Written by: Claude AI.
Curator/Editor: Học Trò.
Hiểu AI, từng khái niệm một — Bài 15
Chiều Chủ nhật, Khoa ghé nhà cô Tư, thấy cô đang lên dây cây đàn tranh cũ để lâu không đụng tới. Cô gảy một dây, nghiêng tai nghe, vặn cái trục một chút, gảy lại, vặn thêm chút nữa. Mười sáu dây, mỗi dây làm đi làm lại như vậy. Khoa ngồi đợi, lướt điện thoại, đọc được một cái tựa: "Mô hình AI mới có hàng trăm tỷ tham số." Khoa hỏi: "Cô ơi, tham số là gì vậy cô?" Cô Tư không biết. Nhưng tới cuối bài này, bạn sẽ thấy câu trả lời nằm ngay trong tay cô — trong cái trục đàn cô đang vặn.
Người ta nói một mô hình AI có "hàng tỷ tham số" — điều đó nghĩa là gì?
Cần biết trước: Gần như mọi AI bạn nghe nói tới hôm nay — chatbot (trợ lý trò chuyện) như ChatGPT, Claude, Gemini, máy dịch, máy nhận mặt trong điện thoại — đều được xây trên một thứ gọi là mạng nơ-ron (neural network). Bài này giải thích nó là gì bằng một hình ảnh duy nhất: một bức tường đầy núm vặn. Không có công thức, chỉ có vài phép nhân.
Một cây đàn có hàng tỷ dây
Lên dây đàn tranh là việc rất kiên nhẫn. Không ai biết trước cái trục phải vặn đúng bao nhiêu độ. Cô Tư làm theo một vòng lặp đơn giản: gảy — nghe — so với tiếng chuẩn — vặn một chút về phía đúng. Lặp lại tới khi dây kêu đúng. Rồi qua dây khác.
Bây giờ tưởng tượng một cây đàn không phải mười sáu dây, mà hàng tỷ dây. Và tiếng "chuẩn" không phải một nốt nhạc, mà là: đọc một câu tiếng Việt rồi đoán đúng chữ kế tiếp; nhìn một tấm hình rồi nói đúng đó là con mèo hay con chó. Và thay vì cô Tư ngồi nghe bằng tai, là một chương trình máy tính tự gảy, tự nghe, tự vặn — hàng triệu lần.
Đó gần như chính xác là một mạng nơ-ron. Mỗi cái trục, mỗi cái núm vặn, là một con số. Người làm AI gọi những con số đó là tham số (parameter). "Hàng tỷ tham số" nghĩa là: hàng tỷ cái núm, mỗi cái đã được vặn tới một vị trí nhất định.
Bên trong một mạng nơ-ron
Hãy nhìn một mạng nơ-ron tí hon, làm một việc rất đời thường: đoán giá một cuốc xe từ ba thông tin — đi bao nhiêu cây số, có phải giờ cao điểm không, trời có mưa không.
Hình 1. Sơ đồ đơn giản hóa; mạng thật còn có thêm vài con số phụ ở mỗi chấm tròn, bỏ qua cho dễ nhìn.
Đọc Hình 1 từ trái qua phải:
Đầu vào là những con số mình đưa vào: 12 (km), 1 (có, giờ cao điểm), 0 (không mưa).
Mỗi đường nối có một núm vặn. Con số đi qua đường nối nào thì bị nhân với con số của núm đó. Núm vặn lớn thì thông tin đi qua mạnh lên; núm gần số không thì thông tin gần như bị chặn; núm âm thì đảo chiều — đẩy kết quả xuống thay vì lên.
Mỗi chấm tròn là một "nơ-ron" — cái tên mượn từ tế bào thần kinh, nhưng ở đây nó chỉ làm một việc rất đơn giản: cộng hết những gì chảy vào, rồi quyết định truyền tiếp bao nhiêu. Nếu tổng nhỏ quá (hay âm), nó im; nếu đủ lớn, nó truyền tiếp. Chỉ vậy thôi.
Các lớp xếp nối nhau. Kết quả của lớp 1 thành đầu vào của lớp 2, kết quả lớp 2 chảy tới đầu ra. Đầu ra là con số cuối cùng: giá đoán của cuốc xe.
Không có chỗ nào trong mạng ghi "giờ cao điểm thì cộng thêm 20%". Không có quy tắc nào được viết ra. Mọi "hiểu biết" của mạng nằm trong vị trí của 27 cái núm. Vặn núm khác đi, mạng đoán khác đi.
Đây là điều đáng nhớ nhất của cả bài: mạng nơ-ron không chứa quy tắc. Nó chứa con số.
Vặn núm: một ví dụ với một núm duy nhất
Vậy làm sao biết vặn mỗi núm tới đâu? Không ai vặn bằng tay — mà cũng không ai biết đúng vị trí trước. Mạng tự học, bằng đúng vòng lặp của cô Tư khi lên dây.
Để thấy rõ, hãy bớt cho còn một núm: giá mỗi cây số. Giá đoán = số km × núm.
(Con số minh họa.)
Hình 2. Ví dụ minh họa với một núm; giá xe là số đặt ra, không phải giá thật của hãng nào.
- Lần 1. Núm đang ở 5.000đ/km (đặt đại lúc đầu). Mạng đoán: 12 × 5.000 = 60.000đ. Giá thật: 96.000đ. Thiếu 36.000đ — sai nhiều.
- Vặn. Đoán thấp quá, vậy núm phải tăng lên. Vặn mạnh tay một chút, vì sai còn xa: lên 7.000.
- Lần 2. 12 × 7.000 = 84.000đ. Vẫn thiếu, nhưng chỉ 12.000đ. Vặn nhẹ hơn: lên 7.800.
- Lần 3. 12 × 7.800 = 93.600đ. Thiếu 2.400đ. Vặn rất nhẹ: lên 8.000.
- Lần 4. 12 × 8.000 = 96.000đ. Đúng.
Rồi kiểm với một cuốc khác: 5 km, giá thật 40.000đ. Mạng đoán 5 × 8.000 = 40.000đ. Đúng luôn. Cái núm đã "học" được giá mỗi cây số — mà không ai nói cho nó biết con số 8.000.
Ba ý trong ví dụ nhỏ này đi theo tới tận những mô hình khổng lồ nhất:
- Học = đoán, so với đáp án đúng, vặn núm. Lặp đi lặp lại.
- Sai nhiều thì vặn mạnh, sai ít thì vặn nhẹ. Càng gần đúng, càng vặn khẽ.
- Vặn về phía làm cho sai ít đi. Không cần biết vị trí đúng trước — chỉ cần biết nên vặn lên hay xuống.
Từ một núm lên hàng tỷ núm
Với một núm, mình nhẩm được. Với 27 núm ở Hình 1, đã khó: mỗi lần đoán sai, núm nào gây ra cái sai đó? Núm nào nên vặn lên, núm nào nên vặn xuống, mỗi cái bao nhiêu?
Người làm AI có một phép tính cho việc này — một cách lần ngược từ cái sai ở đầu ra, qua từng lớp, để tính ra mỗi núm nên vặn về phía nào và mạnh cỡ nào. Phép tính đó dùng toán đại học, nên bài này không đi vào; chỉ cần biết nó tồn tại, và máy tính làm nó rất nhanh, cho mọi núm cùng một lúc.
Rồi lặp lại — không phải bốn lần như ví dụ, mà hàng triệu, hàng tỷ lần, với hàng tỷ ví dụ khác nhau. Đó là quá trình huấn luyện (training). Với những mô hình lớn, nó chạy trên hàng ngàn con chip chuyên dụng trong nhiều tuần, tốn rất nhiều điện.
Một phép tính nhỏ để cảm được con số "tỷ": nếu bạn vặn một núm mỗi giây, không ăn không ngủ, thì vặn xong một tỷ núm — mỗi núm một lần — mất khoảng 32 năm. Một mô hình lớn có hàng trăm tỷ núm, và mỗi núm được vặn vô số lần.
Vì sao không ai đọc được "công thức" bên trong?
Đây là câu hỏi nhiều người thắc mắc: nếu mình xây ra cái máy, sao mình không biết nó nghĩ gì?
Trở lại cây đàn. Cô Tư lên dây xong, cây đàn kêu đúng. Nhưng nếu ai hỏi: "Cái trục thứ chín đang ở góc bao nhiêu độ, và vì sao?" — cô không trả lời được. Cô chỉ biết cả cây đàn kêu đúng.
Mạng nơ-ron cũng vậy, nhưng nặng hơn hàng tỷ lần. Hiểu biết của nó không nằm ở một núm nào, mà rải khắp hàng tỷ núm, mỗi núm góp một chút xíu. Không có núm nào tên là "giờ cao điểm", không có núm nào tên là "ngữ pháp tiếng Việt". Nhìn vào một núm, mình chỉ thấy một con số như 0,0173 — không mang nghĩa gì khi đứng một mình.
Từ đó sinh ra hai chuyện rất thực tế:
Khó giải thích. Khi AI trả lời sai, không có dòng nào trong "công thức" để chỉ ra: lỗi ở đây. Các nhà nghiên cứu đang tìm cách soi vào bên trong (ngành này có tên, nhưng còn rất non trẻ), và đã tìm ra được một số điều — nhưng còn xa mới đọc được hết.
Khó sửa từng chỗ. Muốn máy thôi một cái lỗi, không thể mở ra sửa một dòng. Phải huấn luyện thêm: cho nó xem thêm ví dụ, để các núm tự dịch chuyển. Mà dịch chuyển núm để sửa chỗ này, đôi khi lại làm lệch chỗ khác — giống như vặn dây này làm cần đàn hơi căng, kéo lệch dây bên cạnh.
Chuyện tiếng Việt nằm ở đâu?
Câu hỏi hay: nếu mạng nơ-ron không chứa quy tắc, vậy cái "biết tiếng Việt" của một chatbot nằm ở đâu?
Câu trả lời: nó nằm trong vị trí của các núm, và các núm đó được vặn bằng những gì máy đã đọc. Máy đọc nhiều tiếng Anh thì các núm được vặn rất kỹ cho tiếng Anh. Tiếng Việt chiếm phần nhỏ hơn nhiều trong những gì máy đọc, nên các núm cho tiếng Việt được vặn ít lần hơn — giống như một cây đàn mà mấy dây tiếng trầm được lên rất kỹ, còn mấy dây tiếng cao thì chỉ lên sơ sơ.
Đó là một lý do (không phải lý do duy nhất) vì sao AI viết tiếng Việt có lúc chưa tự nhiên bằng tiếng Anh: không ai "dạy dở" tiếng Việt cả — chỉ là ít ví dụ hơn để vặn núm.
Hiểu lầm thường gặp
"Mạng nơ-ron giống y bộ não." Tên thì mượn từ bộ não, ý tưởng ban đầu cũng lấy cảm hứng từ tế bào thần kinh. Nhưng một "nơ-ron" ở đây chỉ là một phép cộng và một quyết định truyền tiếp hay không. Bộ não thật phức tạp hơn rất nhiều, và học theo cách khác.
"Càng nhiều tham số thì càng thông minh." Thường thì mô hình lớn hơn làm được nhiều việc hơn, nhưng không phải luôn luôn. Cách huấn luyện, chất lượng dữ liệu, và nhiều kỹ thuật khác cũng quan trọng không kém. Có những mô hình nhỏ hơn nhưng làm một số việc giỏi hơn mô hình lớn.
"Kỹ sư viết ra từng quy tắc cho AI." Không. Kỹ sư thiết kế cái khung (bao nhiêu lớp, bao nhiêu núm), chọn dữ liệu, và viết chương trình vặn núm. Còn các núm dừng ở đâu là do quá trình huấn luyện quyết định — không ai đặt bằng tay.
"Tham số là những gì AI nhớ, như một cái kho." Không hẳn. Tham số không phải những câu văn được cất giữ, mà là những con số làm cho máy có khả năng viết ra câu văn. Giống như cây đàn đã lên dây không chứa bài hát nào — nó chỉ sẵn sàng để chơi nhiều bài.
Thử ngay 5 phút
Bạn sẽ đóng vai "dữ liệu huấn luyện", để AI làm việc giống một mạng nơ-ron: tìm ra quy tắc từ ví dụ.
- Gõ vào chatbot: "Tôi có mấy cặp số: 2 → 7, 3 → 10, 5 → 16, 10 → 31. Quy tắc là gì? Áp dụng cho 7."
- Xem nó có tìm ra không (đáp án: nhân 3 rồi cộng 1; với 7 là 22).
- Thử lại với chỉ một cặp: "2 → 7. Quy tắc là gì?" Nó đoán ra sao? Có nhiều quy tắc khác nhau cho ra 7 từ 2 (nhân 3 cộng 1, cộng 5, nhân 2 cộng 3…).
Bài học: ít ví dụ thì nhiều cách vặn núm đều "đúng"; càng nhiều ví dụ, núm càng bị ép về đúng chỗ. Mạng nơ-ron cũng vậy — đó là lý do nó cần đọc nhiều đến thế.
Mang về một ý
Mạng nơ-ron là một bức tường núm vặn. Mỗi núm là một con số; "hàng tỷ tham số" là hàng tỷ núm như thế. Không ai vặn bằng tay: máy tự đoán, tự so với đáp án, tự vặn từng chút một, hàng tỷ lần — y như cô Tư gảy, nghe, vặn, gảy lại. Vì hiểu biết rải khắp mọi núm, nên cái máy làm được những việc kỳ diệu mà không ai đọc ra được công thức của nó. Chiều hôm đó, Khoa giải thích cho cô Tư nghe chữ "tham số" bằng chính cây đàn của cô. Cô Tư gảy thử dây cuối cùng, nghe, gật đầu: "Vậy cái máy đó cũng phải lên dây. Chỉ là nó không có tai — nó có đáp án."
Bảng thuật ngữ nhỏ
| Tiếng Việt | Tiếng Anh | Nghĩa ngắn |
|---|---|---|
| mạng nơ-ron | neural network | Một mạng phép tính đơn giản, xếp thành lớp, nối với nhau bằng các núm vặn |
| tham số | parameter | Một núm vặn — một con số trong mạng, được chỉnh khi huấn luyện |
| nơ-ron | neuron | Một chấm trong mạng: cộng những gì chảy vào, rồi quyết định truyền tiếp bao nhiêu |
| lớp | layer | Một hàng nơ-ron; kết quả lớp trước là đầu vào lớp sau |
| huấn luyện | training | Đoán, so với đáp án, vặn núm — lặp lại rất nhiều lần |
| đầu vào / đầu ra | input / output | Con số đưa vào mạng / con số mạng trả ra |
Thông tin tính đến tháng 11/2026.
Bonus: What Is a Neural Network? A Wall of Tiny Dials
AI, One Concept at a Time — Essay 15
Sunday afternoon, Danny is on Aunt Denise's couch tuning the old guitar he keeps at her place. Pluck a string, tilt his head, turn the peg a little, pluck again, turn a bit more. Six strings, each one over and over. Aunt Denise, scrolling the news on her tablet, reads a headline out loud: "New AI model has hundreds of billions of parameters." She looks up. "Danny, what on earth is a parameter?" He doesn't know. But by the end of this essay, you'll see the answer was right in his hands — in the tuning peg he was turning.
When people say an AI model has "billions of parameters," what does that actually mean?
What you need to know first: Nearly every AI you hear about today — chatbots like ChatGPT, Claude and Gemini, translation apps, the face unlock on your phone — is built on something called a neural network. This essay explains what it is with a single picture: a wall covered in dials. No formulas, just a few multiplications.
A guitar with billions of strings
Tuning a guitar takes patience. Nobody knows in advance exactly how far to turn the peg. Danny follows a simple loop: pluck — listen — compare with the right pitch — turn a little toward right. Repeat until the string sounds true. Then the next string.
Now imagine an instrument with not six strings but billions. And the "right pitch" isn't a musical note but something like: read a sentence and correctly guess the next word; look at a photo and correctly say "cat" or "dog." And instead of Danny listening with his ears, a computer program plucks, listens and turns — millions of times.
That's very nearly what a neural network is. Each peg, each dial, is a number. AI people call those numbers parameters. "Billions of parameters" means billions of dials, each turned to a particular position.
Inside a neural network
Let's look at a tiny neural network doing something ordinary: guessing the fare for a ride from three facts — how many miles, whether it's rush hour, whether it's raining.
Figure 1. Simplified; real networks have a few extra numbers at each circle, left out to keep it readable.
Read Figure 1 from left to right:
The inputs are the numbers we feed in: 12 (miles), 1 (yes, rush hour), 0 (no rain).
Every connection has a dial. A number traveling along a connection gets multiplied by that connection's dial. A large dial makes the signal stronger; a dial near zero almost blocks it; a negative dial flips it — pushing the result down instead of up.
Each circle is a "neuron" — a name borrowed from nerve cells, but here it does something very simple: it adds up everything flowing in, then decides how much to pass along. If the total is too small (or negative), it stays quiet; if it's big enough, it passes the signal on. That's all.
Layers are stacked. Layer 1's results become layer 2's inputs, and layer 2 feeds the output. The output is the final number: the guessed fare.
Nowhere in the network does it say "add 20% at rush hour." No rule is written down. Everything the network "knows" lives in the positions of its 27 dials. Turn the dials differently and it guesses differently.
This is the most important idea in the essay: a neural network contains no rules. It contains numbers.
Turning dials: an example with just one
So how do we know where to set each dial? Nobody turns them by hand — and nobody knows the right positions in advance. The network learns, using exactly Danny's tuning loop.
To see it clearly, let's shrink it down to one dial: the price per mile. Guessed fare = miles × dial.
(Illustrative numbers.)
Figure 2. An illustration with one dial; the fares are made up, not any company's real prices.
- Try 1. The dial starts at $2.00/mile (a random starting point). Guess: 12 × 2.00 = $24. Real fare: $36. Off by $12 — way off.
- Turn. The guess is too low, so the dial needs to go up. Turn it a good amount, since we're far off: to $2.60.
- Try 2. 12 × 2.60 = $31.20. Still short, but only by $4.80. Turn more gently: to $2.90.
- Try 3. 12 × 2.90 = $34.80. Short by $1.20. Turn very gently: to $3.00.
- Try 4. 12 × 3.00 = $36. Right.
Now check it on another ride: 5 miles, real fare $15. The network guesses 5 × 3.00 = $15. Right again. The dial has "learned" the price per mile — without anyone telling it the number $3.
Three ideas in this tiny example carry all the way up to the biggest models:
- Learning = guess, compare with the right answer, turn the dials. Over and over.
- Far off, turn hard; close, turn gently.
- Turn in the direction that makes the error smaller. You don't need to know the right position in advance — only whether to turn up or down.
From one dial to billions
With one dial, you can do it in your head. With the 27 dials in Figure 1, it's already hard: when the guess is wrong, which dials caused it? Which should go up, which down, and by how much?
AI researchers have a calculation for exactly this — a way of tracing backward from the error at the output, through each layer, to work out which direction each dial should turn, and how hard. It uses college-level math, so we'll skip it here; just know it exists, and computers do it very fast, for every dial at once.
Then repeat — not four times, but millions or billions of times, on billions of different examples. That process is called training. For large models it runs on thousands of specialized chips for weeks and uses a great deal of electricity.
A quick way to feel what "billion" means: if you turned one dial per second, no sleeping, no breaks, setting a billion dials once each would take about 32 years. A large model has hundreds of billions, and each is turned countless times.
Why can't anyone read the "recipe" inside?
People often ask: if we built the machine, why don't we know what it's thinking?
Back to the guitar. Once Danny's done, the guitar sounds right. But ask him, "Exactly how many degrees is the third peg turned, and why?" — he can't say. He only knows the whole guitar sounds right.
A neural network is the same, billions of times over. Its knowledge isn't in any one dial; it's spread across billions, each contributing a tiny bit. There's no dial labeled "rush hour," no dial labeled "English grammar." Look at a single dial and all you see is a number like 0.0173 — meaningless on its own.
Two very practical consequences follow:
Hard to explain. When the AI gets something wrong, there's no line in the "recipe" to point to and say: here's the bug. Researchers are working on ways to look inside (it's a young field with its own name), and they've found some things — but they're a long way from reading it all.
Hard to fix one thing. To stop the machine making one mistake, you can't just edit one line. You have to train it more: show it more examples so the dials shift on their own. And shifting dials to fix one thing can sometimes knock something else out of tune — like tightening one string pulls the neck and nudges its neighbor.
Where does knowing a language live?
A good question: if a neural network contains no rules, where does a chatbot's "knowledge of English" — or of any language — live?
The answer: in the dial positions, and those dials were set by what the machine read. It read an enormous amount of English, so the dials got tuned very carefully for English. Languages that make up a smaller share of what it read — Vietnamese, for example — got their dials turned fewer times, like an instrument with the low strings tuned meticulously and the high strings only roughly.
That's one reason (not the only one) AI can sound less natural in some languages than in English: nobody taught those languages badly — there were simply fewer examples to tune by.
Common misunderstandings
"A neural network is just like a brain." The name comes from the brain, and the original idea was inspired by nerve cells. But a "neuron" here is just an addition and a decision to pass it on or not. A real brain is far more complex, and learns differently.
"More parameters always means smarter." Bigger models usually can do more, but not always. How they're trained, the quality of the data, and many other techniques matter just as much. Some smaller models beat bigger ones at certain tasks.
"Engineers write every rule for the AI." No. Engineers design the frame (how many layers, how many dials), choose the data, and write the program that turns the dials. Where the dials end up is decided by training — nobody sets them by hand.
"Parameters are what the AI remembers, like a storage room." Not quite. Parameters aren't stored sentences; they're numbers that make the machine able to produce sentences. A tuned guitar doesn't contain any songs — it's just ready to play many of them.
Try it now (5 minutes)
You'll play the "training data," and have the AI do what a neural network does: find a rule from examples.
- Type into a chatbot: "Here are some number pairs: 2 → 7, 3 → 10, 5 → 16, 10 → 31. What's the rule? Apply it to 7."
- See if it finds it (answer: multiply by 3, add 1; for 7 that's 22).
- Try again with just one pair: "2 → 7. What's the rule?" What does it guess? Many different rules turn 2 into 7 (times 3 plus 1, plus 5, times 2 plus 3…).
The lesson: with few examples, many dial settings are "right"; with more examples, the dials are squeezed into the right place. Neural networks work the same way — which is why they need to read so much.
The one idea to take with you
A neural network is a wall of dials. Each dial is a number; "billions of parameters" means billions of dials. Nobody turns them by hand: the machine guesses, checks the answer, and nudges each dial a little, billions of times — just like Danny plucking, listening, turning, plucking again. Because the knowledge is spread across every dial, the machine can do remarkable things while nobody can read off its recipe. That afternoon, Danny explained "parameter" to Aunt Denise using the guitar in his lap. She had him play something once it was in tune, listened, and nodded. "So that machine has to get tuned too. It just doesn't have ears — it has answer keys."
Mini-glossary
| Term | Short meaning |
|---|---|
| Neural network | A web of simple calculations in layers, connected by dials |
| Parameter | One dial — a number in the network, adjusted during training |
| Neuron | One circle: adds up what flows in, decides how much to pass on |
| Layer | A row of neurons; one layer's results feed the next |
| Training | Guess, compare with the answer, turn the dials — repeated many times |
| Input / output | The numbers fed in / the number that comes out |
Current as of November 2026.
Written by: Claude AI.
Curator/Editor: Học Trò.
Mọi trích dẫn đều phải ghi chú với dòng trên và nói rõ bài khảo luận được lấy từ trang https://hoctroviet.blogspot.com/