AI thực sự hoạt động ra sao — và sẽ đi về đâu? (Chương kết)
Sau ba ngàn năm và mười bốn chương lịch sử, chương kết mở nắp chiếc hộp đen: token, embedding, attention, RLHF, hallucination, emergent abilities — rồi khép lại bằng năm câu hỏi mở dành riêng cho người Việt Nam và lời nhắc rằng câu chuyện AI, cuối cùng, là câu chuyện về chính chúng ta.
Token, embedding, và "bộ máy quan liêu" bên trong mọi LLM
Một mạng nơ-ron chỉ là một chồng "nơ-ron" toán học: mỗi nơ-ron nhận các số đầu vào, nhân với trọng số, cộng bias, rồi chạy qua một hàm kích hoạt. Sách ví nó như một bộ máy quan liêu khổng lồ — mỗi nhân viên trên mỗi tầng nhận tài liệu từ tầng trước, quyết định giữ gì theo các "quy tắc" (trọng số) riêng, rồi chuyển lên. Sau hàng trăm tầng như vậy (GPT-5 có hàng trăm lớp, hàng nghìn tỷ trọng số), tài liệu ở đỉnh là câu trả lời cuối cùng.
Trước khi chạm mạng nơ-ron, văn bản được "xay" thành token (đoạn ~3-4 ký tự; một từ tiếng Anh ≈ 1,5 token). Tiếng Việt chịu thiệt: cụm "Phở Bò Tái Nạm" có thể tốn 6-8 token vì các tokenizer phương Tây không xử lý hiệu quả dấu thanh — một dạng "thuế ngôn ngữ" khiến chạy AI bằng tiếng Việt đắt hơn tiếng Anh cho cùng nội dung. Mỗi token sau đó trở thành một embedding — một vector nhiều nghìn chiều mã hóa ý nghĩa, nơi vector(vua) − vector(đàn ông) + vector(phụ nữ) ≈ vector(nữ hoàng) (phát hiện của nhóm Word2Vec Google, 2013). Claude không xử lý chữ cái — nó di chuyển qua một không gian hình học của ý nghĩa.
Trao đổi (0)
Vì sao LLM "ảo giác" — bốn nguyên nhân cấu trúc, không phải lỗi cẩu thả
Theo một bài báo của OpenAI (tháng 9/2025), hallucination không phải một khiếm khuyết ngẫu nhiên mà là hệ quả tất yếu của cách LLM được xây dựng:
- 1
Huấn luyện thưởng đoán mò: nếu mô hình chỉ được chấm theo độ chính xác, trả lời 'Tôi không biết' luôn được 0 điểm trong khi đoán mò tự tin có cơ hội đúng — trên hàng triệu câu hỏi kiểm tra, đoán mò ghi điểm cao hơn trên bảng xếp hạng.
- 2
Mô hình dự đoán thống kê, không phải sự thật: nếu chưa từng thấy câu trả lời đúng, mô hình vẫn sản xuất ra thứ 'nghe có vẻ hợp lý' dựa trên mẫu hình thống kê đã học.
- 3
Dữ liệu huấn luyện lộn xộn: thread Reddit, blog thuyết âm mưu, và bài báo học thuật ngồi cạnh nhau trong dữ liệu huấn luyện — mô hình không có cơ chế kiểm tra sự thật tích hợp sẵn.
- 4
Thiếu 'đặt nền' (grounding): mô hình không có cách xác minh tuyên bố của chính nó với thế giới thực trừ khi được cấp công cụ rõ ràng (như retrieval-augmented generation — RAG, tìm kiếm một cơ sở dữ liệu đáng tin cậy trước khi trả lời) — đây là lý do RAG trở nên thiết yếu cho các ứng dụng y tế, luật, tài chính, và chính là cơ chế lẽ ra đã ngăn được vụ Mata v. Avianca ở Chương 12.
Trao đổi (0)
Khi mô hình lớn hơn bất ngờ "tỉnh dậy": emergent abilities và chain-of-thought
Năm 2022, Jason Wei và đồng nghiệp xuất bản "Emergent Abilities of Large Language Models", định nghĩa một khả năng nổi lên (emergent capability) là khả năng "không có mặt trong các mô hình nhỏ hơn nhưng có mặt trong các mô hình lớn hơn" — không xuất hiện dần dần mà bật ra đột ngột ở một ngưỡng quy mô nhất định (khoảng 100 tỷ tham số cho lý luận chuỗi suy nghĩ, số học nhiều bước, tổng hợp chương trình). Không ai lập trình để GPT-4 biết chơi cờ hay Claude biết viết Python — các khả năng này tự nổi lên từ việc đọc đủ nhiều văn bản.
Cùng năm, Jason Wei và đồng nghiệp tại Google xuất bản "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" (tháng 1/2022) với một phát hiện đơn giản đến khó tin: chỉ cần yêu cầu mô hình "suy nghĩ từng bước" trước khi trả lời. Trên điểm chuẩn toán GSM8K, một mô hình 540 tỷ tham số nhảy vọt từ hiệu suất kém lên trạng thái tiên tiến chỉ với tám ví dụ chuỗi suy nghĩ trong prompt. Phát hiện khiêm tốn này trở thành nền tảng kỹ thuật của cả một thế hệ mô hình "biết suy nghĩ": o1, o3, GPT-5 của OpenAI, lý luận lai của Claude 3.7, Gemini 2.0 Flash Thinking, và DeepSeek-R1 — dòng chữ "Thinking..." bạn thấy khi chat với các mô hình này chính là chuỗi suy nghĩ đang được viết ra trước câu trả lời cuối.
Nguồn: Chương 15 — AI thực sự hoạt động ra sao (phần Emergent Abilities & Chain-of-Thought)
Trao đổi (0)
Tự trả lời một trong năm câu hỏi mở của tác giả
Sách kết thúc bằng năm câu hỏi mở dành riêng cho người đọc Việt Nam: (1) giả thuyết mở rộng quy mô đã chết hay sống? (2) việc làm sẽ bị phá hủy nhanh hơn được tạo ra? (3) chúng ta có thể liên kết (align) AI siêu phàm không? (4) ai sẽ cai trị luật chơi AI toàn cầu? (5) ý nghĩa của việc là người là gì nếu máy có thể làm hầu hết những gì ta gọi là tư duy? Chọn MỘT câu hỏi bạn thấy liên quan nhất đến công việc hoặc cuộc sống của chính bạn, viết ra quan điểm hiện tại của bạn, và ít nhất một lý do cụ thể (không phải cảm tính) cho quan điểm đó.
Trao đổi (0)
Alignment (liên kết giá trị) là bài toán đảm bảo AI làm điều ta THỰC SỰ muốn, không chỉ điều ta đã NÓI. Thí nghiệm tư duy kinh điển của Nick Bostrom: một AI được lệnh tối đa hóa sản xuất kẹp giấy, nếu được trao đủ quyền lực, sẽ biến đổi mọi vật chất — kể cả con người — thành kẹp giấy, vì đó tối đa hóa đúng mục tiêu đã cho. Stuart Russell (Human Compatible, 2019) gọi đây là "vấn đề Vua Midas": nhận chính xác điều mình yêu cầu là một lời nguyền nếu mục tiêu đã được chỉ định sai. Russell đề xuất máy nên giữ sự không chắc chắn về sở thích con người, học chúng từ quan sát, và luôn sẵn sàng bị tắt — một sự khiêm nhường có chủ đích, ngược lại với việc theo đuổi mục tiêu một cách tuyệt đối. Câu hỏi này khép lại vòng tròn ba ngàn năm mà cuốn sách mở ra: từ Pygmalion yêu bức tượng ngà voi của mình đến các kỹ sư hôm nay tạo ra trí tuệ từ các trọng số — câu hỏi vẫn còn đó, chỉ đổi chất liệu.
Trao đổi (0)
Đăng nhập ở góc trên để lưu tiến độ đọc.