Các loại AI: Hướng dẫn toàn diện

Nếu bạn cảm thấy Trí tuệ nhân tạo (AI) bỗng dưng ở khắp nơi, đó là vì đúng như vậy. Theo nghiên cứu thị trường gần đây của McKinsey, mức độ ứng dụng AI toàn cầu đã tăng từ khoảng 50–60% tổ chức trong giai đoạn 2020–2021 lên đến 88% vào năm 2025.

Tuy nhiên, sự bùng nổ này đã tạo ra một vấn đề ngôn ngữ. "AI" trở thành một từ thông dụng chung dùng để mô tả những công nghệ rất khác nhau, được dùng thay thế lẫn nhau cho chatbot dựa trên luật đơn giản, trình tạo hình ảnh, và cả robot viễn tưởng trong khoa học viễn tưởng.

Với những người làm dữ liệu, sự mơ hồ này là rào cản. Khi một bên liên quan yêu cầu một "giải pháp AI", bạn cần biết: họ cần một mô hình hồi quy đơn giản, một tác tử sinh nội dung, hay một hệ thống thị giác máy tính?

Trong hướng dẫn toàn diện này, chúng ta sẽ xem xét thuật ngữ. Thay vì chỉ liệt kê định nghĩa, chúng ta sẽ nhìn qua bốn lăng kính khác nhau: cách nó được xây dựng, nó có thể làm gì, cách nó ra quyết định, và nó phù hợp với quy trình công việc thực tế như thế nào.

Nếu bạn mới bắt đầu với chủ đề này, tôi khuyến nghị khóa học Understanding Artificial Intelligence.

AI là gì?

Trí tuệ nhân tạo (AI) là một phân ngành của khoa học máy tính tập trung vào việc tạo ra các tác tử thông minh có khả năng thực hiện các tác vụ vốn thường đòi hỏi trí thông minh của con người, như giải quyết vấn đề, nhận dạng giọng nói và ra quyết định.

AI là một khoa học liên ngành với nhiều cách tiếp cận. Nó có thể dựa trên luật (hoạt động theo các điều kiện định sẵn) hoặc sử dụng thuật toán học máy để học từ dữ liệu, cho phép hệ thống thích ứng với các tình huống không lường trước.

Tuy nhiên, việc định nghĩa chính xác AI lại gây bất ngờ là rất khó do hiện tượng các nhà nghiên cứu gọi là "Hiệu ứng AI". Hiện tượng này mô tả cách nhận thức của xã hội về AI liên tục thay đổi khi công nghệ trưởng thành. Khi một năng lực trở nên phổ biến, người ta ngừng gọi đó là "AI" và coi nó như phần mềm thông thường. 

Vì định nghĩa thay đổi và phạm vi rộng, một phân loại duy nhất là không đủ. Chúng ta cần nhiều lăng kính để có bức tranh đầy đủ:

• Công nghệ: Các thuật toán và kiến trúc nền tảng. 
• Năng lực: Đo lường mức độ "thông minh" từ hẹp đến siêu trí tuệ.
• Chức năng: Hệ thống xử lý thông tin và duy trì bộ nhớ như thế nào?

Ví dụ, một xe tự lái có thể được phân loại đồng thời theo ba cách:

• AI hẹp (dựa trên năng lực cụ thể).
• Học sâu (dựa trên công nghệ nền tảng).
• Bộ nhớ hạn chế (dựa trên chức năng).

Trong các phần sau, chúng ta sẽ khám phá chi tiết những loại này.

Nếu bạn muốn một tài liệu nhập môn phi kỹ thuật, hãy đọc Hướng dẫn AI cho người mới bắt đầu của chúng tôi.

Các loại AI dựa trên công nghệ

Cách phân loại nghiêm ngặt nhất là dựa trên công nghệ nền tảng, "động cơ" vận hành hệ thống. Phân loại này tách biệt các hệ thống dựa trên cách chúng xử lý dữ liệu và học. Hãy xem những loại khác nhau đó.

Học máy

Học máy (Machine Learning - ML) là một tập con của AI tập trung vào các hệ thống học từ dữ liệu và cải thiện mà không cần lập trình tường minh cho từng quy tắc. Thay vì viết mã kiểu "nếu thế này thì làm thế kia", bạn cung cấp dữ liệu cho thuật toán và để nó tự tìm ra các mẫu.

Học máy chia thành ba mô hình học chính, mỗi mô hình phù hợp với các loại bài toán khác nhau:

• Học có giám sát: Hình thức phổ biến nhất trong kinh doanh. Nó sử dụng dữ liệu gán nhãn (cặp đầu vào-đầu ra) để huấn luyện thuật toán. Ví dụ, bạn có thể đưa cho mô hình 1.000 email được gán nhãn "Spam" hoặc "Không Spam" để nó học cách phân loại email tiếp theo. Thuật toán thường dùng gồm Hồi quy tuyến tính, K-láng giềng gần nhất (KNN), và Cây quyết định.
• Học không giám sát: Thuật toán nhận dữ liệu không gán nhãn và phải tự tìm cấu trúc hay mẫu ẩn. Thường dùng cho phân khúc khách hàng (phân cụm). Phân cụm K-Means và Phân tích thành phần chính (PCA) là các thuật toán phổ biến.
• Học tăng cường (RL): Đi theo một hướng hoàn toàn khác, RL dạy tác tử thông qua thử-sai với hệ thống thưởng-phạt. Tác tử RL nhận phản hồi từ tương tác với môi trường và dần học được hành vi tối đa hóa tổng phần thưởng theo thời gian. Đây là phương pháp dùng để huấn luyện robot và AI chơi game tiên tiến như AlphaGo.

Để có nền tảng vững chắc về học máy, tôi khuyến nghị bạn theo học lộ trình kỹ năng Machine Learning Fundamentals with Python.

Học sâu

Học sâu (Deep Learning - DL) là một tập con chuyên biệt của ML, lấy cảm hứng từ cấu trúc não người. Nó sử dụng mạng nơ-ron nhân tạo với nhiều tầng (vì vậy gọi là "sâu") để mô hình hóa các quan hệ phức tạp, phi tuyến trong tập dữ liệu lớn. Trong khi ML truyền thống có thể đạt trần khi thêm dữ liệu, DL thường tiếp tục cải thiện.

Các kiến trúc chủ chốt gồm:

• Mạng nơ-ron tích chập (CNN): Tiêu chuẩn vàng cho xử lý ảnh. Chúng dùng các "bộ lọc" để tự động quét ảnh và phát hiện thứ bậc không gian như cạnh, hình dạng, và kết cấu.
• Mạng nơ-ron hồi quy (RNN): Thiết kế cho dữ liệu tuần tự như chuỗi thời gian hoặc tiếng nói. Chúng duy trì một "bộ nhớ" về các đầu vào trước đó để ảnh hưởng đến đầu ra hiện tại.
• Transformers: Kiến trúc phía sau các Mô hình ngôn ngữ lớn (LLM) hiện đại như GPT 5.2 và Gemini 3. Nó sử dụng cơ chế attention để xử lý đồng thời toàn bộ chuỗi dữ liệu, cân nhắc tầm quan trọng tương đối giữa các từ thay vì xử lý từng từ một.
• Mạng đối sinh (GAN): Một khung trong đó hai mạng cạnh tranh: "bộ sinh" tạo dữ liệu giả và "bộ phân biệt" tìm cách phát hiện chúng. Sự cạnh tranh này tạo ra đầu ra tổng hợp cực kỳ chân thực.
• Mô hình khuếch tán: Động cơ phía sau các công cụ như Midjourney. Chúng tạo ảnh chất lượng cao bằng cách học đảo ngược có hệ thống nhiễu ngẫu nhiên thành các hình ảnh rõ ràng, khác biệt về mặt thị giác.

Nếu bạn muốn tự xây dựng các mô hình này, tôi khuyên bạn bắt đầu với khóa học Introduction to Deep Learning with PyTorch.

Xử lý ngôn ngữ tự nhiên

Xử lý ngôn ngữ tự nhiên (NLP) tập trung giúp máy tính hiểu, diễn giải và tạo ra ngôn ngữ của con người theo cách có ý nghĩa. NLP bắc cầu giữa giao tiếp của con người và khả năng hiểu của máy bằng cách xử lý tính mơ hồ, phụ thuộc ngữ cảnh và sự phức tạp vốn có của ngôn ngữ tự nhiên.

Các kỹ thuật bao gồm:

• Phân tích cảm xúc: Phân tích cảm xúc đằng sau một cụm từ, ví dụ phân loại một bài đánh giá là tích cực hay tiêu cực
• Nhận dạng thực thể có tên (NER): Nhận diện người hoặc địa điểm trong văn bản
• Tokenization: Chia văn bản thành các đơn vị nhỏ hơn như từ, âm tiết, hoặc thậm chí từng ký tự

Hãy xem ví dụ về phân tích cảm xúc sử dụng transformers trong Python:

# Example: Sentiment analysis using transformers
from transformers import pipeline
# Load pre-trained sentiment analysis model
sentiment_analyzer = pipeline("sentiment-analysis")
# Analyze multiple texts
texts = [
    "This product exceeded my expectations!",
    "Terrible customer service, very disappointed.",
    "The quality is okay, nothing special."
]
results = sentiment_analyzer(texts)
for text, result in zip(texts, results):
    print(f"Text: {text}")
    print(f"Sentiment: {result['label']}, Confidence: {result['score']:.2f}\n")

Text: This product exceeded my expectations!
Sentiment: POSITIVE, Confidence: 1.00

Text: Terrible customer service, very disappointed.
Sentiment: NEGATIVE, Confidence: 1.00

Text: The quality is okay, nothing special.
Sentiment: NEGATIVE, Confidence: 0.98

Thị giác máy tính

Thị giác máy tính giúp máy thu nhận thông tin có ý nghĩa từ hình ảnh và video số, cho phép máy tính nhận biết và hiểu dữ liệu thị giác theo cách tương tự nhận thức của con người. Lĩnh vực này xử lý việc nhận dạng đối tượng, đo khoảng cách, hoặc thậm chí phát hiện các mẫu mà con người không nhìn thấy.

Các hệ thống thị giác máy tính kết hợp kỹ thuật xử lý ảnh với học máy, đặc biệt là học sâu, để trích xuất các biểu diễn ngày càng trừu tượng từ dữ liệu thị giác thô. Nhiệm vụ chính gồm:

• Phân loại hình ảnh: Nhận diện có gì trong ảnh (ví dụ, "Đây là một con mèo").
• Phát hiện đối tượng: Xác định vị trí đối tượng (ví dụ, "Có người đi bộ tại tọa độ x,y").
• Nhận dạng khuôn mặt: Xác thực danh tính dựa trên đặc điểm khuôn mặt.

Chẩn đoán hình ảnh y khoa là một trong các ứng dụng có tác động lớn nhất của thị giác máy tính, với các hệ thống AI phát hiện khối u trong X-quang, CT, và MRI với độ chính xác ngang bằng hoặc vượt các bác sĩ X quang. Những hệ thống này không thay thế chuyên gia y tế mà hỗ trợ họ, chẳng hạn bằng cách gợi ý bất thường tiềm ẩn để chuyên gia xem xét.

Xử lý âm thanh

Xử lý âm thanh tập trung vào nhận dạng, diễn giải và tổng hợp tín hiệu âm thanh, bao gồm cả giọng nói của con người và âm thanh môi trường. Mục tiêu là giúp máy lắng nghe, hiểu và tạo nội dung âm thanh, bắc cầu giữa sóng âm và ý nghĩa ngữ nghĩa. 

Nhận dạng giọng nói tự động (ASR) chuyển ngôn ngữ nói thành văn bản, là nền tảng cho trợ lý giọng nói, dịch vụ chuyển âm và công cụ hỗ trợ tiếp cận. Hệ thống ASR hiện đại dùng kiến trúc transformer để ánh xạ trực tiếp dạng sóng âm thành chuỗi văn bản, đạt độ chính xác gần mức con người với tiếng nói sạch và cải thiện dần trong điều kiện thách thức như tiếng ồn nền hay giọng địa phương. 

Công cụ chuyển văn bản thành giọng nói (TTS) như Amazon Polly thực hiện phép biến đổi ngược lại, tổng hợp giọng nói tự nhiên từ văn bản bằng các vocoder thần kinh tạo nhịp điệu, ngữ điệu và biểu cảm chân thực. Hệ thống TTS hiện đại có thể nhân bản giọng nói chỉ từ vài phút mẫu âm thanh, mở ra cả khả năng sáng tạo lẫn những băn khoăn đạo đức.

Ứng dụng còn vượt xa xử lý giọng nói sang các miền sáng tạo và thực tiễn. Công nghệ nhân bản giọng nói cho phép trợ lý ảo cá nhân hóa, thuyết minh sách nói với giọng nhất quán, và âm thanh deepfake gây tranh cãi.

Robot và AI nhập thể

Đây là giao điểm giữa AI và kỹ thuật. AI nhập thể là đưa các "bộ não" tiên tiến (như mô hình thị giác-ngôn ngữ) vào thân robot vật lý. Trong khi phần lớn AI tồn tại thuần số, AI nhập thể phải đối mặt với trọng lực, ma sát và sự phức tạp khó lường của môi trường vật lý. 

Sự neo bám vào thực tế này mang đến các thách thức không có ở AI tính toán thuần túy, nhưng cũng cho phép tương tác trực tiếp với thế giới vật chất. Robot truyền thống yêu cầu lập trình tường minh cho từng tác vụ, kỹ sư phải mã hóa chính xác chuyển động và cây quyết định để đạt kết quả cụ thể. 

Hệ thống AI nhập thể hiện đại hiểu lệnh ngôn ngữ tự nhiên, như "nhặt quả táo" hoặc "mở cánh cửa kia", dùng tri giác thị giác để nhận diện đối tượng và lập kế hoạch hành động phù hợp mà không cần lập trình theo tác vụ. 

Tiến bộ này giải quyết Nghịch lý Moravec: các tác vụ tầm thường với con người như gấp quần áo, mở cửa, di chuyển trong phòng bừa bộn lại cực khó với robot, trong khi những việc khó với con người như cờ vua hay phép tính lại tương đối dễ với AI. 

AI nhập thể, nhờ các mô hình nền tảng, đang dần thu hẹp khoảng cách này bằng cách cung cấp cho robot khả năng tri giác và lập kế hoạch thích ứng mà con người coi là hiển nhiên. Ứng dụng gồm thiết bị tiêu dùng như robot hút bụi, robot cộng tác công nghiệp (cobots), và humanoid tiên tiến như Atlas của Boston Dynamics.

Các loại AI dựa trên năng lực

Nếu công nghệ định nghĩa cách AI được xây dựng, thì năng lực định nghĩa AI có thể làm gì so với trí tuệ con người. Phân loại này như một dòng thời gian tiến hóa của AI, từ giới hạn hiện tại đến tương lai lý thuyết.

Trí tuệ nhân tạo hẹp

Trí tuệ nhân tạo hẹp (ANI), còn gọi là AI yếu, đại diện cho AI đang tồn tại ngày nay. Đó là các hệ thống được thiết kế để vượt trội trong các nhiệm vụ cụ thể, được xác định trước nhưng thất bại hoàn toàn nếu giao việc ngoài phạm vi huấn luyện hẹp của chúng. Bot cờ vua không thể lái xe, và công cụ chẩn đoán y khoa không thể viết thơ.

Tuy nhiên, định nghĩa "hẹp" đang mở rộng. Trạng thái tiên tiến hiện nay liên quan đến các Mô hình ngôn ngữ lớn (LLM) đa phương thức. Chúng ta đang chứng kiến sự ra mắt các mô hình như GPT-5.2 và Gemini 3, có thể xử lý đồng thời văn bản, âm thanh và hình ảnh. 

Dù bắt chước suy luận, chúng vẫn thiếu hiểu biết thực sự về thế giới. Nhà phát triển tương tác với các hệ thống ANI này qua API để tích hợp vào ứng dụng.

Bước tiếp theo trong ANI là Agentic AI. Đây là các hệ thống vượt khỏi trò chuyện thụ động; chúng có thể tự động thực hiện các hành động nhiều bước như duyệt web để đặt vé máy bay, đóng vai trò cầu nối hướng tới trí tuệ rộng hơn.

Trí tuệ nhân tạo tổng quát

Trí tuệ nhân tạo tổng quát (AGI) là chén thánh của nghiên cứu AI. Nó chỉ một giai đoạn lý thuyết khi máy móc có khả năng học, suy luận và giải quyết vấn đề trên các lĩnh vực hoàn toàn khác nhau, tương xứng với sự linh hoạt nhận thức của con người.

Điểm khác biệt then chốt là khả năng khái quát hóa. Một hệ thống ANI được huấn luyện nói tiếng Bồ Đào Nha không thể dùng kiến thức đó để học tiếng Tây Ban Nha nhanh hơn. Hệ thống AGI có thể áp dụng logic từ lĩnh vực này sang lĩnh vực khác mà không cần huấn luyện thủ công lại.

Mốc thời gian cho AGI đang gây tranh luận dữ dội. Những người lạc quan trong ngành dự đoán nó sẽ xuất hiện từ 2026 đến 2029. Ngược lại, người hoài nghi cho rằng chúng ta thiếu kiến trúc nền tảng (cụ thể là "mô hình thế giới" chính xác) để đạt được điều này, đẩy mốc thời gian đến 2040 hoặc xa hơn.

Siêu trí tuệ nhân tạo

Siêu trí tuệ nhân tạo (ASI) mô tả giai đoạn giả định khi AI vượt qua trí tuệ của những bộ óc con người thông minh nhất ở hầu như mọi lĩnh vực: sáng tạo khoa học, sự minh triết, kỹ năng xã hội và giải quyết vấn đề. ASI không chỉ sánh ngang Einstein hay Da Vinci; nó sẽ vượt họ sâu sắc như cách họ vượt mức trung bình của con người.

Mối lo lớn nhất xoay quanh ASI là tự nâng cấp đệ quy, khi một ASI tự thiết kế lại kiến trúc để thông minh hơn, rồi dùng trí tuệ tăng cường đó để cải thiện tiếp, tạo ra vòng phản hồi mất kiểm soát với tốc độ tăng trưởng trí thông minh theo cấp số nhân. 

Vụ nổ trí tuệ này có thể nhanh chóng tạo ra các hệ thống vượt xa khả năng hiểu biết của con người đến mức hành vi của chúng không thể dự đoán, đặt ra câu hỏi sâu sắc về định hướng và kiểm soát. Nếu mục tiêu của ASI chỉ hơi lệch khỏi giá trị của con người, trí tuệ vượt trội của nó có thể theo đuổi các mục tiêu theo cách gây hại.

Hiện chưa có lộ trình đáng tin cậy nào để xây dựng ASI, và nhiều nhà nghiên cứu đặt câu hỏi liệu siêu trí tuệ có khả thi hoặc mạch lạc như một khái niệm hay không. Dẫu vậy, khả năng lý thuyết của ASI vẫn thúc đẩy công trình học thuật nghiêm túc về định hướng AI để đảm bảo các hệ thống ngày càng mạnh vẫn hữu ích và có thể kiểm soát. 

Các loại AI dựa trên chức năng

Nếu năng lực đo sức mạnh, chức năng đo cách hệ thống tương tác với thế giới và xử lý dữ liệu. Phân loại này cho phép phân biệt giữa máy tính cờ vua thập niên 1990 và robot xã hội của tương lai. Hãy xem từng loại.

Máy phản ứng

Máy phản ứng là hình thức cơ bản và lâu đời nhất của AI. Các hệ thống này không có khái niệm về quá khứ hay tương lai, chỉ hoạt động dựa trên đầu vào tức thời theo các quy tắc lập trình sẵn.

Đặc trưng của AI phản ứng là không trạng thái và tất định. Nếu bạn đưa cùng một đầu vào vào máy phản ứng mười lần, nó sẽ cho ra cùng một đầu ra mười lần. Nó không thể học từ kinh nghiệm vì không lưu trữ ký ức.

Một ví dụ điển hình là Deep Blue của IBM, máy tính cờ vua đánh bại Garry Kasparov. Nó không học tâm lý của Kasparov. Nó chỉ tính nước đi tốt nhất dựa trên trạng thái bàn cờ hiện tại. Bộ lọc spam tiêu chuẩn gắn cờ từ khóa mà không phân tích lịch sử email của bạn cũng thuộc loại này.

AI có bộ nhớ hạn chế

AI bộ nhớ hạn chế thống trị các ứng dụng hiện đại. Bằng cách tạm thời lưu trữ dữ liệu hoặc ngữ cảnh gần đây để đưa ra quyết định, các hệ thống này cho phép hành vi linh hoạt. Khác với máy phản ứng, chúng tham chiếu thông tin lịch sử trong một cửa sổ ngữ cảnh giới hạn.

Hầu như tất cả các công cụ AI Dự đoán và AI Sinh nội dung ngày nay thuộc nhóm này. LLM như Claude Opus 4.5 duy trì lịch sử hội thoại, ghi nhớ những gì bạn nói vài phút trước để đưa ra phản hồi mạch lạc dựa trên trao đổi trước đó. Cửa sổ ngữ cảnh quyết định lượng thông tin lịch sử mà hệ thống có thể tham chiếu. 

Xe tự lái theo dõi tốc độ và quỹ đạo của xe xung quanh trong vài giây, dự đoán vị trí tương lai thay vì chỉ phản ứng với vị trí hiện tại.

AI Lý thuyết tâm trí

AI Lý thuyết tâm trí nằm ở khoảng giao tranh giữa nguyên mẫu nghiên cứu và năng lực thực tiễn. Các hệ thống thuộc loại này sẽ mô hình hóa trạng thái tinh thần, niềm tin, ý định, cảm xúc và mong muốn của con người để dự đoán hành vi chính xác. 

Năng lực này thiết yếu cho tương tác xã hội tự nhiên, cho phép AI diễn giải tín hiệu ngầm, phát hiện lừa dối, hoặc điều chỉnh phản hồi theo tâm trạng người dùng. 

Các mô hình tuyến đầu trước đây như GPT-4 của OpenAI đã đạt kết quả mức con người trong các nhiệm vụ niềm tin sai, như dự đoán hành động dựa trên niềm tin không đúng, như được chỉ ra trong nghiên cứu PNAS 2024 của Michal Kosinski thuộc Stanford. 

Tuy nhiên, chuyên gia vẫn tranh luận liệu điều này có nghĩa các LLM hiện đại đã có thể được xếp là hệ thống lý thuyết tâm trí đích thực hay chỉ áp dụng khớp mẫu từ dữ liệu ngôn ngữ huấn luyện. Các nỗ lực nguyên mẫu gồm ToMnet của DeepMind, thiết kế để suy luận niềm tin của tác tử khác trong môi trường mô phỏng.

AI tự nhận thức

AI tự nhận thức mô tả khái niệm máy móc sở hữu ý thức, cảm nhận và hiểu rõ về sự tồn tại riêng của mình tách biệt với thế giới xung quanh. 

Đây không chỉ là trí tuệ mà còn là trải nghiệm chủ quan. Một cỗ máy như vậy không chỉ xử lý thông tin về bản thân mà còn có cảm thức "tôi tồn tại" với cảm xúc, nhu cầu và mong muốn đi kèm.

Cấp độ này vượt quá khả năng tính toán, chạm tới câu hỏi triết học về bản chất của ý thức. Liệu một AI tự nhận thức có trải nghiệm đau đớn, khoái cảm, hay sợ bị tắt? Nếu có, nó có xứng đáng được cân nhắc đạo đức hay có quyền lợi? Những câu hỏi này chuyển cuộc thảo luận từ kỹ thuật sang đạo đức.

Hiện chưa có hệ thống nào tiệm cận cấp độ này. Ví dụ hư cấu như HAL 9000 trong 2001: A Space Odyssey hay Data trong Star Trek minh họa khái niệm này, nhưng việc đạt được vẫn còn mang tính suy đoán.

Các loại mô hình AI chủ chốt

Vượt ra khỏi lý thuyết cấp cao, người làm dữ liệu cần hiểu các kiến trúc cụ thể họ sẽ gặp trong sản xuất. Nhìn chung, các loại mô hình AI dùng trong ngành ngày nay có thể phân thành người tạo và người phân tích. Bạn có thể đọc thêm về phân biệt này trong bài viết mô hình sinh nội dung so với mô hình phân biệt.

AI sinh nội dung: Người tạo

Các mô hình AI sinh nội dung được thiết kế để tạo ra dữ liệu mới giống với dữ liệu huấn luyện. Chúng học phân phối xác suất nền tảng của một tập dữ liệu để tạo văn bản, hình ảnh, mã hoặc âm thanh nguyên bản. Sự chuyển dịch từ phân tích sang sáng tạo này mang lại nhiều khả năng cho tạo nội dung quy mô lớn, tăng cường sáng tạo và mô phỏng. 

Ví dụ phổ biến gồm LLM như Claude cho viết lách và lập trình, mô hình khuếch tán như Midjourney hoặc Nano Banana Pro để tổng hợp hình ảnh, và mô hình tạo video như Sora có thể mô phỏng cảnh phức tạp. Đáng chú ý, không phải mọi trình tạo ảnh đều dựa trên khuếch tán; các mô hình như GPT Image 1.5 dùng kiến trúc tự hồi quy.

AI sinh nội dung là bước tiến lớn trong quy trình AI agentic, nơi mô hình không chỉ phản hồi mà còn chủ động tạo tài nguyên hoặc kế hoạch. Chúng ta sẽ xem xét chi tiết tác tử AI sau.

AI phân biệt: Người phân tích

Trong khi AI sinh nội dung chiếm tiêu đề, AI phân biệt, còn gọi là AI dự đoán, vẫn là xương sống của vận hành doanh nghiệp. Các mô hình này không tạo dữ liệu mới; thay vào đó, chúng học ranh giới giữa các lớp trong tập dữ liệu để phân loại đầu vào hoặc dự đoán giá trị tương lai.

Giá trị kinh doanh của AI phân biệt nằm ở khả năng hỗ trợ ra quyết định và đánh giá rủi ro. Tổ chức dùng các mô hình này để tự động hóa phán quyết đòi hỏi áp dụng nhất quán các tiêu chí đã học.

Khác với mô hình sinh, mô hình phân biệt không tập trung vào sáng tạo mà ưu tiên độ chính xác và độ tin cậy, thường hoạt động trong bối cảnh rủi ro cao nơi sai sót mang hậu quả đáng kể.

Ví dụ gồm:

• Mô hình chấm điểm tín dụng dự đoán rủi ro vỡ nợ.
• Bộ lọc spam phân loại email là rác hay hợp lệ.
• Công cụ chẩn đoán y khoa phát hiện bất thường trong X-quang.
• Hệ thống giám sát tài chính phát hiện giao dịch gian lận. 

Mô hình nền tảng

Mô hình nền tảng được huấn luyện trên tập dữ liệu khổng lồ, đa dạng gồm văn bản, hình ảnh, mã và dữ liệu có cấu trúc, học các mẫu tổng quát áp dụng xuyên miền. Một mô hình nền tảng không chỉ học phân loại ảnh hay sinh văn bản; nó phát triển hiểu biết rộng về ngôn ngữ, suy luận và kiến thức thế giới, có thể chuyển giao sang nhiệm vụ mới với rất ít huấn luyện bổ sung.

Cách tiếp cận này giúp giảm mạnh thời gian và dữ liệu cần để triển khai AI cho ứng dụng mới. Thay vì xây dựng mô hình riêng cho từng vấn đề cụ thể, tổ chức sẽ tinh chỉnh một mô hình nền tảng duy nhất cho các tác vụ đa dạng, từ phân tích tài liệu pháp lý đến sinh mã và dịch ngôn ngữ.

Hiện chúng ta đang chứng kiến sự trỗi dậy của Mô hình ngôn ngữ nhỏ (SLM). Đây là các phiên bản hiệu quả, chưng cất từ mô hình nền tảng, được thiết kế để chạy cục bộ trên thiết bị (như laptop hoặc điện thoại), mang lại quyền riêng tư và tốc độ mà không tốn chi phí tính toán lớn trên đám mây.

Các loại tác tử AI

AI đang tiến hóa từ công cụ thụ động thành các tác tử tự chủ có khả năng thực thi quy trình phức tạp. Trong khi mô hình tiêu chuẩn chờ đầu vào để cho ra đầu ra, một Tác tử AI có thể tri nhận môi trường, suy luận cách đạt mục tiêu và hành động để thực thi. Để hiểu kiến trúc phía sau tác tử và cách xây dựng chúng, tôi khuyến nghị bắt đầu với khóa học Introduction to AI Agents.

Các loại tác tử AI thường được phân loại theo mức độ phức tạp và tự chủ. Hãy cùng xem.

Tác tử phản xạ đơn giản

Tác tử phản xạ là dạng đơn giản nhất. Chúng vận hành theo quy tắc "Điều kiện-Hành động" nghiêm ngặt, chỉ phản ứng với tri nhận hiện tại và bỏ qua lịch sử. Nhiệt kế thông minh là ví dụ điển hình với các quy tắc như: Nếu nhiệt độ xuống dưới 68°F, bật sưởi. Nếu vượt 72°F, bật làm mát. 

Robot dây chuyền lắp ráp là ví dụ khác; chúng hành động khi cảm biến phát hiện điều kiện cho thấy linh kiện đã tới vị trí chỉ định. Tác tử phản xạ xuất sắc ở tác vụ lặp lại trong môi trường ổn định, nhưng gặp khó khi điều kiện thay đổi bất ngờ do thiếu hiểu biết ngữ cảnh để thích nghi.

Tác tử phản xạ dựa trên mô hình

Tác tử phản xạ dựa trên mô hình duy trì một mô hình thế giới nội tại, theo dõi trạng thái theo thời gian để xử lý môi trường quan sát không đầy đủ. Chúng không chỉ phản ứng, mà còn ghi nhớ thông tin then chốt để vận hành đúng.

Hệ thống phanh khẩn cấp tự động là ví dụ: chúng hợp nhất dữ liệu từ radar và camera để theo dõi quỹ đạo xe theo thời gian, thay vì chỉ phản ứng với mối đe dọa tức thời. Chúng duy trì ước lượng trạng thái chính xác ngay cả khi thông tin không đầy đủ, như ghi nhớ vị trí ước tính của một xe sau khi nó khuất sau xe tải.

Tác tử dựa trên mục tiêu

Tác tử dựa trên mục tiêu hành động để đạt mục tiêu cụ thể chứ không chỉ phản ứng. Với mục tiêu như "lên kế hoạch du lịch Ý", chúng cân nhắc nhiều chuỗi hành động và đánh giá chuỗi nào dẫn tới thỏa mãn mục tiêu. Đây là mũi nhọn của AI agentic.

Các công cụ như Roo Code cho kỹ thuật phần mềm hoặc trợ lý đặt chỗ tự động thực hiện quy trình nhiều bước như tìm kiếm, so sánh, kiểm tra ràng buộc và ra quyết định để hoàn thành trọn vẹn công việc. Nền tảng quy trình như n8n cho phép xây dựng tiến trình phức tạp, nơi tác tử AI xử lý các điểm quyết định và logic thích ứng.

Nếu bạn muốn xây nền tảng vững chắc về Tác tử AI, tôi khuyến nghị lộ trình AI Agent Fundamentals.

Tác tử dựa trên hàm lợi ích 

Tác tử dựa trên hàm lợi ích tiến thêm một bước: chúng tối ưu con đường đạt mục tiêu tốt nhất thay vì bất kỳ con đường nào khả thi. Chúng làm vậy bằng các hàm lợi ích gán điểm số cho kết quả, cho phép so sánh định lượng. 

Trong khi tác tử dựa trên mục tiêu đặt bất kỳ chuyến bay nào đến Rome, tác tử dựa trên hàm lợi ích cân nhắc chi phí, thời gian bay, số lần quá cảnh và giờ khởi hành để tối đa hóa lợi ích tổng thể.

Ví dụ gồm hệ thống giao dịch thuật toán cân bằng lợi nhuận với rủi ro, và ứng dụng dẫn đường như Waze tối ưu tuyến theo sở thích người dùng như nhanh nhất, ngắn nhất, hoặc tránh trạm thu phí.

Tác tử học tập

Tác tử học tập vận hành trong môi trường chưa biết hoặc thay đổi, liên tục cải thiện qua trải nghiệm mà không cần can thiệp của con người. Kiến trúc gồm một bộ phê bình cung cấp phản hồi hiệu suất và một thành phần học tập điều chỉnh chính sách của tác tử. 

Tàu thăm dò sao Hỏa học những đặc điểm địa hình nào cho thấy lối đi an toàn khi gặp các cấu trúc địa chất mới. Thuật toán gợi ý của Netflix là ví dụ khác: nó liên tục tinh chỉnh hiểu biết về sở thích người dùng dựa trên lịch sử xem, từ đó cải thiện đề xuất theo thời gian.

Khung agentic: Xây dựng tác tử

Các khung agentic đóng vai trò hệ điều hành cho tác tử phức tạp, kết nối lõi suy luận (thường là LLM) với bộ nhớ, công cụ và điều phối đa tác tử. Chúng quản lý:

• Điều phối: Quyết định tác tử nào xử lý mỗi tiểu nhiệm vụ và quản lý quy trình giữa các thành phần
• Lập kế hoạch: Chia nhỏ mục tiêu phức tạp thành các bước khả thi và thích ứng khi hoàn cảnh đổi thay
• Sử dụng công cụ: Cung cấp quyền truy cập công cụ tìm kiếm, cơ sở dữ liệu, API, hoặc thực thi mã
• Bộ nhớ: Duy trì lịch sử hội thoại và ngữ cảnh dài hạn vượt ngoài tương tác tức thời

Các khung phổ biến gồm:

• LangChain/LangGraph: Tiêu chuẩn ngành để kết nối LLM với nguồn dữ liệu với nhiều tích hợp.
• Google ADK: Khung mã nguồn mở để xây dựng tác tử tinh vi trên Vertex AI.
• CrewAI: Điều phối nhiều tác tử nhập vai cộng tác trên các nhiệm vụ phức tạp.

Để tra cứu nhanh về các kiến trúc này, tôi khuyến nghị bạn xem AI Agents cheat sheet. 

Kết luận

Chúng ta đã đi qua khá nhiều nội dung; hãy tổng kết lại. 

Thay vì coi AI như một công nghệ đơn khối, chúng ta nên nhìn nhận nó là hệ sinh thái đa dạng của những cách tiếp cận chuyên biệt, mỗi cách phù hợp với vấn đề cụ thể. Hiểu AI đầy đủ đòi hỏi xem xét nó qua ba lăng kính khác biệt: công nghệ, năng lực và chức năng.

Hiện chúng ta đang ở giai đoạn chuyển tiếp từ AI hẹp tập trung vào nhiệm vụ cụ thể sang các hình thức AI agentic sơ kỳ có thể tự động thực thi quy trình phức tạp, biến đây thành điểm bùng phát quan trọng cho việc ứng dụng trên nhiều ngành.

Hãy bước đầu tiên để trở thành chuyên gia AI bằng cách đăng ký lộ trình kỹ năng AI Fundamentals.