Từ 'Opaque recurrence' đến các thuật ngữ AI quan trọng bạn cần biết

Trí tuệ nhân tạo (AI) đang viết lại thế giới và đồng thời phát minh ra một ngôn ngữ hoàn toàn mới để mô tả cách nó thực hiện điều đó. Nếu tham gia bất kỳ cuộc họp sản phẩm, buổi thuyết trình hay tọa đàm nào hiện nay, bạn sẽ nghe mọi người nhắc đến LLM, RAG, RLHF và hàng tá thuật ngữ khác có thể khiến ngay cả những người rất thông minh trong giới công nghệ cũng cảm thấy đôi chút hoang mang. Bảng thuật ngữ này là nỗ lực của chúng tôi nhằm giải quyết vấn đề đó: những định nghĩa bằng tiếng Anh đơn giản về các thuật ngữ AI mà bạn có khả năng bắt gặp nhất, dù bạn đang xây dựng sản phẩm, đầu tư vào lĩnh vực này, hay chỉ đơn giản là cố gắng bắt kịp xu hướng bằng cách đọc TechCrunch hoặc nghe các podcast liên quan. Chúng tôi cập nhật bảng thuật ngữ này thường xuyên khi lĩnh vực này phát triển, vì vậy hãy coi đây là một tài liệu sống, giống như chính các hệ thống AI mà nó mô tả.

AGI

Trí tuệ nhân tạo tổng quát (Artificial general intelligence), hay AGI, là một thuật ngữ mơ hồ. Nhưng nhìn chung, nó đề cập đến AI có khả năng vượt trội hơn con người trung bình trong nhiều, nếu không muốn nói là hầu hết, các tác vụ. CEO Sam Altman của OpenAI từng mô tả AGI là "tương đương với một người trung bình mà bạn có thể thuê làm đồng nghiệp". Trong khi đó, điều lệ của OpenAI định nghĩa AGI là "các hệ thống có tính tự chủ cao, vượt trội hơn con người trong hầu hết các công việc có giá trị kinh tế". Cách hiểu của Google DeepMind có đôi chút khác biệt so với hai định nghĩa trên; phòng thí nghiệm này coi AGI là "AI có khả năng ít nhất bằng con người trong hầu hết các tác vụ nhận thức". Bạn cảm thấy bối rối? Đừng lo lắng — các chuyên gia hàng đầu trong lĩnh vực nghiên cứu AI cũng vậy.

AI agent

AI agent (tác nhân AI) đề cập đến một công cụ sử dụng các công nghệ AI để thực hiện một loạt các tác vụ thay cho bạn — vượt xa những gì một chatbot AI cơ bản có thể làm — chẳng hạn như khai báo chi phí, đặt vé hoặc đặt bàn tại nhà hàng, hay thậm chí là viết và duy trì mã nguồn. Tuy nhiên, như chúng tôi đã giải thích trước đây, có rất nhiều yếu tố biến động trong không gian mới nổi này, vì vậy "AI agent" có thể mang những ý nghĩa khác nhau đối với mỗi người. Cơ sở hạ tầng cũng vẫn đang được xây dựng để hiện thực hóa các khả năng được dự tính. Nhưng khái niệm cơ bản ngụ ý một hệ thống tự chủ có thể tận dụng nhiều hệ thống AI để thực hiện các tác vụ đa bước.

API endpoints

Hãy coi API endpoints như những "nút bấm" ở phía sau một phần mềm mà các chương trình khác có thể nhấn vào để yêu cầu nó thực hiện các tác vụ. Các nhà phát triển sử dụng những giao diện này để xây dựng các tích hợp — ví dụ: cho phép một ứng dụng lấy dữ liệu từ ứng dụng khác, hoặc cho phép một AI agent điều khiển trực tiếp các dịch vụ của bên thứ ba mà không cần con người thao tác thủ công trên từng giao diện. Hầu hết các thiết bị nhà thông minh và nền tảng kết nối đều có sẵn những nút ẩn này, ngay cả khi người dùng thông thường không bao giờ nhìn thấy hoặc tương tác với chúng. Khi các AI agent ngày càng trở nên mạnh mẽ hơn, chúng ngày càng có khả năng tự tìm kiếm và sử dụng các endpoint này, mở ra những khả năng mạnh mẽ — và đôi khi bất ngờ — cho tự động hóa.

Chain of thought (Chuỗi suy nghĩ)

Với một câu hỏi đơn giản, bộ não con người có thể trả lời mà không cần suy nghĩ quá nhiều — những câu hỏi như "con vật nào cao hơn, hươu cao cổ hay mèo?". Nhưng trong nhiều trường hợp, bạn thường cần giấy bút để đưa ra câu trả lời đúng vì có các bước trung gian. Ví dụ, nếu một người nông dân có gà và bò, tổng cộng có 40 đầu và 120 chân, bạn có thể cần viết ra một phương trình đơn giản để tìm ra đáp án (20 con gà và 20 con bò).

Trong bối cảnh AI, lập luận theo chuỗi suy nghĩ (chain-of-thought reasoning) đối với các mô hình ngôn ngữ lớn có nghĩa là chia nhỏ một vấn đề thành các bước trung gian để cải thiện chất lượng kết quả cuối cùng. Thông thường, việc này sẽ tốn nhiều thời gian hơn để có câu trả lời, nhưng câu trả lời đó có nhiều khả năng chính xác hơn, đặc biệt là trong bối cảnh logic hoặc lập trình. Các mô hình lập luận được phát triển từ các mô hình ngôn ngữ lớn truyền thống và được tối ưu hóa cho tư duy chuỗi suy nghĩ nhờ học tăng cường (reinforcement learning).

(Xem: Large language model)

Coding agents (Tác nhân lập trình)

Đây là một khái niệm cụ thể hơn "AI agent", vốn có nghĩa là một chương trình có thể tự thực hiện các hành động, từng bước một, để hoàn thành một mục tiêu. Coding agent là một phiên bản chuyên biệt được áp dụng cho phát triển phần mềm. Thay vì chỉ gợi ý mã để con người xem xét và dán vào, một coding agent có thể tự viết, kiểm thử và gỡ lỗi mã nguồn, xử lý các công việc lặp đi lặp lại, thử và sai vốn thường chiếm trọn thời gian trong ngày của một nhà phát triển. Các tác nhân này có thể hoạt động trên toàn bộ cơ sở mã (codebase), phát hiện lỗi, chạy kiểm thử và đẩy các bản sửa lỗi với sự giám sát tối thiểu từ con người. Hãy coi nó giống như việc thuê một thực tập sinh cực kỳ nhanh nhẹn, không bao giờ ngủ và không bao giờ mất tập trung — mặc dù, giống như bất kỳ thực tập sinh nào, con người vẫn cần phải xem xét lại công việc.

Compute (Năng lực tính toán)

Mặc dù là một thuật ngữ đa nghĩa, compute thường đề cập đến sức mạnh tính toán thiết yếu cho phép các mô hình AI vận hành. Loại hình xử lý này thúc đẩy ngành công nghiệp AI, mang lại khả năng huấn luyện và triển khai các mô hình mạnh mẽ của nó. Thuật ngữ này thường là cách gọi tắt cho các loại phần cứng cung cấp sức mạnh tính toán — như GPU, CPU, TPU và các hình thức cơ sở hạ tầng khác tạo nên nền tảng của ngành công nghiệp AI hiện đại.

Deep learning (Học sâu)

Một nhánh của học máy tự cải thiện, trong đó các thuật toán AI được thiết kế với cấu trúc mạng thần kinh nhân tạo (ANN) nhiều lớp. Điều 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, chẳng hạn như mô hình tuyến tính hoặc cây quyết định. Cấu trúc của các thuật toán học sâu lấy cảm hứng từ các con đường kết nối giữa 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, thay vì yêu cầu các kỹ sư con người phải định nghĩa các đặc điểm đó. Cấu trúc này cũng hỗ trợ các thuật toán có thể học hỏi từ sai lầm và thông qua quá trình lặp lại và điều chỉnh, tự cải thiện đầu ra của chính chúng. Tuy nhiên, các hệ thống học sâu đòi hỏi rất nhiều điểm dữ liệu để mang lại kết quả tốt (hàng triệu hoặc hơn). Chúng cũng thường mất nhiều thời gian để huấn luyện hơn so với các thuật toán học máy đơn giản — vì vậy chi phí phát triển thường cao hơn.

(Xem: Neural network)

Diffusion (Khuếch tán)

Diffusion là công nghệ cốt lõi của nhiều mô hình AI tạo ảnh, nhạc và văn bản. Lấy cảm hứng từ vật lý, các hệ thống diffusion từ từ "phá hủy" cấu trúc của dữ liệu — ví dụ như ảnh, bài hát, v.v. — bằng cách thêm nhiễu cho đến khi không còn gì cả. Trong vật lý, sự khuếch tán là tự phát và không thể đảo ngược — đường khuếch tán trong cà phê không thể khôi phục lại dạng viên. Nhưng các hệ thống diffusion trong AI nhắm đến việc học một loại quy trình "khuếch tán ngược" để khôi phục dữ liệu đã bị phá hủy, từ đó đạt được khả năng khôi phục dữ liệu từ nhiễu.

Distillation (Chưng cất)

Distillation là một kỹ thuật được sử dụng để trích xuất kiến thức từ một mô hình AI lớn bằng mô hình 'giáo viên-học sinh'. Các nhà phát triển gửi yêu cầu đến mô hình giáo viên và ghi lại kết quả đầu ra. Các câu trả lời đôi khi được so sánh với một tập dữ liệu để xem độ chính xác. Những kết quả đầu ra này sau đó được sử dụng để huấn luyện mô hình học sinh, vốn được huấn luyện để mô phỏng hành vi của giáo viên.

Distillation có thể được sử dụng để tạo ra một mô hình nhỏ hơn, hiệu quả hơn dựa trên một mô hình lớn hơn với mức độ mất mát thông tin (distillation loss) tối thiểu. Đây có khả năng là cách OpenAI đã phát triển GPT-4 Turbo, một phiên bản nhanh hơn của GPT-4.

Mặc dù tất cả các công ty AI đều sử dụng distillation nội bộ, nhưng nó cũng có thể đã được một số công ty AI sử dụng để bắt kịp các mô hình tiên phong. Việc distillation từ một đối thủ cạnh tranh thường vi phạm các điều khoản dịch vụ của các API AI và trợ lý trò chuyện.

Fine-tuning (Tinh chỉnh)

Thuật ngữ này đề cập đến việc huấn luyện thêm một mô hình AI để tối ưu hóa hiệu suất cho một tác vụ hoặc lĩnh vực cụ thể hơn so với trọng tâm huấn luyện trước đó — thường bằng cách nạp vào dữ liệu mới, chuyên biệt (tức là định hướng theo tác vụ).

Nhiều startup AI đang lấy các mô hình ngôn ngữ lớn làm điểm khởi đầu để xây dựng sản phẩm thương mại, nhưng đang cạnh tranh để tăng cường tính hữu dụng cho một lĩnh vực hoặc tác vụ mục tiêu bằng cách bổ sung các chu kỳ huấn luyện trước đó với việc tinh chỉnh dựa trên kiến thức và chuyên môn đặc thù của riêng họ.

(Xem: Large language model [LLM])

GAN

GAN, hay Generative Adversarial Network (Mạng đối nghịch tạo sinh), là một loại khung học máy làm nền tảng cho một số phát triển quan trọng trong AI tạo sinh khi tạo ra dữ liệu thực tế — bao gồm (nhưng không giới hạn ở) các công cụ deepfake. GAN liên quan đến việc sử dụng một cặp mạng thần kinh, trong đó một mạng tận dụng dữ liệu huấn luyện của nó để tạo ra kết quả đầu ra được chuyển cho mô hình kia đánh giá.

Hai mô hình về cơ bản được lập trình để cố gắng vượt qua lẫn nhau. Bộ tạo (generator) cố gắng đưa kết quả đầu ra của nó vượt qua bộ phân biệt (discriminator), trong khi bộ phân biệt làm việc để phát hiện dữ liệu được tạo ra một cách nhân tạo. Cuộc thi có cấu trúc này có thể tối ưu hóa các kết quả đầu ra của AI trở nên thực tế hơn mà không cần sự can thiệp bổ sung của con người. Mặc dù GAN hoạt động tốt nhất cho các ứng dụng hẹp hơn (chẳng hạn như tạo ảnh hoặc video thực tế), thay vì AI đa năng.

Hallucination (Ảo giác)

Hallucination là thuật ngữ được ngành công nghiệp AI ưa chuộng để chỉ việc các mô hình AI tự bịa đặt thông tin — theo nghĩa đen là tạo ra thông tin không chính xác. Rõ ràng, đây là một vấn đề lớn đối với chất lượng AI.

Ảo giác tạo ra các kết quả đầu ra GenAI có thể gây hiểu lầm và thậm chí dẫn đến những rủi ro trong đời thực — với những hậu quả tiềm ẩn nguy hiểm (hãy nghĩ đến một truy vấn sức khỏe trả về lời khuyên y tế có hại).

Vấn đề AI bịa đặt thông tin được cho là phát sinh do những lỗ hổng trong dữ liệu huấn luyện. Ảo giác đang góp phần thúc đẩy xu hướng hướng tới các mô hình AI ngày càng chuyên biệt và/hoặc theo chiều dọc — tức là các AI chuyên biệt theo lĩnh vực đòi hỏi chuyên môn hẹp hơn — như một cách để giảm khả năng thiếu hụt kiến thức và thu hẹp rủi ro thông tin sai lệch.

Inference (Suy luận)

Inference là quá trình vận hành một mô hình AI. Đó là việc để một mô hình tự do đưa ra dự đoán hoặc rút ra kết luận từ dữ liệu đã thấy trước đó. Cần làm rõ rằng, suy luận không thể xảy ra nếu không có huấn luyện; một mô hình phải học các mẫu trong một tập dữ liệu trước khi nó có thể ngoại suy hiệu quả từ dữ liệu huấn luyện này.

Nhiều loại phần cứng có thể thực hiện suy luận, từ bộ xử lý điện thoại thông minh đến các GPU mạnh mẽ và các bộ tăng tốc AI được thiết kế tùy chỉnh. Nhưng không phải tất cả chúng đều có thể chạy các mô hình tốt như nhau. Các mô hình rất lớn sẽ mất rất nhiều thời gian để đưa ra dự đoán trên, ví dụ, một chiếc máy tính xách tay so với một máy chủ đám mây có chip AI cao cấp.

[Xem: Training]