Giải mã các thuật ngữ AI phổ biến nhất hiện nay mà bạn cần biết

🚀 GIẢI MÃ CÁC THUẬT NGỮ AI PHỔ BIẾN NHẤT HIỆN NAY MÀ 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 đang làm điều đó. Tham gia bất kỳ cuộc họp sản phẩm, buổi thuyết trình hay hội pan-el nào gần đây, bạn đều sẽ nghe mọi người nhắc đến LLM, RAG, RLHF — và gần đây nhất là các thuật ngữ như "opaque recurrence" (sự lặp lại mờ đục), kỹ thuật suy luận trong mô hình Astra mới của OpenAI đang khiến các nhà nghiên cứu an toàn AI lo ngại. Từ vựng thay đổi nhanh đến mức ngay cả những người rất thông minh trong giới công nghệ cũng cảm thấy hơi thiếu tự tin.

Bảng thuật ngữ này là nỗ lực của chúng tôi nhằm khắc phục điều đó: các định nghĩa bằng tiếng Anh đơn giản về các thuật ngữ AI mà bạn có nhiều khả năng bắt gặp nhất, cho dù bạn đang xây dựng sản phẩm công nghệ, đầu tư vào lĩnh vực này, hay chỉ đang cố gắng theo kịp bằng cách đọc TechCrunch hoặc nghe các podcast liên quan. Chúng tôi cập nhật bảng này thường xuyên khi lĩnh vực này phát triển, vì vậy hãy coi nó như một tài liệu sống, giống như 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 nó thường ám chỉ AI có năng lực cao hơn mức trung bình của con người ở nhiều, nếu không muốn nói là hầu hết, các tác vụ. Giám đốc điều hành OpenAI, Sam Altman, từng mô tả AGI là "tương đương với một người lao động có năng lực 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 công việc có giá trị kinh tế". Hiểu biết của Google DeepMind có chút khác biệt so với hai định nghĩa này; phòng thí nghiệm coi AGI là "AI có năng lực ít nhất bằng con người ở hầu hết các tác vụ nhận thức". Bạn cảm thấy bối rối? Đừng lo lắng — các chuyên gia tiên phong trong nghiên cứu AI cũng vậy.

AI agent (Tác nhân AI)
AI agent 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 hơn có thể làm — chẳng hạn như khai hản chi phí, đặt vé hoặc đặt bàn nhà hàng, hay thậm chí viết và duy trì mã nguồn. Tuy nhiên, như chúng tôi đã giải thích trước đây, có rất nhiều yếu tố chuyển động trong không gian đang nổi lên này, vì vậy "AI agent" có thể mang ý nghĩa khác nhau đối với từng người. Cơ sở hạ tầng cũng vẫn đang được xây dựng để đáp ứng các khả năng được hình dung của nó. 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 nhiều bước.

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

Chain of thought (Chuỗi suy nghĩ)
Cho 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 bút và giấy để đưa ra câu trả lời đúng vì có các bước trung gian. Ví dụ, nếu một người nông dân nuôi gà và bò, tổng cộng chúng có 40 cái đầu và 120 cái chân, bạn có thể cần viết ra một phương trình đơn giản để tìm ra câu trả lời (20 con gà và 20 con bò).

Trong bối cảnh AI, lý luận chuỗi suy nghĩ đối với các mô hình ngôn ngữ lớn có nghĩa là chia nhỏ một vấn đề thành các bước trung gian nhỏ hơn để cải thiện chất lượng kết quả cuối cùng. Thường mất nhiều thời gian hơn để nhận được câu trả lời, nhưng câu trả lời có nhiều khả năng chính xác hơn, đặc biệt trong bối cảnh logic hoặc lập trình. Các mô hình suy 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.

(Xem: Large language model)

Coding agents (Tác nhân lập trình)
Đây là một khái niệm cụ thể hơn so với "AI agent", vốn chỉ một chương trình có thể tự 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 đơn giản đề xuất mã nguồn để con người xem xét và dán vào, một coding agent có thể tự viết, kiểm thử và gỡ lỗi mã nguồn, xử lý loại công việc lặp đi lặp lại, thử và sai vốn thường ngốn thời gian trong ngày của một lập trình viên. Các thực thể này có thể hoạt động trên toàn bộ cơ sở mã nguồn, phát hiện lỗi, chạy thử nghiệm và đẩy bản vá với sự giám sát tối thiểu của con người. Hãy coi nó giống như việc thuê một thực tập sinh rất nhanh nhẹn, không bao giờ ngủ và không bao giờ mất tập trung — mặc dù, như với bất kỳ thực tập sinh nào, con người vẫn cần xem xét công việc.

Compute (Sức mạnh tính toán)
Mặc dù là một thuật ngữ mang nhiều tầng nghĩa, compute thường ám chỉ năng lực tính toán sống còn cho phép các mô hình AI hoạt động. Loại xử lý này thúc đẩy ngành công nghiệp AI, cung cấp cho nó khả năng huấn luyện và triển khai các mô hình mạnh mẽ của mình. Thuật ngữ này thường là cách gọi tắt cho các loại phần cứng cung cấp năng lực tính toán — chẳng hạn 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 tiến 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 đường dẫn thần kinh liên kết với nhau trong bộ não con 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 xác định các đặc tính đó. Cấu trúc này cũng hỗ trợ các thuật toán có thể học hỏi từ các lỗi và thông qua quá trình lặp lại và điều chỉnh, cải thiện kết quả 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 huấn luyện hơn so với các thuật toán học máy đơn giản hơn — do đó chi phí phát triển có xu hướng cao hơn.

(Xem: Neural network)

Diffusion (Khuếch tán)
Diffusion là công nghệ cốt lõi của nhiều mô hình AI tạo ra nghệ thuật, âm nhạc và văn bản. Lấy cảm hứng từ vật lý, các hệ thống khuếch tán từ từ "phá hủy" cấu trúc dữ liệu — ví dụ như ảnh, bài hát, v.v. — bằng cách thêm nhiễu cho đến khi không còn gì sót lại. Trong vật lý, sự khuếch tán là tự phát và không thể đảo ngược — đường khuếch tán trong cà phê không thể khôi phục về dạng viên. Nhưng các hệ thống khuếch tán trong AI nhằm mục đích học một loại quá trình "khuếch tán ngược" để khôi phục dữ liệu đã bị phá hủy, qua đó có được khả năng phục hồi dữ liệu từ tiếng ồn.

Distillation (Chưng cất mô hình)
Distillation là kỹ thuật được sử dụng để trích xuất tri thức từ một mô hình AI lớn bằng mô hình 'giáo viên - học sinh' (teacher-student). Các nhà phát triển gửi các 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 chúng chính xác đến mức nào. Các kết quả đầu ra này sau đó được sử dụng để huấn luyện mô hình học sinh, vốn được đào tạo 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 thất thoát chưng cất tối thiểu. Đây có й là cách OpenAI phát triển GPT-4 Turbo, một phiên bản nhanh hơn của GPT-4.

Trong khi tất cả các công ty AI đều sử dụng kỹ thuật chưng cất nội bộ, nó cũng có thể được một số công ty AI sử dụng để bắt kịp các mô hình tiên tiến. Việc chưng cất từ đối thủ cạnh tranh thường vi phạm các điều khoản dịch vụ của trợ lý trò chuyện và API AI.

Fine-tuning (Tinh chỉnh)
Điều này đề cập đến việc huấn luyện bổ sung một mô hình AI để tối ưu hóa hiệu suất cho một tác vụ hoặc lĩnh vực cụ thể hơn so với trọng tâm trước đó của quá trình huấn luyện — thường bằng cách nạp dữ liệu mới, chuyên biệt (tức là hướng đến tác vụ).

Nhiều công ty khởi nghiệp AI đang lấy các mô hình ngôn ngữ lớn làm điểm khởi đầu để xây dựng một sản phẩm thương mại nhưng đang cạnh tranh để nâng cao tiện ích cho một lĩnh vực hoặc tác vụ mục tiêu bằng cách bổ sung các chu kỳ huấn luyện trước đó bằng việc tinh chỉnh dựa trên kiến thức và chuyên môn cụ thể theo lĩnh vực của riêng họ.

(Xem: Large language model [LLM])

GAN
GAN, hay Mạng đối lập tạo sinh (Generative Adversarial Network), là một loại khung học máy sử dụng...

🗞 Nguồn: TechCrunch

#vgsnews #vgs #tintuc