Mục tiêu và giải pháp trọng tâm về giáo dục đại học Việt Nam trong Nghị quyết 71/NQ-TW

Thay mặt Bộ Chính trị, ngày 22/8/2025, Tổng Bí thư Tô Lâm đã ký ban hành Nghị quyết của Bộ Chính trị về đột phá phát triển giáo dục và đào tạo (Nghị quyết số 71-NQ/TW). Sau đây là tổng hợp các mục tiêu và giải pháp trọng tâm về giáo dục đại học Việt Nam được nêu trong Nghị quyết 71-NQ/TW:

🎯 Mục tiêu về giáo dục đại học:

Đến năm 2030

  • Sắp xếp và nâng cấp mạng lưới cơ sở GDĐH và GD nghề nghiệp;
    • 100% cơ sở GDĐH và ít nhất 80% cơ sở GD nghề nghiệp đạt chuẩn quốc gia.
    • 20% cơ sở đạt trình độ hiện đại tương đương các nước phát triển châu Á.
  • Tỷ lệ thanh niên theo học sau trung học phổ thông đạt 50%, trong đó 24% có trình độ cao đẳng, đại học trở lên.
  • Tỷ lệ SV theo học các ngành khoa học cơ bản, kỹ thuật, công nghệ ≥ 35%.
  • Ít nhất 6.000 NCS, 20.000 SV theo chương trình tài năng.
  • Nâng tầm đại học trở thành trung tâm nghiên cứu, đổi mới sáng tạo, khởi nghiệp quốc gia và vùng.
  • Thu hút ít nhất 2.000 giảng viên giỏi từ nước ngoài.
  • Tăng 12%/năm công bố khoa học quốc tế; 16%/năm số sáng chế.
  • Có ≥ 8 trường đại học vào top 200 châu Á, ≥ 1 trường vào top 100 thế giới theo lĩnh vực.

Đến năm 2035

  • Hệ thống GDĐH hiện đại, chất lượng, công bằng.
  • 2 cơ sở GDĐH lọt top 100 thế giới trong một số lĩnh vực.

Tầm nhìn 2045

  • Việt Nam có hệ thống GDĐH hiện đại, công bằng, chất lượng, thuộc top 20 quốc gia hàng đầu thế giới.
  • Có ít nhất 5 trường đại học thuộc nhóm 100 đại học hàng đầu thế giới (theo lĩnh vực).
  • GDĐH là động lực cung cấp nhân lực, nhân tài KH-CN cho đất nước phát triển, thu nhập cao.

🛠 Giải pháp trọng tâm về giáo dục đại học

  1. Hoàn thiện thể chế và quản trị đại học
    • Sắp xếp, tái cấu trúc mạng lưới cơ sở GDĐH; giải thể, sáp nhập trường không đạt chuẩn.
    • Xóa bỏ cấp trung gian; nghiên cứu sáp nhập viện nghiên cứu vào ĐH.
    • Tăng quyền tự chủ toàn diện cho ĐH (nhân sự, tài chính, tuyển dụng GS/PGS…).
    • Đổi mới cơ chế tài chính: phân bổ NSNN dựa trên sứ mạng, chất lượng, hiệu quả; dành ≥ 3% NSNN cho GDĐH.
  2. Đầu tư trọng điểm
    • Hiện đại hóa hạ tầng, phòng thí nghiệm, trung tâm nghiên cứu tại các trường trọng điểm.
    • Phát triển 3–5 đại học tinh hoa theo mô hình đại học nghiên cứu đẳng cấp quốc tế.
    • Khuyến khích phát triển các khu đô thị công nghệ cao – đại học, mô hình đại học đổi mới sáng tạo.
  3. Phát triển đội ngũ giảng viên và nhân lực nghiên cứu
    • Tăng cường bồi dưỡng, hỗ trợ giảng viên học tập nâng cao trong và ngoài nước.
    • Chính sách ưu đãi vượt trội để thu hút giảng viên, nhà khoa học quốc tế.
    • Thực hiện chế độ giảng viên đồng cơ hữu, huy động người giỏi tham gia giảng dạy và nghiên cứu.
  4. Đổi mới chương trình và phương thức đào tạo
    • Chuẩn hóa theo chuẩn quốc tế; tích hợp kiến thức AI, phân tích dữ liệu, khởi nghiệp.
    • Gắn đào tạo sau đại học với nghiên cứu KH-CN và đổi mới sáng tạo.
    • Đổi mới tuyển sinh theo hướng đánh giá năng lực, kiểm soát chuẩn đầu vào, đầu ra.
  5. Thúc đẩy hệ sinh thái đổi mới sáng tạo & khởi nghiệp
    • Gắn kết Nhà nước – Nhà trường – Doanh nghiệp.
    • Hỗ trợ giảng viên, sinh viên triển khai startup, spin-off, dự án đổi mới sáng tạo.
  6. Hội nhập quốc tế sâu rộng
    • Hợp tác liên kết với các đại học uy tín, doanh nghiệp lớn quốc tế.
    • Thu hút đầu tư nước ngoài vào GDĐH.
    • Khuyến khích các ĐH Việt Nam mở phân hiệu, văn phòng đại diện ở nước ngoài.
    • Đẩy mạnh hợp tác đào tạo xuyên biên giới, giáo dục số.

👉 Tóm lại, giáo dục đại học được xác định là nòng cốt để phát triển nhân lực trình độ cao, dẫn dắt nghiên cứu – đổi mới sáng tạo, với mục tiêu đưa Việt Nam vào nhóm top 20 quốc gia hàng đầu thế giới về giáo dục vào năm 2045.

GS Ngô Bảo Châu suy nghĩ về AI

Ảnh sinh bởi AI. Bản dịch bởi ChatGPT. Chú thích (trong ngoặc) bởi Nguyễn Ngọc Tuấn.

Link bài gốc: https://ngobaochau.wordpress.com/2025/08/31/random-thoughts-from-a-wheelchair/

Những suy nghĩ ngẫu hứng từ chiếc xe lăn

Trước hết, tôi xin bày tỏ sự trân trọng đối với Hội Toán học London về sáng kiến tuyệt vời này, và cảm ơn Hội đã chọn Viện chúng tôi (Viện Nghiên cứu cao cấp về Toán – VIASM) làm nơi tổ chức cuộc họp toàn cầu đầu tiên. Thay mặt cho VIASM, tôi xin gửi lời chào mừng nồng nhiệt tới các đồng nghiệp đến từ Vương quốc Anh và tất cả quý vị. Với cương vị Giám đốc khoa học của VIASM, tôi có đôi lời muốn chia sẻ về chủ đề khoa học của hội nghị này, đó là Toán học và Trí tuệ nhân tạo. Tôi xin nhân dịp này chia sẻ một vài suy ngẫm mang tính triết lý về chủ đề nóng bỏng này. Mặc dù tôi không có kiến thức kỹ thuật sâu về AI, nhưng tôi có thể nói rằng trong khoảng nửa năm vừa qua, hầu như không ngày nào tôi không suy nghĩ về hiện tượng hấp dẫn này, mà tôi ví như một thiên thạch khổng lồ đang lao tới Trái Đất với tốc độ ánh sáng. Xin quý vị kiên nhẫn cùng tôi trong những suy đoán này.

Khi nghe những người như Sam Altman (cựu Giám đốc điều hành của OpenAI) phát biểu, ta có cảm giác công ty của ông ấy đã chi hàng tỷ đô la để tạo ra một thứ mà chính ông ấy lại lấy làm tiếc vì nó sẽ hủy diệt tất cả chúng ta. Theo Altman, đây là một dạng thảm họa do con người tạo ra mà chúng ta buộc phải góp phần vào. Chúng ta phải dùng hết nguồn nước, làm nóng thêm bầu khí quyển để xây dựng con quái vật này, thứ sẽ lấy đi tất cả công việc của chúng ta. Chẳng phải những gì Altman nói khiến “trí tuệ nhân tạo” trông giống “sự ngu dốt nhân tạo” của con người hơn sao?

Trong các cuộc cách mạng công nghiệp trước đây, khi máy hơi nước và điện thay thế cho sức cơ bắp con người, những thảm họa quy mô lớn đã diễn ra. Liệu chiến tranh giành thị trường mới để tiêu thụ sản phẩm công nghiệp dư thừa, hay những cuộc khủng hoảng, thất nghiệp chưa từng có phải là hệ quả trực tiếp của cách mạng công nghiệp? Khó mà xác định, nhưng sự ra đời của máy hơi nước và điện nhiều khả năng đã góp phần gây ra những thảm họa lớn trong nửa đầu thế kỷ XX. Tuy vậy, thật không công bằng khi đổ lỗi cho những phát minh vĩ đại này, bởi về bản chất, chúng giúp con người thoát khỏi những lao động nặng nhọc, ít thú vị. Điều đáng trách là sự bất lực của chúng ta trong việc đổi mới mô hình kinh tế – xã hội để thích ứng với năng lực sản xuất hoàn toàn mới này. Cuối cùng, sự chuyển đổi cũng diễn ra một cách tự nhiên khi lực lượng lao động sản xuất chuyển sang lĩnh vực dịch vụ. Nửa sau thế kỷ XX là giai đoạn thịnh vượng toàn cầu, duy trì bởi hòa bình mong manh trên thế giới, ngoại trừ một vài nơi, trong đó có đất nước chúng ta. Cuộc cách mạng công nghiệp thế kỷ XIX ban đầu khiến cuộc sống con người tồi tệ hơn, nhưng cuối cùng lại cải thiện nó.

Tuy nhiên, đã có những hệ quả ngoài ý muốn. Nửa sau thế kỷ XX chứng kiến một vấn đề sức khỏe cộng đồng mới: lần đầu tiên trong lịch sử, một bộ phận lớn dân số ở một số quốc gia bị béo phì. Điều này có thể dự đoán trước, bởi khi ta sử dụng cơ bắp ít đi, ta sẽ béo phì. Suy rộng ra, có thể dự đoán rằng vấn đề sức khỏe cộng đồng của nửa sau thế kỷ XXI có thể sẽ là “béo phì tinh thần”.

Nhưng không nhất thiết phải như vậy. Nếu tin vào Sam Altman, AI sẽ thay thế con người trong mọi công việc, và vì thế con người sẽ không còn phải làm việc nữa. Điều đó sẽ gây ra khủng hoảng kinh tế nghiêm trọng ở một mặt, và “béo phì tinh thần” ở mặt khác. Tôi tin rằng các nhà kinh tế sẽ có một nhiệm vụ thú vị: xây dựng một mô hình kinh tế khả thi, trong đó nhiều công việc văn phòng hình thành sau cuộc cách mạng công nghiệp trước sẽ biến mất dưới tác động của AI, nhưng đồng thời sẽ xuất hiện những công việc mới. Ông Muti Yung, người phát biểu hôm thứ Hai, cũng có quan điểm tương tự. (GS Muti Yung, ĐH Colombia, Hoa Kỳ có bài nói tại VIASM vào 25/8/2025)

Dù khá rõ ràng rằng nhiều công việc văn phòng sẽ bị AI thay thế, AI chắc chắn không thể đáp ứng tất cả nhu cầu của con người. Vượt lên trên nhu cầu sinh tồn và nhu cầu sinh học, với tư cách con người, chúng ta còn cần phát triển về trí tuệ và tinh thần. Không một cỗ máy nào có thể thay thế chúng ta trong việc sống và phát triển trí tuệ, tinh thần. Tôi muốn tin rằng tiến bộ công nghệ sẽ giảm bớt gánh nặng mưu sinh thường nhật, giải phóng thời gian và năng lượng để chúng ta được phát triển. Một lần nữa, tôi xin dành vấn đề kinh tế cho các nhà kinh tế, nhưng tôi nghi ngờ rằng mô hình kinh tế hiện tại – vốn xây dựng trên các ràng buộc của máy hơi nước và điện – sẽ còn giá trị. Nói cách khác, chúng ta không nên đồng tình với Sam Altman, người cho rằng mục tiêu là xây dựng một siêu máy có khả năng nghiền nát trí tuệ con người, chỉ vì đó là “luật của thị trường tự do”. Luật thị trường tự do là một lý thuyết hấp dẫn, một sản phẩm đáng kinh ngạc của trí tuệ nhân loại, nhưng nó không nên lấn át mục tiêu hàng đầu là duy trì sự sống và phát triển của chúng ta.

Giống như nhiều người trong số quý vị, tôi đã dành thời gian trò chuyện với nhiều mô hình AI khác nhau, và tôi thích sự đồng hành của chúng. Chúng “phi nhân tính” ở chỗ luôn sẵn sàng, nhưng lại “rất con người” ở chỗ vừa thú vị vừa… không đáng tin. Tôi không coi bất kỳ câu trả lời nào của chúng là chân lý, nhưng việc trò chuyện giúp tôi tiếp tục suy nghĩ về một chủ đề, từ đó hình thành hiểu biết của riêng mình. Nếu muốn học hỏi điều gì, AI hiện tại đã có thể là một bạn đồng hành học tập tuyệt vời.

Hôm qua, Bùi Hải Hưng (Viện trưởng Viện trí tuệ Nhân tạo VinAI Research) đã có một bài trình bày khái quát về LLM (mô hình ngôn ngữ lớn – Large Language Model) cho người mới. Ông giải thích rằng cốt lõi của LLM vẫn chỉ là “con vẹt thống kê”, nhưng là một con vẹt có cả Internet trong trí nhớ. Vì thế, nó là một bạn học nói nhiều, có thể gây ấn tượng bởi sự dí dỏm và cách diễn đạt rõ ràng. Tuy nhiên, chúng ta phải thận trọng gấp đôi, bởi bản chất của một con vẹt thống kê là không đáng tin. Kinh nghiệm của tôi là: khi hỏi về một vấn đề tôi hiểu rõ, câu trả lời gần như luôn sai hoặc gây hiểu lầm. Nhưng khi hỏi về vấn đề tôi chưa rõ, câu trả lời lại nghe rất thuyết phục. Vì vậy, hãy luôn cảnh giác.

Từ góc nhìn toán học, khuyết điểm rõ ràng nhất của LLM là sự bất lực hoàn toàn trong việc xây dựng lý thuyết. Lý thuyết, tôi muốn nói, là một hệ thống định nghĩa và các mệnh đề logic cơ bản dựa trên định nghĩa đó, cho phép chúng ta mô tả hiện tượng một cách chính xác và súc tích. Con người cần sự súc tích vì ta không thể xử lý những câu quá dài. Đó là lý do ta cần lý thuyết. Hơn nữa, sự súc tích và chính xác càng cao thì với ta càng đẹp. Trái lại, máy tính có thể xử lý câu dài, và như tôi hiểu từ bài nói của Bùi Hải Hưng, với LLM, thực ra chỉ có một câu siêu dài được xây dựng từng từ. Trong kiến trúc hiện tại, LLM dường như vốn dĩ không thể xây dựng lý thuyết. Thay vì xây dựng những cỗ máy mạnh hơn trên cùng kiến trúc – vốn cần thêm nước và điện – có lẽ cần tìm kiếm những mô hình mang những giới hạn tương tự như trí óc con người để tạo ra một AI thực sự là bạn học thông minh.

Từ góc nhìn giảng dạy, thách thức lại khác. Các mô hình AI hiện nay đã có thể giải quyết hầu hết các bài toán mà chúng ta thường giao cho sinh viên. Nhưng đối với giáo viên, điều đó không có giá trị tích cực, vì chúng ta không cần câu trả lời, chúng ta muốn sinh viên tự tìm ra. Nói ngắn gọn, AI ở hình thức hiện nay gây hại nhiều hơn lợi cho việc dạy toán. Giống như ta cần các nhà kinh tế tìm ra cách thức giao dịch kinh tế mới trong kỷ nguyên AI, chúng ta – những người dạy học – cũng phải tự đặt câu hỏi về việc tái phát minh cách dạy toán và cách đánh giá sự tiến bộ của sinh viên. Điều này đòi hỏi nhiều hơn là những suy đoán nhàn rỗi của tôi trên chiếc ghế lăn này, nhưng tôi tin rằng giải pháp tồn tại. Dù đó là học tập dựa trên khám phá hay quay lại với hình thức thi vấn đáp, chúng ta cần phải làm một cách hệ thống, bởi đây là vấn đề hệ trọng. Chúng ta không muốn lặp lại tình huống buộc sinh viên dùng cái gọi là “máy tính khoa học” chỉ vì chúng ta chưa nghĩ ra cách tích hợp tính toán khoa học thực sự vào chương trình học.

Đó là tất cả những gì tôi muốn nói. Trước sự xuất hiện của AI, chúng ta cần đánh giá lại mọi khía cạnh trong cách chúng ta sống chung, trao đổi hàng hóa, dịch vụ và ý tưởng. AI có khả năng giải phóng chúng ta khỏi nhiều công việc nhàm chán, cho phép chúng ta tập trung trí tuệ vào những câu hỏi cốt lõi liên quan đến sự phát triển trí tuệ và tinh thần. Nhưng trước khi đạt tới đó, nếu không cẩn trọng suy xét và tổ chức lại đời sống tập thể một cách sâu sắc, AI có thể trước hết sẽ dẫn đến thảm họa với những mất mát to lớn về con người, trước khi mang lại cải thiện.

Xin trân trọng cảm ơn quý vị đã lắng nghe.

Các loại thông tin cần thiết trong một doanh nghiệp hiệu quả

Bài viết này mô tả các loại dữ liệu khác nhau mà một doanh nghiệp hiệu quả cần. Các loại dữ liệu doanh nghiệp mà chúng ta sẽ thảo luận bao gồm: dữ liệu chiến lược (strategic data), dữ liệu chiến thuật (tactical data), dữ liệu lịch sử (historical data), và dữ liệu giao dịch (transactional data).

  • Dữ liệu chiến lược là loại dữ liệu được sử dụng bởi ban lãnh đạo cấp cao để đưa ra các quyết định và cần thiết cho việc lập kế hoạch dài hạn. Loại dữ liệu này có thể bao gồm thông tin như môi trường kinh doanh, dự báo kinh doanh, dự báo doanh số, dự báo nhà cung cấp và các loại thông tin khác ảnh hưởng đến toàn bộ doanh nghiệp, giúp đưa ra những quyết định có tác động sâu rộng. Loại dữ liệu này liên quan đến các quyết định có tầm nhìn xa, từ 1 năm, 5 năm, đến 10 hoặc 20 năm. Khi doanh nghiệp có thể đưa ra quyết định dựa trên loại dữ liệu này, họ có thể thiết lập các mục tiêu chiến thuật, dẫn đến phần tiếp theo: dữ liệu chiến thuật.
  • Dữ liệu chiến thuật là loại dữ liệu được các nhà quản lý sử dụng để vận hành doanh nghiệp hàng ngày. Dữ liệu này cần thiết để đạt được các mục tiêu ngắn hạn, được đặt ra nhằm giúp doanh nghiệp từng bước tiến tới các mục tiêu dài hạn. Nó có thể bao gồm dữ liệu ở cấp độ đơn vị hoặc nhóm, chẳng hạn như dữ liệu chỉ liên quan đến nhóm tiếp thị hoặc đơn vị bán sản phẩm cụ thể.
  • Dữ liệu lịch sử bao gồm tất cả các dữ liệu chiến lược và chiến thuật trong quá khứ. Loại dữ liệu này cần thiết để hiểu xu hướng và thiết lập các tiêu chuẩn. Ví dụ, làm sao bạn biết mình đang nhận được một mức giá tốt nếu không biết dữ liệu lịch sử về giá mà nhà cung cấp đã từng cung cấp? Hoặc làm sao bạn biết giá thuê bất động sản hợp lý nếu không biết giá thị trường trước đây? Dữ liệu lịch sử cũng rất quan trọng để hiểu doanh nghiệp đã ở đâu, từ đó đưa ra quyết định tốt hơn về nơi doanh nghiệp sẽ đi tới.
  • Dữ liệu giao dịch là dữ liệu mô tả một sự kiện hoặc giao dịch xảy ra trong quá trình vận hành doanh nghiệp. Tất cả mọi thứ liên quan đến hoạt động kinh doanh, từ việc lập hóa đơn cho khách hàng, trả lương cho nhân viên, đến số lượng hàng tồn kho, đều thuộc loại dữ liệu này. Nếu bạn có một doanh nghiệp với hàng tồn kho vật lý, dữ liệu giao dịch bao gồm cả số lượng tồn kho. Dữ liệu này không chỉ hữu ích làm tham chiếu để đưa ra các quyết định trong tương lai, mà còn cần thiết cho các mục đích báo cáo tài chính và thuế.

Trên đây các loại dữ liệu khác nhau mà một doanh nghiệp hiệu quả cần.

Bạn đọc có thể đọc thêm bài Phân loại thông tin.

8 GIAI ĐOẠN TRONG VÒNG ĐỜI DỮ LIỆU

Không có hai dự án dữ liệu nào giống hệt nhau. Tuy nhiên các dự án dữ liệu có xu hướng tuân theo cùng một chu trình.

Subscribe to continue reading

Subscribe to get access to the rest of this post and other subscriber-only content.

Google phát hành Scholar Metrics 2021

Ngày thứ Năm, 22/7/2021, Google phát hành phiên bản 2021 của Scholar Metrics. Đây là bản dịch bài trên blog của Google.

Scholar Metrics cung cấp cho các tác giả một cách dễ dàng nhanh chóng đánh giá khả năng xuất hiện và ảnh hưởng của các bài báo gần đây trong các ấn phẩm học thuật. Hôm nay, chúng tôi phát hành phiên bản 2021 của Scholar Metrics. Bản phát hành này bao gồm các bài báo được xuất bản trong năm 2016–2020 và bao gồm các trích dẫn từ tất cả các bài báo đã được lập chỉ mục trong Google Scholar kể từ tháng 7 năm 2020.

Scholar Metrics bao gồm các tạp chí được đưa vào từ các trang web tuân theo các nguyên tắc của chúng tôi và các hội nghị được chọn trong Kỹ thuật & Khoa học Máy tính. Các ấn phẩm có ít hơn 100 bài báo trong năm 2016 – 2020 hoặc các ấn phẩm không nhận được trích dẫn trong những năm này sẽ không được tính vào.

Bạn có thể duyệt các ấn phẩm trong các danh mục cụ thể như Ngôn ngữ học tính toán, Huyết học hoặc Tôn giáo cũng như các lĩnh vực rộng lớn như Kỹ thuật & Khoa học Máy tính hoặc Nhân văn, Văn học & Nghệ thuật. Bạn sẽ thấy 20 ấn phẩm hàng đầu được sắp xếp theo chỉ số h-index và h-median trong 5 năm của chúng. Bạn cũng có thể duyệt qua 100 ấn phẩm hàng đầu bằng một số ngôn ngữ – ví dụ: tiếng Bồ Đào Nha và tiếng Tây Ban Nha. Đối với mỗi ấn phẩm, bạn có thể xem các bài báo hàng đầu bằng cách nhấp vào mục h5-index.

Chỉ số Scholar bao gồm một số lượng lớn các ấn phẩm ngoài những ấn phẩm được liệt kê trên các trang cho mỗi danh mục và mỗi ngôn ngữ. Bạn có thể tìm thấy những điều này bằng cách nhập các từ từ tiêu đề vào hộp tìm kiếm, ví dụ: [tin học], [giáo dục đặc biệt], [salud].

Để biết thêm chi tiết, hãy xem trang trợ giúp về Các chỉ số Scholar.

Nguồn bài: https://scholar.googleblog.com/2021/07/2021-scholar-metrics-released.html