Điều gì sẽ xảy ra khi trí tuệ nhân tạo không chỉ hiểu câu lệnh bằng văn bản mà còn có thể quan sát màn hình, nhận diện hình ảnh, lắng nghe giọng nói, phân tích video và chủ động thực hiện các tác vụ thay con người? Đó chính là một trong những hướng phát triển đáng chú ý của Multimodal AI Agent – công nghệ đang mở ra những khả năng mới cho thế hệ AI thông minh và tự động hóa.
Nhằm giúp cộng đồng công nghệ hiểu rõ hơn về xu hướng này, COLE tổ chức webinar “Multimodal AI Agent: Khi AI Biết Nhìn, Nghe, Nói Và Tự Hành Động” vào thứ Sáu, ngày 13/11/2026, với sự tham gia chia sẻ của hai chuyên gia AI giàu kinh nghiệm thực chiến đến từ FPT và VinFast.
Webinar sẽ mang đến góc nhìn từ nền tảng công nghệ đến những ứng dụng thực tế, giúp người tham dự khám phá cách AI đang từng bước chuyển mình từ công cụ trả lời câu hỏi thành những hệ thống có khả năng nhận biết môi trường, xử lý thông tin đa phương thức và thực hiện hành động để hoàn thành mục tiêu.
ĐĂNG KÝ THAM GIA WEBINAR TẠI: https://forms.gle/zE9MsRcsxSMhxCZc9
1. Multimodal AI Agent – Bước tiến từ AI hiểu ngôn ngữ đến AI tương tác với thế giới thực
Trong những năm gần đây, sự phát triển của các mô hình ngôn ngữ lớn (Large Language Models – LLMs) đã thay đổi đáng kể cách con người làm việc và tương tác với trí tuệ nhân tạo.
Từ việc trả lời câu hỏi, viết nội dung, phân tích dữ liệu cho đến hỗ trợ lập trình, AI ngày càng trở thành một công cụ hữu ích trong học tập và công việc. Tuy nhiên, phần lớn những tương tác quen thuộc vẫn xoay quanh văn bản.
Trong khi đó, thế giới thực không chỉ tồn tại dưới dạng ngôn ngữ. Con người tiếp nhận và xử lý thông tin thông qua nhiều giác quan: nhìn hình ảnh, nghe âm thanh, quan sát chuyển động và kết hợp các tín hiệu để đưa ra quyết định.
Multimodal AI (AI đa phương thức) là hướng phát triển cho phép hệ thống trí tuệ nhân tạo xử lý và kết hợp nhiều dạng dữ liệu khác nhau, bao gồm:
Văn bản (Text): Hiểu ngôn ngữ tự nhiên, đọc tài liệu và phân tích nội dung.
Hình ảnh (Image): Nhận diện đối tượng, phân tích hình ảnh và hiểu thông tin trực quan.
Âm thanh (Audio): Nhận diện giọng nói, xử lý âm thanh và hỗ trợ hội thoại.
Video: Phân tích chuỗi hình ảnh theo thời gian, nhận biết hoạt động và sự kiện.
Dữ liệu cảm biến (Sensor Data): Tiếp nhận tín hiệu từ môi trường và hỗ trợ các hệ thống thông minh.
Khi những khả năng này được tích hợp vào AI Agent – hệ thống AI có thể lập kế hoạch, sử dụng công cụ và thực hiện các bước để đạt mục tiêu – chúng ta có thể xây dựng những ứng dụng vượt ra ngoài khuôn khổ chatbot truyền thống.
Chẳng hạn, một AI Agent có thể quan sát giao diện phần mềm, xác định vị trí các nút chức năng và thực hiện một quy trình thao tác. Một hệ thống khác có thể tiếp nhận yêu cầu bằng giọng nói, đọc tài liệu liên quan, tổng hợp thông tin và phản hồi bằng ngôn ngữ tự nhiên.
Sự kết hợp giữa Multimodal AI và AI Agent đang mở ra nhiều cơ hội phát triển ứng dụng AI trong doanh nghiệp cũng như đời sống.
2. Khám phá 4 dạng Multimodal AI Agent và khả năng ứng dụng thực tế
Một trong những nội dung trọng tâm của webinar là tìm hiểu các dạng Multimodal AI Agent tiêu biểu, cách thức hoạt động và tiềm năng ứng dụng của từng loại.
Computer Use Agent – Khi AI có thể quan sát và thao tác trên máy tính
Thay vì chỉ hướng dẫn người dùng thực hiện công việc, Computer Use Agent có thể quan sát giao diện máy tính, nhận biết các thành phần trên màn hình và sử dụng công cụ để thực hiện những thao tác phù hợp.
Công nghệ này mở ra tiềm năng tự động hóa nhiều quy trình làm việc, từ thao tác với phần mềm, nhập liệu, tìm kiếm thông tin đến xử lý các tác vụ lặp lại trên giao diện người dùng.
Voice Agent – Khi AI có thể nghe, hiểu và giao tiếp bằng giọng nói
Voice Agent kết hợp khả năng nhận dạng tiếng nói, hiểu ngôn ngữ tự nhiên và tổng hợp giọng nói để tạo ra trải nghiệm tương tác trực tiếp giữa con người và AI.
Ứng dụng của Voice Agent có thể kể đến như trợ lý ảo, hệ thống chăm sóc khách hàng, tổng đài thông minh hoặc các ứng dụng điều khiển bằng giọng nói.
Document AI Agent – Khi AI có thể đọc, hiểu và khai thác tài liệu
Không chỉ dừng ở việc nhận diện ký tự bằng công nghệ OCR, Document AI Agent còn có thể phân tích bố cục, trích xuất thông tin, hiểu ngữ cảnh và kết hợp dữ liệu từ nhiều tài liệu để hỗ trợ xử lý công việc.
Đây là hướng ứng dụng có nhiều tiềm năng trong tài chính, ngân hàng, bảo hiểm và quản trị doanh nghiệp, nơi khối lượng tài liệu, hợp đồng, hóa đơn và chứng từ cần xử lý thường rất lớn.
Đối với những người quan tâm sâu hơn đến lĩnh vực này, COLE hiện có chương trình Bootcamp AI for Document Understanding End-to-End System, tập trung vào xây dựng hệ thống AI xử lý tài liệu từ nền tảng đến triển khai thực tế.
Vision Agent – Khi AI có khả năng phân tích hình ảnh và video
Vision Agent sử dụng các công nghệ thị giác máy tính để nhận diện đối tượng, diễn giải nội dung hình ảnh, phân tích video và hỗ trợ đưa ra quyết định dựa trên thông tin trực quan.
Các ứng dụng tiêu biểu bao gồm giám sát thông minh, kiểm tra chất lượng sản phẩm, phân tích hình ảnh y tế và hỗ trợ hệ thống phương tiện tự hành.
Đây cũng là lĩnh vực chuyên môn được đào sâu trong khóa học AI Computer Vision tại COLE, dành cho những người muốn phát triển kỹ năng xử lý hình ảnh, video và xây dựng ứng dụng thị giác máy tính.
3. Multimodal AI đang được ứng dụng như thế nào trong thực tế?
Không chỉ là một hướng nghiên cứu công nghệ, Multimodal AI đang tạo ra những cơ hội ứng dụng trong nhiều lĩnh vực.
Trong y tế, AI đa phương thức có thể hỗ trợ kết hợp hình ảnh y khoa với dữ liệu bệnh án và các thông tin lâm sàng, góp phần hỗ trợ bác sĩ trong quá trình phân tích và ra quyết định chuyên môn.
Trong thương mại điện tử, hệ thống AI có thể tiếp nhận yêu cầu bằng văn bản hoặc giọng nói, phân tích hình ảnh sản phẩm và hỗ trợ khách hàng tìm kiếm, so sánh, lựa chọn sản phẩm phù hợp.
Trong lĩnh vực xe tự lái, việc kết hợp dữ liệu từ camera, cảm biến và các hệ thống nhận thức môi trường đóng vai trò quan trọng trong việc hỗ trợ phương tiện nhận diện tình huống và đưa ra quyết định điều khiển.
Trong các ứng dụng trợ lý ảo thông minh, AI có thể xử lý đồng thời giọng nói, hình ảnh, tài liệu và dữ liệu từ các công cụ khác nhau để hỗ trợ người dùng thực hiện những tác vụ phức tạp.
Thông qua webinar, người tham dự sẽ có cơ hội tìm hiểu những trường hợp ứng dụng tiêu biểu này, đồng thời hình dung rõ hơn cách các công nghệ AI đa phương thức có thể được tích hợp vào hệ thống AI Agent.
4. Nội dung nổi bật tại webinar Multimodal AI Agent
Buổi webinar được xây dựng xoay quanh những vấn đề quan trọng trong quá trình phát triển và ứng dụng AI đa phương thức.
Phần 1: Tổng quan về Multimodal AI
Tìm hiểu khái niệm AI đa phương thức, các loại dữ liệu mà hệ thống AI có thể xử lý và sự khác biệt giữa mô hình AI đơn phương thức với mô hình AI đa phương thức.
Phần 2: Vì sao Multimodal AI đóng vai trò quan trọng với AI Agent?
Khám phá lý do những hệ thống AI có khả năng quan sát, lắng nghe và xử lý thông tin từ nhiều nguồn dữ liệu có thể giải quyết các bài toán mà mô hình chỉ sử dụng văn bản khó đáp ứng đầy đủ.
Phần 3: Các dạng Multimodal AI Agent phổ biến
Tìm hiểu Computer Use Agent, Voice Agent, Document AI Agent và Vision Agent, cùng những khả năng nổi bật và hướng ứng dụng của từng loại.
Phần 4: Ứng dụng Multimodal AI Agent trong thực tế
Khám phá các use case trong y tế, thương mại điện tử, xe tự lái và trợ lý ảo đa phương thức, qua đó hiểu rõ hơn tiềm năng của công nghệ trong việc xây dựng những hệ thống AI thông minh.
Sau webinar, người tham dự có thể hình thành cái nhìn tổng quan hơn về Multimodal AI, nhận diện những bài toán phù hợp để ứng dụng và xác định các hướng kiến thức cần tìm hiểu sâu hơn nếu muốn phát triển sự nghiệp trong lĩnh vực AI.
5. Gặp gỡ hai chuyên gia AI giàu kinh nghiệm thực chiến
Webinar có sự tham gia của hai diễn giả sở hữu nhiều năm kinh nghiệm nghiên cứu, phát triển và triển khai các giải pháp AI/ML trong môi trường doanh nghiệp.
ThS. Nguyễn Đức Anh – Senior AI Engineer tại FPT
Senior AI Engineer | Applied AI, Computer Vision & Knowledge Graph
ThS. Nguyễn Đức Anh tốt nghiệp Thạc sĩ Toán – Tin tại Đại học Bách khoa Hà Nội và hiện đang đảm nhiệm vị trí Senior AI Engineer tại khối Công nghệ, Tập đoàn FPT. Anh từng có kinh nghiệm làm việc tại Skymap High Technology.
Với hơn 8 năm kinh nghiệm triển khai các dự án AI/ML end-to-end trong doanh nghiệp, anh có chuyên môn trong nhiều lĩnh vực như Computer Vision, Remote Sensing, Knowledge Graph và Large Language Models.
Bên cạnh kinh nghiệm thực tiễn, anh còn tham gia 4 công bố khoa học quốc tế liên quan đến các hướng nghiên cứu và ứng dụng AI.
ThS. Trần Văn Cường – Senior AI Engineer tại VinFast
Senior AI Engineer | Applied AI & Computer Vision
ThS. Trần Văn Cường tốt nghiệp Thạc sĩ Khoa học Máy tính tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội.
Anh hiện đang làm việc tại VinFast với vai trò Senior AI Engineer, từng công tác tại Samsung SDS và FPT Corporation.
Với hơn 6 năm kinh nghiệm triển khai các dự án AI/ML end-to-end, anh sở hữu nền tảng chuyên môn về Computer Vision, Face Recognition, OCR, eKYC, Video Analytics và tối ưu mô hình AI để triển khai trên các thiết bị thực tế.
Sự kết hợp giữa kiến thức nghiên cứu và kinh nghiệm triển khai thực tiễn của hai diễn giả hứa hẹn mang đến những góc nhìn hữu ích về Multimodal AI Agent, từ nguyên lý công nghệ đến tiềm năng ứng dụng trong doanh nghiệp.
6. Ai nên tham gia webinar Multimodal AI Agent?
Webinar phù hợp với những người đang học tập, làm việc hoặc quan tâm đến trí tuệ nhân tạo, đặc biệt là:
Sinh viên ngành IT, AI và Data Science: Muốn cập nhật xu hướng AI đa phương thức, mở rộng kiến thức và tìm hiểu các hướng phát triển nghề nghiệp.
AI Engineer và Machine Learning Engineer: Mong muốn khám phá cách kết hợp nhiều phương thức dữ liệu vào hệ thống AI Agent và các ứng dụng AI hiện đại.
Developer và Software Engineer: Quan tâm đến việc phát triển ứng dụng AI có khả năng xử lý văn bản, hình ảnh, âm thanh, video và tương tác với công cụ.
Người đang tìm hiểu về LLM, AI Agent và Computer Vision: Muốn hiểu rõ hơn mối liên hệ giữa những công nghệ này trong việc xây dựng hệ thống AI thông minh.
Nhân sự công nghệ và những người quan tâm đến ứng dụng AI trong doanh nghiệp: Muốn khám phá tiềm năng ứng dụng AI đa phương thức vào các bài toán thực tiễn.
Dù bạn đang ở giai đoạn tìm hiểu nền tảng hay đã có kinh nghiệm làm việc với AI, webinar sẽ là cơ hội để mở rộng góc nhìn và tiếp cận những hướng phát triển mới của công nghệ.
7. Thông tin webinar Multimodal AI Agent
Chủ đề: Multimodal AI Agent: Khi AI Biết Nhìn, Nghe, Nói Và Tự Hành Động
Thời gian: Thứ Sáu, ngày 13/11/2026
Hình thức: Trực tuyến qua Zoom
Diễn giả:
ThS. Nguyễn Đức Anh – Senior AI Engineer tại FPT
ThS. Trần Văn Cường – Senior AI Engineer tại VinFast
Đăng ký tham gia webinar Multimodal AI Agent cùng COLE
AI đang không ngừng mở rộng khả năng của mình: từ hiểu ngôn ngữ đến nhận biết hình ảnh, xử lý âm thanh, phân tích video và thực hiện các hành động có mục tiêu.
Sự phát triển của Multimodal AI Agent không chỉ đặt ra những câu hỏi thú vị về tương lai của trí tuệ nhân tạo mà còn tạo ra nhiều cơ hội cho lập trình viên, kỹ sư AI và các doanh nghiệp muốn ứng dụng công nghệ vào thực tế.
Đừng bỏ lỡ webinar “Multimodal AI Agent: Khi AI Biết Nhìn, Nghe, Nói Và Tự Hành Động” vào ngày 13/11/2026. Hãy đăng ký tham gia để cùng COLE và hai chuyên gia AI khám phá những khả năng mới của công nghệ AI đa phương thức.
ĐĂNG KÝ THAM DỰ WEBINAR NGAY
Nếu muốn tiếp tục phát triển kiến thức chuyên sâu sau webinar, bạn có thể tham khảo khóa học AI Engineer tại COLE, với lộ trình từ Machine Learning đến LLM, RAG và AI Agent.
.webp "Agentic Workflow là gì? Cách AI Agent tự động hóa quy trình doanh nghiệp")