Claude bất ngờ nhắc người dùng đi ngủ và uống nước

Nguyễn Xuân Phong, sinh năm 1989, có bằng thạc sĩ khoa học máy tính tại Đại học Carnegie Mellon (Mỹ) và tiến sĩ chuyên ngành AI tại Đại học Tokyo (Nhật Bản). Ông nằm trong Top 50 nhà khoa học trẻ xuất sắc của tập đoàn Hitachi ở tuổi 26. Năm 2024, ông là người Việt Nam đầu tiên được vinh danh trong bảng xếp hạng AI150 toàn cầu của Constellation Research.

Đầu tháng 3, ông trở thành CTO thuộc thế hệ 8x đầu tiên của FPT, chịu trách nhiệm định hướng và kiến trúc hệ sinh thái công nghệ của tập đoàn xoay quanh sự dịch chuyển của AI. Trong cuộc đối thoại với ông Nguyễn Thành Nam, thành viên Hội đồng Sáng lập FPT, Nguyễn Xuân Phong chia sẻ những cơ hội, thách thức AI tạo ra cho các ngành nghề, đặc biệt với ngành công nghệ thông tin tại Việt Nam.

- Nguyễn Thành Nam: Gần đây, một chuyên gia AI từ Thung lũng Silicon khi về nước đã nhận xét thẳng thừng "anh em Việt Nam chưa biết làm AI". Câu nói này gây "giật mình". Quan điểm của ông thế nào?

- Nguyễn Xuân Phong: Cần nhìn nhận khách quan rằng nhận định đó đến từ một nhân tài làm việc tại một nơi có thể coi là "đại bản doanh" AI của thế giới, nên góc nhìn chắc chắn sẽ khác. Ở Thung lũng Silicon, AI len lỏi vào từng hơi thở của đời sống. Có lần tôi đi taxi ở đó, tài xế hỏi: "Anh đã huấn luyện mô hình 9 tỷ hay 32 tỷ tham số chưa?". Khi một người lái taxi cũng có thể bàn về tham số mô hình, thì một chuyên gia AI về Việt Nam và thấy "sốc" vì những khái niệm cơ bản chưa được phổ cập cũng là điều dễ hiểu.

Tuy nhiên, "làm AI" hiện nay có thể được định nghĩa lại ở hai cấp độ. Một là ứng dụng AI, tức dùng AI như công cụ để giải quyết bài toán cụ thể, như sản xuất phim ngắn hay xây dựng hệ thống voicebot gọi điện tự động. Ở đây AI chỉ là một cấu phần trong sản phẩm lớn. Thứ hai là xây dựng hệ thống và mô hình, là tầng sâu nơi các kỹ sư thực hiện thiết kế kiến trúc và huấn luyện (training) mô hình.

Thực tế, giới "làm AI" trong nước lệch về phía ứng dụng. Nhiều người dùng AI rất giỏi nhưng có thể không hiểu bản chất thuật toán phía sau, và đôi khi cũng không cần biết. Trong khi đó, lực lượng thực sự xây dựng được mô hình còn quá mỏng.

Sự chênh lệch này giống như chuyện sử dụng ôtô: chúng ta đang có rất nhiều tài xế giỏi, cứ lên xe là lái, nhưng số người hiểu rõ động cơ bên trong vận hành ra sao rất ít. Cái "sốc" của chuyên gia kia nằm ở đó, nhưng theo tôi điều đó chưa phản ánh được việc mạnh hay yếu, mà chỉ cho thấy chúng ta đang đứng ở phân khúc nào của chuỗi giá trị AI mà thôi.

- Đang làm tại Viện Mila ở Canada dưới sự dẫn dắt của giáo sư Yoshua Bengio - một trong những "cha đẻ" của AI hiện đại, khi quyết định về Việt Nam, ông có gặp cú "sốc" tương tự chuyên gia Thung lũng Silicon kia?

- Tôi làm việc với FPT Software khi vẫn đang ở Canada và mới bắt đầu về hẳn Việt Nam năm nay để nhận vị trí CTO của tập đoàn. Thực lòng, tôi không quá sốc.

Khi đó, mặt bằng chung chưa hiểu nhiều về AI, nhưng qua mạng lưới cá nhân, tôi biết Việt Nam không thiếu người giỏi. Chúng ta có rất nhiều nhân tài, nhưng đang tản mát, hoặc đâu đó nằm trong làn sóng chuyên gia từ nước ngoài trở về. Vấn đề của chúng ta không phải là không biết, mà chưa có sự kết nối và định hướng tập trung.

Tuy nhiên, tôi cũng có chút bỡ ngỡ ở góc độ vận hành doanh nghiệp. Những ngày đầu làm với FPT Software, tôi hỏi xin bản mô tả công việc (JD) cho kỹ sư AI và nhận ra... không có. Đơn giản lúc đó chúng ta chưa có những vị trí chuyên biệt cho lĩnh vực này. Tôi bắt tay vào xây dựng từ viên gạch đầu tiên, chuẩn hóa và chia công việc về AI thành những ngạch chuyên sâu: AI Engineer (kỹ sư AI), AI Scientist (nhà khoa học AI, Data Engineer (kỹ sư dữ liệu), Data Scientist (nhà khoa học dữ liệu), Data Analyst (chuyên gia phân tích dữ liệu)... Mỗi vị trí cần kỹ năng gì, khác nhau ra sao. Với tôi, đó là bước đi đầu tiên để hình thành sự thấu hiểu bài bản về AI trong tổ chức, trước khi nói đến việc xây dựng năng lực thực thi.

- Tiếp xúc môi trường phát triển AI tại Việt Nam từ 2019 đến nay là 2026, ông thấy có gì khác biệt? Công việc của những người làm AI đã thay đổi thế nào trong giai đoạn này?

- Cách đây 7 năm, AI vẫn là khái niệm xa vời, còn hiện đã đạt mức độ phổ cập. Điểm khác biệt lớn nhất đối với người làm AI là quy trình thực hiện.

Năm 2019, AI giống như món đồ trang sức, các công ty đầu tư chủ yếu ở mức độ thử nghiệm (PoC). Nay AI trở thành "hàng hóa thiết yếu", doanh nghiệp nếu không ứng dụng AI sẽ trở nên lạc hậu.

Năm 2019, muốn làm AI phải tìm dữ liệu và huấn luyện mô hình từ đầu. Hiện các mô hình đã có sẵn và được huấn luyện, người làm có thể sử dụng ngay để tạo ra giá trị. Chúng ta chỉ cần thực hiện thêm các bước tinh chỉnh là có thể đưa vào thực tiễn. AI đã trở nên bình dân hơn và hiện diện trong mọi hoạt động đời sống.

Sự thay đổi cũng phân hóa công việc của chuyên gia AI theo cấp độ khác nhau. Trước đây, làm AI bắt buộc phải giỏi Toán để xây dựng mô hình và hiểu sâu về mạng nơ-ron. Hiện nay, nhiều kỹ năng AI không còn yêu cầu quá sâu về Toán. Việc thiết kế một hệ thống AI hoạt động đòi hỏi kỹ năng quản lý và thiết kế nhiều hơn.

Lực lượng chuyên gia hiểu sâu về Toán sẽ tập trung vào việc xây dựng mô hình cho Việt Nam hoặc các nhà máy chuyên biệt. Đồng thời, đang nổi lên thế hệ xây dựng các hệ thống AI. Thay vì xây mô hình, người làm sẽ giao nhiệm vụ cho các tác nhân (agent) thực hiện phần việc khác nhau. Tôi cho rằng kỹ năng quan trọng nhất hiện nay là "AI Orchestrator" hay "Agent Orchestrator", tức vai trò "nhạc trưởng" để điều hành và thiết kế hệ thống.

- Thực tế làm AI có tốn kém không, và giả sử tôi là một bác sĩ, liệu tôi có thể tự tạo AI phục vụ riêng cho công việc của mình?

- Việc đầu tư tùy thuộc vào quy mô, "tiền nào cũng chơi được".

Có khái niệm "Narrow AI" (AI hẹp), tức tập trung làm tốt một việc cụ thể. Nếu đào sâu vào một bài toán chuyên biệt, ví dụ một mô hình ngôn ngữ chỉ cần hiểu sâu kiến thức hóa học mà không bắt nó làm thơ, thì chi phí thấp hơn rất nhiều so với mô hình lớn. Việc dùng một mô hình khổng lồ để giải quyết một việc quá chuyên sâu đôi khi gây tốn kém về năng lực tính toán mà không hiệu quả bằng. Thế giới hiện vận hành song song: mô hình lớn ngày càng mạnh để đa nhiệm, còn mô hình nhỏ làm chuyên sâu.

Với nền tảng kiến thức đã được chia sẻ rộng rãi và giá đơn vị tính toán rẻ đi nhiều, một bác sĩ, hay rất nhiều người trong các ngành nghề khác, nếu biết cách sử dụng mô hình AI sẵn có, dưới dạng nguồn mở hoặc đi thuê các hãng lớn cung cấp, thậm chí có thể tự làm các phần mềm AI, hệ thống AI Agent mà không cần đến chuyên gia. Nếu bác sĩ có sẵn dữ liệu tích lũy và kinh nghiệm để "dạy" mô hình, dần dần AI có thể thay thế ở nhiều khâu. Khi đó, bác sĩ chỉ đóng vai trò là người đưa ra quyết định hoặc ký đơn thuốc.

- Việt Nam thời gian qua ban hành nhiều chính sách thúc đẩy AI, và nhiều người cho rằng AI là "cơ hội vàng" cho Việt Nam. Ông đánh giá thế nào về nhận định này?

- Đây là vấn đề cần phân tích sâu. Nếu gọi là "vàng" thì liệu AI có phải là "vàng" với các quốc gia khác nữa không, và chúng ta phải có điểm khác biệt để "vàng" của mình thực sự phát huy giá trị.

Tôi cho rằng một trong các giá trị "vàng" của Việt Nam nằm ở mật độ tài năng. Cách đây gần 10 năm, tham gia các hội nghị AI thế giới như Hội nghị Quốc tế về Học máy ICML, khi mở danh sách khách mời, tôi bất ngờ vì gặp rất nhiều cái tên Nguyễn, Trần, Lê... và tập hợp được khoảng 30 anh em người Việt ở đó ngồi lại với nhau. Điều đáng nói, hầu hết đều đại diện cho các phòng thí nghiệm lớn tại Mỹ, châu Âu hoặc Nhật Bản, chứ không đến từ một đơn vị trong nước nào.

Điều này cho thấy tài năng AI gốc Việt đã khẳng định được vị thế tại tập đoàn và viện nghiên cứu hàng đầu thế giới ngay. Nếu so sánh với một quốc gia có nhiều điểm tương đồng như Thái Lan, sự hiện diện của các tài năng trong lĩnh vực này của họ ít hơn hẳn.

Tôi tạm cho rằng người Việt có thế mạnh về gene và tư duy phù hợp với lĩnh vực này. Theo các thống kê, số lượng người gốc Việt tham gia các nhóm nghiên cứu AI cũng trong top thế giới. Chúng ta có thể chưa bằng các cường quốc hàng đầu, nhưng đã vượt trội so với rất nhiều quốc gia tầm trung khác. Việt Nam thường có thứ hạng cao trong các môn trí tuệ, và AI về bản chất cũng là một cuộc chơi như vậy.

- Vấn đề quan trọng là làm sao biến trí tuệ đó thành cơ hội kinh tế. Cờ vua Việt Nam cũng nằm trong Top 10 thế giới nhưng chúng ta đâu có giàu lên từ cờ vua? Ngay cả câu chuyện tăng năng suất lao động, liệu có chắc chắn mang lại doanh thu? Thực tế trong nhiều lĩnh vực, đôi khi năng suất cao lại khiến giá thành hạ và cuối cùng không tạo ra thêm tiền?

- AI khác cờ vua ở chỗ nó tạo ra giá trị kinh tế trực tiếp thông qua việc tăng năng suất lao động và tạo ra tri thức mới. Ở tầm quốc gia, muốn thành cơ hội vàng, phải tìm ra được những khu vực mà AI tạo ra giá trị mới. Và đó có thể là cơ hội "vàng" thứ hai của Việt Nam.

Về câu chuyện tăng năng suất có giúp tăng tiền không, câu trả lời nằm ở những ngành có nhu cầu lớn. Bên cạnh đó, AI mang lại những trải nghiệm hoàn toàn mới, từ đó tạo doanh số mới. Chẳng hạn trong giáo dục, mô hình trải nghiệm mới sẽ khiến người học sẵn lòng chi trả. Hoặc trong lĩnh vực dược phẩm và vật liệu, AI có khả năng tìm ra những cấu trúc vật liệu mới hay loại thuốc điều trị bệnh nan y mà trước nay con người chưa nghĩ tới.

Thông thường, chúng ta phải chấp nhận đánh đổi giữa các yếu tố, chẳng hạn với ngành vật liệu phải đánh đổi độ bền và giá thành. Nhưng khi đưa bài toán đa mục tiêu này cho AI, nó có thể rút ngắn đáng kể quá trình tìm ra lời giải tối ưu. Đó chính là việc đáp ứng những "nhu cầu mới" hoặc những nhu cầu trước đây chưa được thỏa mãn. Ngoài ra, các mảng về công nghệ phần mềm và quản trị vẫn là lĩnh vực tiềm năng, vì bản chất AI cũng là một dạng phần mềm.

Đây cũng là lý do thôi thúc tôi về làm việc tại FPT. Khi tích lũy đủ tri thức, tôi mong muốn giải phóng nó bằng cách kết nối với thực tế. Tôi mong muốn thấy sản phẩm mình làm ra có người dùng và tạo giá trị thực cho họ. Hiện có nhiều tiến sĩ sở hữu rất nhiều bài báo khoa học, nhưng câu hỏi quan trọng là chúng đóng góp gì cho thực tiễn không? Giá trị thực tế có thể đo bằng GDP, nhưng rõ ràng nhất là nhìn thấy công nghệ có thể đóng góp vào từng bữa ăn của mỗi người dân.

- Những câu chuyện trên cho thấy cấu trúc lao động sẽ thay đổi rất khác. AI tạo ra những công việc chưa từng có và làm mới những công việc cũ. FPT từng tuyên bố mục tiêu đạt một triệu nhân sự vào năm 2035. Với tư cách CTO chịu trách nhiệm toàn tập đoàn, ông nghĩ con số này có cần điều chỉnh?

- Mục tiêu một triệu người thể hiện khát vọng lớn của FPT. Truyền thống của chúng ta là gắn số lượng nhân sự với doanh số, bởi mỗi cá nhân là một đơn vị tạo ra giá trị. Tôi cho rằng con số này không sai, nhưng "chân dung" của một triệu con người đó phải khác trước: một triệu "nhạc công" phần mềm sẽ rất khác với một triệu "nhạc trưởng AI".

Đông người chắc chắn tạo ra tiền, nhưng vấn đề là vận dụng nguồn lực đó thế nào. Điều này phụ thuộc vào sức hấp thụ của thị trường và khả năng chuyển đổi của chính tập đoàn. Chúng ta có đào tạo kịp đội ngũ cho những vai trò mới như điều phối AI hay kỹ sư giải pháp không. Nếu thị trường trong nước không đủ sức hấp thụ, chiến lược vươn ra toàn cầu thế nào.

Khi mô hình kinh doanh thay đổi, con người cũng phải thay đổi. Nhân sự của ba năm tới sẽ rất khác hiện nay, đòi hỏi chúng ta phải tái cấu trúc hệ thống giáo dục, thực hiện đào tạo lại (reskill) và nâng cao kỹ năng (upskill) trên quy mô lớn.

Về lộ trình đến 2035, tập đoàn có thể đi chậm hơn vì đào tạo người mới luôn là bài toán khó. Nhưng cũng có thể sẽ nhanh hơn nếu bắt kịp nhịp độ công nghệ, bởi nhiều công việc mới đôi khi lại dễ thực hiện hơn ta tưởng. Quan trọng nhất là xác định được đâu là việc mới và giá trị mới..

- Vậy còn những dấu hiệu chững lại của ngành phần mềm hiện nay thì sao?

- Tôi nhìn nhận đây là bài toán về nhu cầu thị trường. Khách hàng đang tạm chậm lại để nghe ngóng vì có quá nhiều thông tin nhiễu loạn về AI. Tuy nhiên, sự chững lại này chỉ là tạm thời.

Trong quy trình kỹ thuật phần mềm, viết code chỉ là một công đoạn. AI có thể viết code xuất sắc, nhưng chưa thể thấu hiểu khách hàng, chưa thể cùng ngồi thảo luận hay nắm bắt nhu cầu ẩn sâu phía sau để đưa ra bản thiết kế phù hợp. Trong chuỗi giá trị lập trình, AI giúp tăng tốc đột biến ở một số khâu, nhưng tổng thể quy trình vẫn cần sự hiện diện của con người để giải quyết những bài toán phức tạp. Thậm chí càng ứng dụng AI nhiều, khách hàng sẽ càng cần tới các đối tác về công nghệ.

Một trong những giá trị mới mà chúng ta có thể mang lại là tốc độ. Ví dụ trước đây, việc chuyển đổi hệ thống cũ có thể mất 5 năm, nay AI giúp rút ngắn xuống còn vài tháng. Khách hàng sẽ trả tiền cho khoảng thời gian họ tiết kiệm được đó. Chúng ta không bán "thời gian lao động của mình" mà bán "thời gian tiết kiệm cho khách hàng". Đó là giá trị mới.

Thực tế, nhờ AI, nhiều khách hàng tin tưởng giao cho FPT nhiều việc hơn. Trước đây họ e ngại rào cản ngôn ngữ trao đổi hay thiết kế kỹ thuật, nhưng nay vì có AI, các rào cản đó giảm xuống đáng kể.

- Cấu trúc lao động thay đổi dẫn đến câu hỏi sát sườn: Các bạn trẻ 18 tuổi nên chọn học ngành gì? Trong khi nhu cầu thị trường đã khác biệt, hệ thống đại học có kịp thay đổi để không đào tạo ra những kỹ năng lỗi thời?

- Theo tôi, các bạn trẻ không nên quá tập trung vào việc học ngôn ngữ lập trình thuần túy. Thay vào đó, cần học kiến thức ngành (Domain) và kỹ năng chuyên biệt như thiết kế hệ thống (System Design), bảo mật (Cyber Security)...

"Nút thắt" không còn nằm ở việc viết code mà ở vai trò quản trị dự án, người duyệt code và kiến trúc sư hệ thống. Người làm công nghệ mới phải am hiểu cả về quản trị lẫn kỹ thuật để đưa ra lời giải trọn vẹn cho bài toán của khách hàng, bao gồm cả vấn đề bảo mật thông tin.

Thực tế, các trường đại học, ngay cả ở Canada nơi tôi sống thời gian qua, thường chuyển đổi chậm hơn thực tế. Tuy nhiên, vai trò quan trọng nhất của đại học là chuẩn bị nguồn nhân lực sẵn sàng cho doanh nghiệp. Hiệu quả giáo dục sẽ được đo bằng việc rút ngắn thời gian đào tạo lại tại công ty. Bên cạnh chương trình mới về AI, một môi trường đại học lý tưởng sẽ giúp các bạn có các nền tảng cơ bản vững chắc như các trải nghiệm về cuộc sống, kiến thức mềm trong doanh nghiệp như văn hóa tổ chức, hay nơi rèn luyện thể chất và cách thức hợp tác.

Việc lựa chọn chương trình học tạo ra giá trị tương lai là yếu tố sống còn. Trong đó, những kiến thức cốt lõi về hệ thống và tư duy máy tính là nền tảng không thể thay thế. Bên cạnh đó, các môn học cơ bản như Toán học và tư duy phản biện vẫn đóng vai trò quan trọng để giúp người học thích nghi với mọi sự thay đổi.

Tin Gốc: Vnexpress

Lưu ý: Việc xác nhận SIM chính chủ không được thực hiện đồng loạt vào ngày 15/4, mà diễn ra theo đợt. Do đó, nếu không thấy số điện thoại hiển thị trên VNeID, hãy chờ thêm và thử lại sau. Hoặc người dùng có thể đợi đến khi nhận được tin nhắn của nhà mạng hoặc thông báo từ ứng dụng định danh điện tử. Khi danh sách số di động hiện ra, ấn vào từng số và chọn xác nhận "đang sử dụng" hoặc "không sử dụng" số thuê bao.

Tin Gốc: Vnexpress

Tên lửa Hệ thống Phóng Không gian (SLS) đưa tàu Orion, chở phi hành đoàn Artemis II, rời bệ phóng tại Trung tâm Vũ trụ Kennedy, Florida, lúc 5h35 ngày 2/4 (giờ Hà Nội). Chuyến bay làm nên lịch sử khi trở thành nhiệm vụ có người lái đầu tiên hướng tới Mặt Trăng kể từ nhiệm vụ Apollo 17 cách đây 54 năm.

Artemis II là cột mốc quan trọng trong chương trình Artemis, tạo bước đệm cho việc thiết lập sự hiện diện lâu dài của con người trên bề mặt Mặt Trăng. Ngoài thử nghiệm công nghệ cho chương trình, chuyến bay kéo dài 10 ngày này còn thu thập dữ liệu về mức độ phơi nhiễm bức xạ, sức khỏe và khả năng hoạt động của con người ngoài quỹ đạo Trái Đất thấp, đồng thời quan sát Mặt Trăng từ góc nhìn hiếm.

Nghiên cứu về sức khỏe phi hành gia

Một thí nghiệm đáng chú ý trên tàu Orion là Phản ứng tương tự mô của phi hành gia ảo (AVATAR). Thí nghiệm sử dụng các "chip cơ quan" - mẫu mô nuôi cấy trong phòng thí nghiệm, lớn tương đương chiếc USB, chứa tế bào người sống được chỉnh sửa để hoạt động giống như cơ quan thật.

AVATAR tập trung vào mô tủy xương nuôi cấy từ tế bào thu thập trong quá trình hiến máu trước chuyến bay của các phi hành gia. Tủy xương sản sinh ra tế bào miễn dịch và máu, đồng thời đặc biệt nhạy cảm với bức xạ, do đó là mục tiêu quan trọng để đánh giá rủi ro sức khỏe trong các nhiệm vụ ngoài Trái Đất.

Sau khi nhiệm vụ Artemis II kết thúc, các nhà nghiên cứu sẽ phân tích mẫu mô ở cấp độ phân tử để đánh giá cách hàng nghìn gene phản ứng với chuyến du hành vũ trụ. Để xác định xem chúng có thể dự đoán chính xác phản ứng của con người trước căng thẳng liên quan đến vũ trụ hay không, họ cũng sẽ so sánh kết quả với dữ liệu từ Trạm Vũ trụ Quốc tế (ISS) và với các mẫu sinh học thu thập từ phi hành đoàn trước và sau chuyến bay.

Nghiên cứu trước đây trên trạm ISS, vốn được từ trường Trái Đất che chắn một phần, cho thấy phi hành gia bị tiêu xương ngay cả trong chuyến bay ngắn. Các nghiên cứu tương tự có thể giúp định hướng chiến lược chăm sóc sức khỏe tốt hơn cho phi hành gia trong những nhiệm vụ dài hạn sau này.

Thử nghiệm thích nghi trong không gian sâu

Một thí nghiệm quan trọng khác là ARCHeR, hướng đến tìm hiểu cách phi hành gia thích nghi với cuộc sống trong tàu Orion khép kín. Họ sẽ đeo thiết bị trên cổ tay để theo dõi mức độ căng thẳng, sự chuyển động, giấc ngủ và khả năng nhận thức. Nhóm nghiên cứu hy vọng dữ liệu thời gian thực sẽ giúp phân tích cách hoạt động hàng ngày, sự nghỉ ngơi và môi trường giới hạn ảnh hưởng thế nào đến sức khỏe và khả năng làm việc nhóm ngoài không gian.

Một nghiên cứu khác sẽ tập trung vào hệ miễn dịch. Trong suốt nhiệm vụ, các phi hành gia sẽ thu thập mẫu nước bọt bằng cách thấm chúng lên giấy chuyên dụng lưu trữ trong những cuốn sổ nhỏ - phương pháp đơn giản và cần thiết vì tàu Orion không có tủ lạnh.

Khi so sánh với các mẫu thu thập trước và sau chuyến bay, dữ liệu về nước bọt và máu sẽ cho phép nhóm nghiên cứu theo dõi thay đổi miễn dịch liên quan đến tác nhân gây căng thẳng như bức xạ và sự cô lập. Họ cũng dự định theo dõi khả năng virus "ngủ đông", bao gồm virus liên quan đến bệnh thủy đậu và zona thần kinh, tái hoạt động trong chuyến du hành vũ trụ - hiện tượng từng xảy ra trên trạm ISS.

Đo lường bức xạ mạnh

Khác với phi hành đoàn trên trạm ISS, Artemis II sẽ bay vượt khỏi từ quyển Trái Đất, tiếp xúc với bức xạ vũ trụ nhiều hơn đáng kể. Để theo dõi rủi ro này, họ sẽ mang máy đo liều lượng bức xạ cá nhân trong túi để theo dõi mức độ tiếp xúc theo thời gian thực. Cùng với 6 cảm biến bức xạ lắp đặt trên khoang chở người của tàu Orion, chúng có thể phát hiện sự gia tăng bức xạ đột ngột, ví dụ như trong bão Mặt Trời, và cảnh báo phi hành đoàn thực hiện biện pháp bảo vệ.

Dữ liệu từ các thiết bị trên cùng với phép đo từ một số vệ tinh nhỏ mà đối tác quốc tế cung cấp sẽ giúp giới khoa học hiểu rõ hơn về cách bức xạ hoạt động bên trong Orion và ảnh hưởng đến sức khỏe con người.

Góc nhìn hiếm về Mặt Trăng

Khi Orion bay vòng qua phía xa Mặt Trăng (phía luôn bị khuất khi nhìn từ Trái Đất), phi hành đoàn Artemis II có khoảng ba giờ để nghiên cứu địa hình mà chưa ai khảo sát kỹ hơn suốt 50 năm qua. Dù vậy, tầm nhìn của phi hành đoàn sẽ phụ thuộc vào đường bay của Orion cũng như góc chiếu của ánh sáng Mặt Trời.

Họ sẽ dựa vào kiến thức địa chất để chụp ảnh và mô tả các cấu trúc bề mặt hình thành từ những vụ va chạm và dòng dung nham cổ xưa. Một trong những mục tiêu hấp dẫn nhất là bồn trũng Orientale - vết tích va chạm khổng có niên đại 3,8 tỷ năm, rộng khoảng 960 km, đánh dấu ranh giới giữa phía gần và phía xa Mặt Trăng nhưng nằm ngoài tầm quan sát trong thời Apollo.

Phi hành đoàn Artemis II cũng có thể chứng kiến tia sáng lóe lên do thiên thạch lao xuống hoặc đám mây bụi mờ ảo lơ lửng phía trên đường chân trời của Mặt Trăng, vốn rất bí ẩn với con người. Những quan sát này được kỳ vọng giúp định hướng cho các nhiệm vụ Artemis tiếp theo, bao gồm cả kế hoạch đưa con người hạ cánh gần cực nam Mặt Trăng. Dữ liệu mới có thể ảnh hưởng đến địa điểm mà phi hành đoàn tương lai khám phá, mẫu vật cần thu thập cũng như việc xác định khu vực có giá trị khoa học cao.

Thu Thảo (Theo Space, IFL Science)

Nguồn: https://vnexpress.net/nhung-thi-nghiem-cho-su-hien-dien-cua-con-nguoi-tren-mat-trang-5057538.html