AI không chỉ tác động sâu rộng đến nhiều lĩnh vực, mà còn kéo theo sự xuất hiện của hàng loạt thuật ngữ mới. Dưới đây là cách diễn giải ngắn gọn, dễ hiểu 15 khái niệm thường gặp được TechCrunch tổng hợp trong lĩnh vực này...

AGI (Trí tuệ nhân tạo tổng quát)

AGI (Artificial General Intelligence) hay trí tuệ nhân tạo tổng quát là khái niệm chưa có một định nghĩa thống nhất. Tuy nhiên, thuật ngữ này thường được dùng để chỉ các hệ thống AI có năng lực tương đương hoặc vượt con người trong hầu hết các công việc đòi hỏi tư duy.

AI AGENT (Tác nhân AI)

AI agent là hệ thống AI có khả năng tự thực hiện nhiều công việc thay cho con người, vượt xa khả năng của một chatbot thông thường. Chẳng hạn, AI agent có thể tự đặt vé máy bay, đặt bàn nhà hàng,... 

Tuy nhiên, đây vẫn là lĩnh vực đang phát triển nên chưa có một định nghĩa thống nhất. Điểm cốt lõi của AI agent là khả năng tự lập kế hoạch, phối hợp nhiều công cụ AI và thực hiện một chuỗi công việc gồm nhiều bước mà không cần con người can thiệp liên tục.

CODING AGENT (Tác nhân lập trình)

Coding agent là một dạng AI agent được thiết kế riêng cho công việc phát triển phần mềm. Thay vì chỉ gợi ý đoạn mã để lập trình viên sao chép và chỉnh sửa, coding agent có thể tự thực hiện toàn bộ quy trình như viết mã, chạy thử, phát hiện lỗi và sửa lỗi.

COMPUTE (Năng lực tính toán)

Trong lĩnh vực AI, compute thường được hiểu là năng lực tính toán – sức mạnh xử lý giúp huấn luyện và vận hành các mô hình AI. Năng lực tính toán càng lớn thì AI càng có thể xử lý nhiều dữ liệu hơn, huấn luyện những mô hình phức tạp hơn và đưa ra kết quả nhanh hơn.

Nhắc đến compute, người ta thường nói đến các loại phần cứng như GPU, CPU, TPU cùng các trung tâm dữ liệu và hạ tầng điện toán. Đây là nền tảng giúp ngành công nghiệp AI phát triển với tốc độ như hiện nay.

DEEP LEARNING (Học sâu)

Học sâu (Deep learning) là một nhánh của học máy (Machine Learning), sử dụng các mạng nơ-ron nhân tạo gồm nhiều lớp để xử lý và học từ dữ liệu. Cấu trúc này được lấy cảm hứng từ cách các tế bào thần kinh trong não người kết nối với nhau, giúp AI nhận diện những mối quan hệ rất phức tạp trong dữ liệu mà các phương pháp học máy truyền thống khó phát hiện.

Ưu điểm của học sâu là AI có thể tự tìm ra những đặc điểm quan trọng trong dữ liệu thay vì phải được con người chỉ định trước. Qua quá trình học liên tục từ sai sót và điều chỉnh, mô hình sẽ tự cải thiện độ chính xác.

Đổi lại, học sâu đòi hỏi lượng dữ liệu rất lớn, cùng năng lực tính toán mạnh. Vì vậy, việc huấn luyện các mô hình học sâu thường tốn nhiều thời gian và chi phí hơn so với các phương pháp học máy truyền thống.

DIFFUSION (Mô hình khuếch tán)

Diffusion (mô hình khuếch tán) là công nghệ đứng sau nhiều hệ thống AI tạo sinh có khả năng tạo ra hình ảnh, âm nhạc, video và nhiều loại nội dung khác.

Nguyên lý hoạt động của mô hình này khá đặc biệt. Đầu tiên, AI sẽ giả lập quá trình làm "nhiễu" dữ liệu, chẳng hạn như thêm nhiễu vào một bức ảnh cho đến khi hình ảnh gần như biến mất hoàn toàn. Sau đó, mô hình học cách thực hiện quá trình ngược lại: từng bước loại bỏ nhiễu để khôi phục hình ảnh ban đầu.

Sau khi đã học được quy luật này từ hàng triệu ví dụ, AI có thể bắt đầu từ một bức ảnh chỉ gồm nhiễu ngẫu nhiên và dần tạo ra một hình ảnh hoàn chỉnh theo yêu cầu của người dùng.

DISTILLATION (Chưng cất mô hình)

Distillation (chưng cất mô hình) là kỹ thuật giúp tạo ra một mô hình AI nhỏ gọn hơn nhưng vẫn giữ được phần lớn năng lực của một mô hình lớn. Mục tiêu là để mô hình nhỏ học được cách suy luận và phản hồi tương tự mô hình lớn nhưng hoạt động nhanh hơn, tiêu tốn ít tài nguyên tính toán hơn và có chi phí vận hành thấp hơn.

Nhiều công ty AI sử dụng kỹ thuật này để phát triển các phiên bản nhẹ và nhanh của mô hình nền tảng. Chẳng hạn, GPT-4 Turbo được cho là đã áp dụng một phần kỹ thuật chưng cất để tăng tốc độ xử lý mà vẫn duy trì chất lượng.

Việc các công ty chưng cất từ chính mô hình của mình để tạo ra mô hình mới là điều phổ biến. Tuy nhiên, việc sử dụng đầu ra mô hình do công ty khác phát triển để huấn luyện AI đa phần sẽ bị xem là hành vi vi phạm điều khoản sử dụng của các dịch vụ AI.

FINE-TUNING (Tinh chỉnh mô hình)

Fine-tuning (tinh chỉnh) là quá trình huấn luyện bổ sung một mô hình AI có sẵn để giúp nó làm tốt hơn một công việc hoặc một lĩnh vực chuyên biệt. Thay vì xây dựng mô hình từ đầu, nhà phát triển sẽ tiếp tục huấn luyện mô hình bằng một bộ dữ liệu mới, mang tính chuyên môn cao. Nhờ đó, AI có thể hiểu sâu hơn về một ngành nghề hoặc nhiệm vụ cụ thể.

Ví dụ, một mô hình ngôn ngữ tổng quát có thể được tinh chỉnh bằng dữ liệu y khoa để trở thành trợ lý cho bác sĩ, hoặc bằng tài liệu pháp lý để hỗ trợ luật sư. Đây là cách nhiều công ty AI xây dựng sản phẩm: sử dụng một mô hình nền tảng có sẵn rồi tinh chỉnh bằng dữ liệu và kiến thức chuyên ngành nhằm tạo ra lợi thế cạnh tranh.

HALLUCINATION (Ảo giác AI)

Hallucination (ảo giác AI) là hiện tượng AI tự tạo ra những thông tin không đúng sự thật nhưng lại trình bày chúng như thể đó là sự thật. Ví dụ, AI có thể bịa ra một nghiên cứu khoa học không tồn tại.

Đây là một trong những thách thức lớn nhất của AI tạo sinh. Nguyên nhân chủ yếu là mô hình AI không thực sự biết sự thật mà chỉ dự đoán từ tiếp theo dựa trên dữ liệu đã học. Khi dữ liệu huấn luyện thiếu thông tin hoặc không đủ rõ ràng, AI có thể tự lấp đầy khoảng trống bằng những nội dung nghe có vẻ hợp lý nhưng thực chất hoàn toàn sai.

Để giảm hiện tượng này, nhiều công ty đang phát triển các mô hình AI chuyên biệt cho từng lĩnh vực, kết hợp với việc kết nối AI với cơ sở dữ liệu đáng tin cậy và các công cụ kiểm chứng thông tin.

INFERENCE (Suy luận)

Inference (suy luận) là giai đoạn AI sử dụng mô hình đã được huấn luyện để xử lý dữ liệu mới và đưa ra câu trả lời hoặc dự đoán. Nói đơn giản, nếu huấn luyện (training) là quá trình AI học kiến thức, thì suy luận (inference) là lúc AI vận dụng những gì đã học để giải quyết các yêu cầu của người dùng.

MEMORY CACHE (Bộ nhớ đệm)

Memory cache (bộ nhớ đệm) là cơ chế giúp AI trả lời nhanh hơn và sử dụng ít tài nguyên tính toán hơn. Thay vì phải thực hiện lại toàn bộ các phép tính cho những yêu cầu giống hoặc tương tự nhau, hệ thống sẽ lưu lại một số kết quả trung gian để tái sử dụng khi cần.

Một trong những kỹ thuật phổ biến là KV Cache (Key-Value Cache), được sử dụng trong các mô hình Transformer. Cơ chế này giúp mô hình không phải tính toán lại toàn bộ nội dung của cuộc hội thoại mỗi khi người dùng nhập thêm một câu mới, từ đó tăng tốc độ phản hồi đáng kể.

PARALLELIZATION (Xử lý song song)

Parallelization (xử lý song song) là kỹ thuật chia một công việc lớn thành nhiều phần nhỏ để thực hiện đồng thời thay vì xử lý lần lượt từng bước. Các GPU hiện đại có thể thực hiện hàng nghìn, thậm chí hàng triệu phép tính cùng lúc, giúp rút ngắn đáng kể thời gian huấn luyện và vận hành mô hình.

Khi các mô hình AI ngày càng lớn, khả năng phân chia khối lượng công việc giữa nhiều GPU, nhiều máy chủ hoặc cả một cụm trung tâm dữ liệu đã trở thành yếu tố quyết định tốc độ phát triển cũng như chi phí xây dựng AI. Vì vậy, tối ưu hóa xử lý song song hiện là một trong những hướng nghiên cứu quan trọng của ngành AI.

RAMageddon

RAMageddon là thuật ngữ được dùng để mô tả tình trạng thiếu hụt chip nhớ RAM trên quy mô toàn cầu do làn sóng đầu tư vào AI. Các trung tâm dữ liệu phục vụ AI cần lượng RAM khổng lồ để huấn luyện và vận hành mô hình. Khi các hãng công nghệ lớn đồng loạt mở rộng hạ tầng AI, nhu cầu đối với chip nhớ tăng mạnh, khiến nguồn cung trở nên khan hiếm.

Hệ quả là giá RAM tăng cao và nhiều ngành công nghiệp khác cũng bị ảnh hưởng. Không chỉ các trung tâm dữ liệu, những lĩnh vực như sản xuất máy tính, điện thoại thông minh, máy chơi game hay máy chủ doanh nghiệp đều phụ thuộc vào RAM. Khi nguồn cung chủ yếu được sản xuất cho AI, các nhà sản xuất khác phải đối mặt với chi phí cao hơn, thiếu linh kiện, dẫn tới phải điều chỉnh kế hoạch sản xuất hoặc tăng giá sản phẩm.

Thuật ngữ RAMageddon là cách ghép giữa RAM và Armageddon (ngày tận thế), nhằm nhấn mạnh mức độ nghiêm trọng của cuộc cạnh tranh nguồn cung chip nhớ trong kỷ nguyên AI. Các chuyên gia cho rằng tình trạng này chỉ có thể được cải thiện khi năng lực sản xuất chip nhớ toàn cầu bắt kịp tốc độ tăng trưởng của nhu cầu AI.

RECURSIVE SELF IMPROVEMENT (Tự cải thiện đệ quy)

Recursive Self-Improvement (RSI) là khái niệm chỉ khả năng một hệ thống AI có thể tự cải thiện chính mình mà không cần con người trực tiếp can thiệp. Nếu AI có thể tự thiết kế mô hình tốt hơn, rồi mô hình mới lại tiếp tục tạo ra phiên bản còn mạnh hơn nữa, quá trình này có thể lặp đi lặp lại và khiến năng lực của AI tăng rất nhanh.

Đây là một trong những ý tưởng thường được nhắc đến khi bàn về AGI. Một số người cho rằng RSI có thể dẫn đến thời điểm AI phát triển vượt khỏi khả năng kiểm soát của con người. Tuy nhiên, đây vẫn chủ yếu là giả thuyết và chưa có bằng chứng cho thấy kịch bản này sẽ xảy ra.

TOKEN 

Token là đơn vị dữ liệu cơ bản mà mô hình AI sử dụng để xử lý ngôn ngữ. Khi người dùng nhập một đoạn văn, AI không đọc toàn bộ câu như con người. Thay vào đó, hệ thống sẽ chia văn bản thành nhiều token. Một token có thể là một từ, một phần của từ, một dấu câu hoặc thậm chí chỉ là một vài ký tự, tùy theo cách mô hình được thiết kế.

Sau khi chuyển văn bản thành các token, AI sẽ xử lý từng đơn vị để hiểu yêu cầu và tạo ra câu trả lời. Token cũng là đơn vị đo khối lượng công việc của mô hình. Phần lớn các dịch vụ AI hiện nay tính phí dựa trên số lượng token được xử lý: người dùng gửi càng nhiều văn bản hoặc AI tạo ra câu trả lời càng dài thì số token tiêu thụ càng lớn và chi phí càng cao.