Nội dung chính
Theo ước tính của NextMSC, quy mô thị trường AI toàn cầu trong năm 2024 là gần 1 tỷ USD, với năm 2022 gần 500 tỷ USD, và dự kiến sẽ tăng gấp 1.5 lần, lên đến 2 tỷ USD, vào năm 2030. Đáng nói, hầu hết các doanh nghiệp đều chỉ mới bắt đầu hành trình tìm hiểu các khả năng, phạm vi tiếp cận và sức mạnh của công nghệ này. Cùng ITviec tìm hiểu tổng quan về trí tuệ nhân tạo trong bài viết này!
Đọc bài viết này để hiểu rõ:
- Trí tuệ nhân tạo là gì
- Các nhánh trí tuệ nhân tạo
- Cách hoạt động của trí tuệ nhân tạo
- Lợi ích và tác hại của trí tuệ nhân tạo
- Xu hướng trí tuệ nhân tạo năm 2024
Trí tuệ nhân tạo là gì?
Trí tuệ nhân tạo (Artificial Intelligence – gọi tắt là AI) là sự đột phá của hệ thống máy tính có thể tự động hóa trong việc xử lý những tác vụ vốn đòi hỏi nhận thức từ con người.
Đây là hệ thống sử dụng những công nghệ tiên tiến như xử lý ngôn ngữ tự nhiên (NLP), học máy, hệ thống chuyên gia, mạng robots, để mang lại độ chính xác, khả năng thích ứng với năng suất cao.
| Loại AI | Định nghĩa | Nhiệm Vụ |
| Trí tuệ nhân tạo hẹp (Artificial Narrow Intelligence – ANI) | Là loại được đào tạo và tập trung để thực hiện các tác vụ đơn lẻ bằng cách lấy thông tin từ một bộ dữ liệu cụ thể. | Chủ yếu được sử dụng để thực hiện các công việc đơn lẻ một cách cụ thể và cơ bản nhất. ANI có thể tham gia vào quá trình nhận dạng khuôn mặt, nhận dạng hình ảnh, nhận dạng giọng nói, đứng đằng sau các tính năng của công cụ tìm kiếm. |
| Trí tuệ nhân tạo tổng hợp (Artificial General Intelligence – AGI) | Hay còn được gọi là AI mạnh, trong đó máy móc sẽ có trí thông minh ngang bằng với con người | sở hữu khả năng tự nhận thức và khả năng giải quyết vấn đề, học hỏi và lập kế hoạch cho tương lai. Công nghệ này sẽ hệ thống hoá máy móc để thực hiện nhiều tác vụ cùng một lúc. |
| Siêu trí tuệ nhân tạo (Artificial Super Intelligence – ASI) | Là một cấp độ AI vượt trội hẳn so với trí tuệ và khả năng của con người. | ASI có thể giải quyết các vấn đề phức tạp nhất với hiệu suất vượt trội và khả năng xử lý dữ liệu đào tạo, giúp đẩy nhanh quá trình tạo ra các công nghệ mới và tìm ra giải pháp mà ngày nay chúng ta thậm chí không thể tưởng tượng được. |
Lịch sử phát triển của trí tuệ nhân tạo
Từ khi được phát minh đến thời điểm hiện tại, trí tuệ nhân tạo đã ghi lại rất nhiều dấu ấn trong hành trình phát triển. Cùng điểm qua một số mốc lịch sử ấn tượng của AI:
| 1940s – 1950s:
Sự hình thành của trí tuệ nhân tạo |
Đây là cột mốc đánh dấu sự ra đời về khái niệm trí tuệ nhân tạo, nổi bật nhất có thể kể đến như cuốn sách với tựa đề “Computing Machinery and Intelligence” (Tạm dịch: Máy tính và trí thông minh) của nhà toán học người Anh, Alan Turing.
Ông đề xuất một phép tính mà vẫn được ứng dụng đến ngày nay gọi là Phép thử Turing, một phương pháp đo lường tư duy của hệ thống máy tính bằng cách so sánh giữa khả năng suy nghĩ của máy tính thông qua các câu hỏi và câu trả lời của con người. |
| 1960s:
Những ứng dụng trí tuệ nhân tạo đầu tiên ra đời |
Tiềm năng của AI ngày càng phát triển khi hàng loạt các ngôn ngữ lập trình như LISP, COBOL và FORTRAN, cũng như chatbot đầu tiên có tên ‘ELIZA’ ra đời. Tiếp đến là chiếc máy tính có tên ‘Mark 1 Perceptron’, được xây dựng dựa trên mạng thần kinh nhân tạo (biological neural network – BNN).
Hay Nhật Bản chế tạo thành công ‘WABOT-1,’ mẫu robot hình người đầu tiên, được phát triển và huấn luyện để thực hiện các nhiệm vụ phức tạp trong nhiều ngành công nghiệp khác nhau. |
| 1970s – 1980s:
Mùa đông AI |
Giai đoạn mùa đông AI (AI Winter) là những bước tiến lùi của công nghệ này khi các khoản tài trợ từ chính phủ hay sự quan tâm đến AI giảm do liên tục xảy ra những dự án thất bại.
Tuy nhiên, đây cũng là lúc AI được tăng nhận thức trên phương diện tri thức, chẳng hạn như là sự thành lập của phòng thí nghiệm AI của Đại học Stanford vào năm 1963. |
| 1990s:
Ứng dụng AI trong các ngành công nghiệp |
Đây là giai đoạn đánh dấu sự hồi sinh của trí tuệ nhân tạo nhờ vào những tiến bộ trong thuật toán học máy (machine learning), và sự gia tăng về khả năng tính toán. Thời điểm này là lúc các ứng dụng AI tham gia vào việc khai thác dữ liệu, chẩn đoán y tế và sự khởi đầu của Internet. |
| 2000s:
Kỷ nguyên mới của AI |
Đây là kỷ nguyên chứng kiến những công nghệ tiên tiến nhất ra đời, là sự tham gia của AI vào cuộc sống hằng ngày của con người, chẳng hạn như công cụ tìm kiếm trên Internet (Google, Microsoft Bing).
Bên cạnh đó, Roomba của iRobot giúp việc dọn dẹp hiệu quả hơn bằng các sáng chế về robot hút bụi. Nhật Bản cho thấy sự đi đầu về robot AI với khả năng đi lại và thực hiện việc phục vụ trong nhà hàng. Về lĩnh vực khoa học, các dự án như Blue Brain đã tận dụng trí tuệ nhân tạo để mô phỏng bộ não con người. |
| 2020s:
AI trở thành một phần của cuộc sống con người |
Giờ đây, AI đã trở thành một phần không thể thiếu trong cuộc sống hàng ngày của con người và đã có chỗ đứng cho mình trong quá trình phát triển của các ngành công nghiệp. Nổi bật nhất là sự tham gia của AI trong lĩnh vực y tế đã giúp chẩn đoán bệnh nhanh hơn con người và cá nhân hóa kế hoạch điều trị.
Từ năm 2020 trở đi đã chứng kiến những chatbot sử dụng mô hình ngôn ngữ lớn (Large language model – LLM) để đưa ra những câu trả lời từ lệnh người dùng đặt ra, có thể hỗ trợ (thậm chí thay thế) những công việc của con người như ChatGPT, robot tự động (robot hút bụi), nền tảng giải trí (Netflix) và mạng xã hội (Facebook, Instagram) sử dụng các thuật toán AI và phân tích dữ liệu để nắm được hành vi và cải thiện tính cá nhân hoá trong trải nghiệm người dùng. |
Các nhánh của trí tuệ nhân tạo thường gặp
Nghiên cứu AI đã phát triển thành công các ứng dụng hiệu quả để giải quyết nhiều vấn đề. Tuy nhiên, đằng sau hệ thống đó là các nhánh công nghệ trí tuệ nhân tạo với trọng tâm và bộ kỹ thuật riêng, bao gồm:
Học máy (Machine Learning)
Đây là khái niệm liên quan đến việc phát triển các thuật toán có khả năng tự cải thiện độ chính xác của nó từ dữ liệu mẫu (training data). Thuật toán ML được ứng dụng đa dạng, bao gồm nhận dạng hình ảnh, lọc thư rác và xử lý ngôn ngữ tự nhiên.
Các thư viện được sử dụng: Scikit-Learn, NumPy, Pandas cho Python và Tidyverse cho R.
Học sâu (Deep Learning)
Đây là một lĩnh vực con của học máy mô tả quá trình hoạt động với các mạng nơ-ron nhân tạo và thông qua các thuật toán để bắt chước khả năng tư duy và xử lý dữ liệu của bộ não con người.
Các thư viện như: Keras, Tensorflow, Pytorch hỗ trợ nhiều ngôn ngữ lập trình.
Xử lý ngôn ngữ tự nhiên (Natural language processing – NLP)
Xử lý sự tương tác giữa máy tính và ngôn ngữ của con người. Kỹ thuật NLP được sử dụng để hiểu và xử lý ngôn ngữ của con người và trong các ứng dụng khác nhau, bao gồm dịch máy, nhận dạng giọng nói và phân tích văn bản.
Các thư viện nổi tiếng như: NLTK, spaCy, TextBlob.
Hệ thống chuyên gia
Đây là các chương trình máy tính được thiết kế để mô phỏng khả năng suy luận và ra quyết định của các chuyên gia.
Hệ thống này được ứng dụng rộng rãi bao gồm chẩn đoán y tế, lập kế hoạch tài chính và dịch vụ khách hàng.
Thư viện mã gen AlphaFold là một trong những ví dụ rất nổi tiếng có thể tạo nên cuộc cách mạng trong tìm ra phương pháp chữa ung thư.
Trí tuệ nhân tạo hoạt động như thế nào?
Hoạt động của AI được hình thành qua 5 bước: đầu vào, xử lý, kết quả, điều chỉnh và đánh giá. Những bước này thực hiện theo một vòng lặp để giúp AI cải thiện độ chính xác qua mỗi thế hệ.
Quy trình hoạt động của trí tuệ nhân tạo.
Đầu vào
Đầu vào là dữ liệu vào được thu thập từ nhiều nguồn khác nhau như cơ sở dữ liệu, API, hay cảm biến có thể là dưới dạng văn bản, âm thanh, video, v.v.
Hệ thống cần chuẩn bị một kho lưu trữ dữ liệu trí tuệ nhân tạo khổng lồ để ghi lại lương thông tin của các dự án như những tập cơ sở dữ liệu, hồ dữ liệu (data lake), đến đại dương dữ liệu (data ocean), và nhiều kho phân tán khác.
Khi đã được lưu trữ trong hệ thống, dữ liệu đầu vào được sắp xếp thành các danh mục, ví dụ như bao gồm những thông tin nào có thể được đọc bằng thuật toán và những thông tin nào không thể đọc được. Sau đó, bạn sẽ tạo giao thức và tiêu chí để xử lý và sử dụng dữ liệu cho các mục tiêu cụ thể. Các dữ liệu sẽ được chia ngẫu nhiên vào hai loại mẫu: mẫu để học và mẫu để kiểm tra.
Tiền xử lý và Huấn luyện mô hình AI
Sau khi thu thập dữ liệu, bạn cần phải thực hiện quy trình tiền xử lý và chuyển đổi dữ liệu thô thành một loại định dạng phù hợp với mô hình trí tuệ nhân tạo. Quá trình này bao gồm làm sạch dữ liệu, trích xuất tính năng, chuẩn hoá và giảm kích thước.
Cuối cùng, trong giai đoạn huấn luyện mô hình AI, dữ liệu sẽ được sắp xếp và giải mã thông qua việc nhận diện chúng với những cái tương tự đã lập trình sẵn trong hệ thống. Quá trình này AI có thể học dữ liệu từ mẫu để học thông qua 2 hình thức là có giám sát (supervised learning) và không giám sát (unsupervised learning).
Quá trình xây dựng và đào tạo các mô hình AI sẽ bao gồm việc lựa chọn các thuật toán, kiến trúc và khung phù hợp dựa trên vấn đề và nguồn lực sẵn có, ví dụ chọn GPU hoặc bộ tăng tốc phần cứng chuyên dụng có thể được sử dụng để đẩy nhanh quá trình đào tạo.
Kết quả
Sau bước huấn luyện mô hình AI, bạn có thể sử dụng mẫu kiểm tra từ bước 1 để đánh giá độ chính xác. Ở bước này, AI được lập trình để quyết định xem dữ liệu cụ thể là “đạt” hay “không đạt,” hay đơn giản là xem liệu dữ liệu đó có khớp với các mẫu trước đó không. Từ đó xác định kết quả có thể sử dụng để đưa ra quyết định hay không.
Đánh giá kết quả bao gồm phân tích hiệu suất của các mô hình AI được đào tạo bằng cách sử dụng các số liệu và kỹ thuật đánh giá phù hợp. Quy trình này có thể bao gồm việc sử dụng các bộ xác thực hoặc xác thực chéo để so sánh các mô hình hoặc siêu tham số khác nhau. Để kết quả được tối ưu nhất cho người dùng, cần kết hợp với các công cụ công nghệ trực quan và kỹ thuật phân tích thống kê.
Điều chỉnh
Nếu kết quả kiểm tra chưa đạt, có thể điều chỉnh quy tắc của thuật toán cho phù hợp với tập dữ liệu mới hay thay đổi thuật toán.
Đánh giá
Bước cuối cùng để AI hoàn thành nhiệm vụ được giao là đánh giá. Tại đây, công nghệ AI tổng hợp những thông tin thu được từ tập dữ liệu để đưa ra kết quả và điều chỉnh.
Mô hình được đào tạo và đánh giá cần được triển khai vào môi trường sản xuất có thể hỗ trợ dự đoán hoặc thực hiện các nhiệm vụ trong thời gian thực. Điều này liên quan đến việc thiết lập API, nhánh dịch vụ không có máy chủ để hiển thị chức năng của mô hình.
Lợi ích và tác hại của trí tuệ nhân tạo
Lợi ích của trí tuệ nhân tạo
| Lợi ích | Mô tả |
| Hạn chế sai sót trong các tác vụ | Các hệ thống AI, khi được lập trình chính xác, sẽ không xảy ra lỗi do phân tích dự đoán, từ đó, nâng cao độ chính xác và hiệu quả, đồng thời tiết kiệm thời gian và tài nguyên. |
| Tự động hóa các quy trình lặp đi lặp lại | Thay vì phải tự thực hiện các tác vụ lặp đi lặp lại, AI giúp tự động hóa quá trình, cho phép chỉ cần nhập dữ liệu vào một lần, giúp tiết kiệm thời gian của nhân viên. |
| Xử lý dữ liệu lớn | Có khả năng xử lý và phân tích dữ liệu có khối lượng và dung lượng lớn một cách nhanh chóng, trích xuất và chuyển đổi thông tin liên quan để phân tích sâu hơn. |
| Cho phép đưa ra quyết định nhanh chóng | Sử dụng thuật toán để Đẩy nhanh quá trình thu thập thông tin và tổng hợp dữ liệu, đảm bảo tính khả dụng liên tục để đưa ra quyết định nhanh chóng. |
| Giúp cải thiện quy trình và quy trình làm việc | Tăng hiệu quả, năng suất và doanh thu của công ty bằng cách tối ưu hóa quy trình và tạo quy trình làm việc tốt hơn, ít xảy ra lỗi. |
| Sẵn sàng làm việc toàn thời gian | Hoạt động 24/7, xử lý các công việc lặp đi lặp lại liên tục mà không làm giảm năng suất của con người. |
Khuyết điểm của trí tuệ nhân tạo
Bên cạnh lợi ích, trí tuệ nhân tạo cũng có những yếu điểm cần được xem xét trước khi ứng dụng:
| Khuyết điểm | Mô tả |
| Chi phí cao | Việc phát triển hệ thống AI rất tốn kém, đòi hỏi đầu tư đáng kể vào phần cứng và phần mềm để đáp ứng các yêu cầu ngày càng phát triển. |
| Không có tính sáng tạo | AI thiếu tính sáng tạo bởi vì nó được xây dựng và học từ dữ liệu mà không có sự can thiệp của con người. |
| Đe doạ nghề nghiệp | Sự phụ thuộc vào Robot và AI có thể giảm thiểu sự tham gia của con người ở một số lĩnh vực, hay thậm chí là thất việc cho một số ngành nghề như bán hàng, nhân viên ngân hàng, v.v. |
| Vô cảm | AI thiếu khả năng hình thành các kết nối cảm xúc, hay nói đúng hơn, việc thiếu tính đạo đức làm dấy lên lo ngại về những tiến bộ không được kiểm soát có khả năng đe dọa nhân loại. |
Xu hướng trí tuệ nhân tạo năm 2024 và tương lai
Trí tuệ nhân tạo đang ngành càng phát triển rõ rệt. Vì vậy, các chuyên gia công nghệ với tầm nhìn lớn đang vẽ ra một bức tranh với các xu hướng AI cần được xem xét trong năm 2024:
Chatbot tùy chỉnh
Năm 2024 có thể sẽ chứng kiến sự ra đời của các chatbot tuỳ chỉnh cho phép người dùng xây dựng ngay cả khi không biết cách viết code. AI giờ đây có thể không chỉ xử lý văn bản mà còn cả hình ảnh và video, và nhiều khả năng mới. Điều này có thể được hỗ trợ bằng các ‘gã khổng lồ’ công nghệ như Google và OpenAI.
Khi OpenAI cho ra mắt Sora – một mô hình chuyển văn bản thành video với độ dài tối đa một phút trong khi vẫn duy trì chất lượng hình ảnh và tuân thủ lời nhắc của người dùng, vào tháng 2/ 2024 đã tạo ra một cú “hit” lớn.
Mô hình ngôn ngữ nhỏ (Small language models – SLM)
Mô hình AI lớn được ứng dụng rộng rãi nhờ vào khả năng xử lý khối lượng dữ liệu lớn. Tuy nhiên, điều này đồng nghĩa với việc những mô hình này sẽ cần nhiều năng lượng để hoạt động, gây ảnh hưởng đến môi trường. Vì vậy, năm 2024 sẽ chứng kiến sự phát triển các mô hình ngôn ngữ nhỏ (Small language models – SLM).
Ví dụ, Phi 2 của Microsoft là SLM dựa trên máy biến áp được thiết kế để hoạt động hiệu quả và linh hoạt khi triển khai trên nền tảng đám mây và biên.
Theo Microsoft, Phi 2 thể hiện hiệu năng vượt trội về khả năng suy luận toán học, hiểu biết thông thường, hiểu ngôn ngữ và suy luận logic.
| Yếu tố | SLM (Small Language Model) | LLM (Large Language Model) |
| Kích thước | Có thể có ít hơn 15 triệu tham số. | Có thể có hàng trăm tỷ tham số. |
| Yêu cầu tính toán | Có thể thực thi chỉ với bộ xử lý thiết bị di động | Cần hàng trăm bộ xử lý GPU. |
| Hiệu suất | Có thể xử lý các tác vụ đơn giản. | Có thể xử lý các nhiệm vụ phức tạp, đa dạng. |
| Khả năng triển khai | Dễ dàng triển khai hơn trong môi trường có hạn chế về tài nguyên | Đòi hỏi cơ sở hạ tầng nâng cao. |
| Đào tạo | Một tuần | Vài tháng |
Robot đa nhiệm
Các chuyên gia về robot đang sử dụng ý tưởng từ AI để tạo ra những robot có thể thực hiện đa nhiệm, không tập trung vào một nhiệm vụ duy nhất. Thay vì có nhiều chương trình nhỏ với một tác vụ cụ thể, robot đa nhiệm được hình thành từ chương trình lớn, tích hợp tất cả vào một.
Đa mô hình (Multimodal AI Models)
Đây là xu hướng giúp trí tuệ nhân tạo thực hiện nhiều tác vụ hoàn toàn khác nhau. Một số mô hình ngôn ngữ minh hoạ quá trình này bao gồm Mistral, Llama 2 và GPT-4.
Việc tận dụng các loại dữ liệu AI đa dạng, hiểu được các mô hình phổ biến như GPT-4V hay LLava có thể hỗ trợ tính ứng dụng trí tuệ nhân tạo vào hoạt động doanh nghiệp một cách năng động và trực quan hơn.
AI chạy bằng máy tính lượng tử (Quantum AI)
Xu hướng này khai thác máy tính lượng tử để chạy các thuật toán trí tuệ nhân tạo, là một phát minh tiến bộ vượt giới hạn của điện toán cổ điển.
Hoạt động với các bit lượng tử (quantum bits – qubit), khác với các bit thông thường, vì chúng tận dụng khả năng tồn tại đồng thời ở nhiều trạng thái. Điều này là sư cải thiện theo cấp số nhân với sức mạnh xử lý, cho phép AI lượng tử phân tích và xử lý các bộ dữ liệu phức tạp, rộng lớn với tốc độ chưa từng có.
AI có luồng suy nghĩ và tự đưa ra quyết định hành động (Autonomous Agents In Generative AI)
Trí tuệ nhân tạo đang ở trạng thái chuyển đổi sâu sắc dưới sự thúc đẩy từ các tác nhân tự trị kết hợp AI đa phương thức và các thuật toán tiên tiến.
Nhờ vào ứng dụng thư viện thuật toán LangChain và LlamaIndex, AI có thể tự hành động theo từng bước để thực hiện công việc được giao và đưa ra kết luận sáng suốt.
Các câu hỏi thường gặp về trí tuệ nhân tạo
AI có nhận thức không?
AI không có nhận thức, theo các chuyên gia nhận định tại thời điểm hiện tại.
Nguyên nhân chính được cho là vì con người chưa thể xây dựng một cơ sở hạ tầng để tạo ra “nhận thức”, cũng như chưa nắm được “nhận thức” thực sự là gì. Bên cạnh đó, điều này cũng trở nên khó khả thi khi thiếu sự hỗ trợ từ các công ty công nghệ lớn toàn cầu như Google, Apple, Meta, Microsoft.
Những “gã khổng lồ” này đang tập trung vào lĩnh vực trí tuệ nhân tạo tổng hợp (AGI) để tạo ra một cỗ máy trí tuệ nhân tạo có thể giải quyết nhiều vấn đề phức tạp, có khả năng tự động hóa thay vì tạo ra “nhận thức” cho AI.
Mối quan hệ giữa AI, Machine Learning và Deep Learning là gì?
Mối liên hệ giữa AI, Machine Learning (Học máy), và Deep Learning (Học sâu).
Trí tuệ nhân tạo (AI) là một chương trình công nghệ có khả năng cảm nhận, hành động, và làm quen với nhiều môi trường khác nhau như bộ não con người.
Học máy (machine learning) là một nhánh của AI, là những thuật toán đứng đằng sau giúp cải thiện bộ máy thông qua những dữ liệu được học.
Học sâu (deep learning) là một nhánh con của AI và học máy, và là mạng lưới thần kinh với nhiều lớp cho phép xử lý lượng lớn dữ liệu, nâng cao khả năng nhận dạng từ các mẫu được lập trình sẵn và đưa ra quyết định.
Các ngôn ngữ lập trình sử dụng trong trí tuệ nhân tạo là gì?
- Python (phổ biến nhất)
- R (phổ biến nhì)
- Scala (phổ biến thứ ba)
- Java
- Julia
- JavaScript
- C++
Đọc thêm: C++ là gì: Tổng quan về C++ và Những câu hỏi C++ thường gặp
Tổng kết về trí tuệ nhân tạo
Trí tuệ nhân tạo đang phát triển vượt bật hơn bao giờ hết, với tính ứng dụng ngày càng rộng rãi. Thông qua bài viết này, việc hiểu được khái niệm, các nhánh công nghệ thiết lập, cách hoạt động, hay xu hướng trí tuệ nhân tạo là lợi thế để bạn có thể bắt đầu tận dụng công nghệ này một cách thông minh để cải thiện đời sống một cách chính xác và hiệu quả hơn.
Bạn thấy bài viết hay và hữu ích? Đừng ngại Share với bạn bè và đồng nghiệp nhé.
Và nhanh tay tham khảo việc làm IT “chất” trên ITviec!