ lĩnh vực khác nhau để tạo giải pháp mới. (3) Lãnh đạo và giao tiếp phức tạp — đọc được cảm xúc, xây dựng lòng tin, giải quyết xung đột. Những kỹ năng này không tự động hóa được vì chúng đòi hỏi trí tuệ cảm xúc và kinh nghiệm sống. Cá nhân tôi khuyên: học cách dùng AI làm trợ lý, nhưng đừng phụ thuộc vào nó để nghĩ thay bạn.
Làm sao phân biệt functional AGI thật với marketing?
Bốn dấu hiệu nhận biết functional AGI thật: (1) Hệ thống có thể tự hoàn thành một quy trình nhiều bước mà không cần con người can thiệp giữa chừng. (2) Nó tự sửa lỗi — khi thất bại, nó phân tích, thử hướng khác, và học từ sai lầm. (3) Nó xử lý được tình huống bất ngờ ngoài training data. (4) Nó có thể giải thích quyết định của mình. Nếu sản phẩm chỉ làm một việc và không thích nghi được, đó là ANI, không phải AGI, dù marketing có nói thế nào.
Việt Nam có nên xây dựng AGI riêng không, hay chỉ dùng của nước ngoài?
Câu trả lời thực tế: không nên xây AGI từ đầu, nhưng nhất định phải có năng lực làm chủ công nghệ. Xây AGI cần $1-10 tỷ và đội ngũ PhD top world — Việt Nam chưa có. Nhưng việc chỉ dùng API nước ngoài là rủi ro chiến lược: phụ thuộc vào chính sách của công ty nước ngoài, không kiểm soát được data, và mất cơ hội xây dựng năng lực nội địa. Hướng đi khôn ngoan: tập trung vào ứng dụng (fine-tune, RAG, AI agent) trên nền tảng open-source như Llama, DeepSeek. Đây là cách Nhật Bản, Hàn Quốc, Singapore đang làm, và Việt Nam hoàn toàn có thể theo kịp.
Có nên cho con em học ngành AI năm 2026 không, khi AGI sắp thay thế mọi thứ?
Câu hỏi này tôi nhận được nhiều từ phụ huynh Việt Nam. Câu trả lời: có, nhưng không phải học AI thuần túy. Học AI bây giờ giống như học dùng Internet năm 2000 — nó là công cụ, không phải đích đến. Tôi khuyên: cho con học ứng dụng AI trong một lĩnh vực cụ thể (y tế, nông nghiệp, tài chính) kết hợp với kỹ năng nền tảng: tư duy logic, toán học, và ngoại ngữ. Người giỏi nhất thời AGI không phải là người biết code AI giỏi nhất, mà là người hiểu business và biết dùng AI để giải quyết vấn đề thực tế. Một bác sĩ biết dùng AI chẩn đoán sẽ có giá trị hơn một kỹ sư AI chỉ biết fine-tune model.
