Neural Network, Deep Learning và các ứng dụng trong cuộc sống
Nguyễn Công Minh Trung tâm Viễn thông 4 - Viễn thông Hà Nội|21/09/2023 04:38
Mặc dù một số người sử dụng Neural Network và Deep Learning thay thế cho nhau, nhưng những tiến bộ, tính năng và ứng dụng của chúng thực tế lại khác nhau. Bài viết phân tích về sự khác nhau giữa Neural Network và Deep Learning, từ đó đề cập đến những ứng dụng của chúng trong cuộc sống con người.
Trong thế giới công nghệ hiện nay, trí tuệ nhân tạo (AI) đã trở thành một phần không thể thiếu trong cuộc sống hằng ngày. Mạng thần kinh (Neural Network) là một phương thức trong lĩnh vực AI, được sử dụng để hỗ trợ máy tính xử lí dữ liệu theo cách lấy cảm hứng từ bộ não con người. Đây là một loại quy trình học sâu (Deep Learning), sử dụng các nút hoặc nơ-ron liên kết với nhau trong một cấu trúc phân lớp tương tự như bộ não con người. Phương thức này tạo ra một hệ thống thích ứng được máy tính sử dụng để học hỏi từ sai lầm của chúng và liên tục được cải thiện. Vì vậy, Neural Network nhân tạo hướng tới giải quyết các vấn đề phức tạp, chẳng hạn như tóm tắt tài liệu hoặc nhận diện khuôn mặt với độ chính xác cao hơn. Mặc dù một số người sử dụng Neural Network và Deep Learning thay thế cho nhau, nhưng những tiến bộ, tính năng và ứng dụng của chúng thực tế lại khác nhau. Bài viết phân tích về sự khác nhau giữa Neural Network và Deep Learning, từ đó đề cập đến những ứng dụng của chúng trong cuộc sống con người.
1. Khái niệm về Neural Network
Neural Network nhân tạo được mô phỏng theo bộ não con người. Nó phân tích dữ liệu phức tạp, hoàn thành các phép toán, tìm kiếm các mẫu và sử dụng thông tin thu thập được để đưa ra dự đoán và phân loại. Cũng giống như bộ não con người, Neural Network nhân tạo có một đơn vị chức năng cơ bản được gọi là nơ-ron. Những nơ-ron này còn được gọi là các nút, truyền thông tin trong mạng. (Hình 1)
Hình 1: Mô hình về Neural Network
Một Neural Network cơ bản có các nút được kết nối với nhau trong các lớp (layer) đầu vào (input layer), layer ẩn (hidden layer) và layer đầu ra (output layer).
Layer đầu vào xử lí và phân tích thông tin trước khi gửi nó đến layer tiếp theo.
Layer ẩn nhận dữ liệu từ layer đầu vào hoặc các layer ẩn khác. Sau đó, layer ẩn tiếp tục xử lí và phân tích dữ liệu bằng cách áp dụng một tập hợp các phép toán để chuyển đổi và trích xuất những tính năng có liên quan từ dữ liệu đầu vào.
Layer đầu ra cung cấp thông tin cuối cùng bằng cách sử dụng các tính năng được trích xuất. Layer này có thể có một hoặc nhiều nút, tùy thuộc vào kiểu thu thập dữ liệu. Đối với phân loại nhị phân, đầu ra sẽ có một nút hiển thị kết quả 1 hoặc 0.
Hoạt động của Neural Network
Bộ não con người chính là nguồn cảm hứng cho kiến trúc Neural Network. Các tế bào não của con người được gọi là nơ-ron, tạo thành một mạng lưới phức tạp, có tính liên kết cao và gửi các tín hiệu đến nhau để giúp con người xử lí thông tin. Tương tự, một Neural Network nhân tạo được tạo ra từ các tế bào nơ-ron, cùng nhau phối hợp để giải quyết một vấn đề. Neural Network nhân tạo là các module phần mềm, được gọi là nút và Neural Network nhân tạo là các chương trình phần mềm hoặc thuật toán mà về cơ bản, sử dụng hệ thống máy tính để giải quyết các phép toán.
Một số loại mạng Neural Network nhân tạo
FeedForward Neural Network: Chủ yếu được sử dụng để nhận dạng khuôn mặt, truyền thông tin theo một hướng. Điều này có nghĩa là mọi nút trong một layer được liên kết với mọi nút trong layer tiếp theo, với thông tin truyền đi một chiều cho đến khi nó đến được nút đầu ra. Đây là một trong những loại Neural Network nhân tạo đơn giản nhất.
Recurrent Neural Network: Dạng Neural Network này hỗ trợ việc học lí thuyết. Recurrent Neural Network được sử dụng cho dữ liệu như ngôn ngữ tự nhiên và âm thanh. Chúng cũng được sử dụng cho các ứng dụng chuyển văn bản thành giọng nói cho Android và IOS. Không giống như các Feedforward Neural Network xử lí thông tin theo một hướng, Recurrent Neural Network sử dụng dữ liệu từ nơ-ron xử lí và gửi lại vào mạng.
Tùy chọn này rất quan trọng, nó có khả năng phản hồi lại khi hệ thống đưa ra các dự đoán sai. Recurrent Neural Network có thể cố gắng tìm ra lí do dẫn đến kết quả không chính xác và điều chỉnh cho phù hợp.
Convolutional Neural Network (CNN): Các Neural Network truyền thống đã được thiết kế để xử lí những đầu vào có kích thước cố định, nhưng các CNN có thể xử lí dữ liệu có kích thước khác nhau. CNN lí tưởng để phân loại dữ liệu trực quan như hình ảnh và video có độ phân giải và tỉ lệ khung hình khác nhau, rất hữu ích cho các ứng dụng nhận dạng hình ảnh.
Deconvolutional Neural Network: Neural Network này còn được gọi là Transposed Convolutional Neural Network và ngược lại với CNN.
Trong một CNN, hình ảnh đầu vào được xử lí thông qua các layer tích chập để trích xuất những tính năng quan trọng. Đầu ra này sau đó được xử lí thông qua một loạt các layer được kết nối, những layer này thực hiện phân loại - gắn tên hoặc nhãn cho hình ảnh đầu vào dựa trên những tính năng của nó. Điều này rất hữu ích cho việc nhận dạng đối tượng và phân đoạn hình ảnh.
Tuy nhiên, trong một Deconvolutional Neural Network, bản đồ đặc trưng trước đây là đầu ra sẽ trở thành đầu vào. Bản đồ đặc trưng này là một mảng giá trị ba chiều và không được gộp để tạo thành hình ảnh gốc với độ phân giải không gian tăng lên.
Modular Neural Network: Neural Network này kết hợp các module được kết nối với nhau, mỗi module thực hiện một nhiệm vụ phụ cụ thể. Mỗi module trong mạng module bao gồm một Neural Network được thiết kế sẵn để giải quyết một nhiệm vụ phụ như nhận dạng giọng nói hoặc dịch ngôn ngữ.
Modular Neural Network có thể thích ứng và hữu ích để xử lí đầu vào với nhiều dữ liệu rất khác nhau.
2. Deep Learning là gì?
Deep Learning là một thể loại nhỏ của học máy (Machine Learning), liên quan đến việc đào tạo các Neural Network nhân tạo để tự động học hỏi và phát triển một cách độc lập mà không cần được lập trình để làm như vậy.
Deep Learning có phải là AI không? Câu trả lời là có. Nó là động lực thúc đẩy nhiều ứng dụng AI và dịch vụ tự động hóa, giúp người dùng thực hiện các tác vụ mà ít cần sự can thiệp của con người.
Có nhiều layer ẩn giữa layer đầu vào và đầu ra của Deep Learning. Điều này cho phép mạng thực hiện các hoạt động rất phức tạp và liên tục học hỏi khi dữ liệu đi qua các layer.
Deep Learning đã được áp dụng để nhận dạng hình ảnh, giọng nói, tổng hợp video và khám phá; ngoài ra, còn được áp dụng cho những sáng tạo phức tạp như ô tô tự lái, sử dụng thuật toán Deep Learning để xác định các chướng ngại vật và điều hướng xung quanh một cách hoàn hảo.
Người dùng phải cung cấp một lượng lớn dữ liệu được gắn nhãn vào mạng để huấn luyện mô hình Deep Learning. Trọng số và độ lệch của các nơ-ron trong mạng được điều chỉnh cho đến khi có thể dự đoán chính xác đầu ra cho dữ liệu đầu vào mới.
3. Sự khác biệt giữa Neural Network và Deep Learning
Neural Network và Deep Learning cùng là những tập hợp con của Machine Learning. Tuy nhiên, chúng khác nhau theo nhiều phương diện.
Layer: Neural Network nhân tạo thường được tạo thành từ layer đầu vào, layer ẩn và layer đầu ra. Trong khi đó, các mô hình Deep Learning bao gồm một số layer của Neural Network nhân tạo.
Phạm vi: Mặc dù các mô hình Deep Learning kết hợp Neural Network nhân tạo, nhưng chúng vẫn là những khái niệm riêng biệt. Các ứng dụng của Neural Network nhân tạo bao gồm nhận dạng mẫu, khuôn mặt, dịch máy và trình tự.
Trong khi đó, người dùng có thể sử dụng các mạng Deep Learning để quản lí quan hệ khách hàng, xử lí lời nói và ngôn ngữ, khôi phục hình ảnh...
Trích xuất các tính năng: Neural Network nhân tạo yêu cầu sự can thiệp của con người, vì các kĩ sư phải xác định thứ bậc của những tính năng theo cách thủ công. Tuy nhiên, các mô hình Deep Learning có thể tự động xác định thứ bậc của các tính năng bằng cách sử dụng bộ dữ liệu được gắn nhãn và dữ liệu thô phi cấu trúc.
Hiệu suất: Neural Network nhân tạo mất ít thời gian hơn để đào tạo, nhưng có độ chính xác thấp hơn khi so sánh với Deep Learning (Deep Learning phức tạp hơn). Ngoài ra, các Neural Network cũng được biết là diễn giải các nhiệm vụ kém hơn mặc dù hoàn thành rất nhanh.
Tài nguyên tính toán: Deep Learning là một mạng lưới nơ-ron phức tạp có thể phân loại và giải thích dữ liệu thô với ít sự can thiệp của con người nhưng đòi hỏi nhiều tài nguyên tính toán hơn. Neural Network nhân tạo là một tập hợp con đơn giản hơn của Machine Learning, có thể được đào tạo bằng cách sử dụng các bộ dữ liệu nhỏ với ít tài nguyên tính toán hơn nhưng khả năng xử lí dữ liệu phức tạp bị hạn chế.
Mặc dù được sử dụng thay thế cho nhau nhưng Neural Network và Deep Learning vẫn là những khái niệm khác nhau. Chúng có các phương pháp đào tạo và mức độ chính xác khác nhau. Tuy nhiên, các mô hình Deep Learning tiên tiến hơn và tạo ra kết quả với độ chính xác cao hơn, có thể học tập độc lập mà ít có sự can thiệp của con người.
4. Một số ứng dụng của Neural Network và Deep Learning
ChatGPT và GPT-3 là một trong những ứng dụng của Neural Network và Deep Learning.
ChatGPT và GPT-3 đang là những chủ đề được tranh luận sôi nổi. Các phần mềm trò chuyện hỗ trợ của AI này đã được công bố là có thể đạt được cuộc trò chuyện chân thật giống con người và còn nhiều hơn thế.
Trong trường hợp người dùng chưa biết những Chatbot này vượt xa những Chatbot thông thường trong các tình huống hỗ trợ khách hàng, người sử dụng có thể yêu cầu GPT viết mã (Code), vẽ tranh hoặc suy đoán về một chủ đề nhất định, sau vài giây, Chatbot này đã sử dụng một lượng lớn thông tin để đưa ra câu trả lời phù hợp nhất.
ChatGPT: Đúng như tên gọi của nó, phần quan trọng trong tên của ChatGPT là “Chat”. Mô hình Machine Learning này được xây dựng với mục đích cụ thể là có thể trò chuyện tự nhiên, tương tự như con người. ChatGPT đã được phát triển với một bộ dữ liệu khổng lồ về dữ liệu hội thoại. Điều này có nghĩa là, mô hình đã được đào tạo với các phản ứng giống con người ngay từ đầu. Đó là một công cụ mạnh mẽ, nhưng phạm vi của nó bị hạn chế hơn.
Mục tiêu chính của ChatGPT là hỗ trợ bất cứ khi nào cần thực hiện các tác vụ ngôn ngữ. Chúng có thể bao gồm những cuộc trò chuyện với con người, dịch thuật, tạo văn bản và các nhiệm vụ văn học khác.
GPT-3: GPT-3 là mô hình Machine Learning dựa trên Neural Network nhân tạo, có thể sử dụng dữ liệu Internet để tạo văn bản. Cả ChatGPT và GPT-3 đều được phát triển bằng cách sử dụng cùng một sơ đồ đào tạo. Nó là Neural Network nhân tạo lớn nhất từng được sản xuất tính đến thời điểm hiện tại.
GPT-3 không được thiết kế đặc biệt để trò chuyện với con người, mặc dù câu trả lời mà nó cung cấp nghe giống lời của con người. Nói một cách dễ hiểu, ChatGPT là một người hòa đồng nhưng không hiểu biết nhiều, trong khi GPT-3 là một cá nhân rất hiểu biết, đủ lịch sự nhưng không thích nói chuyện phiếm.
GPT-3 phù hợp hơn cho các nhiệm vụ đàm thoại và có thể đưa ra phản hồi theo ngữ cảnh cụ thể; điều mà ChatGPT không được đào tạo để thực hiện. Nó cũng nhanh chóng và hiệu quả hơn trong các nhiệm vụ đàm thoại.
GPT-3 là lựa chọn phù hợp khi cần làm một bài tiểu luận, cung cấp về lí thuyết hoặc bất kì thứ gì đòi hỏi một lượng lớn dữ liệu để phân tích, ngoại suy và đưa ra giải pháp bằng văn bản mạch lạc. Cả hai ứng dụng này đều có những ưu điểm riêng. Người dùng nên thử để biết chúng có thể làm những gì và khi nào nên sử dụng từng loại theo nhu cầu của mình.
5. Kết luận
Với sự phát triển của Neural Network nhân tạo và Deep Learning, khối lượng dữ liệu được thu thập của các Chatbot như ChatGPT, GPT-3 không ngừng tăng lên và các vấn đề về quyền riêng tư, việc sử dụng thông tin cá nhân rất đáng lo ngại. Vì điều khoản dịch vụ của công ty tạo ra ChatGPT, GPT-3 có quyền sử dụng tất cả dữ liệu đầu vào và đầu ra do người dùng và ChatGPT, GPT-3 cung cấp. Dù công ty này có hệ thống xóa tất cả các thông tin nhận dạng cá nhân khỏi dữ liệu mà mình sử dụng nhưng gần như không thể xác định và xóa “triệt để” thông tin cá nhân khỏi dữ liệu do chu kì cập nhật dữ liệu nhanh chóng của ChatGPT, GPT-3. Để bảo vệ dữ liệu cá nhân, người dùng cần nâng cao nhận thức trong cách sử dụng trên Internet.
Mặc dù ChatGPT, GPT-3 được xem như là bước tiến ngoạn mục khi có thể tổng hợp dữ liệu với tốc độ tính bằng phần trăm giây trong quá trình “con người hóa” giao tiếp với máy móc nhưng vẫn còn nhiều việc phải làm. Nó có thể thay thế con người trong việc tìm kiếm thông tin, viết báo cáo tổng hợp hay viết các văn bản dựa vào năng lực tổng hợp thông tin nhưng không đồng nghĩa với việc ChatGPT, GPT-3 có thể sẽ đưa ra các văn bản hay thông tin tốt nếu thông tin được yêu cầu nằm ngoài cơ sở dữ liệu được cung cấp. Vì thế, những yêu cầu mang tính đánh đố, thử sức của cộng đồng mạng trong thời gian gần đây sẽ dẫn đến những câu trả lời thiếu chính xác hoặc ngây ngô.
Câu trả lời của AI phụ thuộc dữ liệu đầu vào và nguồn thông tin có sẵn trong hệ thống máy tính nên ChatGPT, GPT-3 cũng không hoàn toàn chắc chắn về các thông tin trả lời của nó có đúng hay không khi gặp những câu hỏi khó hay mang tính riêng tư. Chính vì thế, với những thông tin được ChatGPT, GPT-3 cung cấp, người dùng Internet cần kiểm tra và xác định lại thông tin bằng các nguồn đáng tin cậy. AI có thể tự học, để sau đó nó trở nên tốt hơn, năm sau sẽ tốt hơn năm trước. Điều đó cũng cần người sử dụng luôn thận trọng với các cỗ máy, nhất là khi nó đang ngày càng thông minh hơn. Lúc đầu sử dụng người dùng sẽ thấy nó rất tuyệt vời, nhưng sau 10 lần, rồi 100 lần sử dụng, sẽ có lúc nó đưa ra kết quả sai. Nếu dữ liệu nạp vào không đúng, kết quả sẽ đưa ra sai - cũng giống như những thông tin giả mạo vẫn xuất hiện trên không gian mạng.
Công nghệ luôn có tính hai mặt và Neural Network và Deep Learning cũng vậy, nếu biết lựa chọn những ưu thế thì khả năng tổng hợp dữ liệu của những ứng dụng trí tuệ, ví dụ như ChatGPT, GPT-3 sẽ giúp công việc thống kê của con người dễ dàng hơn. Còn nếu không, công cụ này sẽ là thảm họa với con người. Cách sử dụng những công cụ như ChatGPT, GPT-3, sử dụng những tiện ích và mặt tích cực của Chatbot này phục vụ cho cuộc sống của con người, phù hợp với xu thế chuyển đổi số hiện nay. Cũng như bất kì công cụ sử dụng AI, trong tương lai ChatGPT, GPT-3 có thể sẽ được cải thiện tốt hơn nhưng điều quan trọng là cách sử dụng và tiếp nhận thông tin của người dùng Internet.
Để hạn chế rủi ro, bảo vệ người tiêu dùng dịch vụ tài chính, bên cạnh tăng cường các biện pháp về an toàn thông tin, đầu tư công nghệ bảo mật của ngành Ngân hàng, quan trọng nhất vẫn là nhận thức và sự cảnh giác của người dùng.
Bình luận của bạn đã được gửi và sẽ hiển thị sau khi được duyệt bởi ban biên tập.
Ban biên tập giữ quyền biên tập nội dung bình luận để phù hợp với qui định nội dung của Báo.
Tăng trưởng bứt phá và phát triển bền vững không phải hai con đường. Đó là hành trình chung, nơi Nhà nước kiến tạo, địa phương đồng hành, doanh nghiệp tiên phong, xã hội tham gia.
Trao đổi với báo chí về kết quả tăng trưởng GDP, bà Nguyễn Thị Mai Hạnh, Trưởng ban Hệ thống Tài khoản quốc gia, Cục Thống kê nhấn mạnh: Để về đích với mục tiêu từ 10% theo Nghị quyết của Quốc hội, quý IV đối mặt áp lực tăng trưởng rất lớn, đòi hỏi các nguồn lực phải nhanh chóng chuyển hóa thành sản lượng và giá trị thực tế.
Nghị quyết số 10-NQ/TW đang mở ra bước ngoặt chiến lược: đưa Việt Nam từ vị thế một “công xưởng gia công” tiến lên nấc thang cao hơn - trung tâm đổi mới sáng tạo và tiếp thu các công nghệ toàn cầu.
Tại Diễn đàn Kinh tế mới lần thứ 4 năm 2026, trong phiên về “Nguồn lực tài chính trong chu kỳ tăng trưởng mới”, các chuyên gia đã thảo luận bài toán đáp ứng nhu cầu vốn rất lớn cho mục tiêu tăng trưởng bình quân 10% giai đoạn 2026-2030, với tổng vốn đầu tư toàn xã hội khoảng 38,5 triệu tỷ đồng.
AI cung cấp cho các tác nhân xấu những công cụ và năng lực mới, đồng thời tạo ra các mối đe dọa mới về an ninh mạng. Tuy nhiên, AI cũng có thể là công cụ giúp các doanh nghiệp vừa và nhỏ được bảo vệ tốt hơn và tăng cường khả năng phục hồi.
AI đang được ứng dụng rộng trong tài chính, chứng khoán, nhưng hiệu quả phụ thuộc vào chất lượng dữ liệu, quy trình triển khai, tri thức chuyên môn và khả năng kiểm soát.
Tại Diễn đàn Kinh tế mới lần thứ 4 năm 2026, trong phiên về “Nguồn lực tài chính trong chu kỳ tăng trưởng mới”, các chuyên gia đã thảo luận bài toán đáp ứng nhu cầu vốn rất lớn cho mục tiêu tăng trưởng bình quân 10% giai đoạn 2026-2030, với tổng vốn đầu tư toàn xã hội khoảng 38,5 triệu tỷ đồng.
Tăng trưởng bứt phá và phát triển bền vững không phải hai con đường. Đó là hành trình chung, nơi Nhà nước kiến tạo, địa phương đồng hành, doanh nghiệp tiên phong, xã hội tham gia.
Trao đổi với báo chí về kết quả tăng trưởng GDP, bà Nguyễn Thị Mai Hạnh, Trưởng ban Hệ thống Tài khoản quốc gia, Cục Thống kê nhấn mạnh: Để về đích với mục tiêu từ 10% theo Nghị quyết của Quốc hội, quý IV đối mặt áp lực tăng trưởng rất lớn, đòi hỏi các nguồn lực phải nhanh chóng chuyển hóa thành sản lượng và giá trị thực tế.
AI cung cấp cho các tác nhân xấu những công cụ và năng lực mới, đồng thời tạo ra các mối đe dọa mới về an ninh mạng. Tuy nhiên, AI cũng có thể là công cụ giúp các doanh nghiệp vừa và nhỏ được bảo vệ tốt hơn và tăng cường khả năng phục hồi.
AI đang được ứng dụng rộng trong tài chính, chứng khoán, nhưng hiệu quả phụ thuộc vào chất lượng dữ liệu, quy trình triển khai, tri thức chuyên môn và khả năng kiểm soát.
Nghị quyết số 10-NQ/TW đang mở ra bước ngoặt chiến lược: đưa Việt Nam từ vị thế một “công xưởng gia công” tiến lên nấc thang cao hơn - trung tâm đổi mới sáng tạo và tiếp thu các công nghệ toàn cầu.
Sau khi báo cáo việc làm kém khả quan của tháng 9 được công bố, hầu hết các chuyên gia đều cho rằng, Fed sẽ giữ nguyên lãi suất trong tháng 10. Tuy nhiên khả năng tăng lãi suất trong tháng 12 vẫn rất lớn.
Tổ chức Z/Yen Partners (Vương quốc Anh) và Viện Phát triển Trung Quốc (CDI) vừa công bố Chỉ số Trung tâm tài chính toàn cầu lần thứ 40 (GFCI 40). Theo đó, Việt Nam có 2 đại diện nằm trong bảng xếp hạng: TP Hồ Chí Minh xếp hạng thứ 67 với 692 điểm, trong khi Đà Nẵng lần đầu tiên xuất hiện trong danh sách GFCI tại vị trí 71 thế giới với 685 điểm.
Ông Ngô Đăng Khoa, Giám đốc Khối Ngoại hối, Thị trường vốn và Dịch vụ chứng khoán (HSBC Việt Nam) nhận định, trong những tháng cuối năm, tỷ giá sẽ tiếp tục chịu áp lực tăng nhất định do yếu tố mùa vụ. Tuy nhiên, nếu nhìn tổng thể, kịch bản cơ sở vẫn là tỷ giá biến động theo hướng tăng vừa phải.
Hạn chế về thời gian và năng lực tư duy khiến doanh nghiệp chỉ có thể xem xét một số phương án chiến lược trước khi đưa ra quyết định. Các công cụ phân tích SWOT hay ma trận danh mục đầu tư - vốn đơn giản vì đó là những gì cần thiết cho các cuộc họp lập kế hoạch. AI đang thay đổi cục diện đó
Nhu cầu vốn của nền kinh tế tăng nhanh đang tạo sức ép lên khả năng cân đối nguồn vốn của các ngân hàng. Khi tín dụng tăng nhanh hơn khả năng huy động, chi phí đầu vào khó giảm, trong khi áp lực lạm phát, tỷ giá, nợ xấu và dự phòng vẫn hiện hữu. Bởi vậy, dư địa giảm lãi suất cho vay trên diện rộng được đánh giá không còn nhiều.
Trong kỷ nguyên số, lợi thế của một nền kinh tế không còn chỉ được quyết định bởi tài nguyên, lao động giá rẻ hay quy mô thị trường. Một nguồn lực mới đang ngày càng giữ vai trò trung tâm đó là dữ liệu và khả năng biến dữ liệu thành giá trị.
Các tổ chức, định chế tài chính quốc tế gần đây tiếp tục đưa ra đánh giá tích cực về triển vọng kinh tế Việt Nam, song mức dự báo tăng trưởng năm 2026 đang khá phân hóa, từ khoảng 7,5% đến 9,5%. Trong đó, Standard Chartered hiện nằm ở nhóm lạc quan nhất khi dự báo GDP quý III tăng 8,7% và cả năm đạt 9,5%.
Thủ tướng Lê Minh Hưng, Trưởng Ban Chỉ đạo Trung ương về phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số, chủ trì phiên họp của Ban Chỉ đạo sau khi kiện toàn theo Quyết định số 208-QĐ/TW của Bộ Chính trị.
Kinh tế Trung Quốc dù duy trì tăng trưởng nhưng đang đối mặt với sức cầu nội địa yếu, giảm phát, bất động sản suy giảm và biến động Nhân dân tệ, đặt ra thách thức cho điều hành chính sách tiền tệ. Bài viết phân tích định hướng của Ngân hàng Nhân dân Trung Quốc (PboC) và rút ra một số hàm ý tham khảo cho Việt Nam trong điều hành chính sách tiền tệ, tỷ giá và phối hợp chính sách kinh tế vĩ mô.
Chuyến công tác của Tổng Bí thư, Chủ tịch nước Tô Lâm tại Hoa Kỳ và Canada đã mở ra những không gian hợp tác mới về kinh tế, thương mại, đầu tư và khoa học - công nghệ. Với Hoa Kỳ, hai bên đưa đàm phán Hiệp định thương mại đối ứng tới gần đích. Với Canada, quan hệ được nâng lên Đối tác Chiến lược. Việc cụ thể hóa nhanh, hiệu quả các cam kết ấy sẽ trở thành động lực cho khát vọng đưa đất nước vững bước trong kỷ nguyên mới.
Mục tiêu tăng trưởng hai con số là thách thức lớn, song vẫn còn cơ hội khi nhiều chỉ báo kinh tế 8 tháng cho thấy đà phục hồi và tăng tốc ngày càng rõ nét. Vấn đề đặt ra là làm thế nào duy trì đà cải thiện này, chuyển hóa thành động lực tăng trưởng thực chất trong những tháng cuối năm.
Tính đến nay, tổng vốn FDI đăng ký tại TP.HCM đạt 17,225 tỷ USD, gấp 4,19 lần cùng kỳ năm 2025 và vượt 56,6% mục tiêu cả năm (11 tỷ USD). Thành phố dự kiến tổng vốn FDI đăng ký năm 2026 có thể đạt khoảng 19 tỷ USD, tương đương 172,7% kế hoạch.
Thị trường trái phiếu xanh Việt Nam đang bước vào giai đoạn chuyển từ ưu tiên mở rộng quy mô sang chú trọng chất lượng, tính minh bạch và khả năng thu hút dòng vốn dài hạn.
Việc ngành thuế chia sẻ dữ liệu cho Trung tâm Thông tin tín dụng Quốc gia (CIC) sẽ giúp ngân hàng có thêm cơ sở để cho vay dựa vào dòng tiền, thay vì chủ yếu dựa vào tài sản đảm bảo như hiện nay.