AI

Định nghĩa

Thuật ngữ "AI" là viết tắt của cụm từ tiếng Anh "Artificial Intelligence", dịch sang tiếng Việt là "Trí tuệ nhân tạo". Đây không phải một thực thể vật lý hay một phần cứng cụ thể, mà là một ngành khoa học liên ngành thuộc lĩnh vực công nghệ thông tin và điện tử – viễn thông, tập trung vào việc xây dựng các mô hình toán học, thuật toán và hệ thống phần mềm – phần cứng có khả năng thực hiện những nhiệm vụ đòi hỏi trí tuệ ở mức độ nhất định như con người: nhận diện mẫu, suy luận logic, học từ dữ liệu, ra quyết định trong điều kiện bất định, hiểu và tạo ngôn ngữ, điều khiển robot trong môi trường động, v.v. Trí tuệ nhân tạo không nhằm sao chép hoàn toàn bản chất sinh học của trí tuệ con người, mà hướng đến việc tái tạo các chức năng hành vi bên ngoài — tức là đạt được kết quả tương đương thông qua các cơ chế tính toán khác biệt.

Khái niệm "trí tuệ" trong bối cảnh AI được hiểu theo nghĩa hoạt động – functional intelligence – nghĩa là khả năng thực hiện thành công một nhiệm vụ phức tạp trong một môi trường cụ thể, chứ không nhất thiết phải dựa trên ý thức, cảm xúc hay sự tự phản tư. Do đó, AI không đồng nghĩa với "máy có tâm thức" hay "robot có linh hồn", mà là một tập hợp các kỹ thuật kỹ thuật số nhằm tự động hóa các quy trình nhận thức. Sự phân biệt này đặc biệt quan trọng trong bối cảnh xã hội hiện đại, khi nhiều người nhầm lẫn giữa AI ứng dụng (narrow AI) – chiếm phần lớn sản phẩm thương mại hiện nay – với AI tổng quát (AGI) hay AI siêu cấp (ASI), vốn vẫn chỉ tồn tại ở dạng lý thuyết và nghiên cứu cơ bản.

Một cách tiếp cận định nghĩa chính xác hơn về mặt kỹ thuật là: AI là một hệ thống phần mềm – phần cứng tích hợp, sử dụng các mô hình toán học (như xác suất Bayes, lý thuyết trò chơi, tối ưu hoá đa biến, đại số tuyến tính, giải tích hàm) để biểu diễn tri thức, xử lý thông tin phi cấu trúc (ảnh, âm thanh, văn bản), học từ dữ liệu quan sát được (thông qua các thuật toán học máy), và đưa ra hành động hoặc phản hồi phù hợp với mục tiêu đã được mã hoá trước. Tính "nhân tạo" ở đây nhấn mạnh nguồn gốc do con người thiết kế, huấn luyện và giám sát – khác biệt căn bản với trí tuệ sinh học vốn phát triển qua tiến hoá hàng triệu năm.

Lịch sử và nguồn gốc

Nguồn gốc tư tưởng về trí tuệ nhân tạo có thể truy ngược tới thời cổ đại, với những truyền thuyết như Talos trong thần thoại Hy Lạp – một tượng đồng tự động bảo vệ đảo Crete – hay các cỗ máy cơ khí tự hành trong các tác phẩm của Archimedes và Heron xứ Alexandria. Tuy nhiên, nền tảng khoa học hiện đại của AI bắt đầu hình thành vào giữa thế kỷ XX, khi các nhà khoa học bắt đầu đặt câu hỏi mang tính nguyên lý: Liệu một máy tính có thể suy luận như con người? Năm 1936, Alan Turing công bố bài báo nổi tiếng "On Computable Numbers", trong đó ông đề xuất khái niệm máy Turing – một mô hình trừu tượng cho mọi quá trình tính toán có thể thực hiện được bằng thuật toán. Đến năm 1950, ông tiếp tục công bố bài báo "Computing Machinery and Intelligence", lần đầu tiên đặt ra câu hỏi "Máy có thể suy nghĩ không?" và đề xuất phép thử Turing như một tiêu chuẩn vận hành để đánh giá hành vi thông minh của máy.

Cái tên "Artificial Intelligence" chính thức ra đời vào mùa hè năm 1956 tại Hội nghị Dartmouth – một sự kiện mang tính bước ngoặt do John McCarthy (được coi là "cha đẻ" của thuật ngữ AI), Marvin Minsky, Nathaniel Rochester và Claude Shannon tổ chức. Tại hội nghị này, các nhà khoa học tuyên bố rằng "một khía cạnh của học tập hay bất kỳ đặc điểm nổi bật nào khác của trí tuệ đều có thể được mô tả chính xác đến mức một máy có thể được lập trình để mô phỏng nó". Giai đoạn 1956–1974 được gọi là thời kỳ "mùa xuân AI": các chương trình đầu tiên như Logic Theorist (1956), General Problem Solver (1957), và ELIZA (1966) chứng minh khả năng suy luận logic và đối thoại sơ khai. Tuy nhiên, những kỳ vọng ban đầu quá cao dẫn đến thất vọng khi các hệ thống gặp giới hạn về hiệu năng tính toán, dung lượng bộ nhớ và độ phức tạp của thế giới thực.

Giai đoạn 1974–1980 và 1987–1993 chứng kiến hai "mùa đông AI" – thuật ngữ chỉ những thời kỳ suy giảm mạnh về tài trợ nghiên cứu và niềm tin công chúng do thiếu tiến bộ ứng dụng thực tiễn. Trong thời gian này, AI chuyển trọng tâm sang các hệ chuyên gia (expert systems) như MYCIN (chẩn đoán nhiễm trùng máu) và DENDRAL (phân tích cấu trúc phân tử), dựa trên cơ sở tri thức thủ công và luật if-then. Đến cuối thập niên 1980, sự xuất hiện của mạng nơ-ron nhân tạo đa lớp (multilayer perceptron), thuật toán lan truyền ngược (backpropagation), và sau đó là sự bùng nổ dữ liệu lớn (big data) cùng sức mạnh phần cứng GPU từ đầu thế kỷ XXI đã tạo nên cuộc cách mạng học sâu (deep learning). Các mốc quan trọng bao gồm chiến thắng của Deep Blue trước Garry Kasparov (1997), hệ thống Watson giành chiến thắng trong Jeopardy! (2011), và AlphaGo đánh bại Lee Sedol (2016). Từ năm 2017 đến nay, AI phát triển theo hướng hội tụ đa mô-đun: kết hợp học máy, xử lý ngôn ngữ tự nhiên, thị giác máy tính, học tăng cường và lập luận biểu tượng trong các hệ thống tổng hợp như LLMs (Large Language Models) và multimodal foundation models.

Đặc điểm và tính chất

AI không phải là một công nghệ đơn lẻ, mà là một tập hợp các đặc điểm kỹ thuật, phương pháp luận và nguyên tắc thiết kế có tính hệ thống. Đặc điểm nổi bật nhất của AI là khả năng học từ dữ liệu – tức là cải thiện hiệu năng trên một nhiệm vụ cụ thể mà không cần lập trình tường minh từng bước. Điều này khác biệt căn bản với phần mềm truyền thống, nơi hành vi được xác định hoàn toàn bởi mã lệnh do con người viết. Thay vào đó, AI thường được "huấn luyện" trên tập dữ liệu khổng lồ để tìm ra các mẫu ẩn, mối tương quan thống kê và biểu diễn nội tại (representations) phù hợp với bài toán.

Một đặc điểm kỹ thuật then chốt khác là tính không chắc chắn. Hầu hết các hệ thống AI hiện đại đều làm việc trong môi trường đầy nhiễu, thiếu thông tin hoặc có nhiều khả năng xảy ra. Chúng sử dụng các mô hình xác suất (ví dụ: mạng Bayesian, Gaussian processes, dropout trong mạng nơ-ron) để định lượng độ tin cậy của dự đoán, hỗ trợ ra quyết định dưới điều kiện bất định – một yếu tố sống còn trong các ứng dụng như xe tự lái, chẩn đoán y khoa hay giao dịch tài chính tự động.

• Tính thích nghi: Hệ thống AI có khả năng điều chỉnh hành vi dựa trên phản hồi từ môi trường (qua học tăng cường) hoặc cập nhật mô hình khi có dữ liệu mới (learning in production).
• Tính phân tán: Các hệ thống AI hiện đại thường được triển khai trên hạ tầng điện toán phân tán (cloud, edge, fog), yêu cầu kiến trúc phần mềm – phần cứng đồng bộ chặt chẽ giữa CPU, GPU/TPU, bộ nhớ băng thông cao và giao thức truyền thông thời gian thực.
• Tính phụ thuộc vào dữ liệu: Chất lượng, độ đa dạng, độ đại diện và tính đạo đức của dữ liệu huấn luyện ảnh hưởng trực tiếp đến độ chính xác, độ công bằng và độ bền vững của hệ thống AI – một đặc điểm khiến AI trở thành lĩnh vực chịu ràng buộc mạnh bởi các tiêu chuẩn dữ liệu và quản trị dữ liệu.
• Tính không minh bạch: Nhiều mô hình học sâu hoạt động như "hộp đen", khiến việc giải thích lý do ra quyết định trở nên khó khăn – vấn đề được gọi là explainable AI (XAI), đang được nghiên cứu sôi động để đáp ứng yêu cầu minh bạch trong y tế, tư pháp và tài chính.

Phân loại

Theo phạm vi chức năng

AI hẹp (Narrow AI / Weak AI) là loại phổ biến nhất hiện nay, được thiết kế để thực hiện một hoặc vài nhiệm vụ cụ thể trong một miền ứng dụng xác định – ví dụ: nhận diện khuôn mặt trong ảnh, dịch tự động giữa hai ngôn ngữ, hoặc dự báo nhu cầu tiêu thụ điện. Các hệ thống này không có khả năng chuyển giao kiến thức giữa các miền (transfer learning ở mức hạn chế không phải là bằng chứng của trí tuệ tổng quát). Hầu hết sản phẩm thương mại – từ trợ lý ảo đến hệ thống gợi ý phim – đều thuộc loại này.

AI tổng quát (AGI – Artificial General Intelligence)

AGI là khái niệm lý thuyết chỉ một hệ thống có khả năng hiểu, học và áp dụng kiến thức một cách linh hoạt trên mọi lĩnh vực trí tuệ con người – tương đương hoặc vượt trội so với trí tuệ của một người trưởng thành bình thường. AGI chưa tồn tại trong thực tế; việc xây dựng nó đòi hỏi đột phá trong nhiều lĩnh vực như nhận thức học máy, lập luận biểu tượng, tích hợp đa mô-đun và mô hình hoá ý thức. Nghiên cứu AGI chủ yếu nằm trong phạm vi các viện nghiên cứu lý thuyết như DeepMind, OpenAI (ở khía cạnh an toàn), hoặc các phòng thí nghiệm đại học như MIT CSAIL.

AI siêu cấp (ASI – Artificial Superintelligence)

ASI là giả thuyết về một hệ thống AI vượt xa toàn bộ trí tuệ con người trên mọi phương diện – từ sáng tạo, chiến lược đến khả năng tự cải tiến. Khái niệm này chủ yếu xuất hiện trong các nghiên cứu về rủi ro tồn tại (existential risk) và đạo đức AI, chứ không phải trong các dự án phát triển công nghệ hiện hành. Việc thảo luận về ASI mang tính triết học và dự báo hơn là kỹ thuật.

Cơ chế hoạt động

Cơ chế hoạt động của AI hiện đại chủ yếu dựa trên ba trụ cột: biểu diễn tri thức, học từ dữ liệu, và ra quyết định. Về mặt kỹ thuật, một hệ thống AI điển hình bắt đầu bằng việc mã hoá đầu vào (ảnh, văn bản, tín hiệu cảm biến) thành các vector đặc trưng (feature vectors) thông qua các lớp trích xuất đặc trưng – ví dụ: các bộ lọc tích (convolutional filters) trong thị giác máy tính, hoặc embedding layer trong xử lý ngôn ngữ tự nhiên. Sau đó, các đặc trưng này được xử lý bởi các lớp ẩn trong mạng nơ-ron để học các biểu diễn phân cấp (hierarchical representations): từ cạnh – khối – vật thể – ngữ cảnh trong ảnh; từ từ – cụm từ – mệnh đề – đoạn văn trong ngôn ngữ. Quá trình huấn luyện sử dụng hàm mất mát (loss function) để đo sai lệch giữa đầu ra dự đoán và nhãn thực tế, rồi tối ưu hoá trọng số mạng thông qua thuật toán lan truyền ngược và các phương pháp giảm thiểu gradient (SGD, Adam, v.v.). Cuối cùng, hệ thống sử dụng cơ chế ra quyết định như softmax classification, beam search (cho sinh văn bản), hoặc policy network (trong học tăng cường) để tạo ra hành động hoặc phản hồi phù hợp với mục tiêu đã định.

Ứng dụng thực tế

AI đã thâm nhập sâu vào gần như mọi lĩnh vực kinh tế – xã hội. Trong y tế, AI hỗ trợ chẩn đoán hình ảnh (phát hiện u phổi trên CT scan với độ chính xác ngang bác sĩ chuyên khoa), phân tích gen, mô phỏng dược phẩm và cá thể hoá điều trị. Trong giao thông, hệ thống AI điều khiển xe tự hành xử lý luồng dữ liệu thời gian thực từ camera, radar và lidar để lập kế hoạch di chuyển an toàn. Trong sản xuất công nghiệp, AI tối ưu hoá dây chuyền lắp ráp, dự báo hỏng hóc thiết bị (predictive maintenance) và kiểm soát chất lượng tự động qua thị giác máy tính. Trong tài chính, AI phát hiện gian lận thẻ tín dụng, đánh giá rủi ro tín dụng, và thực hiện giao dịch tần số cao. Trong giáo dục, các nền tảng học tập thích ứng (adaptive learning platforms) sử dụng AI để cá nhân hoá lộ trình học cho từng học sinh dựa trên lịch sử tương tác và điểm yếu nhận thức. Ngoài ra, AI còn đóng vai trò nền tảng trong an ninh mạng (phát hiện xâm nhập), nông nghiệp thông minh (phân tích ảnh vệ tinh để quản lý tưới tiêu), và quản trị đô thị (giám sát lưu lượng giao thông, dự báo nhu cầu năng lượng).

Ưu điểm và hạn chế

Ưu điểm nổi bật nhất của AI là khả năng xử lý khối lượng dữ liệu khổng lồ với tốc độ và độ chính xác vượt xa con người, đặc biệt trong các tác vụ lặp đi lặp lại, phân tích mẫu phức tạp hoặc ra quyết định trong thời gian thực. AI giúp giảm chi phí vận hành, tăng năng suất lao động, mở ra các khả năng mới (ví dụ: dịch thuật tức thì giữa hàng trăm ngôn ngữ), và hỗ trợ ra quyết định khách quan hơn nhờ loại bỏ thiên kiến nhận thức. Về mặt kỹ thuật, AI có tính mở rộng cao: một mô hình đã huấn luyện có thể triển khai đồng loạt trên hàng triệu thiết bị mà không cần tái lập trình.

Hạn chế nghiêm trọng nhất là tính phụ thuộc vào dữ liệu huấn luyện – nếu dữ liệu mang thiên kiến xã hội (ví dụ: chủng tộc, giới tính), mô hình sẽ học và khuếch đại thiên kiến đó, dẫn đến phân biệt đối xử trong tuyển dụng, cho vay hay tư pháp. Ngoài ra, AI thiếu khả năng suy luận nguyên nhân (causal reasoning), dễ bị tấn công bằng adversarial examples (các nhiễu nhỏ không thể nhận biết bằng mắt thường nhưng khiến mô hình nhận diện sai), và gặp khó khăn trong việc hiểu ngữ cảnh văn hoá, đạo đức hoặc cảm xúc con người một cách sâu sắc. Vấn đề tiêu thụ năng lượng cũng đáng kể: huấn luyện một mô hình ngôn ngữ lớn có thể thải ra lượng CO₂ tương đương với cả đời một chiếc ô tô.

Lưu ý quan trọng

Khi triển khai AI, cần tuân thủ nghiêm ngặt các nguyên tắc đạo đức và pháp lý: minh bạch về việc sử dụng AI, bảo vệ quyền riêng tư dữ liệu cá nhân theo GDPR hoặc Luật An ninh mạng Việt Nam, đảm bảo tính công bằng và không phân biệt đối xử. Người dùng không nên tin tuyệt đối vào đầu ra của hệ thống AI mà phải duy trì cơ chế kiểm soát con người (human-in-the-loop), đặc biệt trong các ứng dụng ảnh hưởng trực tiếp đến tính mạng, tự do hoặc tài sản. Một sai lầm phổ biến là kỳ vọng AI có thể thay thế hoàn toàn chuyên gia con người – trong thực tế, AI hiệu quả nhất khi hoạt động như một công cụ tăng cường trí tuệ (intelligence augmentation), hỗ trợ chứ không thay thế con người. Ngoài ra, cần lưu ý rằng việc triển khai AI không chỉ là vấn đề kỹ thuật, mà còn là bài toán quản trị đổi mới, đào tạo nguồn lực và chuyển đổi tổ chức toàn diện.