Liệu các mô hình thế giới AI có thực sự hiểu được các định luật vật lý không?

Niềm hy vọng lớn nhất cho các mô hình AI ngôn ngữ thị giác là một ngày nào đó chúng sẽ có khả năng tự chủ và linh hoạt hơn, kết hợp các nguyên tắc của định luật vật lý theo cách tương tự như cách chúng ta phát triển sự hiểu biết bẩm sinh về các nguyên tắc này thông qua kinh nghiệm ban đầu.

Ví dụ, trò chơi bóng của trẻ em có xu hướng phát triển sự hiểu biết về động học chuyển độngvà tác động của trọng lượng và kết cấu bề mặt lên quỹ đạo. Tương tự như vậy, tương tác với các tình huống thông thường như bồn tắm, đồ uống bị đổ, đại dương, hồ bơi và các khối chất lỏng đa dạng khác sẽ truyền cho chúng ta sự hiểu biết linh hoạt và có thể mở rộng về cách chất lỏng hoạt động dưới trọng lực.

Ngay cả những giả thuyết về các hiện tượng ít phổ biến hơn – chẳng hạn như sự cháy, nổ và phân bố trọng lượng kiến ​​trúc dưới áp lực – cũng được tiếp thu một cách vô thức thông qua việc xem các chương trình truyền hình, phim ảnh hoặc video trên mạng xã hội.

Đến lúc chúng ta nghiên cứu nguyên tắc Đằng sau những hệ thống này, ở cấp độ học thuật, chúng ta chỉ đang 'cải tiến' các mô hình tinh thần trực quan (nhưng thiếu thông tin) của chúng ta về chúng.

Bậc thầy của một

Hiện nay, hầu hết các mô hình AI, ngược lại, "chuyên biệt" hơn và nhiều trong số chúng là tinh chỉnh hoặc được đào tạo từ đầu trên các tập dữ liệu hình ảnh hoặc video khá cụ thể cho một số trường hợp sử dụng nhất định, thay vì được thiết kế để phát triển sự hiểu biết chung về luật chi phối.

Những người khác có thể trình bày xuất hiện về sự hiểu biết về các định luật vật lý; nhưng thực tế họ có thể đang sao chép các mẫu từ dữ liệu đào tạo của mình, thay vì thực sự hiểu những điều cơ bản của các lĩnh vực như vật lý chuyển động theo cách có thể tạo ra các mô tả thực sự mới lạ (và hợp lý về mặt khoa học) từ lời nhắc của người dùng.

Vào thời điểm nhạy cảm này trong quá trình sản xuất và thương mại hóa các hệ thống AI tạo sinh, chúng ta và các nhà đầu tư cần phải phân biệt hoạt động tiếp thị được dàn dựng của các mô hình AI mới với thực tế về những hạn chế của chúng.

Một trong những tháng 11 những bài viết thú vị nhất, do Bytedance Research dẫn đầu, đã giải quyết vấn đề này, khám phá khoảng cách giữa khả năng rõ ràng và thực tế của các mô hình tạo ra 'đa năng' như Sora.

Công trình kết luận rằng ở trạng thái nghệ thuật hiện tại, đầu ra được tạo ra từ các mô hình loại này có nhiều khả năng là bắt chước các ví dụ từ dữ liệu đào tạo của họ hơn là thực sự chứng minh được sự hiểu biết đầy đủ về những hạn chế vật lý cơ bản đang diễn ra trong thế giới thực.

Bài báo nêu rõ *:

'[Những] mô hình này có thể dễ dàng bị thiên vị bởi các ví dụ "lừa dối" từ tập huấn luyện, khiến chúng khái quát hóa theo cách "dựa trên trường hợp" trong một số điều kiện nhất định. Hiện tượng này cũng quan sát trong các mô hình ngôn ngữ lớn, mô tả xu hướng của mô hình trong việc tham chiếu các trường hợp đào tạo tương tự khi giải quyết các nhiệm vụ mới.

'Ví dụ, hãy xem xét một mô hình video được đào tạo dựa trên dữ liệu về một quả bóng tốc độ cao chuyển động tuyến tính đều. Nếu việc tăng cường dữ liệu được thực hiện bằng cách lật ngang các video, qua đó tạo ra chuyển động ngược chiều, mô hình có thể tạo ra một kịch bản trong đó một quả bóng tốc độ thấp đảo ngược hướng sau các khung hình ban đầu, mặc dù hành vi này không chính xác về mặt vật lý.'

Chúng ta sẽ xem xét kỹ hơn bài báo có tiêu đề Đánh giá các mô hình thế giới với LLM để ra quyết định  – nói ngắn gọn. Nhưng trước tiên, hãy cùng xem xét bối cảnh của những hạn chế rõ ràng này.

Tưởng nhớ những điều quá khứ

Nếu không có sự khái quát, một mô hình AI được đào tạo chẳng khác gì một bảng tính đắt tiền chứa các tham chiếu đến các phần dữ liệu đào tạo của nó: hãy tìm thuật ngữ tìm kiếm phù hợp và bạn có thể triệu hồi một phiên bản của dữ liệu đó.

Trong trường hợp đó, mô hình thực sự hoạt động như một 'công cụ tìm kiếm thần kinh', vì nó không thể tạo ra các diễn giải trừu tượng hoặc 'sáng tạo' về đầu ra mong muốn, mà thay vào đó sao chép một số biến thể nhỏ của dữ liệu mà nó thấy trong quá trình đào tạo.

Điều này được gọi là sự ghi nhớ – một vấn đề gây tranh cãi nảy sinh do các mô hình AI thực sự dễ uốn nắn và có khả năng diễn giải có xu hướng thiếu chi tiết, trong khi các mô hình thực sự chi tiết có xu hướng thiếu tính độc đáo và linh hoạt.

Khả năng của các mô hình bị ảnh hưởng bởi ghi nhớ để tái tạo dữ liệu đào tạo là một rào cản pháp lý tiềm ẩn, trong trường hợp người tạo mô hình không có quyền sử dụng dữ liệu đó một cách không bị cản trở; và khi lợi ích từ dữ liệu đó có thể được chứng minh thông qua số lượng ngày càng tăng phương pháp chiết xuất.

Do ghi nhớ, dấu vết của dữ liệu không được phép có thể kiên trì, nối tiếp nhau, thông qua nhiều hệ thống đào tạo, như hình mờ không thể xóa và không mong muốn – ngay cả trong các dự án mà người thực hành học máy đã cẩn thận đảm bảo rằng dữ liệu 'an toàn' được sử dụng.

Người mẫu thế giới

Tuy nhiên, vấn đề sử dụng trung tâm với việc ghi nhớ là nó có xu hướng truyền đạt ảo tưởng về trí thông minhhoặc gợi ý rằng mô hình AI đã khái quát hóa các định luật hoặc phạm vi cơ bản, trong khi thực tế chính khối lượng lớn dữ liệu được ghi nhớ mới tạo ra ảo giác này (tức là mô hình có quá nhiều ví dụ dữ liệu tiềm năng để lựa chọn đến mức con người khó có thể biết liệu nó đang lặp lại nội dung đã học hay có sự hiểu biết thực sự trừu tượng về các khái niệm liên quan đến quá trình tạo ra).

Vấn đề này có tác động đến sự quan tâm ngày càng tăng trong người mẫu thế giới – triển vọng về các hệ thống AI đa dạng và được đào tạo tốn kém, kết hợp nhiều luật đã biết và có thể khám phá phong phú.

Các mô hình thế giới đặc biệt quan tâm đến không gian hình ảnh và video tạo ra. Vào năm 2023, RunwayML đã bắt đầu sáng kiến ​​nghiên cứu vào sự phát triển và tính khả thi của các mô hình như vậy; DeepMind gần đây thuê một trong những người sáng tạo ra video tạo hình Sora được hoan nghênh để làm việc trên một mô hình như thế này; và các công ty khởi nghiệp chẳng hạn như Higgsfield đang đầu tư đáng kể vào các mô hình thế giới để tổng hợp hình ảnh và video.

Kết hợp khó

Một trong những lời hứa hẹn về sự phát triển mới trong các hệ thống AI video tạo ra là triển vọng rằng chúng có thể học các định luật vật lý cơ bản, chẳng hạn như chuyển động, động học của con người (chẳng hạn như đặc điểm dáng đi), động lực học chất lỏngvà các hiện tượng vật lý đã biết khác, ít nhất là quen thuộc với con người về mặt thị giác.

Nếu AI tạo ra có thể đạt được cột mốc này, nó có thể tạo ra các hiệu ứng hình ảnh siêu thực mô tả các vụ nổ, lũ lụt và các sự kiện va chạm có thể xảy ra trên nhiều loại vật thể.

Mặt khác, nếu hệ thống AI chỉ được đào tạo trên hàng nghìn (hoặc hàng trăm nghìn) video mô tả các sự kiện như vậy, thì nó có thể có khả năng tái tạo dữ liệu đào tạo một cách khá thuyết phục khi được đào tạo trên một dữ liệu tương tự trỏ đến truy vấn mục tiêu của người dùng; chưa không nếu truy vấn kết hợp quá nhiều khái niệm mà khi kết hợp như vậy, chúng không được biểu diễn trong dữ liệu.

Hơn nữa, những hạn chế này sẽ không thể nhận thấy ngay lập tức cho đến khi người ta thử nghiệm hệ thống bằng những tổ hợp đầy thách thức như thế này.

Điều này có nghĩa là một hệ thống tạo ra nội dung video mới có thể có khả năng tạo ra nội dung video lan truyền, tuy ấn tượng nhưng có thể tạo ra ấn tượng sai lệch về khả năng và độ sâu hiểu biết của hệ thống, vì nhiệm vụ mà nó đại diện không phải là thách thức thực sự đối với hệ thống.

Ví dụ, một sự kiện tương đối phổ biến và lan truyền rộng rãi, chẳng hạn như 'một tòa nhà bị phá hủy', có thể có mặt trong nhiều video trong một tập dữ liệu được sử dụng để đào tạo một mô hình được cho là có một số hiểu biết về vật lý. Do đó, mô hình có thể khái quát hóa khái niệm này tốt và thậm chí tạo ra đầu ra thực sự mới lạ trong các tham số học được từ nhiều video.

Đây là một trong phân phối Ví dụ, trong đó tập dữ liệu chứa nhiều ví dụ hữu ích để hệ thống AI học hỏi.

Tuy nhiên, nếu ai đó yêu cầu một ví dụ kỳ lạ hoặc hợp lý hơn, chẳng hạn như 'Tháp Eiffel bị phá hủy bởi những kẻ xâm lược ngoài hành tinh', mô hình này sẽ cần kết hợp nhiều lĩnh vực khác nhau như 'tính chất luyện kim', 'đặc điểm của vụ nổ', 'trọng lực', 'sức cản của gió' – và 'tàu vũ trụ của người ngoài hành tinh'.

Đây là một ngoài phân phối Ví dụ (OOD), kết hợp rất nhiều khái niệm phức tạp đến nỗi hệ thống có thể sẽ không tạo ra được ví dụ thuyết phục hoặc sẽ mặc định sử dụng ví dụ ngữ nghĩa gần nhất mà nó được đào tạo – ngay cả khi ví dụ đó không tuân theo lời nhắc của người dùng.

Ngoại trừ việc tập dữ liệu nguồn của mô hình chứa VFX theo phong cách CGI của Hollywood mô tả cùng một sự kiện hoặc một sự kiện tương tự, thì mô tả như vậy chắc chắn đòi hỏi phải đạt được sự hiểu biết tổng quát và linh hoạt về các định luật vật lý.

Hạn chế về mặt thể chất

Bài báo mới – sự hợp tác giữa Bytedance, Đại học Thanh Hoa và Technion – cho thấy không chỉ các mô hình như Sora không thực sự nội tại hóa các định luật vật lý tất định theo cách này, nhưng việc mở rộng dữ liệu (một cách tiếp cận phổ biến trong 18 tháng qua) dường như, trong hầu hết các trường hợp, không tạo ra sự cải thiện thực sự nào về mặt này.

Bài báo không chỉ khám phá giới hạn của việc ngoại suy các định luật vật lý cụ thể - chẳng hạn như hành vi của các vật thể chuyển động khi chúng va chạm hoặc khi đường đi của chúng bị cản trở - mà còn khám phá khả năng của mô hình đối với tổng quát hóa tổ hợp – trường hợp biểu diễn của hai nguyên lý vật lý khác nhau được hợp nhất thành một kết quả đầu ra duy nhất.

Video tóm tắt bài báo mới. Nguồn: https://x.com/bingyikang/status/1853635009611219019

Ba định luật vật lý được các nhà nghiên cứu lựa chọn để nghiên cứu là chuyển động parabol; chuyển động thẳng đều; Và va chạm hoàn toàn đàn hồi.

Như có thể thấy trong video ở trên, những phát hiện chỉ ra rằng các mô hình như Sora không thực sự nội tại hóa các định luật vật lý mà có xu hướng tái tạo dữ liệu đào tạo.

Hơn nữa, các tác giả phát hiện ra rằng các khía cạnh như màu sắc và hình dạng trở nên rối rắm tại thời điểm suy luận đến mức một quả bóng được tạo ra có khả năng biến thành một hình vuông, rõ ràng là vì một chuyển động tương tự trong ví dụ tập dữ liệu có hình vuông chứ không phải hình quả bóng (xem ví dụ trong video nhúng ở trên).

Tờ giấy đó có đáng chú ý là đã tham gia ngành nghiên cứu về phương tiện truyền thông xã hội kết luận:

'Nghiên cứu của chúng tôi cho thấy việc mở rộng quy mô thôi là không đủ để các mô hình tạo video khám phá ra các định luật vật lý cơ bản, mặc dù nó đóng vai trò quan trọng trong thành công lớn hơn của Sora…

'…[Những phát hiện] chỉ ra rằng việc mở rộng quy mô đơn thuần không thể giải quyết được vấn đề OOD, mặc dù nó giúp nâng cao hiệu suất trong các tình huống khác.

'Phân tích chuyên sâu của chúng tôi cho thấy rằng việc khái quát hóa mô hình video dựa nhiều hơn vào việc tham chiếu các ví dụ đào tạo tương tự thay vì học các quy tắc chung. Chúng tôi đã quan sát thấy thứ tự ưu tiên của màu sắc > kích thước > vận tốc > hình dạng trong hành vi "dựa trên trường hợp" này.

'Nghiên cứu của chúng tôi cho thấy rằng việc mở rộng quy mô một cách ngây thơ là không đủ để các mô hình tạo video khám phá ra các định luật vật lý cơ bản.'

Khi được hỏi liệu nhóm nghiên cứu đã tìm ra giải pháp cho vấn đề này hay chưa, một trong những tác giả của bài báo nhận xét:

'Thật không may, chúng tôi chưa làm được điều đó. Thực ra, đây có lẽ là nhiệm vụ của toàn bộ cộng đồng AI.'

Phương pháp và dữ liệu

Các nhà nghiên cứu đã sử dụng Trình mã tự động biến thể (VAE) và DiT kiến trúc để tạo mẫu video. Trong thiết lập này, nén biểu diễn tiềm ẩn được sản xuất bởi công việc VAE kết hợp với mô hình hóa của DiT giảm nhiễu quá trình.

Video được đào tạo qua Stable Diffusion V1.5-VAE. Sơ đồ về cơ bản vẫn giữ nguyên, chỉ có những cải tiến về mặt kiến ​​trúc ở cuối quy trình:

'[Chúng tôi giữ lại] phần lớn các cơ chế tích chập 2D, chuẩn hóa nhóm và chú ý ban đầu trên các chiều không gian.

'Để thổi phồng cấu trúc này thành bộ mã hóa tự động không gian-thời gian, chúng tôi chuyển đổi một vài khối mẫu xuống 2D cuối cùng của bộ mã hóa và một vài khối mẫu lên 2D ban đầu của bộ giải mã thành khối 3D và sử dụng nhiều lớp 1D bổ sung để tăng cường mô hình hóa thời gian.'

Để cho phép mô hình hóa video, VAE đã sửa đổi được đào tạo chung với dữ liệu hình ảnh và video HQ, với thành phần Mạng đối nghịch tạo sinh 2D (GAN) có sẵn trong kiến ​​trúc SD1.5 được tăng cường cho 3D.

Bộ dữ liệu hình ảnh được sử dụng là nguồn gốc của Stable Diffusion, LAION-Thẩm mỹ, với chức năng lọc, ngoài ra Dữ liệuComp. Đối với dữ liệu video, một tập hợp con đã được tuyển chọn từ Vimeo-90K, Gấu trúc-70m và HDVG bộ dữ liệu.

Dữ liệu được đào tạo trong một triệu bước, với việc cắt xén thay đổi kích thước ngẫu nhiên và lật ngang ngẫu nhiên được áp dụng như tăng dữ liệu quy trình.

Lật ra

Như đã lưu ý ở trên, việc tăng cường dữ liệu lật ngang ngẫu nhiên quá trình có thể là một trách nhiệm trong việc đào tạo một hệ thống được thiết kế để tạo ra chuyển động xác thực. Điều này là do đầu ra từ mô hình được đào tạo có thể xem xét cả hai hướng của một vật thể và gây ra sự đảo ngược ngẫu nhiên khi nó cố gắng xử lý dữ liệu xung đột này (xem video nhúng ở trên).

Mặt khác, nếu một người lật ngang off, mô hình sau đó có nhiều khả năng tạo ra đầu ra tuân thủ chỉ có một hướng được học từ dữ liệu đào tạo.

Vì vậy, không có giải pháp dễ dàng nào cho vấn đề này, ngoại trừ việc hệ thống thực sự đồng hóa toàn bộ khả năng chuyển động từ cả phiên bản gốc và phiên bản đảo ngược - một khả năng mà trẻ em dễ dàng phát triển, nhưng rõ ràng là một thách thức lớn hơn đối với các mô hình AI.

Kiểm tra

Đối với tập thí nghiệm đầu tiên, các nhà nghiên cứu đã xây dựng một trình mô phỏng 2D để tạo ra các video về chuyển động và va chạm của vật thể phù hợp với các định luật của cơ học cổ điển, cung cấp một tập dữ liệu có khối lượng lớn và được kiểm soát, loại trừ sự mơ hồ của các video trong thế giới thực, để đánh giá các mô hình. Hộp2D Công cụ trò chơi vật lý đã được sử dụng để tạo ra các video này.

Ba tình huống cơ bản được liệt kê ở trên là trọng tâm của các thử nghiệm: chuyển động thẳng đều, va chạm hoàn toàn đàn hồi và chuyển động parabol.

Các tập dữ liệu có kích thước tăng dần (từ 30,000 đến ba triệu video) được sử dụng để đào tạo các mô hình có kích thước và độ phức tạp khác nhau (DiT-S đến DiT-L), với ba khung hình đầu tiên của mỗi video được sử dụng để điều chỉnh.

Chi tiết về các mô hình khác nhau được đào tạo trong tập thử nghiệm đầu tiên. Nguồn: https://arxiv.org/pdf/2411.02385

Các nhà nghiên cứu nhận thấy rằng kết quả phân phối trong (ID) có tỷ lệ thuận với lượng dữ liệu tăng lên, trong khi các thế hệ OOD không được cải thiện, cho thấy những thiếu sót trong quá trình khái quát hóa.

Kết quả vòng thử nghiệm đầu tiên.

Các tác giả lưu ý:

'Những phát hiện này cho thấy khả năng mở rộng không thể thực hiện được lý luận trong các tình huống OOD.'

Tiếp theo, các nhà nghiên cứu đã thử nghiệm và đào tạo các hệ thống được thiết kế để thể hiện khả năng khái quát hóa kết hợp, trong đó hai chuyển động tương phản được kết hợp để (hy vọng là) tạo ra một chuyển động gắn kết tuân theo định luật vật lý đằng sau mỗi chuyển động riêng biệt.

Đối với giai đoạn thử nghiệm này, các tác giả đã sử dụng PHYRE mô phỏng, tạo ra môi trường 2D mô tả nhiều vật thể có hình dạng đa dạng đang rơi tự do, va chạm với nhau trong nhiều tương tác phức tạp.

Các số liệu đánh giá cho bài kiểm tra thứ hai này là Khoảng cách video Fréchet (FVD); Chỉ số tương đồng về cấu trúc (SSIM); Tỷ lệ tín hiệu trên nhiễu đỉnh (PSNR); Các số liệu về sự tương đồng nhận thức đã học (LPIPS); và một nghiên cứu trên người (được biểu thị là 'bất thường' trong kết quả).

Ba thang đo của tập dữ liệu đào tạo đã được tạo ra, ở 100,000 video, 0.6 triệu video và 3-6 triệu video. Các mô hình DiT-B và DiT-XL đã được sử dụng, do độ phức tạp tăng lên của các video, với khung đầu tiên được sử dụng để điều kiện hóa.

Các mô hình được đào tạo với một triệu bước ở độ phân giải 256×256, với 32 khung hình cho mỗi video.

Kết quả vòng kiểm tra thứ hai.

Kết quả của thử nghiệm này cho thấy rằng việc chỉ tăng khối lượng dữ liệu là một cách tiếp cận không đầy đủ:

Bài báo viết:

'Những kết quả này cho thấy cả khả năng mô hình và phạm vi bao phủ của không gian kết hợp đều rất quan trọng đối với việc khái quát hóa kết hợp. Nhận định này ngụ ý rằng các quy tắc mở rộng quy mô cho việc tạo video nên tập trung vào việc tăng tính đa dạng của kết hợp, thay vì chỉ đơn thuần là mở rộng khối lượng dữ liệu.'

Cuối cùng, các nhà nghiên cứu đã tiến hành thêm các thử nghiệm để cố gắng xác định xem liệu các mô hình tạo video có thực sự có thể tiếp thu các định luật vật lý hay không, hay liệu nó chỉ ghi nhớ và tái tạo dữ liệu đào tạo tại thời điểm suy luận.

Tại đây, họ đã kiểm tra khái niệm khái quát hóa 'dựa trên trường hợp', trong đó các mô hình có xu hướng mô phỏng các ví dụ đào tạo cụ thể khi đối mặt với các tình huống mới, cũng như kiểm tra các ví dụ về chuyển động đều - cụ thể là cách hướng chuyển động trong dữ liệu đào tạo ảnh hưởng đến các dự đoán của mô hình được đào tạo.

Hai bộ dữ liệu đào tạo, cho chuyển động đều và va chạm, đã được tuyển chọn, mỗi video bao gồm các video chuyển động đồng đều mô tả vận tốc từ 2.5 đến 4 đơn vị, với ba khung hình đầu tiên được sử dụng để điều kiện hóa. Các giá trị tiềm ẩn như vận tốc đã bị bỏ qua và sau khi đào tạo, thử nghiệm đã được thực hiện trên cả các tình huống đã thấy và chưa thấy.

Dưới đây chúng ta thấy kết quả của bài kiểm tra tạo chuyển động đồng đều:

Kết quả cho các bài kiểm tra tạo chuyển động đồng đều, trong đó biến 'vận tốc' bị bỏ qua trong quá trình đào tạo.

Các tác giả tuyên bố:

'[Với] một khoảng cách lớn trong bộ dữ liệu đào tạo, mô hình có xu hướng tạo ra các video có tốc độ cao hoặc thấp để giống với dữ liệu đào tạo khi các khung hình ban đầu hiển thị tốc độ ở mức trung bình.'

Đối với các thử nghiệm va chạm, có nhiều biến số hơn liên quan và mô hình được yêu cầu phải học một mô hình hai chiều hàm phi tuyến tính.

Va chạm: kết quả vòng thử nghiệm thứ ba và cũng là vòng thử nghiệm cuối cùng.

Các tác giả nhận thấy rằng sự hiện diện của các ví dụ 'gây hiểu lầm', chẳng hạn như chuyển động ngược (tức là một quả bóng nảy ra khỏi bề mặt và đổi hướng), có thể làm mô hình hiểu sai và khiến mô hình đưa ra những dự đoán không chính xác về mặt vật lý.

Kết luận

Nếu một thuật toán không phải AI (tức là một phương pháp thủ tục 'được nướng') chứa quy tắc toán học đối với hành vi của các hiện tượng vật lý như chất lỏng, hoặc vật thể dưới trọng lực, hoặc dưới áp suất, có một tập hợp các hằng số không đổi có sẵn để hiển thị chính xác.

Tuy nhiên, những phát hiện của bài báo mới chỉ ra rằng không có mối quan hệ tương đương hoặc hiểu biết nội tại nào về các định luật vật lý cổ điển được phát triển trong quá trình đào tạo các mô hình sinh ra và việc tăng lượng dữ liệu không giải quyết được vấn đề mà còn làm nó trở nên khó hiểu hơn – vì có nhiều video đào tạo hơn để hệ thống mô phỏng tại thời điểm suy luận.

* Việc chuyển đổi trích dẫn nội tuyến của tác giả thành siêu liên kết của tôi.

Lần đầu tiên xuất bản vào Thứ Ba, ngày 26 tháng 2024 năm XNUMX