Một nhóm nghiên cứu ở Ấn Độ chụp 2.000 ảnh cho mỗi loại: hạt tiêu đen nguyên chất và hạt tiêu có lẫn hạt đu đủ khô. Hạt đu đủ phơi khô trông gần như hạt tiêu, và là tạp chất pha trộn kinh điển của mặt hàng này.

Họ cho một mạng học sâu học bộ ảnh đó. Kết quả: 0,96 trên tập huấn luyện, 0,92 trên tập kiểm định.

Rồi họ đưa đúng bộ ảnh ấy cho người nhìn bằng mắt. Người đạt 0,97.

AI thua người.

Tôi không kể để nói AI vô dụng. Tôi kể để anh chị biết mình đang mua gì. Câu hỏi đúng không phải “AI có giỏi hơn QC của tôi không”. Câu hỏi đúng là: AI làm được việc gì mà QC không làm nổi — và việc gì nó không bao giờ được làm.

Quan điểm của tôi, nói trước: dùng AI để sàng lọc nguyên liệu, không dùng AI để ký phiếu kiểm nghiệm cho lô tiêu xuất EU.

Châu Âu soi gian lận bằng dữ liệu trước khi soi bằng máy

Chỗ AI chạm vào hạt tiêu của anh chị sớm nhất không nằm trong nhà máy. Nó nằm ở phía người mua và cơ quan kiểm soát.

Năm 2025, Mạng lưới Cảnh báo và Hợp tác của EU (gồm RASFF và mạng lưới chống gian lận nông sản thực phẩm) nhận 10.490 thông báo, tăng 11% so với 2024, theo báo cáo năm 2025 của DG SANTE. Gia vị và thảo mộc chiếm 377 thông báo, trong đó 17% là nghi vấn gian lận. Hồ tiêu chiếm khoảng 5% nhóm này. Báo cáo ghi rõ aflatoxin và ochratoxin A xuất hiện trên tiêu, và ethylene oxide nằm trong nhóm dư lượng bị nêu nhiều nhất ở gia vị (chủ yếu trên thì là Ai Cập và nghệ) — chuyện tôi đã viết trong bài ETO: ba chữ cái làm mất nguyên container tiêu.

Cũng trong báo cáo đó, Uỷ ban châu Âu nói đầu năm 2026 đã đưa vào dùng TraceMap — công cụ nối dữ liệu truy xuất để bắt sớm những tín hiệu yếu, và coi đây là bước tiến tới một hệ thống mang tính dự báo.

Phía sau là một cỗ máy đọc tin. Trung tâm Tri thức về Gian lận và Chất lượng Thực phẩm của JRC ra báo cáo gian lận hằng tháng, dựa trên hệ thống thu thập tự động từ khoảng 17.000 nguồn báo chí ở 190 quốc gia. Tính đến 31/08/2025, công cụ tra cứu của dự án WATSON đã gom 1.892 vụ gian lận thực phẩm từ các báo cáo này kể từ 2016.

EFSA đi thêm một bước. Theo trang rủi ro mới nổi của EFSA, từ tháng 02/2025 cơ quan này có một mô hình tính toán dùng dữ liệu gian lận để nhận diện rủi ro an toàn thực phẩm mới nổi, và tháng 06/2025 đưa vào dùng bản đầy đủ của nền tảng phân tích rủi ro mới nổi ERAP.

Hệ quả thực tế cho nhà xuất khẩu: lô hàng của anh chị đang được chọn để kiểm dựa trên dữ liệu. Một cảnh báo cũ không mất đi. Nó nằm trong kho dữ liệu mà các hệ thống này đọc.

Bằng chứng nói gì — và nó dừng ở đâu

Ba nghiên cứu bình duyệt gần nhất về AI phát hiện pha trộn trong hồ tiêu, tóm gọn:

Nghiên cứu	Cách làm	Kết quả	Giới hạn
Fatima và cộng sự, 2022	Ảnh thường + mạng Siamese	0,92 khi kiểm định; người nhìn đạt 0,97	Chỉ một loại tạp chất; người nhìn cùng bộ ảnh làm tốt hơn
PiperNet, 2026	Camera siêu phổ 400–1000 nm + học sâu	97,5% phân loại đúng	600 mẫu, 3 nhóm; chưa định lượng tỷ lệ pha thấp; chưa thử trên dây chuyền
Zacometti và cộng sự, 2024	Sắc ký khí – phổ linh động ion (HS-GC-IMS) + máy học	90% và 96% trên hai tập kiểm tra độc lập	Khó bắt pha trộn bằng chính phụ phẩm của cây tiêu

Nghiên cứu thứ ba đáng đọc kỹ nhất. Mẫu tiêu thật đến từ 8 quốc gia trên 3 châu lục, thu hoạch 2015–2019. Mỗi mẫu mất khoảng 20 phút, không cần xử lý mẫu.

Nhưng chính các tác giả gọi đây là “initial, proof-of-concept study” — nghiên cứu khởi đầu, chứng minh khái niệm. Và họ thừa nhận điểm yếu: pha trộn nội sinh — trộn vỏ, phụ phẩm của chính cây tiêu vào tiêu — khó phân loại đúng. Đó lại là kiểu gian lận khó bắt nhất ngoài đời, vì nó không để lại “chất lạ” nào.

Với độc tố nấm, bức tranh còn thận trọng hơn.

Nhóm Stephan Freitag và Chris Elliott (Queen’s University Belfast) tổng quan phổ hồng ngoại cho độc tố nấm năm 2022 và kết luận: phổ IR/NIR chỉ đo gián tiếp, qua những thay đổi nấm gây ra trên nền mẫu. Câu then chốt của họ: “there are no published reports on the validation of IR methods” — chưa có công bố nào thẩm định phương pháp IR theo quy định chính thức.

Một tổng quan khác về ảnh siêu phổ trên từng hạt ngũ cốc cho thấy: phân biệt hạt nhiễm nấm đạt trên 90%, nhưng phân biệt mức độc tố chỉ trên 80%. Tổng quan năm 2025 về máy học cho aflatoxin nêu thêm ba rào cản: dữ liệu thưa, mô hình khó dùng chéo giữa các loại nền mẫu, và thiếu minh bạch để cơ quan quản lý chấp nhận.

Tám mươi phần trăm là đủ để gạt riêng những hạt, những bao nghi ngờ. Tám mươi phần trăm không đủ để ký một phiếu kết quả aflatoxin cho container đi Hamburg.

Việt Nam có nên dùng không

Nên. Nhưng đặt đúng chỗ.

Chỗ nên đặt: cổng tiếp nhận nguyên liệu. Tiêu về nhà máy từ nhiều đại lý, nhiều vùng, nhiều mức độ sạch. Một lớp sàng lọc nhanh ở cổng — ảnh, phổ, hay đơn giản là quy trình lấy mẫu có hệ thống — giúp tách riêng lô nghi ngờ trước khi nó bị trộn vào một lô lớn. Khi đã trộn, một bao hỏng làm hỏng cả container.

Giá trị của AI ở đây không phải nhìn giỏi hơn QC — nghiên cứu trên cho thấy chưa chắc. Giá trị là không mệt: ca đêm, mùa cao điểm, bao thứ ba trăm trong ngày, nó nhìn như bao thứ nhất.

Chỗ không được đặt: phiếu kiểm nghiệm lô xuất khẩu. Aflatoxin, ochratoxin A, dư lượng thuốc bảo vệ thực vật, ETO — cho lô đi EU vẫn phải có kết quả của phòng thí nghiệm được công nhận. Không có hệ thống AI nào trong các nghiên cứu trên được thẩm định để thay việc đó.

Thứ tự đầu tư. Quan điểm của tôi cho cả tuyến bài này là: mua dữ liệu trước, mua thuật toán sau. Với hồ tiêu, “dữ liệu” rất cụ thể:

Mỗi lô nguyên liệu có mã, gắn với đại lý và vùng thu mua.
Độ ẩm, dung trọng g/l, tỷ lệ tạp chất được ghi theo lô — ghi vào hệ thống, không phải sổ tay.
Kết quả phòng thí nghiệm của các lô đã xuất được lưu và nối ngược về lô nguyên liệu.

Có vài vụ dữ liệu như vậy, anh chị mới có thứ để dạy một mô hình sàng lọc — và quan trọng hơn, để kiểm tra nó. Không có, thì mô hình mua về chỉ chạy bằng dữ liệu của người khác — tiêu nước khác, vụ khác, kiểu gian lận khác.

Nhà máy đang tính đầu tư mới thì đặt phần sàng lọc ngay trong thiết kế cụm làm sạch — xem bài Nhà máy chế biến hồ tiêu đạt chuẩn EU. Bức tranh rộng hơn về AI trong nhà máy, khâu nào trước khâu nào sau, tôi đặt ở bài trụ AI trong nhà máy thực phẩm: dùng ở đâu, chưa nên dùng ở đâu.

Cơ chế quản lý: năm điểm cho một hệ thống sàng lọc tiêu

Cơ quan Tiêu chuẩn Thực phẩm Anh (FSA) công bố báo cáo của Hội đồng Khoa học về AI trong an toàn và xác thực thực phẩm ngày 25/06/2026. Hai ý tôi thấy đúng nhất: AI chỉ hỗ trợ quyết định, con người chịu trách nhiệm; và mô hình trôi theo thời gian, thẩm định một lần là không đủ. Áp vào khâu tiếp nhận hồ tiêu:

1. Một người chủ quản có tên. Thường là trưởng QC. AI gắn cờ, người này quyết định lô đi đâu. Tên người đó nằm trong quy trình, không phải “phòng kỹ thuật”.

2. Dữ liệu có chủ. Mỗi ảnh, mỗi phổ gắn với mã lô, đại lý, ngày nhận, kết quả phòng thí nghiệm sau này. Quy định ai được gán nhãn “sạch/nghi”, ai được sửa, lưu bao lâu — tối thiểu bằng vòng đời lô hàng cộng thời gian khiếu nại của buyer.

3. Thẩm định song song ít nhất một mùa vụ. Trong cả vụ, mỗi lô vẫn đi quy trình cũ (QC nhìn + gửi mẫu phòng thí nghiệm theo tần suất hiện hành), đồng thời chạy qua AI. Cuối vụ đếm hai con số: bao nhiêu lô AI báo nghi mà thực tế sạch, và — quan trọng hơn — bao nhiêu lô AI báo sạch mà phòng thí nghiệm tìm ra vấn đề. Sang vụ mới, làm lại.

4. Con người giữ quyền dừng. Luật đơn giản: AI báo “nghi” thì lô bị tách riêng và gửi phòng thí nghiệm. AI báo “sạch” thì lô đi tiếp quy trình bình thường — không bao giờ được bỏ bước kiểm nghiệm vì AI đã báo sạch.

5. Đo bằng tiền. Không báo cáo “độ chính xác 97%”. Báo cáo: số lô nguyên liệu bị trả về đại lý, chi phí phòng thí nghiệm trên mỗi tấn xuất, số lần bị buyer khiếu nại hoặc bị cảnh báo. Nếu sau một vụ ba con số đó không đổi, hệ thống chưa trả tiền cho anh chị.

Sáu câu phải hỏi nhà cung cấp giải pháp

Mô hình được huấn luyện trên tiêu của nước nào, vụ nào, bao nhiêu mẫu? Có tiêu Việt Nam không?
Tỷ lệ pha thấp nhất phát hiện được là bao nhiêu phần trăm — đo trên băng tải đang chạy hay trên ảnh tĩnh trong phòng thí nghiệm?
Pha trộn nội sinh — vỏ tiêu, tiêu lép, bụi tiêu — hệ thống bắt được không, và đã thử bằng mẫu nào?
Tỷ lệ bỏ sót (lô có tạp chất mà máy báo sạch) là bao nhiêu? Ai đo, đo trên bộ mẫu nào?
Sang vụ mới, ai hiệu chỉnh mô hình, cần bao nhiêu mẫu của nhà máy tôi, mất bao lâu, tính phí thế nào?
Dữ liệu ảnh và phổ của nhà máy thuộc về ai? Nếu đổi nhà cung cấp, tôi có mang dữ liệu đi được không?

Nhà cung cấp nghiêm túc sẽ trả lời bằng tài liệu. Câu trả lời chỉ có “hệ thống rất thông minh” thì anh chị đã có câu trả lời.

Sáu câu trên là phần AI. Phần máy — cụm làm sạch, phân loại, tiệt trùng hơi nước — nằm trong bộ 37 câu hỏi phải hỏi nhà cung cấp thiết bị trước khi ký hợp đồng. Tải bản đầy đủ tại foodtech.paulnguyen.vn, hoặc nhắn Zalo 0938 613 408.

Nếu anh chị đang cân nhắc đặt một lớp sàng lọc ở khâu tiếp nhận và muốn biết nhà máy mình đã đủ dữ liệu chưa, có thể đặt một phiên chẩn đoán dự án — 45–60 phút, không tính phí.

Đọc thêm: ETO: ba chữ cái làm mất nguyên container tiêu · Nhà máy chế biến hồ tiêu đạt chuẩn EU: dây chuyền, chi phí, lộ trình · Hạt tiêu của mình, dây chuyền của người khác

Nguồn

Fatima N.E., Areeb Q.M., Khan I.M., Khan M.M. (Aligarh Muslim University). Siamese network-based computer vision approach to detect papaya seed adulteration in black peppercorns. Journal of Food Processing and Preservation, 2022 (đăng trực tuyến 15/10/2021). DOI: 10.1111/jfpp.16043
Sathya Bama B. và cộng sự. PiperNet: a hybrid deep learning approach for monitoring papaya seed adulteration in black pepper using hyperspectral imaging. Food Additives & Contaminants: Part A, tập 43, số 1, 2026. DOI: 10.1080/19440049.2025.2598389
Zacometti C., Suman M. và cộng sự. Authenticity assessment of ground black pepper by combining HS-GC-IMS and machine learning. Food Research International, 2024. DOI: 10.1016/j.foodres.2024.114023
Freitag S., Elliott C. và cộng sự (Queen’s University Belfast). The potential and applicability of infrared spectroscopic methods for the rapid screening and routine analysis of mycotoxins in food crops. Comprehensive Reviews in Food Science and Food Safety, 2022. DOI: 10.1111/1541-4337.13054
Femenias A. và cộng sự. Hyperspectral imaging for the classification of individual cereal kernels according to fungal and mycotoxins contamination: A review. Food Research International, 2022. DOI: 10.1016/j.foodres.2022.111102
Deshmukh M.T. và cộng sự. Towards intelligent food safety: Machine learning approaches for aflatoxin detection and risk prediction. Trends in Food Science & Technology, tập 161, 2025. DOI: 10.1016/j.tifs.2025.105055
Uỷ ban châu Âu, DG SANTE. Alert and Cooperation Network — 2025 Annual Report. Văn phòng Xuất bản EU, 2026. food.ec.europa.eu
Dự án WATSON (Horizon Europe). Food Fraud Tool — dữ liệu từ báo cáo gian lận hằng tháng của JRC, tính đến 31/08/2025. watsonproject.eu/food-fraud-tool
EFSA. Emerging risks and horizon scanning. Truy cập 26/09/2026. efsa.europa.eu
Food Standards Agency (Anh), Science Council. AI Applications in Food Safety and Authenticity. GOV.UK, 25/06/2026. gov.uk