Trong bài này
Khi một công cụ có thể trò chuyện, viết bản nháp và giải thích vấn đề bằng ngôn ngữ quen thuộc, AI dễ tạo cảm giác như vừa xuất hiện sau một bước nhảy đột ngột. Thực tế, khả năng ấy được xây dựng qua nhiều thập kỷ nghiên cứu, thử nghiệm và cả những giai đoạn thất vọng.
Để hiểu vì sao AI bùng nổ, cần nhìn vào hai chuyển biến: máy tính dần làm được nhiều việc hơn, và con người dần tiếp cận những khả năng ấy dễ hơn. Một bước tiến trong phòng nghiên cứu và một sản phẩm dễ dùng có thể cách nhau nhiều năm.
1. Tám mốc để nhìn rõ hành trình của AI
Mỗi mốc dưới đây đánh dấu một thay đổi đáng chú ý, không phải ngày mọi ý tưởng liên quan được phát minh. Các hướng nghiên cứu chồng lấn và tiếp tục phát triển song song.
| Thời điểm | Điều thay đổi | Ý nghĩa đối với sự phát triển của AI |
|---|---|---|
| 1956 | Cuộc gặp nghiên cứu tại Dartmouth giúp định hình AI thành một lĩnh vực nghiên cứu. | Việc mô tả học tập, suy luận và trí thông minh để máy tính thực hiện trở thành một chương trình nghiên cứu chung. |
| Những năm 1960–1980 | Hướng biểu diễn tri thức, suy luận bằng luật và hệ chuyên gia phát triển. | Máy tính giải quyết một số vấn đề chuyên môn bằng tri thức được con người mô tả rõ. |
| Những năm 1990–2000 | Các phương pháp thống kê và học từ dữ liệu mở rộng ứng dụng. | Nhiều hệ thống tìm quy luật từ ví dụ thay vì phụ thuộc chủ yếu vào việc viết luật cho từng trường hợp. |
| 2012 | AlexNet tạo bước ngoặt trong cuộc thi phân loại ảnh ImageNet. | Học sâu cho thấy sức mạnh khi cách học, dữ liệu và phần cứng phù hợp gặp nhau. |
| 2017 | Kiến trúc Transformer được giới thiệu. | Cách xử lý quan hệ trong dữ liệu chuỗi và khả năng tính toán song song khi huấn luyện mở ra hướng phát triển quan trọng. |
| 2020 | GPT-3 thể hiện khả năng thực hiện nhiều nhiệm vụ ngôn ngữ qua chỉ dẫn và ví dụ. | Một mô hình đã huấn luyện có thể được sử dụng cho nhiều việc, với chất lượng khác nhau theo nhiệm vụ. |
| 2021 | Thuật ngữ “mô hình nền tảng” được đề xuất. | Tên gọi này mô tả những mô hình học trên dữ liệu rộng và có thể thích ứng cho nhiều ứng dụng; hướng phát triển ấy đã có trước tên gọi. |
| 30/11/2022 | ChatGPT ra mắt dưới dạng bản thử nghiệm công khai với giao diện hội thoại. | Người dùng phổ thông có thể trực tiếp thử nhiều khả năng ngôn ngữ của AI, giúp việc tiếp cận trở nên đơn giản hơn. |
Đường thời gian này giúp phân biệt sự hình thành một lĩnh vực, tiến bộ kỹ thuật, cách tổ chức mô hình và thời điểm một sản phẩm đến với công chúng. Chúng có liên hệ với nhau nhưng không phải cùng một loại bước ngoặt.
2. Từ viết tri thức cho máy đến để máy học từ ví dụ
Khi tri thức được mô tả thành luật
Một hướng quan trọng của AI là biểu diễn tri thức bằng các khái niệm, quan hệ và quy tắc để máy suy ra kết luận. Hệ chuyên gia là hệ thống sử dụng tri thức của một lĩnh vực cùng cơ chế suy luận để hỗ trợ giải quyết vấn đề trong lĩnh vực đó.
Ví dụ giả định, một hệ chuyên gia hỗ trợ kiểm tra thiết bị biểu diễn quan hệ giữa nguồn điện, bộ phận máy và các dấu hiệu hỏng. Khi thiết bị không khởi động và nguồn chưa được xác nhận, hệ thống suy ra cần kiểm tra nguồn trước. Nếu có thêm dữ kiện nguồn vẫn hoạt động, nó kết hợp kết quả đó với tri thức về các bộ phận để đề xuất bước kiểm tra tiếp theo. Khả năng nằm ở việc nối tri thức với dữ kiện để suy luận; riêng một điều kiện kích hoạt thông báo cố định chưa thể hiện đầy đủ cơ chế này. Tri thức chủ yếu do con người mô tả rõ ràng.
Cách tiếp cận này có giá trị khi kiến thức và điều kiện được mô tả đủ tốt. Khó khăn là nhiều việc trong đời sống có quá nhiều ngoại lệ hoặc khó diễn đạt thành luật. Việc thu thập tri thức chuyên gia, bổ sung và giữ các luật nhất quán trở thành một nút thắt khi phạm vi mở rộng.
Khi quy luật được rút ra từ dữ liệu
Học máy chuyển một phần công việc từ mô tả trực tiếp quy luật sang học quy luật qua dữ liệu. Với ví dụ giả định về nhận diện thư rác, người phát triển cung cấp nhiều thư đã được phân loại; mô hình tìm các dấu hiệu có ích để phân loại thư mới, thay vì cần một luật riêng cho từng cách viết.
Con người vẫn chọn mục tiêu, chuẩn bị dữ liệu, thiết kế cách học và đánh giá kết quả. Học từ dữ liệu không có nghĩa máy tự xác định mọi việc cần làm. Quy luật học được cũng chịu ảnh hưởng của các ví dụ đã có: dữ liệu lệch hoặc không đại diện tốt cho tình huống thực tế có thể dẫn đến dự đoán kém.
Các ý tưởng học từ dữ liệu đã xuất hiện sớm trong lịch sử AI. Những năm 1990–2000 đánh dấu sự mở rộng của nhiều ứng dụng, được hỗ trợ bởi máy tính mạnh hơn và dữ liệu ở dạng máy có thể xử lý. Đây là quá trình phát triển, không phải thời điểm học máy được phát minh lần đầu.
Học sâu thay đổi phần nào?
Học sâu là một hướng của học máy dùng mạng nơron nhiều lớp xử lý để học cách biểu diễn dữ liệu. Trong nhận diện ảnh, hệ thống có thể học các đặc điểm từ đơn giản đến phức tạp, thay vì dựa hoàn toàn vào bộ đặc điểm do con người thiết kế trước.
Mạng nơron không bắt đầu vào năm 2012. Bước ngoặt của giai đoạn này nằm ở khả năng huấn luyện hiệu quả hơn trên dữ liệu lớn và tạo ra kết quả đủ rõ để thuyết phục nhiều nhóm nghiên cứu tiếp tục đầu tư công sức.
Trong cuộc thi phân loại ảnh ILSVRC-2012, hệ thống dựa trên AlexNet kết hợp nhiều mạng đạt lỗi top-5 là 15,3%, đội thứ hai đạt 26,2%: chênh lệch 10,9 điểm phần trăm. Lỗi top-5 xảy ra khi nhãn đúng nằm ngoài năm nhãn dự đoán có khả năng cao nhất. Đây là kết quả phân loại ảnh trong cuộc thi, không đo trí thông minh tổng quát.
3. Từ kiến trúc mới đến một nền tảng dùng cho nhiều việc
Transformer giúp giải quyết một nút thắt quan trọng
Kiến trúc mô hình là cách tổ chức các thành phần tính toán và cách thông tin đi qua chúng. Vì vậy, thay đổi kiến trúc có thể tạo khác biệt ngay cả khi mục tiêu vẫn là xử lý ngôn ngữ.
Transformer được giới thiệu năm 2017, sử dụng cơ chế attention để tính đến quan hệ giữa các phần của dữ liệu. Attention ở đây là một phép xử lý thông tin, không mang nghĩa máy có sự chú ý hay ý thức như con người. Cơ chế này đã được sử dụng trước đó; Transformer thay đổi cách tổ chức mô hình quanh nó.
Một lợi thế quan trọng là giảm sự phụ thuộc vào xử lý tuần tự trong quá trình huấn luyện so với nhiều kiến trúc chuỗi trước đó, giúp tận dụng tính toán song song. Điều này hỗ trợ việc huấn luyện ở quy mô lớn. Nó không có nghĩa các mô hình sinh văn bản đều tạo toàn bộ câu cùng lúc: nhiều mô hình vẫn sinh từng phần nối tiếp khi trả lời.
Mô hình nền tảng thay đổi cách phát triển ứng dụng
Mô hình nền tảng là mô hình được huấn luyện trên dữ liệu rộng ở quy mô lớn và có thể thích ứng cho nhiều nhiệm vụ. Người phát triển có thể sử dụng mô hình ấy làm điểm xuất phát, thay vì huấn luyện từ đầu một mô hình riêng cho mỗi công việc.
Ví dụ giả định, cùng một mô hình ngôn ngữ nền tảng có thể được đưa vào ứng dụng tóm tắt tài liệu, hỗ trợ viết hoặc trả lời câu hỏi. Các ứng dụng vẫn cần cách tổ chức riêng và có thể cần điều chỉnh mô hình cho nhu cầu cụ thể. “Dùng cho nhiều việc” không đồng nghĩa làm tốt ngang nhau ở mọi việc. Mô hình nền tảng cũng có thể phục vụ xử lý ảnh hoặc những dạng dữ liệu khác, không chỉ văn bản.
GPT-3 năm 2020 cho thấy một mô hình ngôn ngữ đã huấn luyện có thể thực hiện nhiều nhiệm vụ khi được mô tả yêu cầu và cung cấp ví dụ trong đầu vào. Việc áp dụng theo ví dụ ở các thử nghiệm này không đòi hỏi huấn luyện lại cho từng nhiệm vụ. Tuy vậy, chất lượng khác nhau giữa các bài kiểm tra; thành công ở một việc không bảo đảm thành công ở việc khác.
Thuật ngữ “mô hình nền tảng” xuất hiện năm 2021 để gọi tên hướng phát triển rộng hơn đó, không đánh dấu việc mô hình đa nhiệm lần đầu tồn tại. Sử dụng một nền tảng chung giúp nhiều nhóm xây ứng dụng, đồng thời có thể khiến một hạn chế của nền tảng ảnh hưởng đến nhiều ứng dụng dùng nó.
4. Vì sao AI tạo sinh đến được với đông đảo người dùng?
AI tạo sinh là AI tạo ra nội dung như văn bản, ảnh hoặc âm thanh dựa trên các mẫu hình đã học. Sự phổ cập của nó gắn với nhiều yếu tố cùng phát triển.
Dữ liệu cung cấp các ví dụ để học. Quá trình số hóa và Internet giúp mở rộng nguồn dữ liệu, nhưng số lượng không thay thế được chất lượng, độ đa dạng và mức phù hợp với mục tiêu. Thu thập thêm nhiều bản sao của cùng một loại nội dung không đồng nghĩa bổ sung được nhiều thông tin hữu ích.
Sức mạnh tính toán giúp thực hiện khối lượng lớn phép tính. GPU là bộ xử lý có thể thực hiện nhiều phép tính song song, phù hợp với nhiều công việc trong học sâu. Hạ tầng tính toán cần cho cả huấn luyện lẫn vận hành mô hình để trả lời người dùng; một mô hình có kết quả thử nghiệm tốt chưa chắc đã dễ phục vụ ở quy mô lớn.
Nghiên cứu và kỹ thuật quyết định cách tận dụng dữ liệu cùng phần cứng. Kiến trúc tốt hơn, phương pháp học phù hợp và phần mềm hiệu quả có thể mở rộng điều thực hiện được. Thêm phần cứng vào một cách học chưa phù hợp không tự giải quyết được mọi hạn chế.
Cách phân phối sản phẩm đưa khả năng kỹ thuật đến người dùng. Giao diện hội thoại giúp người không biết lập trình diễn đạt yêu cầu bằng ngôn ngữ quen thuộc. Việc cung cấp công cụ trên web hoặc tích hợp vào ứng dụng cũng giảm công sức cần để tiếp cận.
ChatGPT ra mắt ngày 30/11/2022 là một mốc rõ của quá trình này. Sản phẩm kết hợp mô hình ngôn ngữ đã có với các bước huấn luyện bổ sung cho hội thoại và phản hồi con người, cùng giao diện dễ tiếp cận. Phản hồi thu được khi triển khai có thể giúp nhà phát triển nhận ra vấn đề và cải tiến hệ thống; điều đó không có nghĩa mọi cuộc trò chuyện tự động huấn luyện lại mô hình ngay lúc diễn ra.
Một mô hình mạnh nhưng khó tiếp cận có thể ít được người phổ thông sử dụng. Một giao diện thuận tiện nhưng mô hình yếu vẫn khó hỗ trợ công việc tốt. Năng lực kỹ thuật và mức độ phổ cập có liên hệ, nhưng cần đánh giá riêng. Sản phẩm dễ dùng cũng không bảo đảm mọi câu trả lời đều đúng.
5. Tiến bộ của AI không đi theo một đường thẳng
Lịch sử AI có những giai đoạn thường được gọi là “mùa đông AI”: sự quan tâm và nguồn tài trợ suy giảm khi kỳ vọng vượt quá kết quả thực tế, cùng các khó khăn kỹ thuật và thương mại. Nghiên cứu vẫn tiếp tục trong các giai đoạn này. Sự chững lại không có nghĩa toàn bộ hướng nghiên cứu trở nên vô ích.
Những giai đoạn ấy nhắc chúng ta rằng một bản trình diễn ấn tượng chưa đủ chứng minh hệ thống đã làm việc ổn định trong môi trường rộng hơn. Kết quả tốt trong một nhiệm vụ cũng không đo được toàn bộ năng lực. Cần xem công nghệ đã giải quyết được nút thắt nào và còn phụ thuộc vào điều kiện gì.
Các hướng cũ cũng không biến mất khi có hướng mới. Một ứng dụng có thể dùng mô hình học từ dữ liệu để nhận diện hoặc tạo nội dung, đồng thời dùng luật và ràng buộc rõ ràng để kiểm soát những bước xử lý khác. Cách kết hợp phụ thuộc vào công việc cần giải quyết.
Nhìn lại hành trình này, sự bùng nổ của AI tạo sinh là kết quả tích lũy: khả năng học và tính toán tiến bộ, mô hình có thể dùng lại cho nhiều nhiệm vụ, rồi sản phẩm giúp người dùng tiếp cận dễ hơn. Khi đọc về một bước tiến mới, hãy xác định nó cải thiện năng lực của mô hình, hiệu quả xử lý hay trải nghiệm sử dụng. Câu hỏi đó giúp hiểu giá trị của tiến bộ mà không nhầm sự nổi tiếng với độ tin cậy.