Trí tuệ nhân tạo là gì?
Trí tuệ nhân tạo (Artificial Intelligence, AI) là lĩnh vực nghiên cứu cách làm cho máy tính thực hiện những việc mà nếu do con người làm thì cần đến trí tuệ: suy luận, học từ kinh nghiệm, hiểu ngôn ngữ, nhận biết hình ảnh, ra quyết định. Thay vì lập trình sẵn từng câu trả lời, ta xây dựng các hệ thống biết tự tìm lời giải cho bài toán.
Định nghĩa này nghe qua có vẻ mơ hồ, và thực ra AI khó định nghĩa gọn một câu vì bản thân "trí tuệ" đã khó định nghĩa. Các nhà nghiên cứu vì thế thường mô tả AI theo mục tiêu nó theo đuổi. Một cách kinh điển là chia theo hai trục: hệ thống nhắm tới suy nghĩ hay hành động, và nhắm tới giống con người hay giống một chuẩn hợp lý. Bốn góc của cách chia này cho bốn hướng: máy suy nghĩ như người (mô phỏng nhận thức), máy suy nghĩ hợp lý (logic hình thức), máy hành động như người (phép thử Turing), và máy hành động hợp lý (tác tử tối đa hóa mục tiêu). AI hiện đại nghiêng về hướng cuối: xây tác tử hợp lý biết chọn hành động tốt nhất theo thông tin đang có để đạt mục tiêu.
Có một cách hiểu thực dụng và bền hơn: AI là làm cho máy giải được những bài toán mà ta không viết sẵn được lời giải bằng tay. Với phép cộng hai số, ta biết thuật toán rõ ràng nên chỉ cần lập trình bình thường, đó không phải AI. Nhưng với việc nhận ra một khuôn mặt trong ảnh hay dịch một câu tiếng Anh, ta không viết nổi bộ quy tắc bao quát mọi trường hợp; ta phải để máy tự rút ra cách làm từ dữ liệu hoặc từ quá trình tìm kiếm. Ranh giới đó, giữa "viết sẵn được lời giải" và "phải để máy tự tìm", chính là ranh giới của AI.
Bốn cách định nghĩa AI
Ở trên ta đã nhắc tới hai trục phân loại. Giờ hãy mổ xẻ chúng cho kỹ, vì bốn ô sinh ra từ hai trục này là bốn tham vọng rất khác nhau, và hiểu nhầm giữa chúng là nguồn gốc của phần lớn tranh cãi về AI.
Trục thứ nhất hỏi: ta quan tâm tới quá trình bên trong (máy suy nghĩ) hay chỉ quan tâm tới kết quả bên ngoài (máy hành động). Trục thứ hai hỏi: thước đo thành công là giống con người, hay là một chuẩn duy lý (làm điều đúng đắn nhất có thể xét theo mục tiêu và thông tin đang có). Ghép lại ta được bốn ô.
| n/a | Giống con người | Duy lý |
|---|---|---|
| Suy nghĩ | Suy nghĩ như người: mô phỏng nhận thức, đối chiếu với tâm lý học thực nghiệm | Suy nghĩ duy lý: logic hình thức, luật suy diễn đúng đắn |
| Hành động | Hành động như người: phép thử Turing, hành vi không phân biệt được với người | Hành động duy lý: tác tử chọn hành động tốt nhất để đạt mục tiêu |
Suy nghĩ như người lấy bộ não làm chuẩn. Muốn nói một chương trình "suy nghĩ như người", ta phải biết người suy nghĩ ra sao, nên hướng này gắn chặt với khoa học nhận thức: người ta so sánh dấu vết suy luận của chương trình với dấu vết suy luận của người thật, kể cả những chỗ người mắc lỗi. Đây là một mục tiêu khoa học đẹp, nhưng nó ràng buộc máy vào những giới hạn sinh học mà máy vốn không có.
Suy nghĩ duy lý lấy logic làm chuẩn: trí tuệ là suy diễn đúng luật, từ tiền đề đúng rút ra kết luận đúng. Đây là truyền thống từ Aristotle tới logic hình thức hiện đại. Điểm mạnh là chặt chẽ và kiểm chứng được. Điểm yếu là thế giới thật đầy thông tin thiếu, mơ hồ và mâu thuẫn, nơi logic cổ điển bó tay; hơn nữa biết cách suy diễn đúng chưa đủ, còn phải suy diễn kịp lúc với tài nguyên hữu hạn.
Hành động như người là tiêu chuẩn nổi tiếng nhất với công chúng: phép thử Turing (Alan Turing, năm 1950). Một máy vượt qua phép thử nếu người đối thoại không phân biệt được nó với người. Cách này thực dụng vì chỉ nhìn hành vi, không đòi mở nắp xem bên trong. Nhưng nó có nhược điểm lớn: bắt chước người không phải là mục tiêu hữu ích. Máy bay không cần vỗ cánh như chim mới bay được, và một hệ AI chẩn đoán bệnh thì ta muốn nó đúng, chứ không muốn nó giống một bác sĩ đang mệt.
Hành động duy lý là hướng AI hiện đại chọn. Ta xây tác tử (agent): một thực thể cảm nhận môi trường qua cảm biến và tác động lên môi trường qua cơ cấu chấp hành. Tác tử duy lý là tác tử chọn hành động sao cho tối đa hóa kỳ vọng đạt mục tiêu, xét theo những gì nó biết. Định nghĩa này thắng thế vì ba lẽ: nó tổng quát hơn (suy diễn logic chỉ là một trong nhiều cách để hành động đúng, bên cạnh phản xạ, học, tìm kiếm), nó đo được (ta định nghĩa được thước đo hiệu năng rồi so sánh), và nó không đòi giống người, nên không tự trói mình vào những thói quen và thiên kiến của trí tuệ sinh học.
Duy lý ở đây không có nghĩa là toàn năng hay luôn đúng. Một tác tử duy lý chỉ chọn hành động tốt nhất theo thông tin nó đang có và trong giới hạn tài nguyên tính toán của nó. Đi ra đường mà bị một khối bê tông rơi trúng đầu thì hành động ra đường vẫn có thể là duy lý, nếu lúc quyết định không có dấu hiệu nào báo trước. Duy lý nói về chất lượng của quyết định, không phải về may rủi của kết quả.
Một chút lịch sử
Ý tưởng về máy biết suy nghĩ có từ lâu, nhưng AI thành một ngành khoa học vào năm 1956 tại hội thảo Dartmouth, nơi thuật ngữ artificial intelligence ra đời. Những thập niên đầu là thời của AI biểu trưng: người ta tin trí tuệ là thao tác ký hiệu theo luật logic, và xây các hệ chuyên gia mã hóa tri thức chuyên gia thành hàng nghìn quy tắc "nếu thì". Cách này thành công trong phạm vi hẹp nhưng giòn: gặp tình huống ngoài luật là hỏng, và viết luật cho mọi tình huống thì bất khả thi. Kỳ vọng quá cao rồi vỡ mộng dẫn tới các giai đoạn trầm lắng gọi là mùa đông AI.
Bước ngoặt tới từ học máy: thay vì bắt người viết luật, ta để máy học quy luật từ dữ liệu. Từ khoảng năm 2012, học sâu với mạng nơ-ron nhiều tầng, cộng với dữ liệu lớn và sức mạnh GPU, tạo đột phá liên tiếp trên ảnh, tiếng nói và ngôn ngữ. Gần đây, các mô hình ngôn ngữ lớn huấn luyện trên khối văn bản khổng lồ đưa AI tới tay hàng trăm triệu người dùng thường ngày. Nhìn lại, lịch sử AI là sự dịch chuyển từ "con người bảo máy phải nghĩ gì" sang "con người cho máy dữ liệu để máy tự học cách nghĩ".
Hai cách phân loại
Có hai cách nhìn AI thường gặp: theo phạm vi năng lực và theo phương pháp luận.
Theo phạm vi năng lực
| Loại | Ý nghĩa | Hiện trạng |
|---|---|---|
| AI hẹp (ANI) | Giỏi một tác vụ cụ thể: nhận dạng khuôn mặt, dịch máy, đánh cờ, gợi ý phim. | Mọi hệ AI thực tế hôm nay đều thuộc nhóm này. |
| AI tổng quát (AGI) | Giải được bất kỳ tác vụ trí tuệ nào con người làm được, học và thích nghi với lĩnh vực mới. | Vẫn là mục tiêu nghiên cứu, chưa có hệ nào đạt. |
| Siêu trí tuệ (ASI) | Vượt xa trí tuệ tổng hợp của toàn nhân loại trên mọi lĩnh vực. | Mới ở mức suy đoán triết học và an toàn AI. |
Một mô hình chơi cờ Vua xuất sắc không vì thế mà biết nấu ăn hay làm thơ: đó là đặc trưng của AI hẹp.
Theo phương pháp luận
AI hiện đại nhìn qua bốn trường phái lớn, mỗi trường phái là một niềm tin về cách biểu diễn và thao tác trí tuệ:
- AI biểu trưng (symbolic AI): mã hóa tri thức bằng ký hiệu và quy tắc, suy luận bằng logic. Mạnh ở tính minh bạch, dễ kiểm chứng; yếu với dữ liệu thô và nhiễu. Ví dụ: hệ chuyên gia, Prolog.
- AI thống kê / học máy (machine learning): học phân phối và quy luật từ dữ liệu, suy luận bằng xác suất. Mạnh ở tổng quát hóa; cần nhiều dữ liệu, khó giải thích. Ví dụ: Naive Bayes, SVM, Random Forest.
- AI nơ-ron / học sâu (deep learning): mạng nơ-ron nhiều tầng, học biểu diễn phân cấp từ dữ liệu thô. Mạnh trên ảnh, âm thanh, văn bản; là hộp đen, đói dữ liệu và GPU. Ví dụ: CNN, RNN, Transformer.
- AI tiến hóa / lấy cảm hứng tự nhiên: mô phỏng chọn lọc tự nhiên, hành vi đàn, tôi luyện vật lý. Hợp với tối ưu hóa toàn cục. Ví dụ: thuật toán di truyền (GA), tôi luyện mô phỏng (SA).
Bốn trường phái này không loại trừ nhau. Các hệ mạnh nhất thường kết hợp: neuro symbolic (nơ-ron cộng logic), retrieval augmented generation (mô hình ngôn ngữ cộng cơ sở tri thức), hay học tăng cường sâu (học sâu cộng học tăng cường).
AI trong đời sống
AI đã len vào rất nhiều việc thường ngày, thường tới mức ta không nhận ra. Vài ví dụ quen thuộc:
- Gợi ý nội dung: các nền tảng xem phim, nghe nhạc, mua sắm dự đoán bạn sẽ thích gì dựa trên hành vi của bạn và của người dùng tương tự.
- Trợ lý ảo và chatbot: nhận giọng nói, hiểu câu hỏi, trả lời hoặc thực hiện lệnh.
- Nhận dạng ảnh và khuôn mặt: mở khóa điện thoại, gắn thẻ ảnh, hỗ trợ chẩn đoán y khoa từ phim chụp.
- Dịch máy: dịch tức thời giữa nhiều ngôn ngữ với chất lượng ngày càng cao.
- Lọc thư rác và phát hiện gian lận: học từ hàng triệu ví dụ để chặn email rác hay giao dịch bất thường.
- Xe tự lái và định tuyến giao thông: nhận diện làn đường, vật cản, và tìm lộ trình tối ưu theo thời gian thực.
Điểm chung của các ví dụ trên: mỗi hệ chỉ giỏi đúng phần việc của nó, tức đều là AI hẹp, nhưng ghép lại chúng tạo nên trải nghiệm số mà ta dùng mỗi ngày.
Phân biệt AI với tự động hóa thường
Một nhầm lẫn phổ biến là coi mọi thứ chạy tự động đều là AI. Không phải vậy. Tự động hóa thường làm theo luật cố định do người viết sẵn: máy giặt chạy đúng chu trình đã cài, bộ điều nhiệt bật máy lạnh khi nhiệt độ vượt ngưỡng, một macro Excel lặp lại đúng các bước được ghi. Chúng nhanh và đáng tin, nhưng không học và không tự thích nghi: gặp tình huống ngoài kịch bản là chúng làm sai hoặc dừng.
AI khác ở chỗ nó rút ra cách hành xử từ dữ liệu hoặc từ quá trình suy luận, nên xử lý được cả những tình huống người thiết kế chưa liệt kê hết. Một bộ lọc thư rác viết bằng luật tay ("có chữ trúng thưởng thì chặn") là tự động hóa thường; một bộ lọc học từ hàng nghìn email đã gắn nhãn để tự tổng quát ra dấu hiệu thư rác mới là AI. Ranh giới nằm ở câu hỏi: hệ thống có cải thiện theo dữ liệu hoặc kinh nghiệm không, hay chỉ lặp lại đúng luật đã cài. Cần nói thêm, ranh giới này không phải bức tường: nhiều sản phẩm thực tế trộn cả hai, phần lõi dùng AI còn phần bao quanh vẫn là luật tự động hóa quen thuộc.
Cũng đừng hiểu ngược lại rằng "học từ dữ liệu" luôn cao cấp hơn "chạy theo luật". Với bài toán mà quy tắc đã rõ ràng, đầy đủ và ổn định, ví dụ tính thuế theo biểu thuế hay kiểm tra một số căn cước có hợp lệ hay không, viết luật cứng là lựa chọn đúng đắn hơn: nó chính xác tuyệt đối, giải thích được, không cần dữ liệu huấn luyện và không bao giờ "đoán sai". Dùng học máy ở đó chỉ là làm phức tạp vấn đề. AI có đất diễn đúng ở chỗ luật quá nhiều, quá mờ, hoặc con người không viết nổi ra.
Giới hạn hiện nay của AI
Những thành công dồn dập của mấy năm qua dễ khiến ta quên rằng AI hôm nay vẫn còn những giới hạn rất căn bản. Biết rõ chúng là một phần của việc dùng AI có trách nhiệm.
- Phụ thuộc nặng vào dữ liệu. Chất lượng mô hình bị chặn bởi chất lượng dữ liệu. Dữ liệu ít, lệch, hay bẩn thì mô hình học ra đúng cái lệch và cái bẩn đó. Con người học một khái niệm mới từ vài ví dụ, còn mô hình thường cần rất nhiều.
- Giòn trước thay đổi phân phối. Mô hình hoạt động tốt trên dữ liệu giống dữ liệu huấn luyện, và có thể sai rất tệ khi gặp tình huống lệch xa khỏi đó. Nguy hiểm nhất là nó thường sai một cách tự tin, không kèm dấu hiệu cảnh báo nào.
- Thiếu hiểu biết nhân quả. Phần lớn học máy nắm bắt tương quan chứ không phải nhân quả. Một mô hình có thể học rằng ảnh chụp có thước đo thì hay đi kèm khối u ác tính, đơn giản vì bác sĩ chỉ đặt thước khi nghi ngờ, và thế là nó "chẩn đoán" bằng cách tìm cái thước.
- Hộp đen và khó giải thích. Với mạng nơ-ron sâu, ta biết mô hình trả lời gì nhưng rất khó nói vì sao. Điều này thành vấn đề nghiêm trọng trong y tế, tài chính, tư pháp, nơi quyết định phải giải trình được.
- Kế thừa thiên kiến của dữ liệu. Nếu dữ liệu lịch sử phản ánh những bất công của xã hội, mô hình học từ đó sẽ tái sản xuất và có khi khuếch đại chúng, dưới vẻ ngoài khách quan của một con số do máy tính đưa ra.
- Không có mục tiêu, ý thức hay hiểu biết thật sự. Mô hình ngôn ngữ tạo ra câu chữ trôi chảy dựa trên quy luật thống kê của ngôn ngữ, và nó có thể phát biểu một điều sai hoàn toàn bằng giọng điệu chắc nịch. Trôi chảy không phải là hiểu.
- Chi phí tính toán và năng lượng lớn. Huấn luyện các mô hình lớn tốn tài nguyên đáng kể, đặt ra bài toán về chi phí và về môi trường.
Bức tranh chung: AI hôm nay là một công cụ mạnh nhưng hẹp, xuất sắc trong phạm vi nó được huấn luyện và không có gì bảo đảm bên ngoài phạm vi ấy. Cách dùng đúng là coi nó như một trợ thủ có năng lực nhưng cần được kiểm tra, chứ không phải một nhà tiên tri để giao phó.
Mỗi chủ đề sẽ gắn với một kiểu minh họa tương tác đúng với bản chất của nó: thuật toán tìm kiếm xem duyệt đồ thị từng bước, còn học máy thì chạy thực nghiệm Python ngay trong trình duyệt với biểu đồ động. Mục tiêu xuyên suốt là rèn tư duy giải bài toán, không phải học thuộc thư viện.
Tự kiểm tra
Trợ lý ảo trên điện thoại thuộc loại AI hẹp hay tổng quát?
AI hẹp (ANI). Dù trả lời được nhiều câu, nó vẫn là tập hợp các tác vụ cụ thể (nhận dạng giọng nói, tra cứu, đặt lịch...) chứ không có năng lực trí tuệ tổng quát như con người. Mọi sản phẩm AI thương mại hiện nay đều là AI hẹp.
Lọc thư rác bằng cách học từ hàng nghìn email đã gắn nhãn thuộc trường phái nào?
AI thống kê / học máy. Hệ thống không được lập trình sẵn các quy tắc cứng mà học quy luật từ dữ liệu có nhãn (thư rác hay không), rồi suy luận bằng xác suất cho thư mới. Đây chính là chủ đề trọng tâm của Phần III.
Vì sao nói bốn trường phái phương pháp luận không loại trừ nhau?
Vì một hệ thực tế có thể kết hợp nhiều trường phái để bù điểm yếu cho nhau. Ví dụ mô hình ngôn ngữ lớn (học sâu) ghép với cơ sở tri thức (biểu trưng) trong RAG, hay AlphaGo ghép học sâu với học tăng cường. Ranh giới giữa các trường phái là để hiểu tư tưởng, không phải vách ngăn cứng.
Vì sao AI hiện đại chọn tiêu chuẩn "hành động duy lý" thay vì "hành động như người"?
Vì ba lý do. Thứ nhất, duy lý tổng quát hơn: hành động đúng có thể đạt được bằng suy diễn logic, bằng phản xạ, bằng học, hay bằng tìm kiếm, nên nó không bó buộc ta vào một cơ chế duy nhất. Thứ hai, duy lý đo được: ta định nghĩa thước đo hiệu năng rồi so sánh các tác tử một cách khách quan, trong khi "giống người tới mức nào" rất khó lượng hóa. Thứ ba, bắt chước người không phải mục tiêu hữu ích: với một hệ chẩn đoán bệnh, ta muốn nó đúng, chứ không muốn nó giống một bác sĩ đang mệt. Máy bay không cần vỗ cánh như chim mới bay được.
Lưu ý "duy lý" không có nghĩa là toàn năng: tác tử duy lý chỉ chọn hành động tốt nhất theo thông tin nó đang có và trong giới hạn tài nguyên tính toán. Duy lý nói về chất lượng của quyết định, không phải may rủi của kết quả.
Một hệ thống chấm điểm hồ sơ vay vốn, học từ dữ liệu cho vay 20 năm qua của ngân hàng, có thể gặp rủi ro gì?
Ít nhất ba rủi ro nằm ngay trong danh sách giới hạn của AI. Thiên kiến kế thừa từ dữ liệu: nếu trong quá khứ một nhóm khách hàng bị từ chối vì định kiến chứ không vì rủi ro thật, mô hình sẽ học chính định kiến đó và tái sản xuất nó, nay khoác vẻ khách quan của một điểm số do máy đưa ra. Nhầm tương quan với nhân quả: mô hình có thể bắt được một đặc trưng chỉ tình cờ đi kèm việc trả nợ tốt (ví dụ nơi cư trú) chứ không phải nguyên nhân, rồi dùng nó để quyết định. Hộp đen khó giải trình: khách hàng bị từ chối có quyền được biết lý do, nên một mô hình sâu không giải thích được sẽ không dùng được ở đây dù độ chính xác cao.
Câu hỏi tự kiểm
- 1AI hiện đại chủ yếu chọn tiêu chuẩn nào trong bốn cách định nghĩa?
- 2Ranh giới then chốt phân biệt AI với tự động hóa thường là gì?
- 3Mọi hệ AI thương mại hôm nay thuộc loại nào theo phạm vi năng lực?
- 4Nói một tác tử "duy lý" có nghĩa là nó luôn cho kết quả tốt không?
Tóm tắt
AI khó định nghĩa gọn trong một câu vì bản thân "trí tuệ" đã khó định nghĩa. Cách hiểu thực dụng và bền nhất: AI là làm cho máy giải được những bài toán mà ta không viết sẵn được lời giải bằng tay, buộc máy phải tự rút ra cách làm từ dữ liệu hoặc từ quá trình tìm kiếm.
Khi cần chặt chẽ hơn, ta có bốn cách định nghĩa sinh ra từ hai trục (suy nghĩ hay hành động, giống người hay duy lý): suy nghĩ như người, suy nghĩ duy lý, hành động như người (phép thử Turing), và hành động duy lý. AI hiện đại chọn ô cuối, xây tác tử duy lý biết chọn hành động tốt nhất theo thông tin đang có, vì tiêu chuẩn này vừa tổng quát vừa đo được và không tự trói mình vào việc bắt chước con người.
Hai cách phân loại bổ sung cho nhau. Theo năng lực: mọi hệ thực tế hôm nay đều là AI hẹp (ANI), giỏi đúng một việc; AGI và ASI vẫn nằm ở phía trước. Theo phương pháp luận: bốn trường phái biểu trưng, thống kê, nơ-ron và tiến hóa, và chúng không loại trừ nhau, các hệ mạnh nhất thường là hệ lai.
Cuối cùng, hãy giữ hai ranh giới cho rõ trong đầu. Ranh giới thứ nhất tách AI khỏi tự động hóa thường: câu hỏi then chốt là hệ thống có học từ dữ liệu hay kinh nghiệm không, hay chỉ lặp lại luật cứng đã cài; và khi luật đã rõ ràng, đầy đủ, ổn định thì viết luật cứng mới là lựa chọn đúng. Ranh giới thứ hai tách năng lực thật khỏi kỳ vọng: AI hôm nay mạnh nhưng hẹp, giòn trước dữ liệu lạ, nắm tương quan chứ chưa nắm nhân quả, kế thừa thiên kiến của dữ liệu, và có thể sai một cách rất tự tin. Nó là trợ thủ cần được kiểm tra, không phải nhà tiên tri để giao phó.
Vài hiểu nhầm cần tránh. Thứ nhất, tưởng các trợ lý ảo hay chatbot hiện nay là AI tổng quát: dù trả lời trôi chảy, chúng vẫn là AI hẹp, giỏi tạo và xử lý ngôn ngữ chứ không có năng lực trí tuệ toàn diện như con người. Thứ hai, đánh đồng mọi tự động hóa với AI: một kịch bản chạy theo luật cố định không học được gì thì không phải AI. Thứ ba, nghĩ AI luôn là học sâu: học sâu chỉ là một trong nhiều trường phái, và với dữ liệu ít hoặc yêu cầu minh bạch thì các phương pháp biểu trưng hay thống kê cổ điển thường phù hợp hơn. Thứ tư, coi AI luôn đúng: hệ AI có thể sai một cách tự tin, đặc biệt khi gặp dữ liệu khác xa những gì nó từng học.
AI là làm cho máy thực hiện việc cần trí tuệ, bằng cách tự tìm lời giải thay vì được lập trình sẵn từng đáp án. Phân loại theo năng lực (hẹp / tổng quát / siêu trí tuệ) cho biết hệ làm được tới đâu; phân loại theo phương pháp luận (biểu trưng / thống kê / nơ-ron / tiến hóa) cho biết hệ giải quyết bằng cách nào.