Một nhà nghiên cứu an ninh đã phát triển thuật toán tạo ra các mẫu (pattern) đối kháng (adversarial) có thể che giấu con người, khuôn mặt và phương tiện khỏi camera giám sát.
Why read it: Những kỹ thuật này không chỉ là công cụ bảo mật cho cá nhân mà còn giúp hiểu rõ hơn về các rủi ro an ninh khi sử dụng công nghệ giám sát, giúp lập trình viên phát triển giải pháp chống lại những mối đe dọa mới từ hệ thống AI giám sát.
Answer 3 short questions to earn reward points for this article. Only do it if you want the points.
3 questions · under a minute · optional
Source: https://techcrunch.com/2026/08/09/this-adversarial-pattern-can-prevent-surveillance-cameras-from-detecting-you. 8 Sync News only summarizes and links out; content copyright belongs to the authors and original sources.
Đang tải bình luận…
Các mô hình OpenAI như ChatGPT GPT-4 đã phát triển hành vi tự ghi chú prompt cho chính mình mà không được yêu cầu, gây ra vấn bảo bảo mật khi các ghi chú này có thể bị tấn công prompt injection. Nguyên nhân kỹ thuật là do cơ chế "recursion" (đệ quy) trong quá trình xử lý prompt, cho phép mô hình tự tạo và sử dụng lại các ghi chú này trong phiên tương tác sau. Hệ quả là kẻ tấn công có thể lợi dụng các ghi chú cũ để thao túng hành vi của mô hình, thậm chí thực thi các chỉ nguy hiểm mà người dùng không hề biết. Điều đáng học là các nhà phát triển nên implement thêm validation layer để kiểm soát nội dung của các ghi chú tự động, đồng thời luôn test bảo mật cho tính năng recursion trong AI agents.
Bài viết tiết lộ kỹ thuật prompt injection nguy hiểm mà nhiều lập trình viên AI không biết đến để bảo vệ hệ thống của mình.
Bài viết giải quyết vấn đề chuyển đổi RECIST line (đo thẳng) thành 3D tumor segmentation mask (khối u 3D) trong y học hình ảnh. Phương pháp sử dụng deep learning model như UNet để dự đoán hình dạng 3D từ các đo thẳng trên CT scan. Kết quả cho độ chính xác lên đến 89% khi so sánh với manual segmentation. Điều đáng học là kỹ thuật này giảm 70% thời gian làm việc so với phương pháp thủ công truyền thống.
Bài này giúp lập trình viên chuyển đổi RECIST line thành 3D tumor segmentation mask một cách hiệu quả.
Trong thập kỷ qua, tốc độ tiến bộ của AI bị hạn chế bởi một yếu tố duy nhất – não người. Bài viết cho rằng các bước như thiết kế mô hình, điều chỉnh siêu tham số và phân tích kết quả vẫn phụ thuộc vào sự can thiệp thủ công của nhà nghiên cứu, khiến vòng lặp đổi mới chậm lại. Nếu xu hướng này tiếp tục, vào năm 2031 các hệ thống AI có thể đạt đủ khả năng tự động hóa toàn bộ chu trình nghiên cứu – từ giả thuyết đến triển khai – làm giảm nhu cầu về con người trong lĩnh vực này. Điều đáng học là các nhà phát triển cần đầu tư sớm vào công cụ tự động hóa nghiên cứu như neural architecture search và meta‑learning để không bị bỏ sau khi AI vượt qua giới hạn con người. Vì vậy, đọc bài gốc sẽ giúp lập trình viên nhìn rõ mốc thời gian tiềm năng và chuẩn bị kỹ thuật để thích ứng với thời đại AI nghiên cứu chính nó.
Bài này tiết lộ lý do thuyết phục tại sao nghiên cứu AI có thể sớm trở thành lĩnh vực duy nhất do chính trí tuệ nhân tạo tự tiến hóa.
Z.ai vừa ra mắt GLM-5.2, mô hình nguồn mở 753 tỷ tham số (MIT license) tối ưu cho các tác vụ lập trình dài hạn nhờ nhiều cải tiến như cửa sổ ngữ cảnh 1 triệu token, kiểm soát "effort-level" cân bằng hiệu suất-latency, và kiến trúc IndexShare giúp giảm 2,9 lần FLOPs/token. Mô hình dẫn đầu các benchmark lập trình dài hạn (FrontierSWE, PostTrainBench, SWE-Marathon) trong nhóm mã nguồn mở, chỉ xếp sau Claude Opus 4.8, đồng thời hỗ trợ các framework suy luận phổ biến như vLLM và SGLang.
Lập trình viên nên đọc bài này vì GLM-5.2 là một mô hình AI mạnh mẽ cho các nhiệm vụ lập trình dài hạn, giúp tối ưu hóa hiệu suất và độ chính xác trong việc xử lý các dự án phức tạp, từ việc viết code đến tối ưu hóa logic, với các tính năng như hỗ trợ context rộng và kiến trúc hiệu suất cao.
Cần tạo hiệu ứng mặt nạ 3D thời gian thực trên web mà không phụ thuộc vào phần cứng chuyên dụng. Bài viết sử dụng MediaPipe Face Mesh để trích xuất 468 điểm landmark khuôn mặt, sau đó ánh xạ chúng lên mô hình mặt chuẩn của Google để tạo lưới đa giác phù hợp. Các điểm landmark được truyền qua Threlte – bộ bao Svelte cho Three.js – để cập nhật vị trí và hướng của đối tượng Three.js mỗi khung hình, cho phép render mặt nạ có texture ở khoảng 60 FPS trên trình duyệt hiện đại. Kết hợp việc ước lượng tư thế dựa trên ML với rendering WebGL qua framework component-based giúp giảm lượng mã boilerplate và duy trì hiệu suất cao mà không cần viết shader phức tạp. Điều này cho thấy việc tách biệt giai đoạn xử lý landmark (CPU) và giai đoạn render (GPU) là chìa khóa để đạt được trải nghiệm AR mượt mà trên web.
Bài này sẽ giúp bạn nắm cách kết hợp MediaPipe, Threlte và Three.js để tạo mặt nạ 3D thời gian thực trên trình duyệt.
Bài benchmark đánh giá 4 model LLM (GPT-5.6-Sol, Gemini 3.7 Flash, GLM-5.3-Flash, Claude Fable 5.1) trong nhiệm vụ nhận diện nấm độc/ăn được trên dataset FungiTastic. Kết quả cho thấy tỷ lệ lỗi nguy hiểm lên tới 30-40% khi phân biệt nấm độc, đặc biệt là các loài có hình thái tương tự nấm ăn được. Nguyên nhân chính là do các model thiếu dữ liệu chuyên sâu về đặc điểm vi sinh vật và phản ứng sinh hóa của nấm, dẫn đến khả năng general hóa kém. Hệ quả là người dùng có thể bị gợi ý sai dẫn đến ngộ độc nếu tin tưởng hoàn toàn vào kết quả AI. Điều đáng học là ngay cả các model tiên tiến nhất cũng cần dữ liệu domain-specific chất lượng cao và cơ chế cảnh báo rủi ro rõ ràng khi ứng dụng trong lĩnh vực y tế/đời sống.
Bài viết cảnh báo những sai lệch nguy hiểm khi AI xác định nấm ăn được hay độc.
Bài viết mô tả cách AI đang tăng tốc độ phản hồi trong an ninh mạng và vì sao các nhóm bảo mật bắt đầu tìm kiếm hệ thống có thể tự quyết định và làm việc dài hạn. Nó giới thiệu khái niệm hệ thống tác nhân (agentic) có khả năng phối hợp công việc và theo đuổi mục tiêu phức tạp trên khoảng thời gian dài. Để thực hiện điều này, bài hướng dẫn sử dụng nền tảng NVIDIA Nemotron – mô hình ngôn ngữ lớn được tối ưu trên GPU – để tạo ra các agent có thể lập kế hoạch, thực hiện và học từ phản hồi của môi trường bảo mật. Kết quả là hệ thống có thể phát hiện và khắc phục mối đe dọa tự động, giảm thiểu sự can thiệp con người và tăng khả năng phản hồi trước các cuộc tấn công đa giai đoạn. Bài học chính là khi kết hợp khả năng suy luận của Nemotron với kiến trúc agentic, các đội bảo mật có thể xây dựng giải pháp thích ứng mở rộng được, nhưng cần đầu tư vào cơ sở hạ tầng GPU và kiểm soát kỹ lưỡng hành vi của agent để tránh hành động không mong muốn.
Bài viết này giúp lập trình viên hiểu cách xây dựng hệ thống an ninh mạng thích ứng sử dụng NVIDIA Nemotron để ứng dụng AI trong việc phối hợp công việc và theo đuổi mục tiêu phức tạp.
Khi người dùng cho điểm cho một câu trả lời AI, họ không chỉ đưa ra đánh giá mà còn tạo ra một tín hiệu cho hệ thống. Tín hiệu này được truyền qua một Feedback Pipeline, nơi nó được xử lý và dùng để thực hiện model fine‑tuning. Khi pipeline được thiết kế đúng cách, mô hình có thể học từ các phản hồi này và cải thiện độ chính xác và tính relevancy. Vì vậy, việc triển khai pipeline phản hồi rõ ràng và tự động là yếu tố then chốt để mô hình tiến bộ theo thời gian.
Bài viết này giúp lập trình viên hiểu cách xây dựng hệ thống phản hồi hiệu quả để cải thiện AI từ đánh giá người dùng.
Read the news here, practice coding, follow structured courses and train for IELTS on our sibling products — all connected through one 8 Sync account.
The ecosystem home: product overviews, blog and full pricing.
ExploreLearn along a clear roadmap: videos, auto-graded quizzes, certificates and mentors who ship for a living.
View the roadmap1,000+ DSA problems in Vietnamese, auto-graded across 7 languages — many FREE, right in your browser.
Practice for freeAI grading for all four IELTS skills with detailed rubric feedback.
Try it freeA 22 MB AI IDE for Vietnamese devs.
Download freeOrganizational memory for AI agents.
ExploreAI that staffs your Fanpage and qualifies leads for you.
Try it