Người dùng Galaxy S22 Ultra ‘tá hỏa’ vì lỗi khóa máy khó hiểu

Nhà Trắng đăng ảnh "Trái Đất lặn'" (Earthset) trên X, kèm theo chú thích: "Nhân loại nhìn từ phía bên kia. Bức ảnh đầu tiên từ phía xa của Mặt Trăng, chụp từ tàu Orion khi Trái Đất khuất sau đường chân trời Mặt Trăng".

NASA sau đó đăng lại bài viết và giải thích, phi hành đoàn Artemis II chụp cảnh tượng Trái Đất lặn vào ngày 6/4/2026, trong lúc bay vòng qua Mặt Trăng. Cơ quan này nhận xét, bức ảnh gợi nhớ đến ảnh Trái Đất mọc (Earthrise) mang tính biểu tượng mà phi hành gia Bill Anders chụp 58 năm trước, khi phi hành đoàn Apollo 8 bay quanh Mặt Trăng.

Ngoài ảnh Trái Đất lặn, NASA cũng công bố ảnh nhật thực chụp từ góc nhìn của phi hành đoàn Artemis II. Nhà Trắng chia sẻ bức ảnh trên X và viết: "Nhật thực toàn phần ngoài Trái Đất. Nhìn từ quỹ đạo Mặt Trăng, Mặt Trăng che khuất Mặt Trời, tạo nên cảnh tượng mà hiếm ai trong lịch sử nhân loại được chứng kiến".

Tàu Orion chở phi hành đoàn Artemis II bay vòng qua Mặt Trăng vào rạng sáng nay theo giờ Hà Nội, tới cách thiên thể này gần nhất 6.545 km.

Lúc bay qua phía sau Mặt Trăng, các phi hành gia chứng kiến "Trái Đất lặn" - khi hành tinh xanh khuất sau Mặt Trăng theo tầm nhìn từ tàu Orion - khoảng 18h41 ngày 6/4 (5h44 ngày 7/4 giờ Hà Nội). Vài phút sau, tín hiệu vô tuyến và laser - vốn cho phép trao đổi thông tin hai chiều giữa tàu Orion và Trái Đất - cũng bị Mặt Trăng chặn lại, dẫn đến gián đoạn liên lạc. Phi hành đoàn trải qua khoảng 40 phút mất kết nối với Trái Đất.

Sau thời gian này, tàu Orion ra khỏi phía sau Mặt Trăng, cho phép phi hành đoàn tiếp tục chứng kiến cảnh tượng "Trái Đất mọc" - hành tinh xanh xuất hiện trở lại từ rìa Mặt Trăng. Điều này cũng kèm theo liên lạc được khôi phục.

Ngoài ra, khoảng 20h35 ngày 6/4 (7h35 giờ Hà Nội), Mặt Trời đi qua phía sau Mặt Trăng theo góc nhìn của phi hành đoàn. Lúc này, tàu Orion đã đi vào vùng tối, có thể quan sát nhật thực toàn phần. Thời gian quan sát nhật thực trên tàu Orion kết thúc vào 8h32 (giờ Hà Nội).

Trong chuyến bay qua phía sau Mặt Trăng, phi hành đoàn Artemis II cũng phá vỡ kỷ lục của Apollo 13 về khoảng cách xa Trái Đất nhất mà con người từng bay, thiết lập năm 1970. Cụ thể, Artemis II đã bay cách Trái Đất khoảng 406.771 km, xa hơn 6.616 km so với Apollo 13.

Trước đó, tối 1/4 (5h35 ngày 2/4 giờ Hà Nội) tàu Orion rời bệ phóng đưa bốn phi hành gia Artemis II bay tới Mặt Trăng, trở thành sứ mệnh có người lái đầu tiên của NASA vượt ra ngoài quỹ đạo Trái Đất tầm thấp sau 54 năm. Phi hành đoàn gồm chỉ huy nhiệm vụ Reid Wiseman (NASA), phi công Victor Glover (NASA), chuyên gia nhiệm vụ Christina Koch (NASA) và chuyên gia nhiệm vụ Jeremy Hansen (Cơ quan Vũ trụ Canada CSA). Phi hành đoàn được ví "đại diện cho thế giới", khi lần đầu có phụ nữ, người da màu và thành viên không phải người Mỹ lên Mặt Trăng.

Thu Thảo (Theo CNN, NBC News)

Tin Gốc: https://vnexpress.net/nasa-cong-bo-anh-trai-dat-lan-nhin-tu-phia-xa-mat-trang-5059704.html

Nguyễn Xuân Phong, sinh năm 1989, có bằng thạc sĩ khoa học máy tính tại Đại học Carnegie Mellon (Mỹ) và tiến sĩ chuyên ngành AI tại Đại học Tokyo (Nhật Bản). Ông nằm trong Top 50 nhà khoa học trẻ xuất sắc của tập đoàn Hitachi ở tuổi 26. Năm 2024, ông là người Việt Nam đầu tiên được vinh danh trong bảng xếp hạng AI150 toàn cầu của Constellation Research.

Đầu tháng 3, ông trở thành CTO thuộc thế hệ 8x đầu tiên của FPT, chịu trách nhiệm định hướng và kiến trúc hệ sinh thái công nghệ của tập đoàn xoay quanh sự dịch chuyển của AI. Trong cuộc đối thoại với ông Nguyễn Thành Nam, thành viên Hội đồng Sáng lập FPT, Nguyễn Xuân Phong chia sẻ những cơ hội, thách thức AI tạo ra cho các ngành nghề, đặc biệt với ngành công nghệ thông tin tại Việt Nam.

- Nguyễn Thành Nam: Gần đây, một chuyên gia AI từ Thung lũng Silicon khi về nước đã nhận xét thẳng thừng "anh em Việt Nam chưa biết làm AI". Câu nói này gây "giật mình". Quan điểm của ông thế nào?

- Nguyễn Xuân Phong: Cần nhìn nhận khách quan rằng nhận định đó đến từ một nhân tài làm việc tại một nơi có thể coi là "đại bản doanh" AI của thế giới, nên góc nhìn chắc chắn sẽ khác. Ở Thung lũng Silicon, AI len lỏi vào từng hơi thở của đời sống. Có lần tôi đi taxi ở đó, tài xế hỏi: "Anh đã huấn luyện mô hình 9 tỷ hay 32 tỷ tham số chưa?". Khi một người lái taxi cũng có thể bàn về tham số mô hình, thì một chuyên gia AI về Việt Nam và thấy "sốc" vì những khái niệm cơ bản chưa được phổ cập cũng là điều dễ hiểu.

Tuy nhiên, "làm AI" hiện nay có thể được định nghĩa lại ở hai cấp độ. Một là ứng dụng AI, tức dùng AI như công cụ để giải quyết bài toán cụ thể, như sản xuất phim ngắn hay xây dựng hệ thống voicebot gọi điện tự động. Ở đây AI chỉ là một cấu phần trong sản phẩm lớn. Thứ hai là xây dựng hệ thống và mô hình, là tầng sâu nơi các kỹ sư thực hiện thiết kế kiến trúc và huấn luyện (training) mô hình.

Thực tế, giới "làm AI" trong nước lệch về phía ứng dụng. Nhiều người dùng AI rất giỏi nhưng có thể không hiểu bản chất thuật toán phía sau, và đôi khi cũng không cần biết. Trong khi đó, lực lượng thực sự xây dựng được mô hình còn quá mỏng.

Sự chênh lệch này giống như chuyện sử dụng ôtô: chúng ta đang có rất nhiều tài xế giỏi, cứ lên xe là lái, nhưng số người hiểu rõ động cơ bên trong vận hành ra sao rất ít. Cái "sốc" của chuyên gia kia nằm ở đó, nhưng theo tôi điều đó chưa phản ánh được việc mạnh hay yếu, mà chỉ cho thấy chúng ta đang đứng ở phân khúc nào của chuỗi giá trị AI mà thôi.

- Đang làm tại Viện Mila ở Canada dưới sự dẫn dắt của giáo sư Yoshua Bengio - một trong những "cha đẻ" của AI hiện đại, khi quyết định về Việt Nam, ông có gặp cú "sốc" tương tự chuyên gia Thung lũng Silicon kia?

- Tôi làm việc với FPT Software khi vẫn đang ở Canada và mới bắt đầu về hẳn Việt Nam năm nay để nhận vị trí CTO của tập đoàn. Thực lòng, tôi không quá sốc.

Khi đó, mặt bằng chung chưa hiểu nhiều về AI, nhưng qua mạng lưới cá nhân, tôi biết Việt Nam không thiếu người giỏi. Chúng ta có rất nhiều nhân tài, nhưng đang tản mát, hoặc đâu đó nằm trong làn sóng chuyên gia từ nước ngoài trở về. Vấn đề của chúng ta không phải là không biết, mà chưa có sự kết nối và định hướng tập trung.

Tuy nhiên, tôi cũng có chút bỡ ngỡ ở góc độ vận hành doanh nghiệp. Những ngày đầu làm với FPT Software, tôi hỏi xin bản mô tả công việc (JD) cho kỹ sư AI và nhận ra... không có. Đơn giản lúc đó chúng ta chưa có những vị trí chuyên biệt cho lĩnh vực này. Tôi bắt tay vào xây dựng từ viên gạch đầu tiên, chuẩn hóa và chia công việc về AI thành những ngạch chuyên sâu: AI Engineer (kỹ sư AI), AI Scientist (nhà khoa học AI, Data Engineer (kỹ sư dữ liệu), Data Scientist (nhà khoa học dữ liệu), Data Analyst (chuyên gia phân tích dữ liệu)... Mỗi vị trí cần kỹ năng gì, khác nhau ra sao. Với tôi, đó là bước đi đầu tiên để hình thành sự thấu hiểu bài bản về AI trong tổ chức, trước khi nói đến việc xây dựng năng lực thực thi.

- Tiếp xúc môi trường phát triển AI tại Việt Nam từ 2019 đến nay là 2026, ông thấy có gì khác biệt? Công việc của những người làm AI đã thay đổi thế nào trong giai đoạn này?

- Cách đây 7 năm, AI vẫn là khái niệm xa vời, còn hiện đã đạt mức độ phổ cập. Điểm khác biệt lớn nhất đối với người làm AI là quy trình thực hiện.

Năm 2019, AI giống như món đồ trang sức, các công ty đầu tư chủ yếu ở mức độ thử nghiệm (PoC). Nay AI trở thành "hàng hóa thiết yếu", doanh nghiệp nếu không ứng dụng AI sẽ trở nên lạc hậu.

Năm 2019, muốn làm AI phải tìm dữ liệu và huấn luyện mô hình từ đầu. Hiện các mô hình đã có sẵn và được huấn luyện, người làm có thể sử dụng ngay để tạo ra giá trị. Chúng ta chỉ cần thực hiện thêm các bước tinh chỉnh là có thể đưa vào thực tiễn. AI đã trở nên bình dân hơn và hiện diện trong mọi hoạt động đời sống.

Sự thay đổi cũng phân hóa công việc của chuyên gia AI theo cấp độ khác nhau. Trước đây, làm AI bắt buộc phải giỏi Toán để xây dựng mô hình và hiểu sâu về mạng nơ-ron. Hiện nay, nhiều kỹ năng AI không còn yêu cầu quá sâu về Toán. Việc thiết kế một hệ thống AI hoạt động đòi hỏi kỹ năng quản lý và thiết kế nhiều hơn.

Lực lượng chuyên gia hiểu sâu về Toán sẽ tập trung vào việc xây dựng mô hình cho Việt Nam hoặc các nhà máy chuyên biệt. Đồng thời, đang nổi lên thế hệ xây dựng các hệ thống AI. Thay vì xây mô hình, người làm sẽ giao nhiệm vụ cho các tác nhân (agent) thực hiện phần việc khác nhau. Tôi cho rằng kỹ năng quan trọng nhất hiện nay là "AI Orchestrator" hay "Agent Orchestrator", tức vai trò "nhạc trưởng" để điều hành và thiết kế hệ thống.

- Thực tế làm AI có tốn kém không, và giả sử tôi là một bác sĩ, liệu tôi có thể tự tạo AI phục vụ riêng cho công việc của mình?

- Việc đầu tư tùy thuộc vào quy mô, "tiền nào cũng chơi được".

Có khái niệm "Narrow AI" (AI hẹp), tức tập trung làm tốt một việc cụ thể. Nếu đào sâu vào một bài toán chuyên biệt, ví dụ một mô hình ngôn ngữ chỉ cần hiểu sâu kiến thức hóa học mà không bắt nó làm thơ, thì chi phí thấp hơn rất nhiều so với mô hình lớn. Việc dùng một mô hình khổng lồ để giải quyết một việc quá chuyên sâu đôi khi gây tốn kém về năng lực tính toán mà không hiệu quả bằng. Thế giới hiện vận hành song song: mô hình lớn ngày càng mạnh để đa nhiệm, còn mô hình nhỏ làm chuyên sâu.

Với nền tảng kiến thức đã được chia sẻ rộng rãi và giá đơn vị tính toán rẻ đi nhiều, một bác sĩ, hay rất nhiều người trong các ngành nghề khác, nếu biết cách sử dụng mô hình AI sẵn có, dưới dạng nguồn mở hoặc đi thuê các hãng lớn cung cấp, thậm chí có thể tự làm các phần mềm AI, hệ thống AI Agent mà không cần đến chuyên gia. Nếu bác sĩ có sẵn dữ liệu tích lũy và kinh nghiệm để "dạy" mô hình, dần dần AI có thể thay thế ở nhiều khâu. Khi đó, bác sĩ chỉ đóng vai trò là người đưa ra quyết định hoặc ký đơn thuốc.

- Việt Nam thời gian qua ban hành nhiều chính sách thúc đẩy AI, và nhiều người cho rằng AI là "cơ hội vàng" cho Việt Nam. Ông đánh giá thế nào về nhận định này?

- Đây là vấn đề cần phân tích sâu. Nếu gọi là "vàng" thì liệu AI có phải là "vàng" với các quốc gia khác nữa không, và chúng ta phải có điểm khác biệt để "vàng" của mình thực sự phát huy giá trị.

Tôi cho rằng một trong các giá trị "vàng" của Việt Nam nằm ở mật độ tài năng. Cách đây gần 10 năm, tham gia các hội nghị AI thế giới như Hội nghị Quốc tế về Học máy ICML, khi mở danh sách khách mời, tôi bất ngờ vì gặp rất nhiều cái tên Nguyễn, Trần, Lê... và tập hợp được khoảng 30 anh em người Việt ở đó ngồi lại với nhau. Điều đáng nói, hầu hết đều đại diện cho các phòng thí nghiệm lớn tại Mỹ, châu Âu hoặc Nhật Bản, chứ không đến từ một đơn vị trong nước nào.

Điều này cho thấy tài năng AI gốc Việt đã khẳng định được vị thế tại tập đoàn và viện nghiên cứu hàng đầu thế giới ngay. Nếu so sánh với một quốc gia có nhiều điểm tương đồng như Thái Lan, sự hiện diện của các tài năng trong lĩnh vực này của họ ít hơn hẳn.

Tôi tạm cho rằng người Việt có thế mạnh về gene và tư duy phù hợp với lĩnh vực này. Theo các thống kê, số lượng người gốc Việt tham gia các nhóm nghiên cứu AI cũng trong top thế giới. Chúng ta có thể chưa bằng các cường quốc hàng đầu, nhưng đã vượt trội so với rất nhiều quốc gia tầm trung khác. Việt Nam thường có thứ hạng cao trong các môn trí tuệ, và AI về bản chất cũng là một cuộc chơi như vậy.

- Vấn đề quan trọng là làm sao biến trí tuệ đó thành cơ hội kinh tế. Cờ vua Việt Nam cũng nằm trong Top 10 thế giới nhưng chúng ta đâu có giàu lên từ cờ vua? Ngay cả câu chuyện tăng năng suất lao động, liệu có chắc chắn mang lại doanh thu? Thực tế trong nhiều lĩnh vực, đôi khi năng suất cao lại khiến giá thành hạ và cuối cùng không tạo ra thêm tiền?

- AI khác cờ vua ở chỗ nó tạo ra giá trị kinh tế trực tiếp thông qua việc tăng năng suất lao động và tạo ra tri thức mới. Ở tầm quốc gia, muốn thành cơ hội vàng, phải tìm ra được những khu vực mà AI tạo ra giá trị mới. Và đó có thể là cơ hội "vàng" thứ hai của Việt Nam.

Về câu chuyện tăng năng suất có giúp tăng tiền không, câu trả lời nằm ở những ngành có nhu cầu lớn. Bên cạnh đó, AI mang lại những trải nghiệm hoàn toàn mới, từ đó tạo doanh số mới. Chẳng hạn trong giáo dục, mô hình trải nghiệm mới sẽ khiến người học sẵn lòng chi trả. Hoặc trong lĩnh vực dược phẩm và vật liệu, AI có khả năng tìm ra những cấu trúc vật liệu mới hay loại thuốc điều trị bệnh nan y mà trước nay con người chưa nghĩ tới.

Thông thường, chúng ta phải chấp nhận đánh đổi giữa các yếu tố, chẳng hạn với ngành vật liệu phải đánh đổi độ bền và giá thành. Nhưng khi đưa bài toán đa mục tiêu này cho AI, nó có thể rút ngắn đáng kể quá trình tìm ra lời giải tối ưu. Đó chính là việc đáp ứng những "nhu cầu mới" hoặc những nhu cầu trước đây chưa được thỏa mãn. Ngoài ra, các mảng về công nghệ phần mềm và quản trị vẫn là lĩnh vực tiềm năng, vì bản chất AI cũng là một dạng phần mềm.

Đây cũng là lý do thôi thúc tôi về làm việc tại FPT. Khi tích lũy đủ tri thức, tôi mong muốn giải phóng nó bằng cách kết nối với thực tế. Tôi mong muốn thấy sản phẩm mình làm ra có người dùng và tạo giá trị thực cho họ. Hiện có nhiều tiến sĩ sở hữu rất nhiều bài báo khoa học, nhưng câu hỏi quan trọng là chúng đóng góp gì cho thực tiễn không? Giá trị thực tế có thể đo bằng GDP, nhưng rõ ràng nhất là nhìn thấy công nghệ có thể đóng góp vào từng bữa ăn của mỗi người dân.

- Những câu chuyện trên cho thấy cấu trúc lao động sẽ thay đổi rất khác. AI tạo ra những công việc chưa từng có và làm mới những công việc cũ. FPT từng tuyên bố mục tiêu đạt một triệu nhân sự vào năm 2035. Với tư cách CTO chịu trách nhiệm toàn tập đoàn, ông nghĩ con số này có cần điều chỉnh?

- Mục tiêu một triệu người thể hiện khát vọng lớn của FPT. Truyền thống của chúng ta là gắn số lượng nhân sự với doanh số, bởi mỗi cá nhân là một đơn vị tạo ra giá trị. Tôi cho rằng con số này không sai, nhưng "chân dung" của một triệu con người đó phải khác trước: một triệu "nhạc công" phần mềm sẽ rất khác với một triệu "nhạc trưởng AI".

Đông người chắc chắn tạo ra tiền, nhưng vấn đề là vận dụng nguồn lực đó thế nào. Điều này phụ thuộc vào sức hấp thụ của thị trường và khả năng chuyển đổi của chính tập đoàn. Chúng ta có đào tạo kịp đội ngũ cho những vai trò mới như điều phối AI hay kỹ sư giải pháp không. Nếu thị trường trong nước không đủ sức hấp thụ, chiến lược vươn ra toàn cầu thế nào.

Khi mô hình kinh doanh thay đổi, con người cũng phải thay đổi. Nhân sự của ba năm tới sẽ rất khác hiện nay, đòi hỏi chúng ta phải tái cấu trúc hệ thống giáo dục, thực hiện đào tạo lại (reskill) và nâng cao kỹ năng (upskill) trên quy mô lớn.

Về lộ trình đến 2035, tập đoàn có thể đi chậm hơn vì đào tạo người mới luôn là bài toán khó. Nhưng cũng có thể sẽ nhanh hơn nếu bắt kịp nhịp độ công nghệ, bởi nhiều công việc mới đôi khi lại dễ thực hiện hơn ta tưởng. Quan trọng nhất là xác định được đâu là việc mới và giá trị mới..

- Vậy còn những dấu hiệu chững lại của ngành phần mềm hiện nay thì sao?

- Tôi nhìn nhận đây là bài toán về nhu cầu thị trường. Khách hàng đang tạm chậm lại để nghe ngóng vì có quá nhiều thông tin nhiễu loạn về AI. Tuy nhiên, sự chững lại này chỉ là tạm thời.

Trong quy trình kỹ thuật phần mềm, viết code chỉ là một công đoạn. AI có thể viết code xuất sắc, nhưng chưa thể thấu hiểu khách hàng, chưa thể cùng ngồi thảo luận hay nắm bắt nhu cầu ẩn sâu phía sau để đưa ra bản thiết kế phù hợp. Trong chuỗi giá trị lập trình, AI giúp tăng tốc đột biến ở một số khâu, nhưng tổng thể quy trình vẫn cần sự hiện diện của con người để giải quyết những bài toán phức tạp. Thậm chí càng ứng dụng AI nhiều, khách hàng sẽ càng cần tới các đối tác về công nghệ.

Một trong những giá trị mới mà chúng ta có thể mang lại là tốc độ. Ví dụ trước đây, việc chuyển đổi hệ thống cũ có thể mất 5 năm, nay AI giúp rút ngắn xuống còn vài tháng. Khách hàng sẽ trả tiền cho khoảng thời gian họ tiết kiệm được đó. Chúng ta không bán "thời gian lao động của mình" mà bán "thời gian tiết kiệm cho khách hàng". Đó là giá trị mới.

Thực tế, nhờ AI, nhiều khách hàng tin tưởng giao cho FPT nhiều việc hơn. Trước đây họ e ngại rào cản ngôn ngữ trao đổi hay thiết kế kỹ thuật, nhưng nay vì có AI, các rào cản đó giảm xuống đáng kể.

- Cấu trúc lao động thay đổi dẫn đến câu hỏi sát sườn: Các bạn trẻ 18 tuổi nên chọn học ngành gì? Trong khi nhu cầu thị trường đã khác biệt, hệ thống đại học có kịp thay đổi để không đào tạo ra những kỹ năng lỗi thời?

- Theo tôi, các bạn trẻ không nên quá tập trung vào việc học ngôn ngữ lập trình thuần túy. Thay vào đó, cần học kiến thức ngành (Domain) và kỹ năng chuyên biệt như thiết kế hệ thống (System Design), bảo mật (Cyber Security)...

"Nút thắt" không còn nằm ở việc viết code mà ở vai trò quản trị dự án, người duyệt code và kiến trúc sư hệ thống. Người làm công nghệ mới phải am hiểu cả về quản trị lẫn kỹ thuật để đưa ra lời giải trọn vẹn cho bài toán của khách hàng, bao gồm cả vấn đề bảo mật thông tin.

Thực tế, các trường đại học, ngay cả ở Canada nơi tôi sống thời gian qua, thường chuyển đổi chậm hơn thực tế. Tuy nhiên, vai trò quan trọng nhất của đại học là chuẩn bị nguồn nhân lực sẵn sàng cho doanh nghiệp. Hiệu quả giáo dục sẽ được đo bằng việc rút ngắn thời gian đào tạo lại tại công ty. Bên cạnh chương trình mới về AI, một môi trường đại học lý tưởng sẽ giúp các bạn có các nền tảng cơ bản vững chắc như các trải nghiệm về cuộc sống, kiến thức mềm trong doanh nghiệp như văn hóa tổ chức, hay nơi rèn luyện thể chất và cách thức hợp tác.

Việc lựa chọn chương trình học tạo ra giá trị tương lai là yếu tố sống còn. Trong đó, những kiến thức cốt lõi về hệ thống và tư duy máy tính là nền tảng không thể thay thế. Bên cạnh đó, các môn học cơ bản như Toán học và tư duy phản biện vẫn đóng vai trò quan trọng để giúp người học thích nghi với mọi sự thay đổi.

Tin Gốc: Vnexpress

Theo dự báo từ Boston Consulting Group (BCG), thị trường mã hóa tài sản thực toàn cầu có thể đạt mốc 19.000 tỉ USD vào năm 2033. Việt Nam được đánh giá là thị trường mã hóa tài sản thực (RWA - Real World Asset) có dư địa tăng trưởng lớn với tiềm năng kỳ vọng đạt 70 - 80 tỉ USD vào năm 2030.

Trong bối cảnh Việt Nam đang chuẩn bị triển khai thí điểm các sàn giao dịch tài sản mã hóa, trung tướng Đặng Vũ Sơn - nguyên Trưởng ban, Ban Cơ yếu Chính phủ, cố vấn cấp cao Hiệp hội Blockchain và Tài sản số Việt Nam (VBA) nhận định, cơ hội lớn nhất của Việt Nam không chỉ là đi nhanh mà phải đi đúng ngay từ đầu. Cách tiếp cận bài bản về thể chế, tiêu chuẩn và quản trị sẽ quyết định khả năng tham gia sâu vào cấu trúc tài chính số mới.

Dù mang lại triển vọng, lĩnh vực này vẫn tiềm ẩn sự phức tạp cao. Ông Nghiêm Minh Hoàng, Trưởng ban RWA (thuộc Câu lạc bộ Đầu tư Tài sản số Việt Nam - VIDA) chỉ ra rằng các sản phẩm RWA phải đối mặt với 12 rủi ro chính, được phân thành 3 nhóm: rủi ro tài sản cơ sở, rủi ro cấu trúc tài chính và rủi ro công nghệ. Cụ thể, rủi ro tài sản cơ sở khi nhà đầu tư không nắm quyền sở hữu pháp lý trực tiếp, phụ thuộc vào bên lưu ký và khó thu hồi tài sản nếu đơn vị phát hành gặp sự cố.

Thứ hai, rủi ro cấu trúc tài chính như khoảng trống bảo chứng, bất cân xứng lợi ích và nguy cơ phát hành token vượt quá tài sản thực. Cuối cùng, rủi ro công nghệ và thị trường bao gồm thanh khoản không thực, hạn chế quy đổi, lỗi hệ thống và khung pháp lý chưa hoàn thiện. Đáng chú ý, việc đánh giá quá cao vai trò của blockchain dễ dẫn tới định giá sai về công nghệ, khi hệ thống chỉ đảm bảo dữ liệu, không xác minh tài sản ngoài chuỗi.

Dưới góc độ kỹ thuật, TS Đỗ Văn Thuật, Giám đốc Giải pháp và Kiến trúc Blockchain tại công ty 1Matrix, nhấn mạnh thách thức trọng tâm là đảm bảo tính xác thực giữa tài sản thực vật lý và dữ liệu trên chuỗi. Điều này đòi hỏi sự tích hợp giữa các cổng dữ liệu thực (oracle) đáng tin cậy, quy trình kiểm toán độc lập và khả năng đồng bộ giá theo thời gian thực.

Còn theo ông Lương Duy Phước, Giám đốc phân tích Công ty Chứng khoán Kafi, yếu tố quyết định sự thành bại không nằm ở công nghệ mà ở năng lực quản trị rủi ro. Đối với các nhà đầu tư, rủi ro lớn nhất là chưa hiểu đúng bản chất cấu trúc của sản phẩm. Do đó, thị trường đòi hỏi sự minh bạch tuyệt đối về quyền tài sản, cơ chế bảo chứng và khả năng thanh khoản thực tế nhằm duy trì niềm tin và bảo vệ người tham gia trước những biến động phức tạp của tài sản kỹ thuật số.

Tin Gốc: https://thanhnien.vn/thi-truong-ma-hoa-tai-san-chuc-ti-usd-di-kem-nhieu-thach-thuc-18526040815165862.htm