Năm 2016, cả thế giới sững sờ khi AlphaGo đi nước thứ 37 trước Lee Sedol. Nhưng với chính đội ngũ DeepMind, cờ vây chỉ là bài tập khởi động. Bốn năm sau, cùng tư duy ấy được đem vào một câu đố khó hơn nhiều: đoán hình dạng 3D của protein. Kết quả là AlphaFold, hệ thống AI được trao giải Nobel Hóa học 2024.
Câu trả lời ngắn: AlphaFold là hệ thống trí tuệ nhân tạo của Google DeepMind, nhận vào chuỗi amino acid của một protein và dự đoán hình dạng 3D mà protein đó sẽ gấp thành. Việc trước đây tốn nhiều tháng đến nhiều năm thí nghiệm, nay thường chỉ mất vài phút, kèm điểm tin cậy cho từng phần của kết quả.
Bài viết này giải thích AlphaFold là gì theo cách không cần nền tảng sinh học: protein là gì, vì sao bài toán gấp protein làm khó giới khoa học suốt 50 năm, AI giải nó ra sao, đọc kết quả thế nào, và đâu là giới hạn mà bạn nên biết trước khi tin vào những tiêu đề kiểu “AI đã giải xong sinh học”.
Nếu bạn chưa biết câu chuyện AlphaGo và nước đi thứ 37, hãy xem video AlphaGo vs Lee Sedol trên kênh Vọc Sĩ trước. Video chỉ dài chưa tới 4 phút và là điểm xuất phát rất hợp để hiểu vì sao DeepMind đi từ bàn cờ sang phòng thí nghiệm.
Tóm tắt nhanh
- Protein là chuỗi amino acid gấp lại thành hình 3D; hình dạng quyết định protein làm được việc gì.
- Xác định hình dạng bằng thí nghiệm có thể mất nhiều năm; số cách gấp về lý thuyết thì khổng lồ.
- AlphaFold 2 đạt điểm trung vị 92,4 GDT tại cuộc thi CASP14 năm 2020, ngang tầm thí nghiệm ở đa số mục tiêu.
- Kho AlphaFold DB miễn phí có hơn 200 triệu cấu trúc dự đoán, gần như mọi protein khoa học đã biết.
- AlphaFold 3 (5/2024) dự đoán cả cách protein bắt cặp với DNA, RNA và phân tử thuốc.
- Kết quả vẫn là dự đoán: cần đọc điểm tin cậy pLDDT và kiểm chứng bằng thí nghiệm khi quan trọng.
Nội dung chính:
- Protein là gì và vì sao hình dạng quan trọng
- Bài toán gấp protein: câu đố 50 năm
- Từ AlphaGo đến AlphaFold: cùng một tư duy
- AlphaFold hoạt động thế nào?
- Đọc kết quả AlphaFold: pLDDT và PAE
- AlphaFold 3 khác gì AlphaFold 2?
- Ứng dụng thực tế của AlphaFold
- Các cột mốc: từ Anfinsen đến Nobel 2024
- Giới hạn của AlphaFold
- Hiểu lầm phổ biến về AlphaFold
- Cách tra cứu cấu trúc protein trên AlphaFold DB
- Câu hỏi thường gặp
Protein là gì và vì sao hình dạng của nó quan trọng?
Khi nghe “protein”, nhiều người nghĩ ngay tới thịt, trứng hay hộp bột whey. Nhưng trong cơ thể, protein là những cỗ máy phân tử làm gần như mọi việc: hemoglobin chở oxy trong máu, kháng thể bắt giữ vi khuẩn, enzyme tiêu hóa cắt nhỏ thức ăn, collagen giữ cho da và gân chắc chắn.
Về cấu tạo, mỗi protein là một chuỗi dài nối từ các “hạt” nhỏ gọi là amino acid. Tự nhiên chỉ dùng khoảng 20 loại amino acid chính, giống như một bảng chữ cái 20 ký tự. Một protein có thể dài vài chục đến vài nghìn ký tự như thế.
Điều thú vị là chuỗi này không nằm duỗi thẳng. Ngay sau khi được tạo ra, nó tự xoắn, gập, cuộn lại thành một hình khối 3D rất cụ thể. Hãy hình dung một sợi dây kẽm dài, mỗi đoạn có nam châm và lò xo riêng: thả ra là nó tự bẻ thành một hình nhất định, lần nào cũng gần như giống nhau.
Vì sao hình dạng quan trọng? Vì protein làm việc bằng cách khớp vào phân tử khác, như chìa khóa khớp ổ khóa. Kháng thể nhận ra virus nhờ một chỗ lõm vừa khít; enzyme bám vào đúng phân tử cần cắt. Biết hình dạng, nhà khoa học hiểu protein hoạt động thế nào, vì sao nó hỏng gây bệnh, và có thể thiết kế thuốc chèn vào đúng “ổ khóa” ấy.
Bài toán gấp protein: câu đố làm khó giới khoa học suốt 50 năm
Đầu những năm 1960, nhà hóa sinh Christian Anfinsen chỉ ra rằng trình tự amino acid về cơ bản đã chứa đủ thông tin để quyết định hình dạng cuối cùng của protein. Ông nhận giải Nobel Hóa học năm 1972. Từ đó nảy ra một câu hỏi lớn: nếu trình tự quyết định hình dạng, ta có thể tính ra hình dạng chỉ từ trình tự không?
Câu hỏi nghe đơn giản nhưng hóa ra cực khó. Năm 1969, nhà sinh học phân tử Cyrus Levinthal nêu một nghịch lý: nếu protein thử lần lượt từng kiểu gấp có thể có, nó sẽ cần thời gian lâu hơn tuổi của vũ trụ. Thế mà trong tế bào, protein gấp xong trong vài phần nghìn giây đến vài giây. Đây chính là điểm giống với cờ vây trong video: số khả năng quá khổng lồ, vét cạn là vô vọng.
Cách làm truyền thống: thí nghiệm tốn kém
Suốt hàng chục năm, cách chắc chắn nhất để biết hình dạng protein là đo bằng thí nghiệm. Ba phương pháp chính là tinh thể học tia X (X-ray crystallography), cộng hưởng từ hạt nhân (NMR) và kính hiển vi điện tử nghiệm lạnh (cryo-EM). Theo DeepMind, giải một cấu trúc có thể mất vài năm và tốn hàng trăm nghìn đô la. Có protein làm mãi không kết tinh được.
Đến năm 2020, kho dữ liệu công khai Protein Data Bank (PDB) mới có khoảng 170.000 cấu trúc, trong khi số protein đã biết trình tự lên tới hàng trăm triệu. Khoảng cách ấy là lý do giới khoa học khao khát một cách dự đoán bằng máy tính.
CASP: “Olympic” của dự đoán protein
Từ năm 1994, cộng đồng khoa học tổ chức cuộc thi CASP hai năm một lần. Ban tổ chức đưa ra những protein vừa được giải bằng thí nghiệm nhưng chưa công bố; các đội dự đoán rồi so với đáp án thật. Thang điểm GDT chạy từ 0 đến 100; theo giáo sư John Moult, người đồng sáng lập CASP, khoảng 90 điểm được xem là ngang tầm thí nghiệm. Suốt hơn 20 năm, điểm số nhích lên rất chậm.
Từ AlphaGo đến AlphaFold: cùng một tư duy
Trong video, AlphaGo thắng không phải nhờ tính hết mọi nước như Deep Blue, mà nhờ học được “cảm giác” thế cờ: một mạng nơ-ron gợi ý vài nước đáng thử, một mạng khác ước lượng bên nào đang có lợi. Câu chuyện chi tiết về cách máy chơi cờ đã có trong bài AI chơi cờ: từ Deep Blue đến AlphaZero.
AlphaFold mang đúng tinh thần đó sang sinh học: thay vì mô phỏng từng nguyên tử va đập (rất tốn tính toán), hãy để mạng nơ-ron học quy luật từ hàng chục nghìn cấu trúc đã biết, rồi “nhìn” một trình tự mới và đoán hình dạng hợp lý nhất.
Nhưng cũng có khác biệt quan trọng. AlphaGo tự đấu với chính mình hàng triệu ván để tiến bộ (học tăng cường). AlphaFold thì chủ yếu học có giám sát: dữ liệu huấn luyện là khoảng 170.000 cấu trúc thật trong PDB, mỗi cấu trúc là một “đáp án mẫu”. Nếu bạn muốn ôn lại các kiểu học này, bài học máy là gì giải thích rất gọn.
Phiên bản đầu tiên (AlphaFold 1) đứng đầu CASP13 năm 2018 nhưng vẫn còn xa mức thí nghiệm. Đội ngũ, do John Jumper dẫn dắt mảng kỹ thuật, gần như làm lại từ đầu. Tại CASP14 cuối năm 2020, AlphaFold 2 đạt điểm trung vị 92,4 GDT, sai số trung bình khoảng 1,6 ångström, cỡ bề rộng một nguyên tử. Ban tổ chức tuyên bố bài toán dự đoán cấu trúc protein đơn lẻ về cơ bản đã có lời giải.
AlphaFold hoạt động thế nào?
Bạn không cần biết công thức để hiểu ý tưởng chính. AlphaFold 2 đi qua bốn chặng, giống một thám tử thu thập manh mối rồi dựng lại hiện trường.
1. Đầu vào: chuỗi amino acid
Người dùng chỉ đưa vào trình tự, ví dụ một chuỗi dài 150 ký tự như “MVLSPADKTN…”. Không cần ảnh, không cần đo đạc gì thêm.
2. Tìm “họ hàng” qua tiến hóa
Hệ thống dò trong các kho dữ liệu khổng lồ để tìm những protein tương tự ở loài khác, rồi xếp thẳng hàng chúng (gọi là multiple sequence alignment, MSA). Mẹo nằm ở đây: nếu hai vị trí trong chuỗi luôn đổi cùng nhau qua hàng triệu năm tiến hóa, nhiều khả năng chúng nằm sát nhau trong không gian 3D. Giống như hai mảnh ghép luôn được thay cùng lúc thì hẳn chúng khớp vào nhau.
3. Evoformer: mạng nơ-ron “chú ý” vào cặp vị trí
Một mạng nơ-ron tên Evoformer dùng cơ chế attention (giống thứ giúp chatbot hiểu câu) để cân nhắc mọi cặp vị trí trong chuỗi, cập nhật dần bức tranh “vị trí nào gần vị trí nào”. Nếu bạn muốn hiểu mạng nơ-ron từ gốc, hãy đọc bài mạng nơ-ron nhân tạo là gì.
4. Dựng khung 3D và tự sửa
Phần cuối (structure module) biến bức tranh khoảng cách thành tọa độ 3D cho từng nguyên tử. Kết quả được đưa ngược lại vào mạng vài lần (recycling) để tinh chỉnh, giống như người vẽ phác thảo rồi tô lại nét nhiều lượt. Đầu ra cuối cùng là một mô hình 3D kèm điểm tin cậy cho từng vị trí.
Để huấn luyện, DeepMind dùng khoảng 128 lõi TPUv3 (tương đương 100–200 GPU) trong vài tuần. Con số này lớn với một phòng thí nghiệm, nhưng nhỏ so với nhiều mô hình ngôn ngữ ngày nay. Một khi đã huấn luyện xong, dự đoán một protein thường chỉ mất vài phút đến vài giờ tùy độ dài.
Đọc kết quả AlphaFold: pLDDT và PAE nói gì?
Một điểm khiến AlphaFold được giới khoa học tin dùng là nó tự nói mình chắc đến đâu. Điều này rất khác với nhiều chatbot trả lời sai mà vẫn tự tin. Có hai chỉ số bạn sẽ gặp.
pLDDT: độ tin cậy từng vị trí
pLDDT chấm từ 0 đến 100 cho mỗi amino acid. Trên trang AlphaFold DB, mô hình được tô màu theo điểm này:
- Trên 90 (xanh đậm): rất tin cậy, thường đúng cả hướng các nhánh bên.
- 70–90 (xanh nhạt): tin cậy, khung chính thường đúng.
- 50–70 (vàng): độ tin cậy thấp, chỉ nên tham khảo.
- Dưới 50 (cam): rất thấp; vùng này thường là đoạn lỏng lẻo, không có hình cố định.
PAE: các phần đặt cạnh nhau đúng chưa?
Một protein có thể gồm nhiều khối (domain). Từng khối có thể đúng, nhưng góc ghép giữa chúng thì chưa chắc. PAE (Predicted Aligned Error) là bản đồ dạng ô vuông cho biết sai số dự kiến (tính bằng ångström) khi đặt vị trí này so với vị trí kia. Ô tối màu nghĩa là sai số thấp, hai phần đặt cạnh nhau đáng tin. Khi PAE giữa hai khối cao, đừng vội kết luận về cách chúng tương tác.
AlphaFold 3 khác gì AlphaFold 2?
Ngày 8/5/2024, Google DeepMind và Isomorphic Labs (công ty tách ra để làm thuốc bằng AI) giới thiệu AlphaFold 3. Nếu AlphaFold 2 chủ yếu đoán hình một protein, thì AlphaFold 3 đoán cả một “cuộc gặp” giữa nhiều phân tử: protein với protein, với DNA, RNA, ion kim loại và các phân tử nhỏ như thuốc.
Về kỹ thuật, phần dựng cấu trúc của AlphaFold 3 chuyển sang kiểu khuếch tán (diffusion), cùng họ với công nghệ tạo ảnh bằng AI: bắt đầu từ đám nguyên tử lộn xộn rồi “khử nhiễu” dần thành cấu trúc. Phần tìm họ hàng tiến hóa cũng được làm gọn hơn.
| Tiêu chí | AlphaFold 2 | AlphaFold 3 |
|---|---|---|
| Ra mắt | CASP14 cuối 2020, mã nguồn 7/2021 | 8/5/2024 |
| Dự đoán gì | Chủ yếu một protein (có bản cho phức hợp protein) | Protein cùng DNA, RNA, ion, phân tử nhỏ |
| Phần dựng cấu trúc | Structure module | Mô hình khuếch tán |
| Cách dùng miễn phí | Kho AlphaFold DB, mã nguồn mở | AlphaFold Server (phi thương mại), mã cho học thuật |
Cách dùng AlphaFold 3 dễ nhất là AlphaFold Server, ra mắt cùng ngày: bạn đăng nhập tài khoản Google, dán trình tự, chọn thêm DNA hay phân tử nhỏ rồi chờ kết quả. Dịch vụ miễn phí cho nghiên cứu phi thương mại và có giới hạn số lượt chạy mỗi ngày. Mã nguồn và trọng số mô hình được mở cho mục đích học thuật trên GitHub.
Ứng dụng thực tế của AlphaFold: không chỉ trong phòng thí nghiệm
Tháng 7/2021, DeepMind cùng Viện Tin sinh học châu Âu (EMBL-EBI) mở kho AlphaFold DB với khoảng 350.000 cấu trúc, gồm gần như toàn bộ protein của con người. Tháng 7/2022, kho mở rộng lên hơn 200 triệu cấu trúc, gần như mọi protein đã được khoa học ghi nhận. Theo DeepMind, hơn 3 triệu nhà nghiên cứu ở hơn 190 quốc gia đã dùng AlphaFold, trong đó hơn 1 triệu người ở các nước thu nhập thấp và trung bình.
Những hướng nghiên cứu được DeepMind nêu tên gồm:
- Bệnh truyền nhiễm: nghiên cứu vắc-xin sốt rét, tìm hiểu cơ chế vi khuẩn kháng kháng sinh.
- Môi trường: thiết kế enzyme có khả năng phân hủy nhựa.
- Nông nghiệp: tạo giống cây chịu được khí hậu nóng lên, nhân giống ong mật khỏe hơn.
- Bệnh mạn tính: Parkinson khởi phát sớm, loãng xương, bệnh tim và các protein liên quan tới ung thư.
- Thuốc mới: tìm “ổ khóa” trên protein gây bệnh để thiết kế phân tử thuốc khớp vào.
Theo DeepMind, hơn 30% bài báo trích dẫn AlphaFold liên quan đến nghiên cứu bệnh tật. Điều đáng chú ý là phần lớn người dùng không phải chuyên gia AI: họ là nhà sinh học dùng kết quả như một bản đồ khởi đầu để chọn thí nghiệm nào nên làm trước, thay vì mò từ con số không.
Các cột mốc: từ Anfinsen đến Nobel Hóa học 2024
Nhìn lại cả hành trình, AlphaFold là kết quả của nửa thế kỷ tích lũy dữ liệu và phương pháp, chứ không phải phép màu một sớm một chiều.
Tháng 10/2024, Viện Hàn lâm Khoa học Hoàng gia Thụy Điển trao giải Nobel Hóa học: một nửa cho David Baker (Đại học Washington) vì thiết kế protein bằng máy tính, nửa còn lại cho Demis Hassabis và John Jumper (Google DeepMind) vì dự đoán cấu trúc protein. Hai hướng bổ sung cho nhau: một bên đoán hình của protein có sẵn, một bên tạo ra protein mới chưa từng có trong tự nhiên.
Đây là một trong những lần đầu tiên công trình chủ yếu dựa trên AI nhận giải Nobel khoa học, cùng năm với giải Nobel Vật lý trao cho các nghiên cứu nền tảng về mạng nơ-ron. Năm 2024 vì thế thường được nhắc như mốc AI chính thức bước vào “đền thiêng” khoa học.
Giới hạn của AlphaFold: đừng thần thánh hóa
Video kết thúc bằng lời nhắc: AlphaGo chỉ giỏi đúng cờ vây và không thật sự “hiểu” bàn cờ. AlphaFold cũng vậy. Nó cực giỏi một việc, nhưng có những giới hạn rõ ràng:
- Ảnh chụp tĩnh, không phải phim: protein thật luôn rung, uốn, đổi dáng khi làm việc. AlphaFold thường cho một hình đại diện, không cho thấy chuyển động.
- Vùng không có hình cố định: nhiều protein có đoạn lỏng lẻo (vùng mất trật tự). Ở đó điểm pLDDT thấp và hình vẽ ra không mang nhiều ý nghĩa.
- Không mô phỏng quá trình gấp: AlphaFold đoán kết quả cuối, không giải thích protein gấp theo thứ tự nào hay vì sao gấp sai gây bệnh.
- Đột biến nhỏ: thay một amino acid có thể làm hỏng protein, nhưng AlphaFold thường không phản ánh rõ tác động của thay đổi rất nhỏ như vậy.
- Thiếu “họ hàng” thì kém hơn: protein hiếm, ít trình tự tương tự trong kho dữ liệu thường cho kết quả kém chắc chắn hơn.
Nói cách khác, AlphaFold cũng là một dạng hộp đen AI: nó cho đáp án tốt nhưng không giải thích quy luật vật lý đằng sau. Điểm khác là nó có điểm tin cậy đi kèm, giúp người dùng biết chỗ nào nên nghi ngờ.
Hiểu lầm phổ biến về AlphaFold
“AlphaFold đã giải xong sinh học”
Không. AlphaFold giải gần trọn một bài toán hẹp: đoán hình dạng tĩnh của protein. Cách protein tương tác trong tế bào sống, thay đổi theo thời gian, bị điều khiển bởi hàng nghìn yếu tố khác vẫn còn rất nhiều điều chưa biết.
“Có AlphaFold thì không cần thí nghiệm nữa”
Thực tế ngược lại: AlphaFold giúp thí nghiệm nhanh và trúng hơn. Các phòng thí nghiệm dùng mô hình dự đoán để định hướng, rồi vẫn kiểm chứng bằng tia X, cryo-EM hay thí nghiệm chức năng khi kết quả dùng cho quyết định quan trọng.
“AlphaFold tạo ra thuốc ngay lập tức”
Biết hình ổ khóa mới là bước đầu. Từ đó đến một viên thuốc an toàn còn qua thiết kế phân tử, thử trên tế bào, động vật và nhiều pha thử nghiệm lâm sàng, thường mất nhiều năm.
Cách tra cứu cấu trúc protein trên AlphaFold DB (miễn phí)
Bạn không cần là nhà khoa học để thử. Dưới đây là cách xem một cấu trúc có sẵn chỉ với trình duyệt:
Bước 1: Mở trang kho dữ liệu
Vào trang alphafold.ebi.ac.uk. Không cần tạo tài khoản.
Bước 2: Tìm protein
Gõ tên protein bằng tiếng Anh (ví dụ “hemoglobin subunit beta”), tên gen hoặc mã UniProt (ví dụ P68871 cho chuỗi beta hemoglobin ở người). Chọn đúng loài trong danh sách kết quả.
Bước 3: Xem mô hình 3D và màu tin cậy
Trang chi tiết hiện mô hình xoay được bằng chuột, tô màu theo pLDDT. Hãy nhìn tỷ lệ xanh đậm và xanh nhạt trước khi tin vào hình.
Bước 4: Kiểm tra bản đồ PAE
Nếu protein có nhiều khối, xem bản đồ PAE để biết các khối đặt cạnh nhau có đáng tin không.
Bước 5: Tải về khi cần
Có thể tải tệp PDB hoặc mmCIF để mở bằng phần mềm xem phân tử. Kho dữ liệu cấp phép CC BY 4.0, dùng được cả cho mục đích thương mại nếu ghi nguồn.
| Phương pháp | Thời gian thường gặp | Điểm mạnh | Lưu ý |
|---|---|---|---|
| Tinh thể học tia X | Nhiều tháng đến nhiều năm | Độ chi tiết rất cao | Cần kết tinh được protein |
| NMR | Nhiều tháng | Thấy được chuyển động | Hợp protein nhỏ |
| Cryo-EM | Nhiều tuần đến nhiều tháng | Hợp phức hợp lớn | Thiết bị rất đắt |
| AlphaFold | Vài phút đến vài giờ | Nhanh, miễn phí, quy mô lớn | Là dự đoán, cần đọc điểm tin cậy |
Thời gian trong bảng mang tính tham khảo, thay đổi rất nhiều theo từng protein và phòng thí nghiệm.
Câu hỏi thường gặp về AlphaFold
AlphaFold có miễn phí không?
Có. Kho AlphaFold DB với hơn 200 triệu cấu trúc được mở miễn phí, cấp phép CC BY 4.0. AlphaFold Server để chạy AlphaFold 3 cũng miễn phí nhưng chỉ cho nghiên cứu phi thương mại và có giới hạn lượt chạy mỗi ngày. Doanh nghiệp muốn dùng AlphaFold 3 cho sản phẩm thương mại cần xem kỹ điều khoản riêng.
AlphaFold và AlphaGo có liên quan gì nhau?
Cả hai đều do DeepMind phát triển và chung triết lý: dùng mạng nơ-ron học “trực giác” thay vì vét cạn mọi khả năng. Khác ở chỗ AlphaGo tự đấu với chính mình để học, còn AlphaFold học chủ yếu từ cấu trúc protein thật mà con người đã đo bằng thí nghiệm.
Người không học sinh học có dùng được AlphaFold không?
Xem thì được: chỉ cần trình duyệt và tên protein là bạn đã xoay được mô hình 3D trên AlphaFold DB. Nhưng để rút ra kết luận khoa học, như vị trí thuốc có thể bám vào, bạn cần kiến thức hóa sinh và nên trao đổi với người làm chuyên môn.
Vì sao AlphaFold được giải Nobel Hóa học chứ không phải Sinh học?
Nobel không có hạng mục Sinh học riêng; gần nhất là Sinh lý học hoặc Y học. Hình dạng protein là câu hỏi về cấu trúc phân tử và liên kết hóa học, vốn thuộc mảng hóa sinh, nên được xét ở hạng mục Hóa học, giống trường hợp Anfinsen năm 1972.
AlphaFold có thể sai không?
Có. Ở vùng có pLDDT thấp, protein hiếm ít dữ liệu, hoặc khi các khối ghép với nhau theo kiểu mới, kết quả có thể lệch đáng kể. Đó là lý do luôn đọc điểm tin cậy và, khi quan trọng, kiểm chứng bằng thí nghiệm.
Kết luận: từ nước đi thứ 37 đến 200 triệu protein
AlphaGo cho thấy máy có thể học được “cảm giác” ở nơi con người tưởng còn rất xa. AlphaFold đưa chính khả năng đó ra khỏi bàn cờ, giúp hàng triệu nhà khoa học nhìn thấy hình dạng của những cỗ máy tí hon trong cơ thể. Nó không thay thế phòng thí nghiệm, nhưng đã rút ngắn những bước đi mò mẫm từ nhiều năm xuống vài phút.
Nếu nước đi thứ 37 dạy ta rằng thứ trông như sai lầm có khi chỉ là điều ta chưa nhìn tới, thì AlphaFold nhắc rằng AI hữu ích nhất khi nó đi cùng con người, đưa ra dự đoán kèm độ tin cậy để con người kiểm chứng và quyết định.
Bạn nghĩ lĩnh vực nào tiếp theo sẽ có “khoảnh khắc AlphaFold” của riêng mình: vật liệu mới, pin, hay thời tiết? Để lại bình luận và theo dõi kênh Nhật Phúc để không bỏ lỡ các bài giải thích AI dễ hiểu tiếp theo.
