Hành trình dài đến chu kỳ bùng nổ AI ngày nay

Sự trỗi dậy của trí tuệ nhân tạo hiện nay giống như một cơn bão bất ngờ, nhưng thực chất nó là kết quả của một quyết định thầm lặng từ nhiều năm trước. Vào năm 2017, các nhà nghiên cứu tại Google đã xuất bản một bài báo có tiêu đề Attention Is All You Need. Bài báo này đã giới thiệu kiến trúc Transformer. Thiết kế đặc biệt này cho phép máy móc xử lý các từ trong mối quan hệ với tất cả các từ khác trong một câu cùng lúc thay vì từng từ một. Nó đã giải quyết được nút thắt của việc xử lý tuần tự. Ngày nay, mọi mô hình lớn từ ChatGPT đến Claude đều dựa vào bước đột phá duy nhất này. Điều này xảy ra vào khoảng 2026. Chúng ta không thấy một phát minh mới, mà chúng ta đang thấy sự mở rộng quy mô của một ý tưởng đã bảy năm tuổi. Sự thay đổi này đã đưa chúng ta từ nhận dạng mẫu đơn giản sang tạo nội dung phức tạp. Nó đã thay đổi cách chúng ta tương tác với máy tính. Hiện tại, trọng tâm là việc chúng ta có thể đổ bao nhiêu dữ liệu và điện năng vào các hệ thống này. Kết quả rất ấn tượng nhưng nền tảng vẫn không thay đổi. Hiểu được lịch sử này giúp chúng ta nhìn thấu qua các chiêu trò tiếp thị. Nó cho thấy các công cụ ngày nay là kết luận logic của những lựa chọn kỹ thuật cụ thể được thực hiện trong thập kỷ qua.

Công cụ dự đoán và xác suất

Generative AI hoạt động như một công cụ dự đoán khổng lồ. Nó không suy nghĩ hay hiểu theo nghĩa của con người. Thay vào đó, nó tính toán xác suất thống kê của token tiếp theo trong một chuỗi. Một token thường là một từ hoặc một phần của từ. Khi bạn đặt câu hỏi cho một mô hình, nó sẽ xem xét hàng tỷ tham số mà nó đã học được trong quá trình training. Sau đó, nó đoán từ nào nên xuất hiện tiếp theo dựa trên các mẫu mà nó đã thấy trong dữ liệu training. Quá trình này thường được gọi là stochastic parrot (con vẹt ngẫu nhiên). Thuật ngữ này gợi ý rằng máy móc đang lặp lại các mẫu mà không nắm bắt được ý nghĩa cơ bản. Sự khác biệt này rất quan trọng đối với bất kỳ ai đang sử dụng các công cụ này ngày nay. Nếu bạn coi AI như một công cụ tìm kiếm, bạn có thể sẽ thất vọng. Nó không tra cứu sự thật trong cơ sở dữ liệu. Nó đang tạo ra văn bản trông giống như sự thật dựa trên xác suất. Đây là lý do tại sao các mô hình có thể bị hallucinate (ảo giác). Chúng được thiết kế để trôi chảy, không nhất thiết phải chính xác. Dữ liệu training thường bao gồm một lượng lớn dữ liệu thu thập từ internet công cộng. Điều này bao gồm sách, bài báo, mã nguồn và các bài đăng trên diễn đàn. Mô hình học cấu trúc của ngôn ngữ con người và logic của lập trình. Nó cũng tiếp thu các định kiến và lỗi có trong các nguồn đó. Quy mô của việc training này là thứ khiến các hệ thống hiện đại cảm thấy khác biệt so với các chatbot trong quá khứ. Các hệ thống cũ dựa trên các quy tắc cứng nhắc. Các hệ thống hiện đại dựa trên toán học linh hoạt. Sự linh hoạt này cho phép chúng xử lý các tác vụ sáng tạo, lập trình và dịch thuật với sự dễ dàng đáng ngạc nhiên. Tuy nhiên, cơ chế cốt lõi vẫn là một dự đoán toán học. Đó là một dự đoán rất tinh vi, nhưng không phải là một quá trình suy nghĩ có ý thức.

Cách các mô hình này xử lý thông tin tuân theo một chu kỳ ba bước cụ thể:

• Mô hình xác định các mẫu trong các tập dữ liệu khổng lồ.
• Nó gán trọng số cho các token khác nhau dựa trên ngữ cảnh.
• Nó tạo ra từ tiếp theo có khả năng xảy ra cao nhất trong một chuỗi.

Địa lý mới của điện toán

Tác động của công nghệ này không được phân bổ đều trên toàn cầu. Chúng ta đang thấy sự tập trung quyền lực lớn ở một vài trung tâm địa lý. Hầu hết các mô hình hàng đầu đều được phát triển tại Hoa Kỳ hoặc Trung Quốc. Điều này tạo ra một loại phụ thuộc mới cho các quốc gia khác. Các quốc gia ở Châu Âu, Châu Phi và Đông Nam Á hiện đang tranh luận về cách duy trì chủ quyền kỹ thuật số. Họ phải quyết định xem nên xây dựng cơ sở hạ tầng đắt đỏ của riêng mình hay dựa vào các nhà cung cấp nước ngoài. Chi phí gia nhập là cực kỳ cao. Việc training một mô hình hàng đầu đòi hỏi hàng chục nghìn chip chuyên dụng và lượng điện năng khổng lồ. Điều này tạo ra rào cản cho các công ty nhỏ hơn và các quốc gia đang phát triển. Ngoài ra còn có vấn đề về đại diện văn hóa. Vì hầu hết dữ liệu training đều bằng tiếng Anh, các mô hình này thường phản ánh các giá trị và chuẩn mực của phương Tây. Điều này có thể dẫn đến một hình thức làm phẳng văn hóa. Các ngôn ngữ và truyền thống địa phương có thể bị bỏ qua hoặc bị trình bày sai bởi các hệ thống được xây dựng cách xa nửa vòng trái đất. Về mặt kinh tế, sự thay đổi cũng ấn tượng không kém. Các công ty ở mọi múi giờ đang cố gắng tìm cách tích hợp các công cụ này. Ở một số khu vực, AI được coi là cách để vượt qua các giai đoạn phát triển truyền thống. Ở những nơi khác, nó bị coi là mối đe dọa đối với các ngành gia công duy trì nền kinh tế địa phương. Tình trạng hiện tại của thị trường trong 2026 cho thấy một sự phân chia rõ ràng. Thị trường lao động toàn cầu đang trở nên biến động hơn khi các tác vụ như lập trình cơ bản và nhập liệu được tự động hóa. Đây không chỉ là câu chuyện của Silicon Valley. Đó là câu chuyện về cách mọi nền kinh tế trên trái đất sẽ điều chỉnh để thích nghi với một kỷ nguyên mới của lao động nhận thức tự động. Các quyết định của một vài nhà sản xuất phần cứng hiện đang quyết định tương lai kinh tế của toàn bộ khu vực.

Sống cùng trợ lý tự động

Để hiểu tác động hàng ngày, hãy xem xét cuộc sống của một quản lý marketing tên là Marcus. Hai năm trước, Marcus dành buổi sáng để soạn thảo email và buổi chiều để phối hợp với các nhà thiết kế đồ họa. Ngày nay, quy trình làm việc của anh ấy đã khác. Anh ấy bắt đầu ngày mới bằng cách đưa một bản tóm tắt sản phẩm sơ bộ vào một mô hình cục bộ. Trong vài giây, anh ấy có năm hướng chiến dịch khác nhau. Anh ấy không sử dụng chúng nguyên bản. Thay vào đó, anh ấy dành hai giờ tiếp theo để tinh chỉnh kết quả. Anh ấy kiểm tra giọng văn thương hiệu và các lỗi thực tế. Anh ấy từng nhận được một bản nháp đã tự bịa ra một tính năng sản phẩm không tồn tại. Đây là thực tế mới của công việc. Nó không còn là tạo ra từ con số không mà là chỉnh sửa và giám tuyển. Marcus làm việc hiệu quả hơn, nhưng anh ấy cũng mệt mỏi hơn. Nhịp độ công việc đã tăng tốc. Vì bản nháp ban đầu chỉ mất vài giây, khách hàng của anh ấy mong đợi các phiên bản cuối cùng trong vài giờ thay vì vài ngày. Điều này tạo ra áp lực liên tục để sản xuất nhiều hơn. Đó là một chu kỳ đầu ra tốc độ cao không để lại nhiều chỗ cho sự suy ngẫm sâu sắc. Ngoài văn phòng, chúng ta thấy điều này trong chính phủ và giáo dục. Các giáo viên đang viết lại chương trình giảng dạy của họ để tính đến sự hỗ trợ của AI. Họ đang chuyển từ các bài luận mang về nhà sang các bài kiểm tra nói trực tiếp. Chính quyền địa phương đang sử dụng AI để tóm tắt các phiên điều trần công khai và dịch tài liệu cho các cộng đồng nhập cư. Đây là những lợi ích hữu hình. Tại một bệnh viện ở vùng nông thôn Ấn Độ, một bác sĩ sử dụng công cụ AI để giúp sàng lọc các bệnh về mắt. Công cụ này được đào tạo trên một tập dữ liệu toàn cầu nhưng giúp giải quyết tình trạng thiếu chuyên gia tại địa phương. Những ví dụ này cho thấy công nghệ là một công cụ để tăng cường. Nó không thay thế con người, nhưng nó thay đổi bản chất của công việc. Thách thức là công cụ này thường không thể dự đoán được. Một hệ thống hoạt động hoàn hảo hôm nay có thể thất bại vào ngày mai sau một bản cập nhật nhỏ. Sự không ổn định này là tiếng ồn nền liên tục cho tất cả mọi người, từ những người sáng tạo cá nhân đến các tập đoàn lớn. Tất cả chúng ta đang học cách sử dụng một công cụ vẫn đang được xây dựng trong khi chúng ta đang cầm nó. Để biết thêm chi tiết, bạn có thể đọc một phân tích toàn diện về ngành AI trên trang web chính của chúng tôi.

Cái giá ẩn giấu của dự đoán

Chúng ta phải đặt ra những câu hỏi khó về cái giá ẩn giấu của sự tiến bộ này. Đầu tiên, đó là vấn đề quyền sở hữu dữ liệu. Hầu hết các mô hình chúng ta sử dụng ngày nay đều được đào tạo trên dữ liệu thu thập từ internet mà không có sự đồng ý rõ ràng. Liệu có đạo đức không khi xây dựng một sản phẩm trị giá hàng tỷ đô la bằng cách sử dụng tác phẩm sáng tạo của hàng triệu người sẽ không bao giờ nhìn thấy một xu lợi nhuận nào từ đó? Đây là một vùng xám pháp lý mà các tòa án chỉ mới bắt đầu giải quyết. Sau đó là tác động đến môi trường. Năng lượng cần thiết để training và vận hành các mô hình này là rất đáng kinh ngạc. Khi chúng ta tiến tới các hệ thống lớn hơn, dấu chân carbon ngày càng tăng. Liệu chúng ta có thể biện minh cho việc sử dụng năng lượng này trong thời điểm khủng hoảng khí hậu không? Các nghiên cứu gần đây trên Nature nhấn mạnh lượng nước khổng lồ cần thiết để làm mát các trung tâm dữ liệu. Chúng ta cũng phải xem xét vấn đề hộp đen. Ngay cả các kỹ sư xây dựng các mô hình này cũng không hiểu đầy đủ lý do tại sao chúng đưa ra các quyết định nhất định. Nếu một AI từ chối đơn xin vay vốn hoặc một cuộc phỏng vấn xin việc, làm thế nào chúng ta có thể kiểm toán quyết định đó? Sự thiếu minh bạch là một rủi ro lớn đối với các quyền tự do dân sự. Chúng ta đang tin tưởng cơ sở hạ tầng của mình vào các hệ thống mà chúng ta không thể giải thích đầy đủ. Ngoài ra còn có rủi ro về sự mục nát của thể chế. Nếu chúng ta dựa vào AI để tạo ra tin tức, bản tóm tắt pháp lý và mã nguồn của mình, điều gì sẽ xảy ra với chuyên môn của con người? Chúng ta có thể thấy mình ở vị trí không còn có thể xác minh chất lượng của kết quả đầu ra vì chúng ta đã mất kỹ năng tự thực hiện công việc. Đây không chỉ là những rào cản kỹ thuật. Đó là những thách thức cơ bản đối với cách chúng ta tổ chức xã hội. Chúng ta đang đánh đổi sự ổn định lâu dài lấy hiệu quả ngắn hạn. Chúng ta phải tự hỏi liệu đó có phải là một sự đánh đổi mà chúng ta thực sự sẵn sàng thực hiện hay không.

Bạn có câu chuyện, công cụ, xu hướng hoặc câu hỏi về AI mà bạn nghĩ chúng tôi nên đề cập không? Gửi cho chúng tôi ý tưởng bài viết của bạn — chúng tôi rất muốn nghe từ bạn.

Khám phá bên trong các mô hình cục bộ

Đối với người dùng nâng cao, trọng tâm đã chuyển từ các câu lệnh đơn giản sang tích hợp quy trình làm việc phức tạp. Giá trị thực không còn nằm ở giao diện web của chatbot. Nó nằm ở API. Các nhà phát triển hiện đang quản lý các giới hạn tốc độ nghiêm ngặt và chi phí token. Họ đang chuyển từ các mô hình đa năng, khổng lồ sang các mô hình nhỏ hơn, chuyên biệt hơn. Đây là nơi lưu trữ cục bộ và thực thi cục bộ phát huy tác dụng. Các công cụ như Llama.cpp cho phép người dùng chạy các mô hình mạnh mẽ trên phần cứng của riêng họ. Điều này giải quyết vấn đề quyền riêng tư và loại bỏ sự phụ thuộc vào kết nối internet liên tục. Tuy nhiên, việc chạy các mô hình này cục bộ đòi hỏi VRAM đáng kể. Hầu hết người dùng thấy rằng 24GB là mức tối thiểu cho trải nghiệm tốt với các mô hình cỡ trung bình. Ngoài ra còn có xu hướng quantization (lượng tử hóa). Đây là một kỹ thuật làm giảm độ chính xác của trọng số mô hình để làm cho nó chạy nhanh hơn và sử dụng ít bộ nhớ hơn. Một mô hình được lượng tử hóa 4 bit thường có thể hoạt động gần như tốt như phiên bản 16 bit đầy đủ trong khi chiếm ít không gian hơn. Chúng ta cũng đang thấy sự gia tăng của Retrieval Augmented Generation (RAG). Điều này cho phép một mô hình xem xét các tài liệu riêng tư của người dùng trước khi tạo phản hồi. Nó làm giảm ảo giác bằng cách neo mô hình vào các sự thật cụ thể, đã được xác minh. Đây là cầu nối giữa một công cụ dự đoán chung và một công cụ kinh doanh hữu ích. Biên giới tiếp theo là cửa sổ ngữ cảnh. Chúng ta đã chuyển từ các mô hình có thể ghi nhớ một vài trang văn bản sang những mô hình có thể xử lý toàn bộ thư viện trong một lần. Điều này cho phép phân tích các cơ sở mã khổng lồ hoặc các tài liệu pháp lý dài. Thách thức hiện nay là quản lý độ trễ đi kèm với các đầu vào lớn này. Khi chúng ta đẩy giới hạn của những gì các hệ thống này có thể làm, nút thắt không còn là phần mềm. Đó là giới hạn vật lý của silicon và tốc độ ánh sáng. Các báo cáo từ MIT Technology Review và IEEE Spectrum cho thấy tối ưu hóa phần cứng hiện là động lực chính của khả năng AI.

Người dùng nâng cao hiện đang tập trung vào ba lĩnh vực tối ưu hóa chính:

• Quantization làm giảm yêu cầu bộ nhớ cho phần cứng cục bộ.
• Các hệ thống RAG kết nối các mô hình với dữ liệu riêng tư, đã được xác minh.
• Tích hợp API cho phép các quy trình làm việc tự động nhiều bước.

Câu chuyện chưa hồi kết

Con đường đến thời điểm này được trải bằng những lựa chọn kỹ thuật cụ thể. Chúng ta chọn quy mô thay vì hiệu quả và xác suất thay vì logic. Điều này đã mang lại cho chúng ta những công cụ mang lại cảm giác kỳ diệu nhưng vẫn còn nhiều lỗ hổng. Chu kỳ cường điệu cuối cùng sẽ hạ nhiệt, nhưng công nghệ sẽ vẫn còn đó. Chúng ta bị bỏ lại trong một thế giới nơi ranh giới giữa sáng tạo của con người và máy móc bị xóa nhòa vĩnh viễn. Câu hỏi mở là làm thế nào chúng ta sẽ định nghĩa giá trị trong thời đại của nội dung rẻ tiền, vô hạn. Nếu một cỗ máy có thể viết một bài thơ hoặc một chương trình trong vài giây, thì giá trị của nỗ lực con người để làm điều tương tự là gì? Chúng ta vẫn đang tìm kiếm câu trả lời. Hiện tại, cách tiếp cận tốt nhất là sự kết hợp giữa tò mò và hoài nghi. Chúng ta nên sử dụng các công cụ này để mở rộng khả năng của mình trong khi vẫn nhận thức được những hạn chế của chúng. Tương lai của AI không phải là một sản phẩm hoàn thiện. Đó là một cuộc đàm phán liên tục giữa những gì chúng ta có thể xây dựng và những gì chúng ta nên xây dựng.

Lưu ý của biên tập viên: Chúng tôi tạo trang web này như một trung tâm tin tức và hướng dẫn AI đa ngôn ngữ dành cho những người không phải là chuyên gia máy tính, nhưng vẫn muốn hiểu trí tuệ nhân tạo, sử dụng nó tự tin hơn và theo dõi tương lai đang đến gần.