Written by: Claude AI.
Curator/Editor: Học Trò.
Hiểu AI, từng khái niệm một — Bài 1
Trưa Chủ nhật ở Phú Nhuận, cả nhà quây quần bên nồi cá kho tộ. Ngoài hẻm có tiếng xe bánh mì rao, trong nhà cái ti-vi đang nói về "trí tuệ nhân tạo". Khoa, đứa cháu đang học năm hai đại học, khoe nó vừa nhờ ChatGPT viết giùm cái thư xin thực tập. Ông chú gắp miếng cá, nói chen vào: "Bây giờ cái gì cũng 'học máy', 'AI', nghe hoài mà chẳng biết khác nhau chỗ nào." Cô Tư — cô giáo dạy văn về hưu, sinh ra và lớn lên ngay trong con hẻm này — đặt đũa xuống, hỏi một câu mà cả mâm không ai trả lời gọn được: "Vậy rốt cuộc AI với ChatGPT là một, hay là hai?"
Câu hỏi đó rất hay, và bài này viết ra để trả lời nó.
Mấy chữ AI, học máy, mạng nơ-ron, LLM, agent mà ngày nào cũng nghe trên báo — cái nào chứa cái nào, và mỗi cái là gì?
Cần biết trước: Bài này không đòi hỏi bạn biết gì về máy tính ngoài việc đã từng dùng điện thoại hay máy vi tính. Chỉ cần bạn đã nghe qua chữ "AI" và có thể đã thấy người ta nhắc đến ChatGPT. Mọi chữ chuyên môn sẽ được giải thích ngay khi xuất hiện.
Một củ hành nhiều lớp
Hãy nghĩ tới một củ hành tím. Bóc lớp ngoài ra thì thấy lớp trong; bóc tiếp thì thấy lớp nhỏ hơn nữa. Lớp ngoài ôm lấy lớp trong, nhưng lớp trong vẫn là hành — chỉ là một phần nhỏ hơn, gọn hơn.
Mấy chữ trên báo cũng xếp lớp y như vậy:
- Lớp ngoài cùng: trí tuệ nhân tạo (AI).
- Bên trong nó: học máy (machine learning).
- Bên trong học máy: mạng nơ-ron (neural network).
- Bên trong mạng nơ-ron: mô hình ngôn ngữ lớn (large language model, LLM) — chính là thứ nằm sau ChatGPT, Claude, Gemini.
Còn chữ thứ năm, tác nhân AI (agent), thì hơi khác: nó không phải một lớp nhỏ hơn nữa, mà là LLM được gắn thêm tay chân. Mình sẽ nói tới nó ở cuối bài.
Hình 1. Lớp ngoài ôm lớp trong. LLM chỉ là một góc nhỏ của mạng nơ-ron; bên cạnh nó còn những mô hình khác, như mô hình vẽ tranh hay nhận giọng nói.
Vậy câu trả lời ngắn cho cô Tư là: ChatGPT là một loại AI, nhưng AI không chỉ có ChatGPT. Cũng như phở là một món ăn Việt, nhưng món ăn Việt đâu chỉ có phở. Bây giờ mình bóc từng lớp.
Lớp 1 — Trí tuệ nhân tạo (AI): một mục tiêu, không phải một cái máy
Chữ trí tuệ nhân tạo (AI) đã có từ giữa thập niên 1950, lâu hơn nhiều người tưởng. Nó không chỉ một cái máy cụ thể nào, mà chỉ một mục tiêu: làm cho máy móc làm được những việc mà xưa nay mình nghĩ là "phải có trí khôn mới làm được" — đánh cờ, tìm đường, nhận ra mặt người, hiểu một câu nói.
Điều quan trọng là: để đạt mục tiêu đó, có nhiều cách. Cách lâu đời nhất là người viết sẵn từng bước. Các chương trình đánh cờ đời cũ là ví dụ: năm 1997, máy Deep Blue của IBM thắng vua cờ Garry Kasparov phần lớn nhờ tính trước thật nhiều nước đi, theo những quy tắc chấm điểm thế cờ mà con người soạn sẵn cho nó. Phần mềm tìm đường cũng vậy: nó dò trên bản đồ theo một cách dò do người lập trình nghĩ ra.
Những chương trình này "thông minh" theo nghĩa làm được việc khó, nhưng chúng không tự học. Muốn nó giỏi hơn, người ta phải ngồi viết thêm luật.
Lớp 2 — Học máy: để máy tự rút ra quy luật
Học máy (machine learning) là một cách làm AI khác hẳn: thay vì viết luật, mình đưa cho máy thật nhiều ví dụ, rồi để máy tự tìm ra quy luật.
Lấy chuyện thư rác làm ví dụ, vì ai dùng email cũng từng bực mình vì nó.
Cách cũ — người viết luật. Mình ngồi soạn: "Nếu thư có chữ 'trúng thưởng' thì là rác." "Nếu người gửi lạ hoắc mà trong thư có đường link thì là rác." Viết được vài chục luật thì kẻ gửi thư rác đổi chiêu: viết "tr.úng th.ưởng", hoặc đổi chữ khác. Mình lại phải viết thêm luật. Viết mãi không hết.
Cách học máy — học từ ví dụ. Mình gom 10.000 lá thư mà người dùng đã bấm nút "đây là thư rác" hoặc "đây là thư bình thường". Máy đọc hết, rồi tự đếm xem dấu hiệu nào hay đi chung với thư rác.
Hình 2. Bên trái, con người phải nghĩ ra từng luật. Bên phải, con người chỉ cần đánh dấu ví dụ; quy luật do máy tự tìm.
Một phép tính nhỏ (con số minh họa): giả sử trong 1.000 thư rác, có 300 thư chứa chữ "trúng thưởng"; còn trong 1.000 thư bình thường, chỉ có 3 thư chứa chữ đó. Vậy chữ "trúng thưởng" xuất hiện trong thư rác nhiều gấp 300 ÷ 3 = 100 lần. Không ai phải viết luật — chính phép đếm đã cho thấy chữ đó là dấu hiệu mạnh. Máy làm phép đếm như vậy cho hàng ngàn chữ, hàng ngàn dấu hiệu cùng một lúc, và khi kẻ gửi thư rác đổi chiêu, chỉ cần cho máy đọc thêm ví dụ mới.
Đó là toàn bộ ý tưởng của học máy: con người cung cấp ví dụ, máy rút ra quy luật. Mọi thứ bên trong lớp này — kể cả ChatGPT — đều được làm ra theo cách đó.
Lớp 3 — Mạng nơ-ron: một cách học máy rất mạnh
Học máy có nhiều kỹ thuật. Một trong số đó, và là kỹ thuật thắng thế trong khoảng mười lăm năm trở lại đây, là mạng nơ-ron (neural network).
Cái tên nghe đáng sợ, nhưng hình dung thì không khó. Hãy nghĩ tới một bức tường gắn hàng triệu cái núm vặn nhỏ, giống mấy cái khóa lên dây của cây đàn tranh. Dữ liệu đi vào một đầu — một tấm hình, một câu chữ — chạy qua nhiều tầng núm vặn, và ra ở đầu kia thành một câu trả lời, ví dụ "đây là con mèo".
Lúc đầu các núm vặn để lung tung, nên câu trả lời sai bét. "Học" ở đây nghĩa là: mỗi lần máy đoán sai, người ta vặn nhẹ các núm theo hướng làm cho lần sau đoán đỡ sai hơn một chút. Lặp lại hàng triệu lần với hàng triệu ví dụ, cây đàn dần dần "lên dây" đúng. Chữ "nơ-ron" chỉ là mượn ý — rất lỏng lẻo — từ tế bào thần kinh trong não; mạng nơ-ron không phải là một bộ não.
Khi mạng có rất nhiều tầng chồng lên nhau, người ta gọi là học sâu (deep learning) — "sâu" chỉ là nhiều tầng, chứ không có nghĩa là "suy nghĩ sâu sắc".
Bạn đang dùng mạng nơ-ron hằng ngày mà có khi không để ý: điện thoại mở khóa bằng khuôn mặt, ứng dụng ảnh gõ chữ "con mèo" là tìm ra hết các tấm hình có mèo, dịch máy ngày nay — phần lớn đều chạy bằng mạng nơ-ron.
Lớp 4 — LLM: mạng nơ-ron học từ chữ
Bây giờ tới lớp mà ai cũng nói tới. Mô hình ngôn ngữ lớn (large language model, LLM) là một mạng nơ-ron rất lớn, được cho "đọc" một khối lượng chữ khổng lồ — sách, báo, trang web — để học một việc tưởng chừng đơn giản: đoán chữ tiếp theo.
Bạn đã thấy việc này trên điện thoại: khi nhắn Zalo cho mẹ, gõ "con đang…" thì bàn phím gợi ý "đi", "ăn", "về". LLM làm đúng việc đó, nhưng ở quy mô lớn hơn rất nhiều, và đoán giỏi tới mức có thể viết tiếp cả một lá thư, một bài thơ, một lời giải thích. Chữ "lớn" là vì nó có rất nhiều núm vặn và đã đọc rất nhiều chữ.
ChatGPT ra mắt cuối năm 2022 và làm cho LLM trở thành chuyện ai cũng biết. Claude và Gemini là những LLM của các hãng khác. Khi bạn nói chuyện với một chatbot (trợ lý trò chuyện) như thế, ở bên dưới là một LLM đang đoán chữ, từng chữ một. (Bài sau sẽ nói kỹ chuyện "đoán chữ tiếp theo" này.)
Nhìn lại Hình 1, bạn sẽ thấy LLM chỉ là một góc của lớp mạng nơ-ron. Bên cạnh nó còn những mô hình khác cũng là mạng nơ-ron mà không phải LLM: mô hình vẽ tranh theo lời tả, mô hình nghe giọng nói rồi chép ra chữ. Chúng cùng "họ", nhưng khác "nhà".
Còn tác nhân AI (agent) thì sao?
Chữ thứ năm đang nổi lên trên báo là tác nhân AI (agent). Agent không phải là một lớp hành nhỏ hơn nằm bên trong LLM. Đúng hơn, agent là một LLM được giao việc, được cho dùng công cụ, và được cho chạy theo vòng lặp.
Một chatbot bình thường chỉ trả lời: bạn hỏi, nó viết, xong. Một agent thì làm: bạn giao một việc, nó nghĩ xem bước kế là gì, dùng một công cụ — tìm trên web, mở một tệp, gửi một email — rồi xem kết quả, rồi nghĩ tiếp, cứ thế cho tới khi xong việc mới báo lại cho bạn.
Hình 3. Bộ não vẫn là LLM. Cái mới là công cụ để làm, và vòng lặp để làm nhiều bước liên tiếp.
Nói gọn: chatbot là người chỉ đường; agent là người chở bạn đi. Cả hai cùng dùng một bộ não — LLM.
Hiểu lầm thường gặp
"AI tức là ChatGPT." Không phải. ChatGPT chỉ là một sản phẩm, chạy trên một LLM, nằm ở lớp trong cùng. AI là cả củ hành — kể cả những chương trình đánh cờ, tìm đường chẳng học gì cả.
"Cái gì dán nhãn AI cũng tự học, tự nghĩ." Không hẳn. Chữ "AI" bây giờ được dán lên đủ thứ, từ máy giặt tới nồi cơm. Có cái dùng học máy thật, có cái chỉ là vài luật do người viết sẵn. Nhãn "AI" cho biết mục tiêu, không cho biết cách làm.
"Mạng nơ-ron là bộ não nhân tạo." Chỉ là mượn tên. Nó là một bức tường núm vặn được lên dây bằng ví dụ — mạnh, nhưng không giống não người về cách hoạt động.
Thử ngay 5 phút
Mở điện thoại của bạn và tìm năm thứ mà bạn nghĩ là có "AI" bên trong. Ví dụ: bàn phím gợi ý chữ, ứng dụng ảnh tìm theo chữ ("biển", "con mèo"), mở khóa bằng khuôn mặt, bản đồ tìm đường, trợ lý giọng nói, ứng dụng dịch, một chatbot.
Rồi thử xếp từng thứ vào một lớp của Hình 1. Vài gợi ý để bạn so:
- Bản đồ tìm đường — phần dò đường chủ yếu là cách dò do người viết sẵn (lớp AI ngoài cùng), dù phần đoán kẹt xe thì có dùng học máy.
- Mở khóa bằng khuôn mặt, tìm ảnh "con mèo" — mạng nơ-ron.
- Chatbot — LLM.
Bạn sẽ thấy nhiều thứ không nằm gọn trong một lớp — một ứng dụng thường ghép nhiều loại lại với nhau. Đó cũng chính là bài học: những ranh giới này giúp mình hiểu, nhưng sản phẩm thật thì hay trộn lẫn.
Mang về một ý
Lần tới nghe ti-vi nói "AI", "học máy", hay "agent", bạn không cần hiểu hết bên trong. Chỉ cần tự hỏi một câu: "Cái này nằm ở lớp hành nào?" Nó là luật do người viết sẵn, hay là máy học từ ví dụ? Nó học từ hình, từ tiếng, hay từ chữ? Nó chỉ trả lời, hay còn đi làm giùm mình?
Trả lời được câu đó, bạn đã hiểu nhiều hơn phần lớn những lời quảng cáo dán chữ "AI". Và lần tới cô Tư hỏi ở mâm cơm Chủ nhật, Khoa — hay bạn — có thể bóc củ hành cho cả nhà xem.
Bảng thuật ngữ nhỏ
| Tiếng Việt | Tiếng Anh | Nghĩa ngắn |
|---|---|---|
| trí tuệ nhân tạo | artificial intelligence (AI) | Mục tiêu chung: làm cho máy làm được việc "cần trí khôn" |
| học máy | machine learning | Máy tự rút quy luật từ ví dụ, thay vì người viết luật |
| mạng nơ-ron | neural network | Một cách học máy: nhiều tầng "núm vặn" được chỉnh dần bằng ví dụ |
| học sâu | deep learning | Mạng nơ-ron có rất nhiều tầng |
| mô hình ngôn ngữ lớn | large language model (LLM) | Mạng nơ-ron lớn học từ chữ để đoán chữ tiếp theo |
| chatbot (trợ lý trò chuyện) | chatbot | Ứng dụng để nói chuyện với một LLM |
| tác nhân AI | agent | LLM được cho dùng công cụ và làm nhiều bước cho tới khi xong việc |
Thông tin tính đến tháng 11/2026.
No comments:
Post a Comment