Thuật ngữ AI là chìa khóa để đọc hiểu mọi tài liệu, tin tức và sản phẩm trí tuệ nhân tạo hiện nay. Nếu bạn hiểu đúng 60 khái niệm trong bài này — từ LLM, token, embedding đến RAG, fine-tuning, AI agent và AGI — bạn sẽ không còn bị rối trước những từ viết tắt dày đặc, biết cách đặt câu hỏi đúng cho nhà cung cấp, và tự tin chọn công cụ phù hợp với công việc của mình.
Bài viết này giải nghĩa từng thuật ngữ bằng ngôn ngữ đơn giản, chính xác về mặt kỹ thuật, kèm ví dụ thực tế và gợi ý áp dụng ngay. Các khái niệm được chia thành bốn nhóm: mô hình và huấn luyện, dữ liệu và đánh giá, triển khai và ứng dụng, xu hướng và khái niệm mở rộng. Bạn có thể đọc lần lượt từ đầu đến cuối, hoặc dùng bảng tra cứu nhanh ở cuối bài để tìm đúng thuật ngữ mình cần trong vài giây.
Vì sao việc hiểu thuật ngữ lại quan trọng đến vậy? Thứ nhất, AI không còn là chuyện của riêng kỹ sư. Một chủ khách sạn muốn dùng chatbot trả lời khách, một nhân viên văn phòng muốn dùng AI viết báo cáo, hay một quản lý muốn mua phần mềm có tích hợp AI — tất cả đều cần hiểu nhà cung cấp đang nói gì. Nếu không phân biệt được pretraining với fine-tuning, hay RAG với việc huấn luyện lại mô hình, bạn rất dễ mua nhầm giải pháp, trả tiền cho thứ mình không cần, hoặc kỳ vọng sai về khả năng của hệ thống.
Thứ hai, nhiều thuật ngữ nghe giống nhau nhưng bản chất khác nhau hoàn toàn. Prompt và prompt engineering chỉ khác nhau một từ, nhưng một bên là câu lệnh bạn gõ vào, bên còn lại là cả một kỹ năng thiết kế câu lệnh. Token và từ cũng không phải là một: một từ tiếng Việt có thể tách thành nhiều token, và điều này ảnh hưởng trực tiếp đến chi phí khi bạn dùng API. Hiểu sai một khái niệm nhỏ có thể dẫn đến quyết định sai lớn, ví dụ chọn mô hình quá lớn cho một tác vụ đơn giản, hoặc tin rằng AI đã hiểu dữ liệu nội bộ của công ty trong khi thực tế nó chỉ đang đoán mò.
Thứ ba, thuật ngữ là ngôn ngữ chung để làm việc nhóm. Khi đội kỹ thuật nói về hallucination, đội kinh doanh nói về độ tin cậy, và lãnh đạo nói về AGI, nếu mỗi người hiểu một nghĩa khác nhau thì cuộc họp sẽ không đi đến đâu. Một bảng thuật ngữ thống nhất giúp mọi người nói cùng một thứ tiếng, đánh giá cùng một tiêu chí, và tránh những tranh cãi không đáng có chỉ vì hiểu lầm từ ngữ.
Cuối cùng, AI thay đổi rất nhanh, nhưng các khái niệm nền tảng thay đổi chậm hơn nhiều. Transformer ra đời từ năm 2017 và đến nay vẫn là kiến trúc cốt lõi của hầu hết mô hình ngôn ngữ lớn. Gradient descent, overfitting, embedding — những khái niệm này đã tồn tại hàng chục năm và vẫn đúng. Nắm chắc nền tảng giúp bạn học nhanh mọi công nghệ mới, vì công nghệ mới thường chỉ là cách kết hợp lại các khái niệm cũ theo một cách khác.
Một lưu ý trước khi bắt đầu: bài viết giải thích theo kiến thức chung đã được công nhận rộng rãi trong cộng đồng AI, không bịa ra số liệu, kết quả thử nghiệm hay tên khách hàng cụ thể. Khi một khái niệm có nhiều cách hiểu, bài viết sẽ nêu cách hiểu phổ biến nhất và chỉ rõ điểm cần phân biệt. Khi một con số có thể thay đổi theo từng mô hình cụ thể — ví dụ kích thước cửa sổ ngữ cảnh — bài viết sẽ nói rõ rằng con số đó tùy thuộc vào từng mô hình, thay vì đưa ra một con số tuyệt đối.
Nhóm 1: Mô hình và huấn luyện — AI học như thế nào?
Nhóm này gồm 18 thuật ngữ nền tảng nhất: từ trí tuệ nhân tạo nói chung đến cách một mô hình được xây dựng, huấn luyện và tinh chỉnh. Nếu bạn chỉ có thời gian đọc một nhóm, hãy đọc nhóm này trước, vì mọi nhóm sau đều dựa trên các khái niệm ở đây.
1. Trí tuệ nhân tạo — Artificial Intelligence (AI)
Trí tuệ nhân tạo là lĩnh vực khoa học máy tính nghiên cứu cách làm cho máy móc thực hiện những nhiệm vụ vốn cần trí tuệ con người, như hiểu ngôn ngữ, nhận diện hình ảnh, suy luận, lập kế hoạch và ra quyết định. AI không phải là một công nghệ duy nhất, mà là một ô lớn chứa nhiều phương pháp khác nhau, từ các quy tắc viết tay đơn giản đến các mạng nơ-ron sâu phức tạp. Ví dụ, một hệ thống gợi ý phim trên nền tảng xem phim, một chatbot trả lời khách hàng, hay một phần mềm nhận diện biển số xe đều là ứng dụng của AI, dù độ phức tạp của chúng rất khác nhau.
2. Học máy — Machine Learning (ML)
Học máy là một nhánh của AI, trong đó máy tính học được quy luật từ dữ liệu thay vì được lập trình tường minh từng quy tắc. Thay vì viết ra hàng nghìn câu lệnh nếu-thì để phân biệt thư rác, người ta đưa cho máy hàng nghìn ví dụ thư rác và thư bình thường, để máy tự rút ra đặc điểm phân biệt. Điểm cốt lõi của học máy là khả năng khái quát: sau khi học từ dữ liệu cũ, mô hình có thể đưa ra dự đoán hợp lý cho dữ liệu mới mà nó chưa từng thấy. Hầu hết các ứng dụng AI thực tế ngày nay đều là học máy.
3. Học sâu — Deep Learning (DL)
Học sâu là một nhánh của học máy, sử dụng mạng nơ-ron nhiều lớp — thường là rất nhiều lớp — để học các đặc trưng phức tạp từ dữ liệu. Từ sâu ở đây chỉ số lớp của mạng, không chỉ độ khó. Học sâu đặc biệt mạnh với dữ liệu phi cấu trúc như văn bản, hình ảnh và âm thanh, vì mỗi lớp của mạng có thể học một mức độ trừu tượng khác nhau: lớp đầu nhận diện đường nét, lớp sau nhận diện hình dạng, lớp cao hơn nhận diện cả một khuôn mặt hay một câu văn. Các mô hình ngôn ngữ lớn và hệ thống nhận diện hình ảnh hiện đại đều dựa trên học sâu.
4. Mạng nơ-ron nhân tạo — Artificial Neural Network
Mạng nơ-ron nhân tạo là mô hình tính toán lấy cảm hứng từ cách các nơ-ron trong não bộ kết nối với nhau, gồm nhiều đơn vị xử lý nhỏ gọi là nơ-ron nhân tạo, được tổ chức thành các lớp và nối với nhau bằng các trọng số. Khi dữ liệu đi qua mạng, mỗi nơ-ron nhận tín hiệu từ lớp trước, xử lý và truyền tiếp cho lớp sau, cuối cùng cho ra kết quả dự đoán. Trong quá trình huấn luyện, các trọng số được điều chỉnh dần để kết quả dự đoán ngày càng gần với đáp án đúng. Một mạng nơ-ron có thể chỉ có vài chục nơ-ron, nhưng các mô hình hiện đại có thể có hàng tỉ tham số, tương ứng với hàng tỉ kết nối cần điều chỉnh.
5. Mô hình ngôn ngữ lớn — Large Language Model (LLM)
Mô hình ngôn ngữ lớn là một mô hình học sâu được huấn luyện trên lượng văn bản rất lớn để hiểu và tạo ra ngôn ngữ tự nhiên, có khả năng trả lời câu hỏi, viết văn bản, dịch thuật, tóm tắt, lập trình và suy luận ở mức độ nhất định. Từ lớn ở đây chỉ cả quy mô dữ liệu huấn luyện lẫn số lượng tham số của mô hình, thường lên tới hàng chục đến hàng trăm tỉ tham số. Ví dụ quen thuộc là các chatbot AI mà bạn trò chuyện hằng ngày: chúng không tra cứu câu trả lời có sẵn, mà dự đoán từng từ tiếp theo dựa trên ngữ cảnh, và chính khả năng dự đoán này, khi được huấn luyện đủ tốt, tạo ra văn bản trôi chảy và có vẻ hiểu biết. LLM là nền tảng của hầu hết ứng dụng AI tạo sinh về văn bản hiện nay.
6. Mô hình ngôn ngữ nhỏ — Small Language Model (SLM)
Mô hình ngôn ngữ nhỏ là mô hình ngôn ngữ có quy mô tham số khiêm tốn hơn nhiều so với LLM, thường chỉ vài trăm triệu đến vài tỉ tham số, được thiết kế để chạy nhanh, tiết kiệm chi phí và có thể chạy trực tiếp trên thiết bị của người dùng. SLM không mạnh bằng LLM trong các tác vụ suy luận phức tạp, nhưng lại rất phù hợp cho những việc cụ thể, lặp lại, như phân loại email, trích xuất thông tin từ hóa đơn, hay gợi ý câu trả lời ngắn trong ứng dụng di động. Ví dụ, một công ty có thể dùng SLM chạy trên máy chủ riêng để xử lý dữ liệu nội bộ mà không cần gửi dữ liệu ra ngoài, vừa tiết kiệm vừa bảo mật hơn. Xu hướng hiện nay là kết hợp: dùng SLM cho tác vụ đơn giản, dùng LLM cho tác vụ khó.
7. Transformer — Kiến trúc Transformer
Transformer là kiến trúc mạng nơ-ron được giới thiệu trong bài báo Attention Is All You Need năm 2017, và hiện là nền tảng của hầu hết các LLM, cũng như nhiều mô hình hình ảnh và âm thanh hiện đại. Điểm đột phá của Transformer là nó xử lý toàn bộ chuỗi dữ liệu cùng lúc, thay vì đọc từng từ một theo thứ tự như các kiến trúc cũ, nhờ đó huấn luyện nhanh hơn rất nhiều trên phần cứng hiện đại. Kiến trúc này gồm hai phần chính là bộ mã hóa và bộ giải mã, cùng cơ chế chú ý để mô hình biết nên tập trung vào phần nào của đầu vào. Nếu bạn nghe ai đó nói một mô hình là mô hình Transformer, hãy hiểu rằng đó là cách nói về kiến trúc bên trong của nó, chứ không phải tên một sản phẩm cụ thể.
8. Cơ chế chú ý — Attention Mechanism
Cơ chế chú ý là kỹ thuật giúp mô hình xác định phần nào của dữ liệu đầu vào là quan trọng nhất khi xử lý từng phần của đầu ra, bằng cách gán trọng số khác nhau cho từng vị trí. Ví dụ, khi dịch câu Con mèo ngồi trên thảm sang tiếng Anh, mô hình cần chú ý nhiều hơn đến từ mèo khi tạo ra từ cat, và chú ý đến từ thảm khi tạo ra từ mat. Cơ chế này đặc biệt quan trọng với câu dài, nơi mối quan hệ giữa các từ ở xa nhau vẫn ảnh hưởng đến ý nghĩa. Attention là trái tim của kiến trúc Transformer, và cũng là lý do vì sao các mô hình hiện đại xử lý ngữ cảnh dài tốt hơn hẳn các mô hình cũ.
9. Token — Đơn vị xử lý văn bản
Token là đơn vị nhỏ nhất mà mô hình ngôn ngữ xử lý khi đọc và tạo văn bản, thường tương ứng với một từ, một phần của từ, hoặc một ký tự đặc biệt. Ví dụ, câu Trí tuệ nhân tạo đang thay đổi thế giới có thể được tách thành khoảng 8 đến 10 token, tùy theo cách tách của từng mô hình. Khái niệm token quan trọng vì mọi giới hạn và chi phí của LLM đều tính theo token: cửa sổ ngữ cảnh giới hạn tổng số token mô hình có thể đọc trong một lần, và các nhà cung cấp API thường tính phí theo số token đầu vào và đầu ra. Khi bạn thấy một mô hình có cửa sổ ngữ cảnh 128K token, hãy hiểu rằng đó là tổng số token cho cả câu hỏi của bạn và câu trả lời của AI.
10. Embedding — Vector nhúng
Embedding là cách biểu diễn một từ, một câu hay một tài liệu dưới dạng một dãy số gọi là vector, sao cho những nội dung có ý nghĩa gần nhau sẽ có vector gần nhau trong không gian toán học. Ví dụ, vector của từ vua sẽ gần với vector của từ hoàng đế, và xa vector của từ xe máy. Nhờ embedding, máy tính có thể so sánh ý nghĩa của các văn bản một cách định lượng: hai đoạn văn có vector gần nhau thì nội dung tương tự nhau. Embedding là nền tảng của tìm kiếm ngữ nghĩa, hệ thống gợi ý, phân loại văn bản và kỹ thuật RAG. Khi bạn nghe nói một hệ thống tìm kiếm tài liệu theo ý nghĩa chứ không theo từ khóa chính xác, thì đằng sau nó gần như chắc chắn là embedding.
11. Tham số — Parameter
Tham số là các giá trị số mà mô hình học được trong quá trình huấn luyện, quyết định cách mô hình biến đổi dữ liệu đầu vào thành đầu ra. Trong mạng nơ-ron, tham số chủ yếu là các trọng số kết nối giữa các nơ-ron. Số lượng tham số thường được dùng để nói về quy mô của một mô hình: một mô hình 7 tỉ tham số có 7 tỉ giá trị số cần điều chỉnh, một mô hình 70 tỉ tham số lớn gấp mười lần. Nhiều tham số hơn thường cho phép mô hình học được nhiều mẫu phức tạp hơn, nhưng cũng đòi hỏi nhiều dữ liệu, nhiều bộ nhớ và chi phí tính toán cao hơn. Tuy nhiên, nhiều tham số không tự động đồng nghĩa với tốt hơn trong mọi tác vụ: một mô hình nhỏ được huấn luyện tốt cho một việc cụ thể có thể vượt qua mô hình lớn dùng chung cho mọi việc.
12. Huấn luyện mô hình — Training
Huấn luyện mô hình là quá trình cho mô hình học từ dữ liệu, bằng cách lặp đi lặp lại việc đưa dữ liệu vào, đo mức độ sai lệch giữa kết quả dự đoán và đáp án đúng, rồi điều chỉnh các tham số để giảm sai lệch đó. Quá trình này có thể kéo dài từ vài giờ đến vài tháng, tiêu tốn lượng điện toán khổng lồ và chi phí rất lớn với các mô hình lớn. Ví dụ, huấn luyện một LLM hiện đại có thể cần hàng nghìn card đồ họa chạy liên tục trong nhiều tuần. Sau khi huấn luyện xong, mô hình được đóng băng và đưa vào sử dụng; mọi kiến thức nó có đều đến từ giai đoạn huấn luyện này, trừ khi nó được kết nối thêm với công cụ tra cứu bên ngoài.
13. Tiền huấn luyện — Pretraining
Tiền huấn luyện là giai đoạn huấn luyện ban đầu của một mô hình trên lượng dữ liệu rất lớn và đa dạng, với mục tiêu học được kiến thức tổng quát về ngôn ngữ, thế giới và các mẫu suy luận cơ bản. Trong giai đoạn này, mô hình chưa được dạy để làm một nhiệm vụ cụ thể nào; nó chỉ học cách dự đoán từ tiếp theo trong văn bản. Ví dụ, một LLM được tiền huấn luyện trên hàng nghìn tỉ token từ sách, bài báo, trang web và mã nguồn, nhờ đó nó biết ngữ pháp, biết nhiều sự kiện, và có thể viết được nhiều thể loại văn bản. Tiền huấn luyện là giai đoạn tốn kém nhất, và chỉ các tổ chức lớn mới đủ nguồn lực thực hiện.
14. Tinh chỉnh — Fine-tuning
Tinh chỉnh là quá trình huấn luyện thêm một mô hình đã qua tiền huấn luyện trên một bộ dữ liệu nhỏ hơn, chuyên biệt hơn, để mô hình làm tốt một nhiệm vụ cụ thể hoặc phù hợp với một phong cách, lĩnh vực hay tổ chức nhất định. Ví dụ, một bệnh viện có thể tinh chỉnh một LLM chung bằng dữ liệu hồ sơ bệnh án đã ẩn danh để mô hình trả lời tốt hơn các câu hỏi y tế, hay một công ty luật tinh chỉnh mô hình bằng văn bản pháp luật để hỗ trợ soạn thảo hợp đồng. Tinh chỉnh tốn ít chi phí hơn tiền huấn luyện rất nhiều, nhưng vẫn cần dữ liệu chất lượng và kỹ thuật phù hợp; tinh chỉnh sai có thể khiến mô hình quên đi kiến thức tổng quát hoặc học theo thiên kiến trong dữ liệu mới.
15. Học tăng cường từ phản hồi con người — Reinforcement Learning from Human Feedback (RLHF)
RLHF là kỹ thuật huấn luyện trong đó con người đánh giá và xếp hạng các câu trả lời của mô hình, rồi dùng phản hồi đó để điều chỉnh mô hình theo hướng tạo ra câu trả lời hữu ích, an toàn và phù hợp hơn với mong đợi của người dùng. Quy trình này gồm ba bước chính: thu thập phản hồi của con người về nhiều câu trả lời khác nhau, huấn luyện một mô hình thưởng để dự đoán câu trả lời nào con người sẽ thích, rồi dùng mô hình thưởng đó để tinh chỉnh mô hình chính. RLHF là một trong những lý do vì sao các chatbot hiện đại trả lời lịch sự, tuân thủ hướng dẫn và ít đưa ra nội dung độc hại hơn so với mô hình chỉ qua tiền huấn luyện. Tuy nhiên, RLHF cũng có thể khiến mô hình trở nên quá thận trọng hoặc quá chiều theo ý người dùng.
16. Suy luận — Inference
Suy luận là quá trình mô hình đã huấn luyện xong sử dụng kiến thức đã học để đưa ra dự đoán hoặc tạo ra đầu ra mới từ dữ liệu đầu vào. Khi bạn gõ một câu hỏi vào chatbot và nhận được câu trả lời, đó chính là suy luận đang diễn ra. Suy luận khác với huấn luyện ở chỗ nó không thay đổi tham số của mô hình, chỉ dùng các tham số đã có để tính toán. Chi phí suy luận thường thấp hơn nhiều so với chi phí huấn luyện, và là chi phí chính mà người dùng cuối phải trả khi dùng API hay chạy mô hình trên máy chủ. Tốc độ suy luận, đo bằng số token tạo ra mỗi giây, là một chỉ số quan trọng khi chọn mô hình cho ứng dụng thời gian thực.
17. Prompt — Câu lệnh đầu vào
Prompt là toàn bộ văn bản đầu vào mà người dùng cung cấp cho mô hình AI, bao gồm câu hỏi, yêu cầu, ngữ cảnh, ví dụ và các ràng buộc. Prompt quyết định trực tiếp chất lượng đầu ra của mô hình: cùng một mô hình, cùng một nhiệm vụ, prompt rõ ràng và đầy đủ sẽ cho kết quả tốt hơn hẳn prompt mơ hồ. Ví dụ, prompt Hãy viết một bài về AI rất chung chung, trong khi prompt Hãy viết một bài 500 từ về ứng dụng AI trong giáo dục tiểu học, dành cho phụ huynh, giọng điệu thân thiện, có ba ví dụ cụ thể sẽ cho ra bài viết sát với nhu cầu hơn nhiều. Mọi tương tác với LLM đều bắt đầu bằng prompt, dù bạn có nhận ra hay không.
18. Prompt Engineering — Kỹ thuật viết Prompt
Prompt engineering là kỹ thuật thiết kế, thử nghiệm và tối ưu prompt để mô hình AI tạo ra kết quả chính xác, hữu ích và đúng định dạng mong muốn. Đây không phải là lập trình theo nghĩa truyền thống, mà là tư duy có hệ thống: đặt giả thuyết về cách diễn đạt tốt nhất, thử nghiệm, đo lường kết quả và cải tiến dần. Các kỹ thuật prompt engineering phổ biến gồm giao vai trò cụ thể cho AI, cung cấp ví dụ mẫu, yêu cầu mô hình trình bày từng bước suy luận, và chia nhỏ nhiệm vụ phức tạp thành nhiều bước. Người viết prompt giỏi có thể tạo ra khác biệt rất lớn về chất lượng đầu ra mà không cần thay đổi mô hình.
Nhóm 2: Dữ liệu và đánh giá — AI học từ đâu, giỏi đến mức nào?
Nhóm này gồm 12 thuật ngữ về dữ liệu huấn luyện, cách chia dữ liệu, các hiện tượng thường gặp trong quá trình học, và cách đo lường chất lượng của một mô hình. Nếu bạn phải đánh giá một nhà cung cấp AI, phần lớn các câu hỏi quan trọng của bạn sẽ nằm trong nhóm này.
19. Tập dữ liệu huấn luyện — Training Data
Tập dữ liệu huấn luyện là toàn bộ dữ liệu được dùng để dạy mô hình trong quá trình huấn luyện, có thể là văn bản, hình ảnh, âm thanh, video hoặc dữ liệu có cấu trúc. Chất lượng và độ đa dạng của tập dữ liệu quyết định trực tiếp chất lượng của mô hình: dữ liệu sạch, cân bằng và đại diện tốt cho thực tế sẽ tạo ra mô hình tốt, trong khi dữ liệu nhiễu, thiên lệch hoặc lỗi thời sẽ tạo ra mô hình sai lệch. Ví dụ, một mô hình nhận diện khuôn mặt được huấn luyện chủ yếu bằng ảnh của một nhóm dân tộc sẽ hoạt động kém với các nhóm khác. Khi đánh giá một giải pháp AI, hãy luôn hỏi nhà cung cấp: mô hình được huấn luyện bằng dữ liệu nào, dữ liệu đó có đại diện cho trường hợp của tôi không, và dữ liệu đó được cập nhật lần cuối khi nào.
20. Dữ liệu có nhãn — Labeled Data
Dữ liệu có nhãn là dữ liệu đã được gắn kèm đáp án đúng hoặc phân loại chính xác bởi con người hoặc hệ thống đáng tin cậy, dùng để huấn luyện mô hình học có giám sát. Ví dụ, một bộ ảnh mỗi ảnh đều được ghi chú đây là mèo hay đây là chó, hay một bộ email mỗi email đều được đánh dấu là thư rác hay thư bình thường, đều là dữ liệu có nhãn. Việc tạo dữ liệu có nhãn thường tốn nhiều thời gian và chi phí vì cần con người kiểm tra, nhưng nó là nền tảng của hầu hết các mô hình học máy truyền thống. Chất lượng nhãn càng cao thì mô hình học được càng chính xác; nhãn sai sẽ dạy mô hình học sai theo.
21. Dữ liệu tổng hợp — Synthetic Data
Dữ liệu tổng hợp là dữ liệu được tạo ra bằng thuật toán hoặc bằng một mô hình AI khác, thay vì thu thập từ thế giới thực. Ví dụ, người ta có thể dùng AI tạo ra hàng nghìn ảnh khuôn mặt giả để huấn luyện mô hình nhận diện, hay dùng mô hình ngôn ngữ để tạo ra các đoạn hội thoại mẫu cho chatbot. Dữ liệu tổng hợp giúp giải quyết vấn đề thiếu dữ liệu thực, bảo vệ quyền riêng tư vì không chứa thông tin cá nhân thật, và cho phép tạo ra các tình huống hiếm gặp để kiểm thử. Tuy nhiên, nếu dữ liệu tổng hợp không phản ánh đúng thực tế, mô hình học từ nó sẽ hoạt động kém khi gặp dữ liệu thật.
22. Overfitting — Học quá khớp
Overfitting là hiện tượng mô hình học thuộc lòng dữ liệu huấn luyện, kể cả những chi tiết nhiễu và ngẫu nhiên trong đó, đến mức hoạt động rất tốt trên dữ liệu đã học nhưng lại kém trên dữ liệu mới chưa từng thấy. Ví dụ, một mô hình dự đoán giá nhà học thuộc lòng từng căn nhà trong dữ liệu huấn luyện sẽ không dự đoán tốt cho căn nhà mới. Overfitting thường xảy ra khi mô hình quá phức tạp so với lượng dữ liệu, hoặc khi huấn luyện quá lâu. Cách khắc phục gồm thu thập thêm dữ liệu, đơn giản hóa mô hình, dùng kỹ thuật chính quy hóa, hoặc dừng huấn luyện sớm khi hiệu quả trên dữ liệu kiểm tra bắt đầu giảm.
23. Underfitting — Học chưa đủ
Underfitting là hiện tượng ngược lại với overfitting: mô hình quá đơn giản hoặc chưa được huấn luyện đủ lâu, nên không học được quy luật cơ bản trong dữ liệu, hoạt động kém cả trên dữ liệu huấn luyện lẫn dữ liệu mới. Ví dụ, dùng một đường thẳng để dự đoán một mối quan hệ phi tuyến phức tạp sẽ luôn sai lệch lớn. Dấu hiệu của underfitting là độ chính xác thấp ngay cả trên dữ liệu huấn luyện. Cách khắc phục là dùng mô hình phức tạp hơn, huấn luyện lâu hơn, cung cấp thêm đặc trưng hữu ích, hoặc giảm mức độ chính quy hóa nếu đang áp dụng quá mạnh.
24. Gradient Descent — Hạ gradient
Gradient descent là thuật toán tối ưu được dùng để huấn luyện hầu hết các mô hình học máy, hoạt động bằng cách tính toán hướng thay đổi tham số giúp giảm sai số nhanh nhất, rồi dịch chuyển tham số từng bước nhỏ theo hướng đó. Hãy tưởng tượng bạn đang đứng trên một sườn đồi trong sương mù và muốn xuống chân đồi: bạn sờ xung quanh để tìm hướng dốc xuống mạnh nhất, rồi bước một bước nhỏ theo hướng đó, lặp lại cho đến khi xuống tới đáy. Tốc độ học là kích thước mỗi bước: bước quá lớn có thể nhảy qua đáy, bước quá nhỏ thì đi rất lâu. Hầu hết các kỹ thuật huấn luyện hiện đại đều là biến thể cải tiến của gradient descent.
25. Học có giám sát — Supervised Learning
Học có giám sát là phương pháp huấn luyện mô hình bằng dữ liệu đã có nhãn, trong đó mỗi ví dụ đầu vào đều đi kèm đáp án đúng, để mô hình học cách ánh xạ từ đầu vào sang đầu ra. Ví dụ, để dạy mô hình phân loại ảnh, người ta cho nó xem hàng nghìn ảnh đã được gán nhãn đây là mèo, đây là chó, đây là chim; sau khi học xong, mô hình có thể phân loại ảnh mới. Học có giám sát là phương pháp phổ biến nhất trong học máy truyền thống, áp dụng cho phân loại, hồi quy, nhận diện và nhiều tác vụ khác, nhưng nó phụ thuộc rất nhiều vào chất lượng và số lượng dữ liệu có nhãn.
26. Học không giám sát — Unsupervised Learning
Học không giám sát là phương pháp huấn luyện mô hình bằng dữ liệu không có nhãn, để mô hình tự phát hiện cấu trúc, mẫu và nhóm ẩn trong dữ liệu mà không cần đáp án cho trước. Ví dụ, một mô hình phân cụm khách hàng có thể tự chia khách hàng thành các nhóm có hành vi tương tự nhau mà không ai nói trước cho nó biết có bao nhiêu nhóm. Học không giám sát hữu ích khi bạn chưa biết mình đang tìm gì, hoặc khi việc gán nhãn dữ liệu quá tốn kém. Các kỹ thuật phổ biến gồm phân cụm, giảm chiều dữ liệu và phát hiện bất thường.
27. Học tăng cường — Reinforcement Learning (RL)
Học tăng cường là phương pháp huấn luyện trong đó một tác tử học cách hành động trong một môi trường bằng cách thử nghiệm và nhận phần thưởng hoặc hình phạt cho mỗi hành động, với mục tiêu tối đa hóa tổng phần thưởng trong dài hạn. Ví dụ, một chương trình chơi cờ học bằng cách tự chơi hàng triệu ván với chính mình, mỗi nước đi thắng được thưởng điểm, mỗi nước đi thua bị trừ điểm, và dần dần nó học được chiến thuật tốt. Học tăng cường khác với học có giám sát ở chỗ nó không có đáp án đúng cho trước, mà phải tự khám phá qua thử và sai. Phương pháp này nổi tiếng với các thành tựu trong trò chơi, robot và tối ưu hệ thống, và là nền tảng của kỹ thuật RLHF dùng để căn chỉnh chatbot.
28. Hàm mất mát — Loss Function
Hàm mất mát là công thức đo mức độ sai lệch giữa kết quả dự đoán của mô hình và đáp án đúng, cho ra một con số duy nhất: mất mát càng lớn thì mô hình càng sai. Trong quá trình huấn luyện, mục tiêu của thuật toán tối ưu là làm cho hàm mất mát này càng nhỏ càng tốt. Ví dụ, với bài toán phân loại, hàm mất mát phổ biến là cross-entropy, đo mức độ mô hình tự tin sai; với bài toán dự đoán số, hàm mất mát thường là bình phương sai số giữa dự đoán và thực tế. Khi bạn thấy biểu đồ đường mất mát giảm dần qua các vòng huấn luyện, đó là dấu hiệu mô hình đang học tốt.
29. Độ chính xác — Accuracy
Độ chính xác là tỷ lệ dự đoán đúng trên tổng số dự đoán, là chỉ số đánh giá đơn giản và phổ biến nhất cho các bài toán phân loại. Ví dụ, một mô hình phân loại email đúng 95 trên 100 email thì có độ chính xác 95%. Tuy nhiên, độ chính xác có thể gây hiểu lầm khi dữ liệu mất cân bằng: một mô hình dự đoán bệnh hiếm gặp luôn trả lời không có bệnh sẽ đạt độ chính xác 99% nếu chỉ 1% dân số mắc bệnh, nhưng lại hoàn toàn vô dụng. Vì vậy, trong thực tế người ta thường dùng thêm các chỉ số khác như precision, recall và F1-score để đánh giá toàn diện hơn.
30. Benchmark — Bộ tiêu chuẩn đánh giá
Benchmark là một bộ dữ liệu kiểm tra chuẩn cùng với quy trình chấm điểm thống nhất, dùng để so sánh hiệu năng của các mô hình khác nhau trên cùng một nhiệm vụ. Ví dụ, một benchmark về hiểu ngôn ngữ có thể gồm hàng nghìn câu hỏi trắc nghiệm về toán, khoa học và luật, và mô hình nào trả lời đúng nhiều hơn thì được xếp hạng cao hơn. Benchmark giúp người dùng so sánh mô hình một cách khách quan, nhưng cũng cần thận trọng: một mô hình đạt điểm cao trên benchmark chưa chắc đã làm tốt trong công việc thực tế của bạn, vì benchmark có thể không phản ánh đúng dữ liệu và yêu cầu của bạn, và một số mô hình có thể đã vô tình được huấn luyện trên chính dữ liệu của benchmark.
Nhóm 3: Triển khai và ứng dụng — Đưa AI vào sử dụng thực tế
Nhóm này gồm 18 thuật ngữ về cách đưa AI ra khỏi phòng thí nghiệm và áp dụng vào công việc thật: từ giao diện lập trình, các kỹ thuật làm cho AI trả lời chính xác hơn, đến các khái niệm về hệ thống tự động và an toàn. Đây là nhóm hữu ích nhất nếu bạn đang triển khai hoặc mua giải pháp AI.
31. API — Giao diện lập trình ứng dụng
API là bộ quy tắc và giao thức cho phép các phần mềm khác nhau giao tiếp với nhau, trong đó một bên gửi yêu cầu theo định dạng quy định và nhận về kết quả. Trong bối cảnh AI, API là cách phổ biến nhất để dùng mô hình của nhà cung cấp mà không cần tự huấn luyện hay vận hành mô hình: ứng dụng của bạn gửi văn bản đến API của nhà cung cấp, nhà cung cấp chạy mô hình và trả về kết quả. Ví dụ, một website bán hàng có thể gọi API của chatbot để trả lời khách, hay một ứng dụng di động có thể gọi API nhận diện hình ảnh để phân loại sản phẩm. API thường được tính phí theo lượng sử dụng, và nhà cung cấp sẽ công bố tài liệu hướng dẫn chi tiết về cách gọi.
32. Chatbot — Trợ lý trò chuyện
Chatbot là chương trình máy tính được thiết kế để trò chuyện với con người bằng ngôn ngữ tự nhiên, trả lời câu hỏi, hỗ trợ khách hàng hoặc thực hiện các tác vụ đơn giản theo yêu cầu. Chatbot có thể dựa trên quy tắc viết tay, học máy truyền thống, hoặc LLM hiện đại. Chatbot dùng LLM, như ChatGPT, Claude hay Gemini, có khả năng trò chuyện linh hoạt, hiểu ngữ cảnh và xử lý nhiều chủ đề khác nhau, nhưng cũng có thể bịa đặt thông tin nếu không được kiểm soát. Ví dụ, một chatbot trên website thương mại điện tử có thể tư vấn sản phẩm, kiểm tra đơn hàng và xử lý khiếu nại, giúp doanh nghiệp phục vụ khách hàng 24/7 mà không cần nhân viên trực liên tục.
33. RAG — Retrieval-Augmented Generation (Tạo sinh tăng cường truy xuất)
RAG là kỹ thuật cho phép mô hình ngôn ngữ tra cứu tài liệu thật từ một nguồn dữ liệu đáng tin cậy trước khi trả lời, thay vì chỉ dựa vào kiến thức đã học trong quá trình huấn luyện. Quy trình RAG gồm ba bước: khi người dùng đặt câu hỏi, hệ thống tìm các đoạn tài liệu liên quan nhất trong cơ sở dữ liệu, đưa các đoạn đó vào ngữ cảnh của mô hình, rồi yêu cầu mô hình trả lời dựa trên tài liệu vừa tìm được. RAG đặc biệt hiệu quả với câu hỏi về dữ liệu nội bộ, tài liệu chuyên ngành hoặc thông tin mới cập nhật, và là biện pháp giảm hallucination hiệu quả nhất hiện nay. Ví dụ, một chatbot hỗ trợ khách hàng dùng RAG có thể trả lời chính xác về chính sách bảo hành hiện hành của công ty, thay vì bịa ra chính sách dựa trên mẫu chung.
34. Hallucination — Ảo giác của AI
Hallucination là hiện tượng mô hình AI đưa ra thông tin sai sự thật nhưng trình bày một cách trôi chảy, logic và đầy tự tin, khiến người đọc rất khó nhận ra. Đây không phải là lỗi lập trình đơn lẻ, mà là hệ quả tất yếu của cách mô hình ngôn ngữ dự đoán từ tiếp theo: khi dữ liệu huấn luyện không có đủ thông tin về một chủ đề, mô hình vẫn phải dự đoán và sẽ lấp đầy khoảng trống bằng nội dung có vẻ hợp lý nhất. Hallucination có thể xuất hiện dưới nhiều dạng: bịa số liệu, bịa trích dẫn, bịa đường link, bịa sự kiện hay bịa mã nguồn. Người dùng cần kiểm chứng thông tin quan trọng bằng nguồn độc lập, nhất là trong các lĩnh vực y tế, pháp lý và tài chính.
35. Cửa sổ ngữ cảnh — Context Window
Cửa sổ ngữ cảnh là lượng văn bản tối đa, tính bằng token, mà một mô hình ngôn ngữ có thể xử lý trong một lần, bao gồm cả câu hỏi của người dùng và câu trả lời mà mô hình sẽ tạo ra. Ví dụ, một mô hình có cửa sổ ngữ cảnh 128K token có thể đọc một tài liệu dài khoảng 300 trang trong một lần, trong khi mô hình có cửa sổ 8K token chỉ đọc được khoảng 20 trang. Khi vượt quá giới hạn, mô hình sẽ quên hoặc cắt bỏ phần đầu của cuộc hội thoại. Cửa sổ ngữ cảnh càng lớn thì mô hình càng xử lý được tài liệu dài và hội thoại phức tạp, nhưng cũng tốn chi phí tính toán cao hơn. Khi chọn mô hình cho công việc với tài liệu dài, hãy kiểm tra cửa sổ ngữ cảnh của nó trước.
36. Gọi hàm — Function Calling
Gọi hàm là khả năng của mô hình ngôn ngữ trong việc nhận biết khi nào cần dùng một công cụ hoặc hàm bên ngoài để hoàn thành nhiệm vụ, rồi tạo ra lời gọi hàm đúng định dạng thay vì chỉ trả lời bằng văn bản. Ví dụ, khi bạn hỏi chatbot thời tiết hôm nay ở Hà Nội, chatbot có thể gọi hàm lấy dữ liệu thời tiết với tham số thành phố là Hà Nội, nhận về kết quả, rồi trình bày lại cho bạn bằng ngôn ngữ tự nhiên. Gọi hàm là nền tảng của các AI agent, vì nó cho phép mô hình tương tác với thế giới bên ngoài thay vì chỉ trò chuyện. Khi thiết kế ứng dụng dùng gọi hàm, người ta cần định nghĩa rõ các hàm có sẵn, tham số của từng hàm, và quy tắc khi nào mô hình được phép gọi hàm nào.
37. AI Agent — Tác tử AI
AI agent là hệ thống AI có khả năng tự lập kế hoạch và thực hiện nhiều bước để hoàn thành một mục tiêu, bằng cách kết hợp mô hình ngôn ngữ với các công cụ bên ngoài như tìm kiếm, cơ sở dữ liệu, API và phần mềm khác. Khác với chatbot chỉ trả lời từng câu hỏi riêng lẻ, AI agent có thể nhận một mục tiêu lớn, ví dụ nghiên cứu thị trường và soạn báo cáo, rồi tự chia nhỏ thành các bước, thu thập thông tin, phân tích và tổng hợp kết quả. Ví dụ, một AI agent hỗ trợ tuyển dụng có thể tự đọc hồ sơ, đối chiếu với yêu cầu công việc, xếp hạng ứng viên và soạn email mời phỏng vấn. AI agent là một trong những xu hướng quan trọng nhất hiện nay, nhưng vẫn cần giám sát chặt chẽ vì sai sót ở một bước có thể lan truyền sang các bước sau.
38. Mô hình đa phương thức — Multimodal Model
Mô hình đa phương thức là mô hình có thể xử lý và tạo ra nhiều loại dữ liệu khác nhau trong cùng một hệ thống, chẳng hạn văn bản, hình ảnh, âm thanh và video. Ví dụ, bạn có thể đưa cho mô hình một bức ảnh và hỏi nó mô tả những gì trong ảnh, hoặc yêu cầu nó tạo ra hình ảnh từ một đoạn mô tả bằng văn bản. Các mô hình đa phương thức hiện đại có thể vừa đọc tài liệu, vừa xem biểu đồ, vừa nghe ghi âm cuộc họp, rồi tổng hợp tất cả thành một bản tóm tắt duy nhất. Khả năng này mở ra nhiều ứng dụng mới, từ hỗ trợ người khiếm thị đọc nội dung hình ảnh, đến phân tích video giám sát hay tạo nội dung marketing đa định dạng.
39. Chuỗi suy nghĩ — Chain-of-Thought (CoT)
Chain-of-thought là kỹ thuật yêu cầu mô hình trình bày từng bước suy luận trước khi đưa ra kết luận cuối cùng, thay vì nhảy thẳng đến đáp án. Ví dụ, thay vì hỏi một bài toán và nhận đáp án ngay, bạn yêu cầu mô hình liệt kê từng bước tính toán, và đáp án cuối cùng sẽ chính xác hơn vì mỗi bước đều được xử lý riêng. Kỹ thuật này đặc biệt hiệu quả với các bài toán cần suy luận nhiều bước như toán học, phân tích logic hay lập kế hoạch. Chain-of-thought không làm mô hình thông minh hơn về bản chất, mà giúp nó tổ chức lại quá trình suy luận một cách có trật tự, tương tự như cách con người giải bài toán khó bằng cách viết ra từng bước trung gian.
40. Học từ ít ví dụ — Few-shot Learning
Few-shot learning là khả năng của mô hình thực hiện một nhiệm vụ mới chỉ sau khi xem vài ví dụ mẫu, mà không cần huấn luyện lại. Ví dụ, bạn cho mô hình xem ba cặp câu tiếng Việt và bản dịch tiếng Anh, rồi đưa ra câu thứ tư chưa dịch; mô hình sẽ tự suy ra quy tắc dịch và áp dụng cho câu mới. Kỹ thuật này tận dụng khả năng khái quát của mô hình lớn: thay vì huấn luyện lại toàn bộ mô hình, người dùng chỉ cần đưa ví dụ vào prompt. Few-shot learning là nền tảng của kỹ thuật đưa ví dụ mẫu trong prompt engineering, và là một trong những lý do vì sao LLM hữu ích ngay cả khi người dùng không có dữ liệu huấn luyện riêng.
41. Học không cần ví dụ — Zero-shot Learning
Zero-shot learning là khả năng của mô hình thực hiện một nhiệm vụ mà nó chưa từng được huấn luyện trực tiếp, cũng không được cho ví dụ mẫu nào, chỉ dựa trên mô tả nhiệm vụ bằng ngôn ngữ tự nhiên. Ví dụ, bạn yêu cầu mô hình phân loại một bài báo vào chủ đề thể thao hay chính trị mà không đưa ví dụ nào trước đó; mô hình vẫn có thể làm được vì nó đã học được ý nghĩa của các chủ đề đó trong quá trình tiền huấn luyện. Zero-shot learning cho thấy mô hình lớn có khả năng chuyển giao kiến thức tổng quát sang nhiệm vụ mới một cách linh hoạt, nhưng độ chính xác thường thấp hơn few-shot learning, vì mô hình không có ví dụ cụ thể để căn cứ.
42. Học tự giám sát — Self-supervised Learning
Học tự giám sát là phương pháp huấn luyện trong đó mô hình tự tạo ra tín hiệu học tập từ chính dữ liệu chưa có nhãn, bằng cách che đi một phần dữ liệu và yêu cầu mô hình dự đoán phần bị che. Ví dụ, trong huấn luyện mô hình ngôn ngữ, người ta che đi một từ trong câu và yêu cầu mô hình đoán từ đó là gì; trong huấn luyện mô hình hình ảnh, người ta che đi một phần bức ảnh và yêu cầu mô hình hoàn thiện phần còn thiếu. Học tự giám sát là cách các LLM được tiền huấn luyện, và nó giải quyết được vấn đề thiếu dữ liệu có nhãn vì dữ liệu chưa có nhãn có sẵn với số lượng khổng lồ trên internet. Đây là một trong những đột phá quan trọng nhất giúp AI phát triển nhanh trong thập kỷ qua.
43. Mô hình nền tảng — Foundation Model
Mô hình nền tảng là mô hình lớn được huấn luyện trên dữ liệu rất đa dạng và có thể được điều chỉnh cho nhiều nhiệm vụ khác nhau, thay vì chỉ làm một việc duy nhất. Ví dụ, một mô hình ngôn ngữ nền tảng có thể được tinh chỉnh để làm chatbot, dịch thuật, tóm tắt, phân loại hay viết mã, mà không cần huấn luyện lại từ đầu cho từng nhiệm vụ. Khái niệm mô hình nền tảng nhấn mạnh sự chuyển đổi trong cách phát triển AI: thay vì xây dựng một mô hình riêng cho mỗi bài toán, người ta xây dựng một mô hình lớn dùng chung rồi điều chỉnh cho từng trường hợp. Các LLM phổ biến hiện nay đều là mô hình nền tảng.
44. Mô hình mã nguồn mở — Open-source Model
Mô hình mã nguồn mở là mô hình mà mã nguồn, trọng số và thường cả dữ liệu huấn luyện được công khai cho mọi người tải về, sử dụng, sửa đổi và chia sẻ, thường theo một giấy phép mở. Ví dụ, một doanh nghiệp có thể tải một mô hình mã nguồn mở về máy chủ của mình, tinh chỉnh bằng dữ liệu nội bộ và chạy hoàn toàn trong nội bộ mà không phụ thuộc vào nhà cung cấp bên ngoài. Ưu điểm của mô hình mã nguồn mở là minh bạch, linh hoạt và kiểm soát được dữ liệu, nhưng nhược điểm là doanh nghiệp phải tự lo hạ tầng, bảo mật và cập nhật, và chất lượng mô hình có thể không bằng các mô hình độc quyền mạnh nhất. Khi chọn giữa mã nguồn mở và độc quyền, hãy cân nhắc cả chi phí, khả năng kiểm soát và yêu cầu bảo mật.
45. Mô hình độc quyền — Proprietary Model
Mô hình độc quyền là mô hình thuộc sở hữu của một tổ chức, không công khai trọng số hay chi tiết huấn luyện, và người dùng chỉ có thể truy cập qua API hoặc dịch vụ của nhà cung cấp đó. Ví dụ, các mô hình thương mại mạnh nhất hiện nay thường là mô hình độc quyền: bạn gửi yêu cầu qua API và nhận về kết quả, nhưng không biết chính xác mô hình hoạt động như thế nào bên trong. Ưu điểm là bạn được dùng mô hình mạnh nhất mà không cần hạ tầng, nhược điểm là bạn phụ thuộc vào nhà cung cấp về giá cả, tính khả dụng và chính sách dữ liệu, và không thể tự kiểm chứng hay tùy chỉnh sâu mô hình. Nhiều doanh nghiệp chọn mô hình độc quyền cho tác vụ quan trọng cần chất lượng cao, và dùng mô hình mã nguồn mở cho tác vụ nhạy cảm về dữ liệu.
46. AI tạo sinh — Generative AI (GenAI)
AI tạo sinh là nhánh của AI tập trung vào việc tạo ra nội dung mới — văn bản, hình ảnh, âm thanh, video hay mã nguồn — thay vì chỉ phân loại hay dự đoán từ dữ liệu có sẵn. Ví dụ, một mô hình AI tạo sinh có thể viết một bài blog từ dàn ý, vẽ một bức tranh từ mô tả, hay soạn một đoạn nhạc từ giai điệu mẫu. Điểm khác biệt cốt lõi là đầu ra của AI tạo sinh mang tính sáng tạo và không có một đáp án đúng duy nhất, trong khi AI truyền thống thường có đáp án đúng sai rõ ràng. AI tạo sinh dựa chủ yếu vào các mô hình nền tảng lớn như LLM và mô hình khuếch tán cho hình ảnh. Khi dùng AI tạo sinh trong công việc, hãy nhớ rằng nội dung tạo ra cần được con người kiểm tra và chịu trách nhiệm cuối cùng.
47. MLOps — Vận hành học máy
MLOps là tập hợp các phương pháp, công cụ và quy trình để triển khai, giám sát và duy trì mô hình học máy trong môi trường sản xuất một cách đáng tin cậy và có thể lặp lại. MLOps bao gồm việc tự động hóa huấn luyện lại mô hình khi dữ liệu mới đến, theo dõi hiệu năng của mô hình theo thời gian, phát hiện khi mô hình bắt đầu suy giảm chất lượng, và quản lý phiên bản của cả mô hình lẫn dữ liệu. Ví dụ, một ngân hàng dùng MLOps để đảm bảo mô hình chấm điểm tín dụng luôn được cập nhật, được kiểm thử trước khi triển khai, và có thể quay lại phiên bản cũ ngay lập tức nếu phiên bản mới gặp sự cố. MLOps là cầu nối giữa đội khoa học dữ liệu và đội vận hành hệ thống, và ngày càng quan trọng khi AI được dùng trong các hệ thống trọng yếu.
48. Bảo mật và quyền riêng tư trong AI — AI Privacy & Security
Bảo mật và quyền riêng tư trong AI là tập hợp các nguyên tắc và biện pháp đảm bảo dữ liệu cá nhân và dữ liệu nhạy cảm không bị rò rỉ, lạm dụng hay tấn công khi sử dụng hệ thống AI. Vấn đề này đặc biệt quan trọng vì mô hình AI có thể vô tình ghi nhớ và tiết lộ thông tin trong dữ liệu huấn luyện, hoặc vì người dùng có thể vô tình đưa dữ liệu nhạy cảm vào prompt. Các biện pháp phổ biến gồm ẩn danh dữ liệu trước khi huấn luyện, dùng mô hình chạy nội bộ thay vì gửi dữ liệu ra ngoài, mã hóa dữ liệu, và tuân thủ các quy định như GDPR hay Luật Bảo vệ dữ liệu cá nhân của Việt Nam. Khi đánh giá một giải pháp AI, hãy luôn hỏi nhà cung cấp về cách họ bảo vệ dữ liệu của bạn.
Nhóm 4: Xu hướng và khái niệm mở rộng — AI đang đi về đâu?
Nhóm cuối gồm 12 thuật ngữ về các hướng phát triển mới nhất và những khái niệm rộng hơn: từ trí tuệ nhân tạo tổng quát đến các vấn đề đạo đức và xu hướng công nghệ đang định hình tương lai của AI. Nhóm này giúp bạn không chỉ hiểu AI hiện tại mà còn chuẩn bị cho AI trong những năm tới.
49. Trí tuệ nhân tạo tổng quát — Artificial General Intelligence (AGI)
AGI là khái niệm chỉ một hệ thống AI giả định có khả năng hiểu, học và thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người có thể làm, ở mức tương đương hoặc vượt trội con người, và có thể chuyển giao kiến thức linh hoạt giữa các lĩnh vực khác nhau. Khác với AI hẹp chỉ làm tốt một việc cụ thể, AGI được kỳ vọng sẽ suy luận, sáng tạo và thích nghi như con người. Hiện tại, AGI vẫn chưa tồn tại; các chuyên gia còn tranh cãi rất nhiều về việc liệu AGI có thể đạt được hay không, và nếu có thì khi nào. Khi nghe ai đó tuyên bố một sản phẩm đã đạt AGI, hãy xem đó là cách nói cường điệu về marketing, không phải một đánh giá khoa học đã được công nhận.
50. Trí tuệ nhân tạo hẹp — Narrow AI (ANI)
Trí tuệ nhân tạo hẹp là AI được thiết kế để thực hiện tốt một nhiệm vụ cụ thể trong một phạm vi giới hạn, chẳng hạn nhận diện khuôn mặt, dịch ngôn ngữ, chơi cờ vua hay gợi ý phim. Hầu hết mọi ứng dụng AI đang hoạt động ngày nay đều là AI hẹp, dù chúng có thể rất mạnh trong lĩnh vực của mình. Ví dụ, một mô hình chơi cờ có thể đánh bại nhà vô địch thế giới nhưng lại không thể viết một đoạn văn hay lái xe. Việc phân biệt AI hẹp với AGI giúp đặt kỳ vọng đúng: một hệ thống có thể rất giỏi trong một việc nhưng hoàn toàn không có khả năng làm việc khác, và việc nó giỏi một việc không có nghĩa là nó sắp trở nên thông minh toàn diện.
51. Trí tuệ nhân tạo có trách nhiệm — Responsible AI
Trí tuệ nhân tạo có trách nhiệm là cách tiếp cận phát triển và triển khai AI theo các nguyên tắc đạo đức, minh bạch, công bằng và tôn trọng quyền con người, nhằm đảm bảo AI mang lại lợi ích và giảm thiểu tác hại. Các nguyên tắc phổ biến gồm: AI phải minh bạch về cách nó ra quyết định, phải công bằng và không phân biệt đối xử, phải bảo vệ quyền riêng tư, phải có con người chịu trách nhiệm cuối cùng, và phải được kiểm tra định kỳ. Ví dụ, một ngân hàng áp dụng AI có trách nhiệm sẽ kiểm tra mô hình chấm điểm tín dụng để đảm bảo nó không phân biệt đối xử theo giới tính hay dân tộc, và sẽ công khai cho khách hàng biết khi nào quyết định được đưa ra bởi AI. Responsible AI không phải là một tính năng kỹ thuật mà là một cách làm việc xuyên suốt vòng đời của hệ thống.
52. Thiên kiến trong AI — AI Bias
Thiên kiến trong AI là xu hướng mô hình đưa ra kết quả không công bằng hoặc sai lệch có hệ thống với một nhóm người nhất định, do dữ liệu huấn luyện không đại diện đầy đủ hoặc phản ánh định kiến có sẵn trong xã hội. Ví dụ, một hệ thống tuyển dụng được huấn luyện bằng hồ sơ của các nhân viên cũ chủ yếu là nam giới có thể đánh giá thấp hồ sơ của nữ giới, hay một hệ thống nhận diện khuôn mặt hoạt động kém với người có làn da sẫm màu vì dữ liệu huấn luyện thiếu ảnh của nhóm này. Thiên kiến có thể xuất hiện ở mọi khâu: thu thập dữ liệu, gán nhãn, chọn đặc trưng, huấn luyện và đánh giá. Phát hiện và giảm thiên kiến đòi hỏi kiểm tra mô hình trên nhiều nhóm người khác nhau và chủ động bổ sung dữ liệu cho các nhóm đang bị thiếu.
53. AI giải thích được — Explainable AI (XAI)
AI giải thích được là lĩnh vực nghiên cứu và các kỹ thuật giúp con người hiểu vì sao một mô hình AI đưa ra một quyết định hay dự đoán cụ thể, thay vì chỉ nhận kết quả mà không biết lý do. Ví dụ, thay vì mô hình chỉ nói đơn này có nguy cơ gian lận cao, XAI sẽ chỉ ra những yếu tố nào ảnh hưởng nhiều nhất đến kết luận đó, như số tiền giao dịch bất thường hay địa điểm đăng nhập lạ. XAI đặc biệt quan trọng trong các lĩnh vực cần giải trình như y tế, tài chính và pháp lý, nơi con người phải chịu trách nhiệm cho quyết định cuối cùng. Tuy nhiên, XAI cũng có giới hạn: lời giải thích có thể đơn giản hóa quá mức, và không phải lúc nào cũng phản ánh đúng toàn bộ quá trình suy luận bên trong mô hình phức tạp.
54. Học liên tục — Continual Learning
Học liên tục là khả năng của mô hình tiếp tục học từ dữ liệu mới theo thời gian mà không quên kiến thức đã học trước đó. Đây là một thách thức lớn vì mô hình học máy thường gặp hiện tượng quên thảm họa, tức khi học dữ liệu mới, mô hình có thể mất đi khả năng xử lý dữ liệu cũ. Ví dụ, một chatbot được cập nhật để hiểu các sản phẩm mới của công ty không nên quên cách trả lời về sản phẩm cũ. Các kỹ thuật học liên tục gồm ôn tập lại dữ liệu cũ xen kẽ dữ liệu mới, giới hạn mức độ thay đổi của các tham số quan trọng, hoặc mở rộng mô hình thêm các phần mới thay vì sửa đổi phần cũ. Trong thực tế, hầu hết các hệ thống AI hiện nay không học liên tục theo thời gian thực mà được huấn luyện lại định kỳ theo lô.
55. Điện toán biên — Edge Computing
Điện toán biên là mô hình xử lý dữ liệu ngay tại thiết bị hoặc gần nguồn tạo ra dữ liệu, thay vì gửi tất cả dữ liệu về máy chủ trung tâm hay đám mây. Trong bối cảnh AI, điện toán biên cho phép các mô hình nhỏ chạy trực tiếp trên điện thoại, camera, xe hơi hay cảm biến, giúp phản hồi nhanh hơn, tiết kiệm băng thông và bảo mật tốt hơn vì dữ liệu không phải rời khỏi thiết bị. Ví dụ, một camera an ninh có thể nhận diện khuôn mặt ngay tại chỗ mà không cần gửi video lên đám mây, hay một xe tự lái phải xử lý tín hiệu cảm biến trong vài mili giây thì không thể chờ phản hồi từ máy chủ xa. Điện toán biên thường kết hợp với các mô hình ngôn ngữ nhỏ và mô hình đã được tối ưu để chạy trên phần cứng hạn chế.
56. Trí tuệ nhân tạo trong robot — AI in Robotics
AI trong robot là việc tích hợp trí tuệ nhân tạo vào hệ thống robot để robot có thể cảm nhận môi trường, ra quyết định và thực hiện hành động một cách tự chủ hoặc bán tự chủ. Ví dụ, robot trong kho hàng dùng thị giác máy tính để nhận diện sản phẩm, dùng AI để lập kế hoạch di chuyển tối ưu, và dùng học tăng cường để cải thiện hiệu suất theo thời gian. Robot hút bụi tự động, robot giao hàng, hay cánh tay robot trong nhà máy đều là ứng dụng của AI trong robot. Khác với AI thuần phần mềm chỉ xử lý thông tin, AI trong robot phải đối mặt thêm với thách thức của thế giới vật lý: cảm biến nhiễu, chuyển động không chính xác, và yêu cầu an toàn rất cao khi robot làm việc gần con người.
57. Học chuyển giao — Transfer Learning
Học chuyển giao là kỹ thuật tận dụng kiến thức mà một mô hình đã học được từ một nhiệm vụ lớn để áp dụng cho một nhiệm vụ mới liên quan, thay vì huấn luyện lại từ đầu. Ví dụ, một mô hình nhận diện hình ảnh đã học được cách nhận diện đường nét và hình dạng từ hàng triệu ảnh chung có thể được tinh chỉnh nhanh chóng để nhận diện một loại bệnh trên ảnh X-quang, dù chỉ có vài nghìn ảnh X-quang để huấn luyện. Học chuyển giao tiết kiệm rất nhiều dữ liệu và thời gian, và là lý do vì sao các mô hình nền tảng hữu ích đến vậy: kiến thức tổng quát học được trong tiền huấn luyện có thể chuyển giao sang nhiều nhiệm vụ chuyên biệt. Fine-tuning thực chất là một dạng của học chuyển giao, trong đó mô hình nền tảng được điều chỉnh cho nhiệm vụ mới.
58. Dữ liệu lớn — Big Data
Dữ liệu lớn là thuật ngữ chỉ các tập dữ liệu có khối lượng, tốc độ tạo ra và độ đa dạng quá lớn đến mức các công cụ xử lý truyền thống không đáp ứng được, và cần đến các công nghệ chuyên biệt để lưu trữ, xử lý và phân tích. Ba đặc trưng nổi tiếng của dữ liệu lớn là khối lượng lớn, tốc độ nhanh và đa dạng. Ví dụ, một nền tảng thương mại điện tử tạo ra hàng triệu giao dịch mỗi ngày, gồm cả văn bản, hình ảnh, video và nhật ký truy cập, đó chính là dữ liệu lớn. Dữ liệu lớn và AI có quan hệ mật thiết: AI cần dữ liệu lớn để huấn luyện, và dữ liệu lớn cần AI để khai thác giá trị. Tuy nhiên, dữ liệu lớn không tự động có giá trị: dữ liệu phải sạch, có cấu trúc phù hợp và gắn với câu hỏi kinh doanh cụ thể thì mới tạo ra hiểu biết hữu ích.
59. Trí tuệ nhân tạo phân tán — Distributed AI
Trí tuệ nhân tạo phân tán là cách tổ chức hệ thống AI trong đó quá trình tính toán và ra quyết định được chia sẻ giữa nhiều thiết bị, máy chủ hoặc nút mạng khác nhau, thay vì tập trung ở một trung tâm duy nhất. Ví dụ, một hệ thống giao thông thông minh có thể dùng AI phân tán để mỗi camera và cảm biến tự xử lý dữ liệu tại chỗ, rồi chỉ gửi kết quả tóm tắt về trung tâm điều khiển. AI phân tán giúp hệ thống mở rộng tốt hơn, chịu lỗi tốt hơn vì một nút hỏng không làm cả hệ thống dừng, và bảo vệ quyền riêng tư tốt hơn vì dữ liệu nhạy cảm có thể được xử lý tại chỗ. Khái niệm này liên quan chặt chẽ với điện toán biên và học liên kết, trong đó nhiều thiết bị cùng huấn luyện một mô hình chung mà không cần chia sẻ dữ liệu gốc.
60. Xu hướng AI năm 2026 — AI Trends 2026
Xu hướng AI năm 2026 chỉ các hướng phát triển nổi bật của trí tuệ nhân tạo trong năm nay, bao gồm sự phổ biến của AI agent tự chủ thực hiện nhiệm vụ nhiều bước, sự kết hợp sâu hơn giữa mô hình ngôn ngữ và công cụ tra cứu thời gian thực, sự phát triển của các mô hình nhỏ chạy trực tiếp trên thiết bị, và việc AI được tích hợp vào ngày càng nhiều phần mềm văn phòng quen thuộc. Một xu hướng quan trọng khác là sự quan tâm ngày càng lớn đến AI có trách nhiệm, kiểm chứng thông tin và quản trị rủi ro, khi các tổ chức nhận ra rằng dùng AI hiệu quả không chỉ là chuyện công nghệ mà còn là chuyện quy trình, con người và đạo đức. Khi đọc về xu hướng, hãy nhớ phân biệt giữa xu hướng đã có ứng dụng thực tế và xu hướng mới chỉ ở giai đoạn hứa hẹn.
So sánh nhanh: những cặp thuật ngữ dễ nhầm nhất
Bảng dưới đây tóm tắt tám cặp thuật ngữ mà người mới hay nhầm lẫn nhất, kèm điểm phân biệt cốt lõi để bạn ghi nhớ nhanh.
| Cặp thuật ngữ | Điểm khác biệt cốt lõi | Cách nhớ nhanh |
|---|---|---|
| AI và học máy (ML) | AI là lĩnh vực rộng, ML là một nhánh của AI | Mọi ML đều là AI, nhưng không phải mọi AI đều là ML |
| Học sâu (DL) và học máy (ML) | DL dùng mạng nơ-ron nhiều lớp, ML gồm nhiều phương pháp khác nhau | DL là một loại ML, chuyên về dữ liệu phi cấu trúc |
| Pretraining và fine-tuning | Pretraining học kiến thức chung trên dữ liệu lớn, fine-tuning điều chỉnh cho nhiệm vụ cụ thể | Pretraining là học đại cương, fine-tuning là học chuyên ngành |
| Token và từ | Token là đơn vị xử lý của mô hình, một từ có thể tách thành nhiều token | Chi phí API tính theo token, không tính theo từ |
| RAG và fine-tuning | RAG tra cứu tài liệu bên ngoài khi trả lời, fine-tuning thay đổi mô hình bằng huấn luyện thêm | RAG giống như mở sách tra cứu, fine-tuning giống như học thêm một khóa |
| Prompt và prompt engineering | Prompt là câu lệnh cụ thể, prompt engineering là kỹ năng thiết kế câu lệnh | Prompt là câu hỏi, prompt engineering là nghề đặt câu hỏi giỏi |
| AI hẹp (ANI) và AGI | AI hẹp làm tốt một việc cụ thể, AGI làm được mọi việc như con người | AI hiện nay đều là AI hẹp, AGI vẫn chưa tồn tại |
| Mô hình mã nguồn mở và mô hình độc quyền | Mã nguồn mở công khai trọng số và cho tự vận hành, độc quyền chỉ dùng qua dịch vụ của nhà cung cấp | Mã nguồn mở là tự nấu ăn, độc quyền là đặt món ở nhà hàng |
Checklist: áp dụng 60 thuật ngữ này vào công việc ngay hôm nay
Đọc xong 60 thuật ngữ là chưa đủ. Hãy dùng checklist dưới đây để biến kiến thức thành hành động cụ thể trong tuần này, dù bạn là người mới hay đã dùng AI một thời gian.
- Chọn 10 thuật ngữ liên quan nhất đến công việc của bạn. Đọc lại phần giải nghĩa của chúng và viết một ví dụ từ chính công việc của bạn cho mỗi thuật ngữ. Ví dụ, nếu bạn làm marketing, hãy viết ví dụ về prompt, RAG và hallucination trong công việc marketing của mình.
- Kiểm tra lại một công cụ AI bạn đang dùng. Hỏi nhà cung cấp hoặc đọc tài liệu của họ để xác định: công cụ dùng mô hình nào, có dùng RAG hay không, dữ liệu của bạn có được dùng để huấn luyện thêm không, và cửa sổ ngữ cảnh là bao nhiêu token. Ghi lại câu trả lời để so sánh khi chọn công cụ khác.
- Viết lại ba prompt bạn dùng thường xuyên nhất. Áp dụng các kỹ thuật prompt engineering: giao vai trò cụ thể, nêu rõ nhiệm vụ và định dạng đầu ra, yêu cầu AI trích nguồn khi cần thông tin thực tế. So sánh kết quả trước và sau khi cải tiến prompt.
- Áp dụng checklist kiểm chứng thông tin AI vào một nhiệm vụ thật. Chọn một bài viết, báo cáo hoặc email mà AI đã hỗ trợ soạn thảo, và kiểm chứng các con số, trích dẫn và khẳng định quan trọng bằng nguồn độc lập trước khi gửi đi.
- Phân biệt RAG với fine-tuning trong dự án của bạn. Nếu đội của bạn đang cân nhắc một trong hai giải pháp, hãy viết ra ưu và nhược điểm của từng giải pháp cho trường hợp cụ thể của bạn, dựa trên bảng so sánh ở phần trên, rồi thảo luận với đội kỹ thuật.
- Rà soát dữ liệu bạn đưa vào AI. Kiểm tra xem bạn có đang đưa thông tin nhạy cảm, dữ liệu cá nhân hay bí mật kinh doanh vào chatbot công cộng hay không. Nếu có, hãy dừng lại và tìm giải pháp thay thế an toàn hơn, như dùng mô hình chạy nội bộ hoặc ẩn danh dữ liệu trước khi gửi.
- Đánh giá một mô hình bằng benchmark phù hợp. Thay vì tin vào quảng cáo, hãy tìm benchmark liên quan đến nhiệm vụ của bạn, hoặc tự tạo một bộ kiểm tra nhỏ với dữ liệu thật của bạn, rồi thử hai hoặc ba mô hình khác nhau để so sánh.
- Thống nhất thuật ngữ trong đội của bạn. Chia sẻ bài viết này với đồng nghiệp và thống nhất cách dùng các thuật ngữ quan trọng như hallucination, RAG, fine-tuning và AI agent, để mọi người nói cùng một thứ tiếng khi thảo luận về AI.
- Lập kế hoạch học tiếp theo. Chọn một nhóm thuật ngữ bạn thấy khó nhất và dành một buổi để đọc sâu thêm, thử nghiệm với công cụ thật, và ghi lại những gì bạn học được. Kiến thức về AI chỉ thực sự có giá trị khi được dùng trong công việc thật.
- Đặt lịch ôn lại sau một tháng. AI thay đổi nhanh, và một số khái niệm trong bài này sẽ được cập nhật theo thời gian. Hãy đặt lịch quay lại bài viết sau một tháng, kiểm tra xem có thuật ngữ nào đã thay đổi ý nghĩa hoặc có khái niệm mới nào cần bổ sung, và cập nhật checklist của bạn cho phù hợp.
Hướng dẫn tra cứu nhanh
Bài viết này dài vì nó giải nghĩa 60 thuật ngữ. Để tra cứu nhanh, bạn có thể dùng chức năng tìm kiếm của trình duyệt (Ctrl+F trên Windows, Cmd+F trên Mac) và gõ tên thuật ngữ cần tìm. Mỗi thuật ngữ đều có tiêu đề riêng theo dạng số thứ tự, tên tiếng Việt, tên tiếng Anh, nên bạn sẽ tìm thấy ngay trong vài giây.
Nếu bạn là người mới hoàn toàn, hãy đọc theo thứ tự sau: bắt đầu với các thuật ngữ 1 đến 3 để hiểu AI, học máy và học sâu khác nhau như thế nào, sau đó đọc thuật ngữ 5, 9 và 17 để hiểu LLM, token và prompt, rồi đọc thuật ngữ 33 và 34 về RAG và hallucination vì đây là hai khái niệm bạn sẽ gặp nhiều nhất khi dùng AI trong công việc.
Nếu bạn là quản lý hoặc chủ doanh nghiệp đang đánh giá giải pháp AI, hãy ưu tiên đọc các thuật ngữ 19, 30, 31, 33, 44, 45 và 48: dữ liệu huấn luyện, benchmark, API, RAG, mô hình mã nguồn mở, mô hình độc quyền và bảo mật. Đây là những khái niệm giúp bạn đặt câu hỏi đúng cho nhà cung cấp và tránh mua nhầm giải pháp.
Nếu bạn là lập trình viên hoặc kỹ sư AI, hãy đọc kỹ nhóm 1 và nhóm 2, đặc biệt là các thuật ngữ 7, 8, 12 đến 15 và 22 đến 28, vì đây là nền tảng kỹ thuật bạn sẽ dùng hằng ngày. Sau đó đọc nhóm 3 để hiểu cách triển khai và vận hành mô hình trong thực tế, đặc biệt là các thuật ngữ 36, 37 và 47 về gọi hàm, AI agent và MLOps.
Câu hỏi thường gặp (FAQs)
Người mới nên bắt đầu học thuật ngữ AI từ đâu?
Hãy bắt đầu với các thuật ngữ 1 đến 3 để hiểu AI, học máy và học sâu khác nhau như thế nào, sau đó đọc thuật ngữ 5, 9 và 17 để hiểu LLM, token và prompt. Đây là sáu khái niệm nền tảng nhất, và khi bạn hiểu chúng, bạn sẽ đọc được hầu hết các tài liệu AI phổ thông mà không bị rối.
Sau khi nắm nền tảng, hãy đọc tiếp thuật ngữ 33 và 34 về RAG và hallucination, vì đây là hai khái niệm bạn sẽ gặp nhiều nhất khi dùng AI trong công việc thực tế. Bạn không cần học thuộc cả 60 thuật ngữ cùng lúc; hãy học theo nhu cầu công việc và tra cứu lại khi cần.
Token khác từ như thế nào và vì sao nó ảnh hưởng đến chi phí?
Token là đơn vị nhỏ nhất mà mô hình xử lý, thường là một từ hoặc một phần của từ, trong khi từ là đơn vị ngôn ngữ tự nhiên. Một từ tiếng Việt có thể tách thành nhiều token tùy theo cách tách của từng mô hình, vì vậy một văn bản 1.000 từ có thể tương ứng với 1.300 đến 1.500 token. Các nhà cung cấp API tính phí theo số token đầu vào và đầu ra, nên hiểu token giúp bạn ước tính chi phí chính xác hơn và tối ưu prompt để tiết kiệm chi phí.
Ví dụ, một prompt dài dòng không cần thiết không chỉ làm mô hình khó xử lý mà còn tốn tiền. Khi bạn viết prompt ngắn gọn và rõ ràng, bạn vừa tiết kiệm chi phí token, vừa nhận được kết quả tốt hơn. Cửa sổ ngữ cảnh của mô hình cũng tính bằng token, nên bạn cần biết giới hạn token để không gửi tài liệu quá dài trong một lần.
Khi nào nên dùng RAG, khi nào nên fine-tuning?
Hãy dùng RAG khi bạn cần AI trả lời dựa trên tài liệu cụ thể, thay đổi thường xuyên hoặc thuộc về tổ chức của bạn, như chính sách nội bộ, hợp đồng hay tài liệu kỹ thuật. RAG cho phép AI tra cứu tài liệu thật trước khi trả lời, giúp giảm hallucination và luôn cập nhật vì bạn chỉ cần thay tài liệu trong cơ sở dữ liệu mà không cần huấn luyện lại mô hình.
Hãy dùng fine-tuning khi bạn cần mô hình làm tốt một nhiệm vụ cụ thể với phong cách hoặc định dạng riêng, như viết báo cáo theo mẫu của công ty hay phân loại dữ liệu theo tiêu chí đặc thù. Fine-tuning thay đổi chính mô hình bằng huấn luyện thêm, tốn chi phí và thời gian hơn RAG, nhưng cho kết quả ổn định hơn với nhiệm vụ lặp lại. Trong nhiều trường hợp, kết hợp cả hai sẽ cho kết quả tốt nhất: fine-tuning để mô hình hiểu phong cách, RAG để mô hình có dữ liệu đúng.
Hallucination có thể loại bỏ hoàn toàn không?
Không. Hallucination là hệ quả của cách mô hình ngôn ngữ dự đoán từ tiếp theo, nên không thể loại bỏ hoàn toàn chỉ bằng cách tăng kích thước mô hình hay thêm dữ liệu. Tuy nhiên, bạn có thể giảm thiểu đáng kể tỷ lệ hallucination bằng cách dùng RAG để AI tra cứu tài liệu thật, dùng AI có khả năng tìm kiếm thời gian thực, viết prompt yêu cầu trích nguồn và giới hạn phạm vi, và luôn kiểm chứng thủ công với các quyết định quan trọng.
Điều quan trọng là đặt đúng kỳ vọng: AI là công cụ tạo sinh ngôn ngữ rất mạnh, không phải là công cụ tra cứu sự thật. Khi cần sự thật, bạn phải có thêm một lớp kiểm chứng độc lập, đặc biệt trong các lĩnh vực y tế, pháp lý và tài chính.
Mô hình mã nguồn mở và mô hình độc quyền khác nhau như thế nào?
Mô hình mã nguồn mở công khai mã nguồn và trọng số để bạn tải về, tự vận hành và tùy chỉnh trên hạ tầng của mình, giúp kiểm soát dữ liệu tốt hơn và không phụ thuộc vào nhà cung cấp. Mô hình độc quyền chỉ dùng được qua API hoặc dịch vụ của nhà cung cấp, nhưng thường mạnh hơn và bạn không cần lo hạ tầng.
Khi lựa chọn, hãy cân nhắc cả chi phí, yêu cầu bảo mật và mức độ tùy chỉnh bạn cần. Nhiều doanh nghiệp dùng cả hai: mô hình độc quyền cho tác vụ cần chất lượng cao nhất, mô hình mã nguồn mở cho tác vụ nhạy cảm về dữ liệu hoặc cần chạy nội bộ.
AGI đã tồn tại chưa?
Chưa. AGI là khái niệm chỉ một hệ thống AI giả định có khả năng thực hiện bất kỳ nhiệm vụ trí tuệ nào như con người, ở mức tương đương hoặc vượt trội, và chuyển giao kiến thức linh hoạt giữa các lĩnh vực. Hiện tại, mọi hệ thống AI đang hoạt động đều là AI hẹp, chỉ làm tốt một số nhiệm vụ cụ thể trong phạm vi giới hạn.
Các chuyên gia còn tranh cãi rất nhiều về việc liệu AGI có thể đạt được hay không, và nếu có thì khi nào. Khi nghe ai đó tuyên bố một sản phẩm đã đạt AGI, hãy xem đó là cách nói cường điệu về marketing, không phải một đánh giá khoa học đã được công nhận rộng rãi.
AI agent là gì và khác chatbot như thế nào?
AI agent là hệ thống AI có khả năng tự lập kế hoạch và thực hiện nhiều bước để hoàn thành một mục tiêu, bằng cách kết hợp mô hình ngôn ngữ với các công cụ bên ngoài như tìm kiếm, cơ sở dữ liệu và API. Chatbot chỉ trả lời từng câu hỏi riêng lẻ, trong khi AI agent có thể nhận một mục tiêu lớn, tự chia nhỏ thành các bước, thu thập thông tin và tổng hợp kết quả.
Ví dụ, một chatbot chỉ trả lời câu hỏi về giá sản phẩm, còn một AI agent có thể tự nghiên cứu thị trường, so sánh đối thủ, soạn báo cáo và gửi email tóm tắt cho bạn. AI agent mạnh hơn nhưng cũng cần giám sát chặt chẽ hơn, vì sai sót ở một bước có thể lan truyền sang các bước sau.
Người không chuyên về kỹ thuật có cần học thuật ngữ AI không?
Có, và càng ngày càng cần thiết. Bạn không cần hiểu sâu về toán học hay lập trình, nhưng bạn cần hiểu đủ để đọc tài liệu, đánh giá nhà cung cấp, đặt câu hỏi đúng và tránh bị nhầm lẫn bởi các thuật ngữ marketing. Hiểu thuật ngữ giúp bạn chọn công cụ phù hợp, ước tính chi phí chính xác hơn, và làm việc hiệu quả hơn với đội kỹ thuật.
Bài viết này được viết cho người không chuyên: mỗi thuật ngữ đều được giải nghĩa bằng ngôn ngữ đơn giản, kèm ví dụ thực tế từ công việc hằng ngày. Bạn có thể bắt đầu với sáu khái niệm nền tảng nhất, rồi học thêm theo nhu cầu công việc của mình.
