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.
Sau hợp nhất, Thành phố Hồ Chí Minh đang đứng trước cơ hội trở thành trung tâm kinh tế số, dịch vụ số của cả nước. Tuy nhiên, để thực hiện được điều này, thành phố cần thực hiện đồng bộ các giải pháp, nhất là đầu tư hạ tầng công nghệ, hỗ trợ doanh nghiệp tiếp cận các nền tảng công nghệ số.
Ngày 17/9/2025 tại Hà Nội, Tập đoàn dẫn đầu toàn cầu về chuyển đổi số quản lý năng lượng và tự động hóa Schneider Electric đã tổ chức Hội nghị Đổi mới Sáng tạo – Innovation Day 2025 với chủ đề “Hạ tầng số sẵn sàng cho AI – Động lực tăng trưởng mới của Việt Nam”.
Số hóa quy trình có thể giống như bước nhảy vào vùng đất chưa biết đối với nhân viên. Trách nhiệm của lãnh đạo, với tư cách là người tiên phong ủng hộ sự thay đổi, là ưu tiên đầu tư vào đào tạo, quản lý thay đổi và hướng dẫn đồng nghiệp trong quá trình chuyển đổi số.
Liên minh châu Âu (EU), Trung Quốc, Mỹ... đều là những thị trường rộng lớn, dư địa còn nhiều nhưng đầy thách thức, với điểm chung là yêu cầu cao về chất lượng, truy xuất nguồn gốc và minh bạch sản phẩm.
Chuyển đổi xanh, đặc biệt là xanh hóa chuỗi cung ứng, đã trở thành động lực phát triển bền vững tại Nhật Bản, một quốc gia dẫn đầu châu Á về công nghệ môi trường và quản lý chuỗi cung ứng.
Xanh hóa chuỗi cung ứng là quá trình tích hợp các nguyên tắc phát triển bền vững vào quản trị chuỗi cung ứng, nhằm giảm tác động môi trường, tối ưu hóa tài nguyên và nâng cao trách nhiệm xã hội. Đây không còn là khẩu hiệu tuyên truyền, mà đã trở thành xu thế phát triển tất yếu của nền kinh tế thế giới.
Ngày 17/9/2025 tại Hà Nội, Tập đoàn dẫn đầu toàn cầu về chuyển đổi số quản lý năng lượng và tự động hóa Schneider Electric đã tổ chức Hội nghị Đổi mới Sáng tạo – Innovation Day 2025 với chủ đề “Hạ tầng số sẵn sàng cho AI – Động lực tăng trưởng mới của Việt Nam”.
Sau hợp nhất, Thành phố Hồ Chí Minh đang đứng trước cơ hội trở thành trung tâm kinh tế số, dịch vụ số của cả nước. Tuy nhiên, để thực hiện được điều này, thành phố cần thực hiện đồng bộ các giải pháp, nhất là đầu tư hạ tầng công nghệ, hỗ trợ doanh nghiệp tiếp cận các nền tảng công nghệ số.
Số hóa quy trình có thể giống như bước nhảy vào vùng đất chưa biết đối với nhân viên. Trách nhiệm của lãnh đạo, với tư cách là người tiên phong ủng hộ sự thay đổi, là ưu tiên đầu tư vào đào tạo, quản lý thay đổi và hướng dẫn đồng nghiệp trong quá trình chuyển đổi số.
Liên minh châu Âu (EU), Trung Quốc, Mỹ... đều là những thị trường rộng lớn, dư địa còn nhiều nhưng đầy thách thức, với điểm chung là yêu cầu cao về chất lượng, truy xuất nguồn gốc và minh bạch sản phẩm.
Chuyển đổi xanh, đặc biệt là xanh hóa chuỗi cung ứng, đã trở thành động lực phát triển bền vững tại Nhật Bản, một quốc gia dẫn đầu châu Á về công nghệ môi trường và quản lý chuỗi cung ứng.
Bộ Tài chính đề xuất công ty chứng khoán trong nước muốn tham gia Trung tâm tài chính quốc tế phải có vốn điều lệ và vốn chủ sở hữu tối thiểu 5.000 tỉ đồng.
Xanh hóa chuỗi cung ứng là quá trình tích hợp các nguyên tắc phát triển bền vững vào quản trị chuỗi cung ứng, nhằm giảm tác động môi trường, tối ưu hóa tài nguyên và nâng cao trách nhiệm xã hội. Đây không còn là khẩu hiệu tuyên truyền, mà đã trở thành xu thế phát triển tất yếu của nền kinh tế thế giới.
Phiên họp Chính phủ thường kỳ tháng 8 cho thấy: Chính phủ tiếp tục kiên định mục tiêu ổn định kinh tế vĩ mô, bảo đảm các cân đối lớn, thúc đẩy tăng trưởng GDP từ 8,3-8,5% trên cơ sở tập trung phối hợp chính sách tài khóa và tiền tệ, bảo đảm kiểm soát lạm phát, thúc đẩy đầu tư công và hỗ trợ sản xuất, kinh doanh hiệu quả.
Trí tuệ nhân tạo và dữ liệu không chỉ là công cụ mà còn là năng lượng mới, mạch máu của nền kinh tế trí tuệ. Một chiến lược AI đúng đắn và dữ liệu sẽ là chìa khóa định đoạt tương lai của mỗi quốc gia.
Với sự tăng trưởng nhanh chóng trong các lĩnh vực thương mại điện tử, công nghệ tài chính và AI, Đông Nam Á đang chứng kiến sự gia tăng đột biến về nhu cầu điện - đặc biệt là từ các trung tâm dữ liệu.
Tạp chí Global Finance mới đây đã công bố danh sách các Thống đốc Ngân hàng Trung ương đạt mức xếp hạng cao nhất, gồm “A+”, “A” hoặc “A-”, trong Báo cáo Xếp hạng Thống đốc Ngân hàng Trung ương 2025. Trong đó Thống đốc NHNN Nguyễn Thị Hồng được xếp hạng A+.
Lịch sử đã chứng minh, Việt Nam luôn biết đón thời cơ để vượt qua thách thức và đi tới thắng lợi vinh quang, làm nên những chiến công vĩ đại trong lịch sử dân tộc. Song kỷ nguyên mới đòi hỏi chúng ta phải khơi thông mọi động lực trên mọi lĩnh vực của đời sống chính trị, kinh tế, văn hóa - xã hội để hiện thực hóa khát vọng 10 năm độc lập
Ngày 10/9, Phó Thủ tướng Hồ Đức Phớc đã họp với các bộ ngành, doanh nghiệp về kế hoạch triển khai thi hành Luật Quản lý và đầu tư vốn nhà nước tại doanh nghiệp (Luật số 68/2025/QH15).
Nghị quyết số 70-NQ/TW ra đời không chỉ kế thừa mà còn đi thẳng vào các vấn đề cốt lõi, với yêu cầu đột phá về thể chế, mở rộng thị trường và thu hút mọi nguồn lực xã hội.
Chính phủ đã có chính sách tín dụng ưu đãi cho học sinh, sinh viên, học viên thạc sĩ và nghiên cứu sinh ngành STEM, mở rộng đối tượng, tăng mức vay, giảm lãi suất, hướng tới phát triển nhân lực chất lượng cao.
Lạm phát cơ bản duy trì trên 3% trong nhiều tháng, tín dụng tăng trưởng cao, tỷ giá và giá vàng biến động, đặt ra sức ép lớn, đòi hỏi cần điều hành linh hoạt và chủ động ứng phó.
Ngân hàng Nhà nước sẽ tiếp tục điều hành chính sách tiền tệ linh hoạt, phối hợp đồng bộ các công cụ và các giải pháp tiền tệ với “thời điểm và liều lượng hợp lý, hài hòa giữa tỷ giá và lãi suất”.
Thu ngân sách Nhà nước 8 tháng năm 2025 ước tăng 28,5% so với cùng kỳ năm trước, bằng 88,5% dự toán năm, trong đó thu nội địa tăng 32,7%, bằng 89,8% dự toán năm.
DNVN - Việc ứng dụng AI để kiểm tra giống lúa là hướng đi tốt, hỗ trợ rất nhiều cho các nhà sản xuất hạt giống và cơ quan quản lý nhà nước trong việc giám định độ thuần, độ sạch của giống lúa, là hai yếu tố quan trọng trong việc kiểm nghiệm chất lượng hạt giống.
