Thảo Nông
Writer
Khi Trí tuệ Nhân tạo ngày càng trở nên phức tạp với vô số thuật ngữ kỹ thuật, việc hiểu rõ "ngôn ngữ AI" sẽ giúp bạn không bị " lạc lõng" trong cuộc cách mạng công nghệ đang diễn ra. Bài viết này sẽ giúp bạn làm quen với những khái niệm cốt lõi.
AI: Một thế giới phức tạp và đầy thuật ngữ chuyên ngành
Trí tuệ nhân tạo (AI) là một lĩnh vực sâu rộng và đầy phức tạp. Các nhà khoa học làm việc trong lĩnh vực này thường dựa vào các thuật ngữ chuyên ngành và từ lóng kỹ thuật để giải thích những gì họ đang nghiên cứu và phát triển. Kết quả là, trong các bài viết về ngành công nghiệp AI, những thuật ngữ này xuất hiện ngày càng thường xuyên. Chính vì vậy, việc trang bị một số kiến thức cơ bản về các từ và cụm từ quan trọng nhất trong lĩnh vực AI sẽ giúp chúng ta hiểu rõ hơn về những gì đang diễn ra.
Dưới đây là một bảng thuật ngữ được tổng hợp và giải thích một cách đơn giản, giúp bạn dễ dàng tiếp cận hơn với thế giới AI:
Luôn cập nhật để không bị "tụt hậu"
Ngành công nghiệp AI đang liên tục phát triển, với các nhà nghiên cứu không ngừng khám phá những phương pháp mới để đẩy lùi các giới hạn của trí tuệ nhân tạo, đồng thời xác định các rủi ro an toàn mới nổi. Việc hiểu rõ các thuật ngữ này sẽ giúp bạn không chỉ theo kịp các cuộc thảo luận mà còn có thể đánh giá một cách chín chắn hơn về những tác động của AI đến cuộc sống của chúng ta.
AI: Một thế giới phức tạp và đầy thuật ngữ chuyên ngành
Trí tuệ nhân tạo (AI) là một lĩnh vực sâu rộng và đầy phức tạp. Các nhà khoa học làm việc trong lĩnh vực này thường dựa vào các thuật ngữ chuyên ngành và từ lóng kỹ thuật để giải thích những gì họ đang nghiên cứu và phát triển. Kết quả là, trong các bài viết về ngành công nghiệp AI, những thuật ngữ này xuất hiện ngày càng thường xuyên. Chính vì vậy, việc trang bị một số kiến thức cơ bản về các từ và cụm từ quan trọng nhất trong lĩnh vực AI sẽ giúp chúng ta hiểu rõ hơn về những gì đang diễn ra.
Dưới đây là một bảng thuật ngữ được tổng hợp và giải thích một cách đơn giản, giúp bạn dễ dàng tiếp cận hơn với thế giới AI:
- AGI (Artificial General Intelligence – Trí tuệ Nhân tạo Tổng quát):
Đây là một thuật ngữ có phần mơ hồ, nhưng nhìn chung, AGI đề cập đến một dạng AI có năng lực vượt trội hơn con người bình thường trong nhiều, nếu không muốn nói là hầu hết, các nhiệm vụ. CEO OpenAI Sam Altman gần đây mô tả AGI là "tương đương với một người trung bình mà bạn có thể thuê làm đồng nghiệp." Trong khi đó, hiến chương của OpenAI định nghĩa AGI là "các hệ thống tự hành cao có khả năng vượt trội hơn con người ở hầu hết các công việc có giá trị kinh tế." Google DeepMind lại có cách hiểu hơi khác: "AI có năng lực ít nhất tương đương con người ở hầu hết các nhiệm vụ nhận thức." Ngay cả các chuyên gia hàng đầu cũng chưa có một định nghĩa thống nhất hoàn toàn. - AI agent (Tác nhân AI):
Tác nhân AI là một công cụ sử dụng công nghệ AI để thực hiện một loạt các tác vụ thay mặt bạn – vượt xa khả năng của một chatbot AI cơ bản – ví dụ như kê khai chi phí, đặt vé máy bay hay bàn ăn nhà hàng, hoặc thậm chí viết và bảo trì mã nguồn. Tuy nhiên, khái niệm "tác nhân AI" có thể mang những ý nghĩa khác nhau tùy thuộc vào người sử dụng và bối cảnh, do lĩnh vực này vẫn còn mới và cơ sở hạ tầng đang được xây dựng. Về cơ bản, nó ám chỉ một hệ thống tự hành có thể sử dụng nhiều hệ thống AI khác nhau để thực hiện các tác vụ gồm nhiều bước. - Chain of thought (Chuỗi tư duy):
Với một câu hỏi đơn giản như "Con gì cao hơn, hươu cao cổ hay mèo?", não người có thể trả lời mà không cần suy nghĩ nhiều. Nhưng trong nhiều trường hợp phức tạp hơn (ví dụ một bài toán), bạn cần các bước trung gian để đi đến đáp án đúng.
Trong bối cảnh AI, suy luận theo chuỗi tư duy đối với các mô hình ngôn ngữ lớn (LLM) có nghĩa là chia nhỏ một vấn đề thành các bước trung gian nhỏ hơn để cải thiện chất lượng của kết quả cuối cùng. Quá trình này thường mất nhiều thời gian hơn để có câu trả lời, nhưng câu trả lời có khả năng chính xác cao hơn, đặc biệt trong các bối cảnh logic hoặc lập trình. Các mô hình suy luận được phát triển từ LLM truyền thống và tối ưu hóa cho tư duy chuỗi nhờ học tăng cường. - Deep learning (Học sâu):
Đây là một nhánh của học máy (machine learning) tự cải tiến, trong đó các thuật toán AI được thiết kế với cấu trúc mạng nơ-ron nhân tạo (ANN) đa lớp. Cấu trúc này cho phép chúng tạo ra các mối tương quan phức tạp hơn so với các hệ thống dựa trên học máy đơn giản hơn. Cấu trúc của thuật toán học sâu lấy cảm hứng từ các đường dẫn kết nối dày đặc của các nơ-ron trong não người.
Các mô hình AI học sâu có khả năng tự xác định các đặc điểm quan trọng trong dữ liệu mà không cần kỹ sư con người định nghĩa. Tuy nhiên, hệ thống học sâu đòi hỏi một lượng lớn dữ liệu (hàng triệu điểm dữ liệu trở lên) và thường mất nhiều thời gian huấn luyện hơn. - Diffusion (Khuếch tán – trong AI):
Khuếch tán là công nghệ cốt lõi đằng sau nhiều mô hình AI tạo nghệ thuật, âm nhạc và văn bản. Lấy cảm hứng từ vật lý, các hệ thống khuếch tán từ từ "phá hủy" cấu trúc của dữ liệu (ví dụ: ảnh, bài hát) bằng cách thêm nhiễu cho đến khi không còn gì. Trong vật lý, khuếch tán là tự phát và không thể đảo ngược. Nhưng các hệ thống khuếch tán trong AI nhằm mục đích học một quy trình "khuếch tán ngược" để khôi phục dữ liệu bị phá hủy, từ đó có được khả năng phục hồi dữ liệu từ nhiễu. - Distillation (Chưng cất – trong AI):
Chưng cất là một kỹ thuật được sử dụng để trích xuất kiến thức từ một mô hình AI lớn (mô hình "thầy") sang một mô hình nhỏ hơn (mô hình "trò"). Các nhà phát triển gửi yêu cầu đến mô hình "thầy" và ghi lại kết quả đầu ra. Những kết quả này sau đó được sử dụng để huấn luyện mô hình "trò", vốn được đào tạo để bắt chước hành vi của mô hình "thầy". Kỹ thuật này giúp tạo ra các mô hình nhỏ hơn, hiệu quả hơn dựa trên các mô hình lớn với tổn thất tối thiểu, ví dụ như cách OpenAI phát triển GPT-4 Turbo từ GPT-4. - Fine-tuning (Tinh chỉnh):
Đề cập đến việc huấn luyện thêm một mô hình AI đã được đào tạo trước đó để tối ưu hóa hiệu suất cho một tác vụ hoặc lĩnh vực cụ thể hơn bằng cách cung cấp dữ liệu mới, chuyên biệt. Nhiều startup AI đang lấy các LLM làm điểm khởi đầu và sau đó tinh chỉnh chúng dựa trên kiến thức và chuyên môn tên miền riêng của họ. - GAN (Generative Adversarial Network – Mạng đối nghịch tạo sinh):
GAN là một loại khung học máy làm nền tảng cho một số phát triển quan trọng trong AI tạo sinh khi nói đến việc tạo ra dữ liệu thực tế – bao gồm cả các công cụ deepfake. GAN liên quan đến việc sử dụng một cặp mạng nơ-ron: một mạng tạo ra đầu ra (generator) và mạng kia đánh giá đầu ra đó (discriminator). Hai mô hình này "cạnh tranh" với nhau, giúp tối ưu hóa đầu ra AI trở nên thực tế hơn mà không cần sự can thiệp thêm của con người. - Hallucination (Hiện tượng "ảo giác" của AI):
Đây là thuật ngữ ưa thích của ngành AI để chỉ việc các mô hình AI "bịa đặt" thông tin – tức là tạo ra thông tin không chính xác. Đây là một vấn đề lớn đối với chất lượng AI, có thể dẫn đến thông tin sai lệch và rủi ro thực tế (ví dụ: lời khuyên y tế có hại). Đó là lý do hầu hết các công cụ GenAI đều cảnh báo người dùng xác minh câu trả lời do AI tạo ra. Vấn đề này được cho là phát sinh do những khoảng trống trong dữ liệu huấn luyện. - Inference (Suy luận – trong AI):
Suy luận là quá trình chạy một mô hình AI đã được huấn luyện để đưa ra dự đoán hoặc rút ra kết luận từ dữ liệu đã thấy trước đó. Nhiều loại phần cứng có thể thực hiện suy luận, từ chip smartphone đến GPU mạnh mẽ. - Large language model (LLM – Mô hình ngôn ngữ lớn):
LLM là các mô hình AI được sử dụng bởi các trợ lý AI phổ biến như ChatGPT, Claude, Gemini của Google, Llama của Meta, Microsoft Copilot. Khi bạn trò chuyện với một trợ lý AI, bạn đang tương tác với một LLM. Chúng là các mạng nơ-ron sâu được tạo thành từ hàng tỷ tham số (trọng số) học các mối quan hệ giữa các từ và cụm từ, được huấn luyện trên hàng tỷ cuốn sách, bài báo và bản ghi. - Neural network (Mạng nơ-ron):
Cấu trúc thuật toán đa lớp làm nền tảng cho học sâu và sự bùng nổ của các công cụ AI tạo sinh. Lấy cảm hứng từ não người, nhưng sức mạnh thực sự của nó được "mở khóa" nhờ sự phát triển của phần cứng xử lý đồ họa (GPU). - Training (Huấn luyện – trong AI):
Quá trình cung cấp dữ liệu cho một mô hình AI để nó có thể học từ các mẫu và tạo ra các kết quả hữu ích. Quá trình này điều chỉnh các "trọng số" (weights) của mô hình để nó đạt được mục tiêu mong muốn. Huấn luyện có thể tốn kém vì đòi hỏi lượng lớn dữ liệu đầu vào. - Transfer learning (Học chuyển giao):
Một kỹ thuật trong đó một mô hình AI đã được huấn luyện trước đó được sử dụng làm điểm khởi đầu để phát triển một mô hình mới cho một nhiệm vụ khác nhưng thường liên quan. Giúp tiết kiệm thời gian và hiệu quả, đặc biệt khi dữ liệu cho nhiệm vụ mới bị hạn chế. - Weights (Trọng số – trong AI):
Các tham số số học cốt lõi trong quá trình huấn luyện AI, xác định tầm quan trọng của các đặc điểm khác nhau trong dữ liệu đầu vào, từ đó định hình đầu ra của mô hình AI.
Ngành công nghiệp AI đang liên tục phát triển, với các nhà nghiên cứu không ngừng khám phá những phương pháp mới để đẩy lùi các giới hạn của trí tuệ nhân tạo, đồng thời xác định các rủi ro an toàn mới nổi. Việc hiểu rõ các thuật ngữ này sẽ giúp bạn không chỉ theo kịp các cuộc thảo luận mà còn có thể đánh giá một cách chín chắn hơn về những tác động của AI đến cuộc sống của chúng ta.
