Hội nghị APWeb-WAIM 2026: AI đang thay đổi cơ sở dữ liệu như thế nào?
Trong kỷ nguyên mô hình ngôn ngữ lớn (LLM), AI không chỉ thay đổi cách con người tìm kiếm và xử lý thông tin mà còn đặt ra yêu cầu mới đối với chính những hệ thống lưu trữ và quản lý dữ liệu phía sau.
Tại Hội nghị quốc tế APWeb-WAIM 2026, Giáo sư Gao Cong, Nanyang Technological University (Singapore), đã chia sẻ nghiên cứu hai chiều về mối quan hệ giữa AI cho cơ sở dữ liệu (AI4DB) và cơ sở dữ liệu phục vụ AI (Databases for AI) qua bài trình bày “From AI4DB to Databases for AI: Rethinking Data Systems in the LLM Era”.
Theo Giáo sư Gao Cong, nghiên cứu về AI và cơ sở dữ liệu đang phát triển theo hai hướng song song. Một mặt, các nhà nghiên cứu đưa AI vào cơ sở dữ liệu để giúp hệ thống hoạt động thông minh và hiệu quả hơn. Mặt khác, khi AI ngày càng phát triển, bản thân cơ sở dữ liệu cũng cần được thiết kế lại để có thể trở thành nền tảng phục vụ các hệ thống AI, đặc biệt là các tác nhân AI (AI agents).
Khi AI giúp cơ sở dữ liệu “thông minh” hơn
Ở hướng thứ nhất, được gọi là AI for Databases (AI4DB), AI được sử dụng để giải quyết các bài toán vốn có của hệ thống cơ sở dữ liệu.
Một ví dụ được Giáo sư Gao Cong đề cập là query plan - kế hoạch thực thi một truy vấn dữ liệu. Có thể hình dung query plan giống như “bản thiết kế” cho biết cơ sở dữ liệu cần thực hiện những bước nào để tìm và xử lý thông tin mà người dùng yêu cầu.
Query plan thường được biểu diễn dưới dạng một cây, trong đó mỗi nút tương ứng với một thao tác của cơ sở dữ liệu. Các nhà nghiên cứu có thể chuyển cấu trúc này thành dạng biểu diễn vector để các mô hình học máy có thể “đọc” và học từ đó. Cách tiếp cận này đã được ứng dụng vào những nhiệm vụ như tối ưu hóa truy vấn hay ước tính chi phí thực thi.
Điểm đáng chú ý là nhiều bài toán cơ sở dữ liệu khác nhau có thể cùng sử dụng một dạng biểu diễn query plan. Từ quan sát này, Giáo sư Gao Cong đặt ra một câu hỏi lớn: Liệu có thể xây dựng một “foundation model” dành cho cơ sở dữ liệu, tương tự các mô hình nền tảng trong xử lý ngôn ngữ tự nhiên?
Nếu khả thi, một mô hình nền tảng cho cơ sở dữ liệu có thể được huấn luyện một lần và sau đó thích nghi với nhiều nhiệm vụ khác nhau, thay vì phải xây dựng một mô hình và cách biểu diễn mới cho từng bài toán.
Tuy nhiên, đây vẫn là một hướng nghiên cứu còn nhiều thách thức. Một trong số đó là vấn đề dữ liệu huấn luyện. Việc thu thập và gán nhãn dữ liệu chất lượng cao cho từng nhiệm vụ cơ sở dữ liệu có thể tốn kém. Vì vậy, nhóm nghiên cứu cũng quan tâm đến transfer learning – khả năng chuyển giao kiến thức đã học từ một nhiệm vụ sang nhiệm vụ khác, qua đó giảm sự phụ thuộc vào lượng dữ liệu được gán nhãn mới.
Khi cơ sở dữ liệu phải “học cách phục vụ AI”
Nếu AI4DB đặt câu hỏi “AI có thể làm gì cho cơ sở dữ liệu?”, thì hướng nghiên cứu thứ hai lại đảo ngược vấn đề: cơ sở dữ liệu cần thay đổi như thế nào để phục vụ AI?
Theo Giáo sư Gao Cong, sự xuất hiện của AI agents đang khiến câu hỏi này trở nên cấp thiết hơn.
Với một hệ thống cơ sở dữ liệu truyền thống, người dùng gửi truy vấn, hệ thống xử lý và trả về kết quả. Nhưng một AI agent có thể hoạt động theo một quy trình phức tạp hơn: đặt câu hỏi, tìm kiếm dữ liệu, phân tích kết quả, nhận thấy thông tin chưa đủ, tiếp tục tạo truy vấn mới rồi lặp lại quá trình cho đến khi đạt được câu trả lời phù hợp.
Điều này dẫn tới một dạng tương tác lặp và dựa trên quyết định, thay vì chỉ là một lần truy xuất dữ liệu. Đây cũng là lý do Giáo sư Gao Cong đặt câu hỏi: “RAG đã chạm tới giới hạn hay chưa?”
Câu trả lời không đơn giản là RAG đã lỗi thời. Thay vào đó, khi các hệ thống AI chuyển từ việc truy xuất thông tin tĩnh sang những tác vụ có tính tương tác và suy luận cao hơn, cơ sở dữ liệu cần được chuẩn bị cho một mô hình hoạt động mới.
Sự thay đổi này cũng đặt ra bài toán mới về đánh giá và benchmark. Với cơ sở dữ liệu truyền thống, hiệu năng có thể được đo bằng những chỉ số tương đối rõ ràng như thời gian thực thi truy vấn hay thông lượng. Nhưng với AI agents, cùng một nhiệm vụ có thể được giải quyết theo nhiều cách khác nhau. Một agent có thể tạo nhiều truy vấn, tương tác với nhiều nguồn dữ liệu và đưa ra quyết định dựa trên những kết quả trung gian.
Do đó, chỉ đo thời gian thực thi một truy vấn là chưa đủ. Việc đánh giá cần xem xét toàn bộ quá trình tương tác giữa AI agent và hệ thống dữ liệu, từ chất lượng câu trả lời cuối cùng, hiệu quả sử dụng dữ liệu đến số lượng thao tác và độ tin cậy của hệ thống.
Từ AI4DB đến databases for AI, nghiên cứu của Giáo sư Gao Cong cho thấy cơ sở dữ liệu đang đứng trước một sự chuyển dịch quan trọng. Không còn chỉ là nơi lưu trữ và trả lời truy vấn, hệ thống dữ liệu trong tương lai có thể trở thành hạ tầng thông minh cho AI agents, hỗ trợ đồng thời truy xuất, suy luận, phân tích và những tác vụ AI ngày càng phức tạp.
Hội nghị quốc tế 10th Asia Pacific Web and Web-Age Information Management Joint International Conference on Web and Big Data (APWeb-WAIM 2026) đang diễn ra tại Trường ĐH FPT phân hiệu Đà Nẵng, từ ngày 07-09/9/2026. Hội nghị có sự tham gia của ba diễn giả chính uy tín đến từ các trường đại học hàng đầu Singapore, Hong Kong, Trung Quốc, hơn 100 nhà nghiên cứu, chuyên gia, giảng viên và sinh viên đến từ 12 quốc gia và vùng lãnh thổ.
Thu Uyên - fpt.edu.vn
