GS.TS Nguyễn Linh Trung trình bày tại “Hội thảo Khoa học Quốc gia AI4Telecom”

Sáng ngày 10/09/2026, tại Học viện Công nghệ Bưu chính Viễn thông (Hà Nội), GS.TS Nguyễn Linh Trung (Trường Đại học Công nghệ, ĐHQGHN) đã có buổi trình bày chuyên sâu với chủ đề “AI for Telecom: Signal Processing Perspectives”. Bài nói không chỉ mang đến bức tranh toàn cảnh về sự phát triển của AI trong viễn thông mà còn mở ra những hướng nghiên cứu đột phá từ nhóm AVITECH.

GS.TS Nguyễn Linh Trung trình bày tại hội thảo

Bài trình bày của GS. Trung được chia làm hai phần chính. Phần 1 giới thiệu về các Mô hình Nhận thức Lớn (Large Perceptive Model – LPM) dựa trên báo cáo trước đó của GS. Merouane Debbah (Trung tâm Nghiên cứu 6G, Đại học Khalifa). Phần 2 trình bày các kết quả nghiên cứu tiêu biểu của các thành viên trong nhóm, tập trung vào việc ứng dụng AI để giải quyết các bài toán xử lý tín hiệu (Signal Processing) đặc thù trong viễn thông.

Phần 1: Hành trình từ “Ngôn từ” đến “Thế giới” qua Mô hình Nhận thức Lớn (LPM)

Mở đầu phần 1, GS. Trung đã phác họa sự tiến hóa của AI trong viễn thông qua 4 cấp độ:

Sự tiến hóa của AI trong viễn thông qua 4 cấp độ

1. Học sâu “Naive” (Naive Deep Learning): Bắt đầu từ việc thay thế toàn bộ chuỗi thu phát (transceiver) bằng mạng nơ-ron tự mã hóa (Autoencoder) để tối ưu hóa truyền thông đầu-cuối.
2. LLM: TelecomGPT (Trí tuệ ngữ nghĩa): Mô hình ngôn ngữ lớn chuyên biệt cho viễn thông, được tinh chỉnh từ Llama3-8B, giúp xử lý văn bản và các bài toán đặc thù ngành viễn thông.
3. RF-GPT (Trí tuệ thế giới vô hình): Sử dụng Biến đổi Fourier thời gian ngắn (STFT) để chuyển tín hiệu vô tuyến (RF) thành dạng phổ (spectrogram). Từ đó, mô hình Vision-Language (VLM) có thể “nhìn” và hiểu được các tín hiệu vô tuyến vốn dĩ vô hình (như 5G, Wi-Fi, Bluetooth).
4. LPM (Trí tuệ môi trường): Mô hình nhận thức lớn đóng vai trò là “bộ não” kết nối dữ liệu đa phương thức (áp suất, mùi, tiếp xúc, âm thanh, tín hiệu RF) để cảm nhận và tương tác với thế giới thực, đặc biệt hữu ích trong các hệ thống IoT và 6G.

Sự chuyển dịch từ Ngôn từ (Words) → Tín hiệu (Signals) → Thế giới (Worlds) cho thấy AI không chỉ hiểu văn bản mà còn đang học cách cảm nhận môi trường vật lý xung quanh.

Phần 2: Ứng dụng AI thay thế các bài toán Xử lý Tín hiệu (SP) truyền thống

Trong phần thứ hai, GS. Trung giới thiệu các nghiên cứu thực tiễn của nhóm AVITECH, nơi AI được thiết kế để thay thế hoặc tối ưu hóa các tác vụ xử lý tín hiệu phức tạp:

Ứng dụng AI thay thế các bài toán xử lý tín hiệu truyền thống

• Ước lượng thông tin Fisher bằng Mạng Nơ-ron (FINE): Thay vì phụ thuộc vào các mô hình toán học phức tạp, nhóm đã dùng AI để học trực tiếp thông tin Fisher từ dữ liệu, từ đó xác định giới hạn dưới Cramér-Rao (CRB) – một bài toán cốt lõi trong việc đánh giá chất lượng thuật toán ước lượng.
• Autoencoder cho truyền thông MIMO bảo mật: Ứng dụng học sâu để điều khiển “Nhiễu gây nhiễu thân thiện” (Friendly Jamming) dựa trên phản hồi radar. AI giúp ước lượng thông tin Fisher để tối ưu hóa hướng gây nhiễu mà không cần biết chính xác vị trí hay kênh truyền của kẻ nghe lén (Eve).
• Học sâu dựa trên mô hình (Model-based Deep Learning) cho 6G Near-field: Đề xuất mạng H-LISTA (sử dụng kỹ thuật Deep Unfolding) để giải quyết bài toán ước lượng kênh truyền trong vùng gần (Near-field) với mảng ăng-ten cực lớn (ELAA). Phương pháp này kết hợp tri thức toán học và học sâu, giúp tăng tốc độ hội tụ và giảm độ phức tạp tính toán.
• Truyền thông đa phương thức mô phỏng sinh học (Bio-mimic): Hướng tới các thiết bị IoT siêu tiết kiệm năng lượng, nhóm nghiên cứu đề xuất sử dụng Mạng Nơ-ron Xung (Spiking Neural Network – SNN) và Mạng Nơ-ron Reservoir để mã hóa/giải mã ngữ nghĩa, giảm thiểu năng lượng tiêu thụ.

Các Thông điệp Cốt lõi (Key Takeaways)

Khép lại bài nói, GS. Trung đã đưa ra 8 thông điệp then chốt, định hình lại góc nhìn về tương lai của AI trong viễn thông:

1. LLM chỉ là chương đầu tiên, không phải toàn bộ cuốn sách.[cite: 7]
2. LPM mở rộng AI từ văn bản ra môi trường thực tế; IoT là mảnh đất màu mỡ để thử nghiệm trí tuệ nhận thức.[cite: 7]
3. RF-GPT chứng minh AI có thể học để hiểu được vùng phổ vô hình.[cite: 7]
4. Biên giới tiếp theo của AI không chỉ là máy móc nói gì, mà là máy móc cảm nhận được gì.[cite: 7]
5. AI có thể được dùng để đánh giá (benchmark) các thuật toán AI khác và đánh giá hiệu năng hệ thống, phục vụ thiết kế và quy hoạch tốt hơn.[cite: 7]
6. Truyền thông, cảm biến và bảo mật có thể được huấn luyện đồng thời trong cùng một mạng lưới (joint learning).[cite: 7]
7. Các mô hình DL dựa trên mô hình (Model-based DL) nhẹ là giải pháp tiềm năng cho các thiết bị biên (edge devices).[cite: 7]
8. Truyền thông đa phương thức mô phỏng sinh học (Bio-mimic) là giải pháp thay thế năng lượng hiệu quả cho LPM, hứa hẹn cho kỷ nguyên thiết bị IoT.[cite: 7]

Bài trình bày của GS.TS Nguyễn Linh Trung đã khẳng định vị thế tiên phong của nhóm AVITECH trong việc kết hợp chặt chẽ giữa lý thuyết xử lý tín hiệu truyền thống và sức mạnh của các mô hình AI hiện đại, mở ra những hướng đi đầy triển vọng cho mạng viễn thông 6G và tương lai.

GS.TS Nguyễn Linh Trung chụp ảnh kỉ niệm cùng các diễn giả khác tại hội thảo