Google ra Gemini 4 Argon, cuộc đua AI chuyển sang “làm việc dài hơi”

Thay vì chỉ cố làm cho AI trả lời nhanh hơn hoặc đạt điểm cao hơn trong những câu hỏi riêng lẻ, Google đang thử một hướng khác với Gemini 4 Argon: để mô hình duy trì quá trình suy luận và thực hiện một công việc phức tạp trong thời gian dài.

Đây cũng đang trở thành một trong những mặt trận quan trọng nhất của cuộc đua AI.

Hình minh họa.

Gemini 4 Argon không chỉ được tạo ra để trả lời một câu hỏi

Google vừa giới thiệu Gemini 4 Argon, mô hình AI cao cấp mới thuộc thế hệ Gemini 4, với trọng tâm là những nhiệm vụ phức tạp kéo dài qua nhiều bước.

Đây là một khác biệt đáng chú ý.

Với phần lớn chatbot AI quen thuộc, người dùng đặt câu hỏi, nhận câu trả lời rồi tiếp tục đưa thêm yêu cầu. Nếu công việc có hàng chục bước, con người thường phải liên tục kiểm tra và hướng dẫn AI đi tiếp.

Argon được thiết kế cho những nhiệm vụ mà một câu trả lời đơn lẻ là chưa đủ.

Ví dụ, thay vì yêu cầu AI “tìm lỗi trong đoạn mã này”, một lập trình viên có thể muốn nó phân tích cả một dự án phần mềm, xác định nguyên nhân lỗi, sửa nhiều tệp liên quan, chạy thử nghiệm, đánh giá kết quả rồi tiếp tục điều chỉnh nếu bản sửa đầu tiên chưa đạt yêu cầu.

Trong lĩnh vực tài chính, nhiệm vụ có thể bắt đầu từ việc đọc nhiều báo cáo, lấy số liệu quan trọng, đối chiếu chúng qua nhiều giai đoạn, phát hiện điểm bất thường rồi viết một bản phân tích hoàn chỉnh.

Với công việc pháp lý, AI có thể phải đọc hàng loạt tài liệu, tìm những điều khoản liên quan, so sánh các quy định và sau đó mới xây dựng bản dự thảo.

Những công việc như vậy thường được gọi là “long-horizon task”, tức nhiệm vụ kéo dài qua nhiều bước, đòi hỏi hệ thống phải nhớ mình đang làm gì, duy trì mục tiêu và tiếp tục xử lý trong một chuỗi dài.

Để phục vụ kiểu tác vụ này, Google nâng giới hạn đầu ra của Gemini 4 Argon từ mức 64.000 token ở thế hệ trước lên tới 1 triệu token.

Con số này không đơn thuần có nghĩa AI sẽ viết một văn bản dài hàng triệu token. Ý nghĩa đáng chú ý hơn là mô hình có thêm không gian để duy trì một chuỗi xử lý rất lớn, thực hiện nhiều bước suy luận và thao tác trước khi hoàn tất nhiệm vụ.

Có thể hình dung sự thay đổi giống như chuyển từ một nhân viên chỉ xử lý từng yêu cầu nhỏ sang một người có thể nhận cả dự án rồi tiếp tục làm việc cho đến khi có kết quả.

Google cho biết Argon đã được sử dụng trong nhiều quy trình nội bộ, từ gỡ lỗi phần mềm, nghiên cứu chuyên sâu cho tới những dự án kỹ thuật lớn.

Một trong những ví dụ được hãng công bố là các agent sử dụng Argon phân tích dữ liệu vận hành trong hệ thống trung tâm dữ liệu để tìm cơ hội tối ưu bộ nhớ. Sau khi triển khai các thay đổi được kiểm tra, Google cho biết hơn 300 TiB bộ nhớ đã được giải phóng, với tiềm năng tiết kiệm lớn hơn nếu tiếp tục mở rộng.

Một nhóm khác sử dụng Argon trong những dự án chuyển đổi mã nguồn C/C++ sang Rust, với quy mô từ hàng chục nghìn đến hơn 800.000 dòng mã.

Đây là dạng công việc khá khác so với việc yêu cầu chatbot viết vài chục dòng chương trình. AI phải đọc một hệ thống lớn, hiểu mối quan hệ giữa nhiều thành phần, thử nghiệm thay đổi rồi quay lại sửa nếu kết quả chưa đạt yêu cầu.

Tất nhiên, những ví dụ trên chủ yếu phản ánh các thử nghiệm và triển khai do chính Google công bố. Khả năng của Argon khi được đưa ra môi trường sử dụng rộng rãi vẫn cần thêm thời gian để kiểm chứng.

Cuộc đua AI chuyển từ “trả lời hay” sang “làm xong việc”

Gemini 4 Argon xuất hiện đúng lúc ngành AI đang thay đổi cách đánh giá một mô hình mạnh.

Trong giai đoạn đầu của AI tạo sinh, người dùng thường quan tâm model nào viết tốt hơn, giải toán chính xác hơn, trả lời kiến thức tốt hơn hoặc có thể xử lý nhiều loại dữ liệu hơn.

Nhưng khi các model ngày càng tiến gần nhau về nhiều khả năng cơ bản, câu hỏi mới bắt đầu xuất hiện: AI có thể nhận một công việc thực tế và hoàn thành nó đến đâu?

Đây là lý do các bài kiểm tra dành cho nhiệm vụ dài hơi ngày càng được chú ý.

Google cho biết Gemini 4 Argon đạt 77,9% trên DeepSWE v1.1, một bài đánh giá tập trung vào các nhiệm vụ kỹ thuật phần mềm thực tế kéo dài nhiều bước.

Model cũng được thử nghiệm với các nhiệm vụ nghiên cứu tài chính, nghiên cứu và soạn thảo pháp lý cũng như những quy trình tự động hóa công việc doanh nghiệp.

Những con số benchmark có thể giúp so sánh khả năng của các model trong điều kiện thử nghiệm, nhưng không nên được hiểu đơn giản rằng một AI đứng đầu bảng xếp hạng sẽ luôn làm tốt hơn trong mọi tình huống thực tế.

Một dự án ngoài đời thường có dữ liệu thiếu, yêu cầu thay đổi, quyền truy cập khác nhau và hàng loạt tình huống mà bộ benchmark khó tái hiện đầy đủ.

Điều đáng chú ý hơn nằm ở hướng phát triển.

Thay vì chỉ tạo ra một chatbot chờ người dùng nhập prompt, các hãng AI đang hướng tới hệ thống có khả năng nhận mục tiêu, lập kế hoạch, sử dụng công cụ, kiểm tra kết quả rồi tiếp tục thực hiện bước tiếp theo.

Gemini 4 Argon cũng nằm trong xu hướng này.

Khả năng hiểu hình ảnh của model được Google kết hợp với xử lý tài liệu và tác vụ dài. Điều đó cho phép AI không chỉ đọc văn bản mà còn phân tích biểu đồ, theo dõi nội dung video dài hoặc đưa ra hành động dựa trên nhiều loại tài liệu khác nhau.

Kịch bản sử dụng vì vậy có thể rộng hơn nhiều so với chatbot truyền thống.

Một chuyên viên tài chính có thể giao AI đọc hàng loạt báo cáo doanh nghiệp rồi xây dựng phân tích.

Một lập trình viên có thể giao nhiệm vụ tìm nguyên nhân khiến phần mềm chạy chậm, thử nhiều phương án sửa và đánh giá kết quả.

Một doanh nghiệp có thể yêu cầu AI xử lý cả chuỗi công việc thay vì chỉ viết một email hoặc tạo một bảng tính.

Trong tòa soạn, hướng tiếp cận tương tự cũng có thể thay đổi cách AI được sử dụng. Thay vì chỉ hỏi “hôm nay có trend gì?”, một hệ thống dạng agent có thể được giao theo dõi xu hướng trong nhiều giờ, đối chiếu với bài đã xuất bản, tìm chủ đề chưa khai thác, tổng hợp dữ liệu và cập nhật đề xuất khi tín hiệu tìm kiếm thay đổi.

Khác biệt nằm ở chỗ con người không còn phải nhập từng prompt cho từng bước nhỏ.

Nếu xu hướng này tiếp tục, cuộc cạnh tranh giữa Google, OpenAI, Anthropic và các hãng AI khác có thể ngày càng xoay quanh một tiêu chí mới: mô hình nào có thể làm việc độc lập lâu hơn mà vẫn giữ được độ chính xác.

Vì sao Google chưa mở Gemini 4 Argon cho tất cả người dùng?

Điểm khá đặc biệt là Google chưa đưa Argon ngay vào ứng dụng Gemini cho toàn bộ người dùng.

Trong giai đoạn đầu, model được triển khai cho một nhóm đối tác an ninh mạng đáng tin cậy thông qua chương trình Fairwind.

Lĩnh vực an ninh mạng cũng là một trong những khả năng được Google nhấn mạnh nhất.

Argon được huấn luyện để tìm, xác minh và hỗ trợ vá các lỗ hổng phần mềm. Với những đối tác phòng thủ an ninh mạng được lựa chọn, Google cho phép khai thác khả năng của model ở mức cao hơn để tìm điểm yếu trong các hệ thống phức tạp.

Trong một thử nghiệm, model được cho là đã phát hiện một lỗ hổng nghiêm trọng trong phần mềm y tế mà các model thế hệ trước bỏ sót.

Đây cũng là lý do việc phát hành một mô hình có khả năng tự xử lý những nhiệm vụ bảo mật đòi hỏi cách tiếp cận thận trọng hơn.

Một AI đủ khả năng tự tìm lỗ hổng và tạo bản vá cũng có thể trở thành công cụ nhạy cảm nếu khả năng tương tự được sử dụng theo hướng ngược lại.

Google vì thế đang áp dụng hình thức triển khai từng giai đoạn, thu thập phản hồi từ những người dùng đầu tiên và tiếp tục điều chỉnh các lớp bảo vệ trước khi mở rộng quyền truy cập.

Tính đến ngày 2.10.2026, hãng chưa công bố thời điểm cụ thể Gemini 4 Argon sẽ được cung cấp rộng rãi cho người dùng cá nhân và doanh nghiệp.

Google đã công bố mức giá giới thiệu dự kiến 2 USD cho mỗi triệu token đầu vào và 10 USD cho mỗi triệu token đầu ra khi dịch vụ được thương mại hóa theo mô hình API, nhưng khả năng tiếp cận thực tế hiện vẫn còn hạn chế.

Điều này cũng cho thấy một nghịch lý mới của cuộc đua AI.

Các model ngày càng được thiết kế để tự làm nhiều việc hơn, nhưng càng có khả năng hành động độc lập, vấn đề kiểm soát chúng lại càng trở nên quan trọng.

Nếu một chatbot trả lời sai một câu hỏi, người dùng có thể đơn giản bỏ qua câu trả lời.

Nhưng nếu một AI đang tự sửa hàng trăm nghìn dòng mã, xử lý dữ liệu doanh nghiệp hoặc tìm và vá lỗ hổng bảo mật, một sai sót nhỏ có thể lan rộng trước khi con người phát hiện.

Vì vậy, “làm việc dài hơi” không thể chỉ được đo bằng số token hay thời gian model hoạt động.

Một AI thực sự hữu ích cần duy trì chính xác mục tiêu, biết khi nào phải kiểm tra lại kết quả và quan trọng hơn, biết khi nào cần dừng lại để con người quyết định.

Gemini 4 Argon cho thấy Google đang đặt cược mạnh vào hướng phát triển này.

Nếu thế hệ chatbot đầu tiên khiến người dùng kinh ngạc vì AI có thể trả lời gần như tức thì, giai đoạn tiếp theo có thể được định nghĩa bằng một câu hỏi khó hơn nhiều: sau khi giao cho AI một công việc kéo dài hàng giờ, kết quả cuối cùng có đủ tốt để con người sử dụng hay không?

Đó mới có thể là thước đo quan trọng của cuộc đua AI tiếp theo.