[Introduction to AI technology] Từ trang 4 đến 33

July 3, 2026 · 85 min read

Share to be shared

📚 Về bài dịch này

Đây là bản dịch tiếng Việt của "Introduction to AI technology" (Tác giả: Unknown Author). Bài được dịch tự động bởi Aha! Mind Interpreter — pipeline dịch sách kỹ thuật sử dụng Gemini Flash.

⚠️ Bản dịch tự động — có thể có lỗi. Vui lòng đối chiếu với bản gốc tiếng Anh khi cần độ chính xác cao.

Ngày nay, hầu như không thể lướt tin tức hoặc mạng xã hội mà không thấy nhắc đến Trí tuệ Nhân tạo (AI), và các tạp chí như Time, Science, Cosmopolitan và The Economist (chỉ là một vài ví dụ điển hình) đều đã dành những trang bìa trang trọng nhất để nói về AI trong năm 2023.

Cosmopolitan www.cosmopolitan.com

Time https://time.com

Economist www.economist.com

www.science.org

Nhưng AI bắt nguồn từ đâu và tại sao nó đột nhiên trở thành một chủ đề nóng hổi như vậy?

Báo cáo này nhằm mục đích trả lời những câu hỏi đó bằng cách cung cấp một cái nhìn tổng quan về công nghệ Trí tuệ Nhân tạo, các ứng dụng kinh doanh của nó và mối liên hệ của nó với ngành Du lịch & Lữ hành.

LỊCH SỬ SƠ LƯỢC VỀ TRÍ TUỆ NHÂN TẠO (AI)

AI đã thu hút được sự chú ý lớn trong những năm gần đây – đặc biệt là vào năm 2023 – nhưng AI không phải là một khái niệm mới. Lịch sử của nó có thể bắt nguồn từ sự phát triển của máy tính sau Chiến tranh Thế giới thứ hai, với Hội nghị Dartmouth năm 1956 quy tụ các nhà nghiên cứu từ nhiều lĩnh vực khác nhau để khám phá về "những cỗ máy biết suy nghĩ". Đây được coi là điểm khởi đầu của AI với tư cách là một lĩnh vực nghiên cứu riêng biệt, và cũng là nơi thuật ngữ "Artificial Intelligence" (Trí tuệ Nhân tạo) lần đầu tiên được sử dụng bởi các nhà tầm nhìn tại hội nghị đó.

Nhưng phải đến thời điểm chuyển giao thế kỷ, AI mới thực sự thu hút được sự chú ý của công chúng, khi siêu máy tính IBM Deep Blue đánh bại đại kiện tướng cờ vua Garry Kasparov vào năm 1997 nhờ các thuật toán trí tuệ nhân tạo do các kỹ sư IBM phát triển. Vài năm sau, vào năm 2011, máy tính IBM Watson đã chiến thắng chương trình trò chơi truyền hình Jeopardy của Mỹ sau khi được huấn luyện trên một tập dữ liệu khổng lồ.

Những sự kiện này đã lần đầu tiên chứng minh cho thế giới thấy rằng các máy tính được hỗ trợ bởi lượng dữ liệu khổng lồ và phần mềm trí tuệ nhân tạo – dù là những siêu máy tính cực mạnh nằm ngoài tầm tay của công chúng – hoàn toàn có khả năng vượt trội con người trong các tác vụ cực kỳ phức tạp.

Trong thập kỷ qua, một số công ty đã tiến thêm một bước xa hơn khi phát triển các hệ thống AI đạt được những kết quả đáng kinh ngạc và thực hiện được những tác vụ mà con người không thể làm được do quy mô và độ phức tạp quá lớn của thách thức. AlphaFold của Google Deepmind là một ví dụ điển hình. Chương trình này sử dụng AI để dự đoán cấu trúc 3D của hầu hết mọi protein trong cơ thể người. Điều này giúp chúng ta hiểu rõ hơn về các căn bệnh như Alzheimer và có thể đẩy nhanh đáng kể quá trình nghiên cứu dược phẩm, vắc-xin và thuốc điều trị. Do đó, y tế là một trong những ứng dụng quan trọng và hữu ích nhất của AI.

Vào năm 2018, một bức tranh mang tên "Edmond de Belamy, từ La Famille de Belamy" đã được bán tại nhà đấu giá Christie's ở New York với mức giá đáng kinh ngạc là 432.500 USD. Bức tranh này được tạo ra bằng trí tuệ nhân tạo sau khi được huấn luyện trên nhiều bức chân dung từ thế kỷ 18 và 19, và đây là tác phẩm nghệ thuật AI đầu tiên được bán đấu giá. Thương vụ này đã khơi mào cho một cuộc tranh luận lớn về vai trò tương lai của con người trong các ngành nghề sáng tạo như nghệ thuật và truyền thông kỹ thuật số.

Tranh vẽ AI (2018) Tranh vẽ AI (2023) Ảnh chụp AI (2023) Edmond de Belamy Girl with Glowing Earrings Pseudomnesia : The Electrician

Nhưng đó mới chỉ là khởi đầu cho sự bùng nổ của nội dung sáng tạo do AI tạo ra. Vào năm 2023, một bảo tàng ở The Hague (Hà Lan) đã cho một triển lãm quốc tế mượn bức tranh nổi tiếng thế giới Girl with Pearl Earring (khoảng năm 1665) của Johannes Vermeer, và tạm thời thay thế nó trong phòng trưng bày bằng một phiên bản lấy cảm hứng từ AI mang tên Girl with Glowing Earrings, khiến nhiều khách tham quan phòng trưng bày tin rằng đó là một bức tranh thật. Vào tháng 4 năm 2023, nghệ sĩ người Đức Boris Eldagsen đã giành giải thưởng Nhiếp ảnh Thế giới Sony 2023 với một bức ảnh mang tên Pseudomnesia: The Electrician, trước khi từ chối giải thưởng sau khi tiết lộ rằng tác phẩm được tạo ra bởi AI. (Pseudomnesia trong tiếng Latin có nghĩa là ký ức giả!)

Những hình ảnh này cho thấy công nghệ sáng tạo AI đã tiến xa như thế nào chỉ trong vài năm ngắn ngủi, từ khả năng tạo ra các bức chân dung AI chất lượng thấp vào năm 2018 cho đến những bức tranh vẽ AI chất lượng cao và những hình ảnh AI chân thực như ảnh chụp ngày nay. Cả hai hình ảnh Girl with Pearl Earring và Pseudomnesia đều được tạo ra bằng phần mềm AI hiện đã được cung cấp trực tuyến cho tất cả mọi người. Đây cũng là một phần lý do tại sao AI lại bùng nổ mạnh mẽ trong công chúng vào năm 2023, cho phép bất kỳ ai trong chúng ta cũng có thể trở thành một nghệ sĩ tiềm năng.

Nhưng hội họa và nhiếp ảnh không phải là những loại hình nghệ thuật duy nhất bị định hình bởi AI. Vào năm 2023, giải Grammy đã thông báo rằng âm nhạc được tạo ra bằng AI sẽ đủ điều kiện để xét giải thưởng, và Paul McCartney cũng thông báo rằng ông đã sử dụng AI để tách giọng hát của John Lennon từ một cuốn băng demo cũ. Vào cuối năm 2023, bản nhạc này đã được phát hành dưới dạng bài hát cuối cùng của The Beatles mang tên Now and Then [1], thu hút sự chú ý lớn của công chúng thuộc mọi thế hệ đối với AI. Nữ ca sĩ người Canada Grimes cũng đã mời mọi người tạo ra các bài hát mới bằng bản sao giọng hát AI của cô, đồng thời đề nghị chia đều tiền bản quyền cho bất kỳ bản nhạc AI nào thành công về mặt thương mại.

Tiến thêm một bước nữa, một lĩnh vực AI vẫn đang trong quá trình phát triển là video do AI tạo ra. Hãy tưởng tượng bạn có thể dễ dàng sản xuất một video tiếp thị cho doanh nghiệp chỉ trong vài phút trên máy tính xách tay văn phòng của mình, hoặc thậm chí chuyển thể cuốn sách yêu thích của bạn thành một bộ phim bằng AI. Mặc dù video do AI tạo ra hiện chưa đạt đến trình độ tiên tiến như vậy, nhưng rõ ràng AI đang tiến bộ nhanh chóng và có tiềm năng to lớn cho cả doanh nghiệp lẫn xã hội.

Tuy nhiên, cũng có những rủi ro và lo ngại về việc áp dụng AI trên quy mô rộng rãi, điều này sẽ được đề cập ở phần sau của báo cáo. Việc sử dụng AI đã dẫn đến một số sự kiện gây xôn xao dư luận, chẳng hạn như cuộc đình công của các diễn viên và biên kịch Hollywood vào năm 2023, một phần xuất phát từ những lo ngại về tác động của AI đối với ngành công nghiệp điện ảnh. Mối lo ngại của họ bao gồm khả năng viết kịch bản của AI và tiềm năng tạo ra một replica kỹ thuật số bằng AI của một diễn viên (hoặc diễn viên quần chúng) để đưa vào phim mà không cần sự hiện diện trực tiếp của diễn viên đó, thậm chí là rất lâu sau khi họ qua đời. Tác động đầy đủ của AI đối với các công việc trong tương lai vẫn chưa được xác định rõ ràng, nhưng có khả năng các cuộc đình công lao động sẽ xảy ra ở các ngành công nghiệp khác khi AI được triển khai sâu rộng hơn vào xã hội và các lĩnh vực công việc khác.

Cũng có mối lo ngại rằng AI có thể bị lợi dụng để tung tin giả (disinformation - việc cố ý chia sẻ thông tin sai lệch), đặc biệt là để can thiệp vào các cuộc bầu cử chính trị. Những hình ảnh chất lượng cao, chân thực như ảnh chụp – nhưng thực chất là giả – đã lan truyền chóng mặt trên internet, chẳng hạn như hình ảnh do AI tạo ra về Giáo hoàng mặc áo phao thời trang hay hình ảnh được cho là ghi lại cảnh bắt giữ cựu Tổng thống Mỹ Donald Trump. Cả hai hình ảnh này đều do AI tạo ra và đều là giả, nhưng chúng chân thực đến kinh ngạc, cực kỳ thuyết phục, được tạo ra trên máy tính cá nhân chỉ trong vài phút và được chia sẻ rộng rãi trên internet cũng như mạng xã hội. Do đó, rõ ràng là việc triển khai AI trên quy mô rộng khắp xã hội cần có các "hàng rào bảo vệ" (guardrails) để đảm bảo việc sử dụng phù hợp, có thể từ các quy định chính thức cho đến các bộ quy tắc ứng xử và hướng dẫn thực hành tốt nhất. Các lựa chọn này được thảo luận sâu hơn trong báo cáo đi kèm của WTTC về 'AI Risks & Governance'.

Những hình ảnh (giả) do AI tạo ra lan truyền rộng rãi về Giáo hoàng và cựu Tổng thống Mỹ Donald Trump

Nhưng không phải tất cả những người nổi tiếng đều phản đối AI và các replica kỹ thuật số – thường được gọi là "deepfakes". Ví dụ, cầu thủ bóng đá người Argentina từng vô địch World Cup, Lionel Messi, đã cho phép sử dụng một phiên bản deepfake của chính mình để quảng cáo đồ ăn nhẹ, như một phần trong hợp đồng tài trợ của anh với PepsiCo. Tại trang web www.messimessages.com, bất kỳ ai cũng có thể tạo và tải xuống điện thoại của mình một đoạn video tin nhắn deepfake ngắn được cá nhân hóa từ Messi, trong đó anh gọi đích danh bạn bè của bạn để mời họ mang đồ ăn đến và cùng xem trận đấu lớn với anh – thậm chí video còn có thể khiến Messi truyền tải thông điệp bằng chính giọng nói của mình bằng tiếng Anh, tiếng Tây Ban Nha, tiếng Bồ Đào Nha hoặc tiếng Thổ Nhĩ Kỳ!

Cầu thủ bóng đá người Argentina Lionel Messi: Deepfake Messi Messages

Vì vậy, AI đã thường xuyên xuất hiện trên các tiêu đề tin tức và giống như tất cả các xu hướng mới khác, một vài trường hợp nổi bật có thể thúc đẩy một công nghệ vốn ban đầu chỉ được sử dụng bởi một số ít người dùng sớm (early adopters) tiến tới việc được áp dụng rộng rãi trên toàn cầu. Đối với AI, điều này đã xảy ra với việc phát hành rộng rãi trên toàn thế giới một chatbot tích hợp AI tinh vi mang tên ChatGPT vào tháng 11 năm 2022 bởi một công ty có tên là OpenAI. Sự kiện này đã thu hút sự chú ý của công chúng, ghi nhận hơn 100 triệu người dùng chỉ trong vòng 2 tháng và biến nó (vào thời điểm đó) trở thành sản phẩm tiêu dùng phát triển nhanh nhất mọi thời đại. Điều này đã đưa AI trở thành xu hướng chủ lưu trong công chúng vào năm 2023 và khơi dậy làn sóng quan tâm đến AI trên toàn thế giới hiện nay.

Mặc dù ChatGPT là AI chatbot đầu tiên tiếp cận được lượng người dùng đại chúng, nhưng hiện tại đã có thêm nhiều lựa chọn khác bao gồm Google Bard, IBM Watsonx.ai và Microsoft Copilot, cùng với các sản phẩm khác được phát triển trên khắp thế giới, chẳng hạn như AI chatbot Ernie của Baidu tại Trung Quốc.

Những AI chatbot tinh vi này không phải là cách duy nhất để sử dụng AI, nhưng chúng đã phơi bày sức mạnh của AI trước công chúng, giúp mọi người giờ đây đều có thể truy cập trên máy tính để bàn và điện thoại thông minh (và thông qua các kết nối digital tới 'cloud'), không giống như những năm 1990 khi việc sử dụng AI chỉ giới hạn ở một số lượng rất nhỏ những người sở hữu supercomputer (chẳng hạn như IBM Deep Blue). Tương lai của AI vô cùng hứa hẹn và đang tiến hóa rất nhanh. Chúng ta không thể dự đoán chính xác AI sẽ định hình cuộc sống của chúng ta như thế nào trong vòng 5 đến 50 năm tới, nhưng phần tiếp theo sẽ giải thích tại sao hiện tại lại là thời điểm quyết định đối với tương lai của AI và xã hội.

ARTIFICIAL INTELLIGENCE LÀ GÌ & TẠI SAO LẠI CÓ SỰ QUAN TÂM TRÊN TOÀN CẦU HIỆN NAY

Một trong những khía cạnh quan trọng nhất của AI là nó là một công nghệ đa dụng (multi-use technology). Giống như điện, nó có thể được áp dụng theo nhiều cách khác nhau cho nhiều kịch bản khác nhau.

Không có một định nghĩa duy nhất, được chấp nhận rộng rãi nào cho Artificial Intelligence, nhưng Từ điển tiếng Anh Oxford định nghĩa AI là “khả năng của máy tính hoặc các máy móc khác trong việc thể hiện hành vi thông minh”. Điều này có nghĩa là các AI system dường như có thể suy nghĩ, học hỏi và hành động như con người, và trong một số trường hợp còn vượt trội hơn khả năng của con người. Các AI system có thể phân tích lượng data khổng lồ, giải quyết các vấn đề phức tạp, đưa ra quyết định và thực hiện các tác vụ sáng tạo.

Một số công nghệ AI đã tồn tại hơn 50 năm, nhưng những tiến bộ về computing power, sự sẵn có của lượng data khổng lồ và những phát triển mới trong các software algorithm đã dẫn đến những bước đột phá lớn của AI trong những năm gần đây. Chính ba thành phần gồm advanced algorithm, data và computing power này đã giải thích cách máy móc có thể thể hiện hành vi thông minh và tại sao AI lại đột ngột bùng nổ vào cuộc sống hàng ngày của chúng ta. Algorithm chỉ cho máy tính biết phải làm gì. Data chỉ cho máy tính biết cần học những gì. Computing power cung cấp cho máy móc sức mạnh để học hỏi và đưa ra quyết định

ALGORITHM: BỘ NÃO CỦA AI

'Traditional programming' (lập trình truyền thống) liên quan đến việc mã hóa kiến thức và kinh nghiệm của con người thành một tập hợp các quy tắc chính xác mà máy tính có thể làm theo từng bước một, giúp máy tính có vẻ như phản hồi một cách thông minh.

Những quy tắc này, được gọi là algorithm, chỉ cho máy tính cách thực hiện các tác vụ và trong traditional programming, chúng thường được biểu diễn dưới dạng 'IF-THEN-ELSE', tương tự như một decision tree. Ví dụ, để tạo ra một 'digital doctor' (bác sĩ kỹ thuật số), một algorithm có thể trông như thế này:

   IF the patient has a fever

       THEN prescribe Drug X

   ELSE send the patient home

Sự thông minh trong các hệ thống máy tính truyền thống đến trực tiếp từ kiến thức và chuyên môn của con người được ghi lại dưới định dạng mà máy tính có thể xử lý. Con người có thể đọc 'computer code' này và hiểu cách các digital system này đưa ra các quyết định cụ thể, từ đó có thể xác định lỗi và cải thiện system. Ví dụ, trong kịch bản 'digital doctor', các clause mới có thể được thêm vào để xử lý các trường hợp đặc biệt, hoặc để phản ánh kiến thức y khoa mới. Ví dụ:

   IF the patient has a fever AND is allergic to Drug X

       THEN prescribe Drug Y

   ELSE prescribe Drug X

Ví dụ này bắt đầu minh họa cho một hạn chế cốt lõi của các system được lập trình theo kiểu truyền thống. Để phát triển một 'digital doctor' hữu ích và đáng tin cậy, cần phải có một số lượng khổng lồ các quy tắc và ngoại lệ, khiến cho system sẽ nhanh chóng trở nên cực kỳ lớn và phức tạp. Hàng ngàn quy tắc IF-THEN-ELSE vẫn khó có thể nắm bắt được toàn bộ chuyên môn và kinh nghiệm tích lũy theo thời gian của một bác sĩ thực thụ. Do đó, traditional programming cho các 'intelligent system' phù hợp nhất với các môi trường bị giới hạn, không thay đổi nhiều theo thời gian và là nơi các quy tắc có thể được định nghĩa một cách chặt chẽ. Một ví dụ điển hình cho điều này có thể là một 'tax calculator' (công cụ tính thuế) thông minh, khi được cung cấp thu nhập tài chính của một cá nhân và các hoàn cảnh liên quan khác, nó có thể xem xét một loạt các quy tắc 'IF-THEN-ELSE' một cách hiệu quả để tính toán nghĩa vụ thuế của họ.

Traditional Programming & Artificial Intelligence (AI)

Khác với traditional programming, các AI system không được code một cách rõ ràng theo một chuỗi các bước chính xác, mà thay vào đó chúng 'học' cách giải quyết một vấn đề bằng cách kiểm tra training data. Trong ví dụ trên, một chương trình truyền thống (màu đỏ ở bên trái) đi qua một chuỗi các bước đã được định nghĩa và các điểm quyết định được lập trình sẵn tại A, B và C để đạt được kết quả D (màu xanh lá cây), trong khi ở ví dụ AI (màu xanh dương ở bên phải), system tự tính toán lộ trình tốt nhất để đạt được kết quả (đường ngoằn ngoèo đến điểm 2) dựa trên data mà nó đã được train (tại điểm 1), chứ không dựa trên các điểm quyết định được định nghĩa và lập trình sẵn một cách rõ ràng. Các AI system cũng có thể liên tục 'học hỏi từ kinh nghiệm', và do đó lộ trình đi đến kết quả có thể khác nhau mỗi khi AI system được chạy (giống như một tài xế lái xe chọn các tuyến đường khác nhau đi qua thành phố dựa trên kinh nghiệm về tình trạng giao thông vào các thời điểm khác nhau trong ngày).

Quay lại với ví dụ về 'digital doctor', một 'AI digital doctor' có thể được train trên hàng ngàn (hoặc hàng triệu!) bản scan y tế từ các bệnh nhân bị bệnh và khỏe mạnh để học cách phát hiện khối u, mà không cần tuân theo các quy tắc được định nghĩa trước vốn rất khó để mã hóa và viết ra. Nhiều bác sĩ có thể nói rằng kinh nghiệm đóng vai trò quan trọng trong chẩn đoán lâm sàng, nhưng một AI system có thể được train trên số lượng hình ảnh x-ray nhiều hơn rất nhiều so với những gì một bác sĩ có thể từng trải nghiệm trong đời, giúp các AI system có được khả năng vượt trội trong các lĩnh vực như phát hiện ung thư vú. Ví dụ, một nghiên cứu về AI của Thụy Điển vào năm 2023 cho thấy việc tầm soát ung thư vú được hỗ trợ bởi AI (phân tích hình ảnh mammogram) có hiệu quả tương đương với hai bác sĩ chẩn đoán hình ảnh làm việc cùng nhau [2]. Nó cũng giúp giảm 50% khối lượng công việc của họ và giúp phát hiện sớm hơn 20% số ca ung thư để điều trị kịp thời [3]. Điều này minh họa cho một số khả năng đáng kinh ngạc của AI và lợi ích của nó đối với xã hội.

Nhưng điều này cũng dẫn đến một khái niệm quan trọng trong AI được gọi là 'Explainable AI'. Chúng ta có thể xác minh output của một AI system là chính xác (ví dụ: bệnh nhân có thực sự bị ung thư hay không), nhưng có thể không biết chính xác cách AI system đưa ra quyết định hoặc kết quả đó, vì AI đã tự tính toán các 'bước trung gian' (ví dụ: đường ngoằn ngoèo màu xanh dương trong sơ đồ trên) mà không cần con người lập trình các bước cụ thể phải thực hiện. Do đó, các AI system đôi khi được gọi là các 'black box' (hộp đen) với các chi tiết về cách thức hoạt động và vận hành chính xác của chúng - trong một số trường hợp - không được biết đến hoặc hiểu rõ một cách đầy đủ. Điều này thậm chí có thể đúng với cả các developer của chúng, vì chính họ thường cũng chỉ có thể xác minh output chứ không thể biết được các bước mà AI đã thực hiện.

‘Explainable AI’ do đó là một lĩnh vực nghiên cứu tích cực và đang tiếp diễn, trong đó các nhà nghiên cứu cố gắng thấu hiểu và trình bày rõ ràng cách các hệ thống AI đưa ra một output. Điều này có vai trò quyết định để nâng cao lòng tin vào các hệ thống trí tuệ nhân tạo (nghĩa là hiểu được phép thuật bên trong chiếc black box và biến một ‘black box’ thành một ‘glass box’).

Ví dụ về ‘bác sĩ kỹ thuật số’ là minh chứng rõ nét cho thấy tại sao ‘Explainable AI’ lại quan trọng đến thế (trong trường hợp này là đối với cả bệnh nhân và bác sĩ) để hiểu được lý do tại sao một hệ thống AI lại đưa ra quyết định và tin rằng bệnh nhân bị ung thư vú trước khi chỉ định họ thực hiện các phương pháp điều trị ung thư xâm lấn.

Khi xem xét cách một hệ thống AI được xây dựng, có hai phương pháp chính để một hệ thống AI ‘học’ cách thực hiện một tác vụ, đó là Machine Learning và Deep Learning.

Machine Learning : Các hệ thống Machine Learning (ML) có thể học hỏi từ lượng dữ liệu khổng lồ và liên tục cải thiện hiệu năng theo thời gian khi được cung cấp nhiều dữ liệu training hơn và/hoặc có chất lượng tốt hơn. Với ‘tri thức’ thu được từ dữ liệu training này, các hệ thống AI vận hành bằng Machine Learning có thể đưa ra các dự đoán (chẳng hạn như dự báo thời tiết) hoặc nhận dạng các pattern trong dữ liệu (chẳng hạn như nhận dạng hình ảnh và giọng nói).
Deep Learning : Deep Learning (DL) là một tập con tinh vi hơn của Machine Learning và sử dụng các quy trình phức tạp được lấy cảm hứng từ não bộ con người gọi là Artificial Neural Networks (ANN). Cách thức hoạt động của các neural network nằm ngoài phạm vi của báo cáo ‘Giới thiệu về AI’ này, nhưng các hệ thống Deep Learning có thể vượt trội trong các tác vụ rất phức tạp như tạo ra các tác phẩm nghệ thuật mới và phát hiện thuốc y tế.

Các nhà nghiên cứu Yann LeCun, Geoffrey Hinton và Yoshua Bengio được ghi nhận là những người đã đặt nền móng cho cách các hệ thống AI có thể ‘học’. Nghiên cứu tiên phong của họ về Deep Learning vào thập niên 1990 và đầu những năm 2000 đã dẫn đến những bước đột phá lớn, và công trình của họ hiện đang được sử dụng trong nhiều ứng dụng tích hợp AI khác nhau, từ xe tự lái cho đến chẩn đoán y khoa. Vào năm 2018, ba nhà nghiên cứu – được mệnh danh là ‘Godfathers of AI’ – đã được trao giải thưởng Turing Award, giải thưởng được coi là danh giá nhất trong khoa học máy tính (tương đương với giải Nobel) cho những đóng góp nền tảng của họ cho trí tuệ nhân tạo.

Truyền thông đặt biệt danh là “Godfathers of AI” [4]

Giải thưởng Turing Award được đặt theo tên của Alan Turing, một nhà toán học xuất chúng người Anh. Ông đã giải mã các máy Enigma của Đức trong Thế chiến thứ hai (vốn được coi là không thể bẻ khóa) bằng cách chế tạo một trong những chiếc máy tính đầu tiên trên thế giới, và là một trong những kiến trúc sư chính của ngành khoa học máy tính hiện đại sau chiến tranh. Ông thường được coi là một trong những ‘cha đẻ sáng lập’ của ngành điện toán hiện đại.

Vào năm 1950, Alan Turing đã xuất bản một bài báo mang tính đột phá có tên là ‘Computing Machinery and Intelligence’, giới thiệu về ‘Turing Test’ dành cho trí tuệ nhân tạo. Phép thử này vẫn được sử dụng cho đến ngày nay để kiểm tra khả năng thể hiện hành vi thông minh của máy móc và xem liệu nó có thể phân biệt được với con người hay không. Tại thời điểm này (đầu năm 2024), chưa có máy tính nào vượt qua Turing Test một cách thuyết phục, nhưng đã có một số ứng cử viên rất tiềm năng. Các AI chatbot hiện đại và tinh vi (như Google Bard và Microsoft Copilot) có thể rất khó phân biệt với con người. Turing Test cũng là một cách hữu ích để đo lường tiến trình nghiên cứu AI, và kể từ năm 1950, nó đã giúp nâng cao nhận thức quốc tế về tiềm năng tư duy và hành xử như con người của máy móc.

Dù một hệ thống AI sử dụng kỹ thuật Machine Learning hay Deep Learning để ‘học’, thì vẫn có những cách khác nhau để các thuật toán AI có thể được ‘huấn luyện’, nhưng các phương pháp phổ biến nhất là:

So sánh kết quả hoặc dự đoán do AI tạo ra với đáp án chính xác : phương pháp này được gọi là ‘Supervised Learning’, trong đó các mô hình AI được huấn luyện trên dữ liệu đã được gán nhãn chính xác (ví dụ: một hệ thống nhận dạng động vật bằng AI có thể được huấn luyện trên các hình ảnh động vật được gán nhãn chính xác là mèo hoặc chó).
Tìm kiếm các pattern trong dữ liệu : phương pháp này được gọi là ‘Unsupervised Learning’, trong đó các mô hình AI được huấn luyện trên dữ liệu chưa được gán nhãn. Trong trường hợp này, hệ thống AI học bằng cách tìm kiếm các pattern trong dữ liệu (ví dụ: các cạnh, hình dạng, feature hoặc màu sắc trong hình ảnh động vật phổ biến ở mèo hoặc chó).
Thử và sai (Trial & Error) : phương pháp này được gọi là ‘Reinforcement Learning’, trong đó các mô hình AI ‘học bằng cách thực hành’. Mỗi kết quả của quá trình huấn luyện AI sẽ được thưởng hoặc phạt về mặt toán học trong một Feedback Loop ‘thử và sai’ (ví dụ: một hệ thống nhận dạng động vật bằng AI nhận diện một giống chó nhất định là mèo sẽ bị ‘phạt’, nhưng sẽ được ‘thưởng’ nếu nhận diện chính xác đó là một con chó, ngay cả khi nó chưa từng nhìn thấy giống chó đó trước đây).

Cốt lõi của mọi hệ thống AI là một tập hợp các thuật toán (thường sử dụng Machine Learning hoặc Deep Learning) và các kỹ thuật huấn luyện AI (như Supervised Learning, Unsupervised Learning hoặc Reinforcement Learning) nhằm quyết định cách hệ thống xử lý thông tin, học các pattern và đưa ra quyết định. Khi các thuật toán mới được phát triển, trí tuệ nhân tạo ngày càng trở nên mạnh mẽ hơn. Nhưng AI cần hai thành phần quan trọng khác để thành công – dữ liệu và năng lực tính toán.

DỮ LIỆU: NGUỒN NHIÊN LIỆU VẬN HÀNH AI

“ Dữ liệu là nguồn dầu mỏ mới ” là một cụm từ thường được liên kết với kỷ nguyên số. Dữ liệu là nguồn nhiên liệu đằng sau ngành điện toán hiện đại và các thuật toán AI, cho phép chúng học hỏi, tìm ra các mối quan hệ trong dữ liệu, từ đó đưa ra các dự đoán và quyết định sáng suốt.

Trong thế giới ngày nay, khối lượng dữ liệu khổng lồ được tạo ra liên tục trong cuộc sống hàng ngày của chúng ta. Từ tin nhắn văn bản, email, tài liệu và các bài đăng trên mạng xã hội, cho đến hình ảnh và video trên điện thoại thông minh. Nhân loại đang tạo ra lượng thông tin khổng lồ mỗi ngày, và thậm chí còn nhiều dữ liệu hơn nữa được tạo ra bởi hàng triệu cảm biến trên khắp thế giới cũng như trong nhà, ô tô, thành phố, cơ sở hạ tầng giao thông công cộng và các nhà máy của chúng ta.

Một số liệu thống kê thường được trích dẫn từ một nghiên cứu năm 2013 [5] là 90% dữ liệu trên thế giới đã được tạo ra trong 2 năm qua. Tốc độ đó có thể còn nhanh hơn nữa ở thời điểm hiện tại. Một bài báo năm 2023 của Nghị viện Châu Âu về ‘Artificial Intelligence Threats & Opportunities’ [6] ước tính rằng đến năm 2025, khối lượng dữ liệu được tạo ra trên thế giới mỗi năm có thể lên tới 175 zettabyte (tăng từ mức dưới 1 zettabyte một năm được tạo ra vào năm 2010, tức là tăng gấp 175 lần khối lượng dữ liệu chỉ trong vòng 15 năm). Để dễ hình dung, một chiếc laptop cao cấp vào năm 2024 có thể đi kèm với ổ cứng 1 terabyte, nhỏ hơn một tỷ lần so với một zettabyte. Do đó, khối lượng dữ liệu toàn cầu được tạo ra trong một năm duy nhất vào năm 2025 có thể tương đương với 175 tỷ chiếc máy tính laptop... hoặc 21 chiếc laptop cho mỗi người trên trái đất!

Dữ liệu	Byte	Kích thước
1 Kilobyte (KB)	1,000	103
1 Megabyte (MB)	1,000,000	106
1 Gigabyte (GB)	1,000,000,000	109
1 Terabyte (TB)	1,000,000,000,000	1012
1 Petabyte (PB)	1,000,000,000,000,000	1015
1 Exabyte (EB)	1,000,000,000,000,000,000	1018
1 Zettabyte (ZB)	1,000,000,000,000,000,000,000	1021

Khối lượng dữ liệu kỹ thuật số trên thế giới đang tăng nhanh và trở nên lớn đến mức vào năm 2022, các nhà khoa học đã chính thức thống nhất hai đơn vị đo lường mới lần đầu tiên sau 31 năm. Đó là Ronnabyte (RB) và Quettabyte (QB). Một Ronnabyte bằng một tỷ, tỷ, tỷ byte (!) và một Quettabyte bằng một nghìn Ronnabyte... hay số 1 kèm theo 30 chữ số 0! Các nhà khoa học tin rằng con số này sẽ đủ dùng trong ít nhất 25 năm tới, nhưng tốc độ không ngừng của đổi mới kỹ thuật số có nghĩa là tất cả chúng ta có thể sẽ sử dụng đến Quettabyte nhanh hơn bất kỳ ai mong đợi!

Dữ liệu	Byte	Kích thước
1 Ronnabyte (RB)	1,000,000,000,000,000,000,000,000,000	10^27
1 Quettabyte (QB)	1,000,000,000,000,000,000,000,000,000,000	10^30

Sự bùng nổ dữ liệu này phần lớn được thúc đẩy bởi ba yếu tố:

1. Sự gia tăng số lượng điện thoại thông minh và thiết bị internet: số lượng thiết bị kết nối internet tăng lên mỗi năm. Có nhiều ước tính khác nhau về tổng số thiết bị kết nối mạng trên thế giới, nhưng tất cả đều đồng ý rằng con số này lên tới hàng chục tỷ thiết bị. Báo cáo Internet Thường niên của CISCO năm 2023 [7] ước tính có 29,3 tỷ thiết bị kết nối mạng trên thế giới, gấp hơn 3 lần dân số toàn cầu là 8 tỷ người (vào năm 2023).

2. Sự tăng trưởng của mạng xã hội: các nền tảng mạng xã hội tạo ra nhiều terabyte dữ liệu văn bản, video và âm thanh mỗi ngày (1 terabyte = khoảng 1500 đĩa CD) với hàng tỷ tin nhắn và bài đăng được thực hiện mỗi phút. Vào năm 2020, trong giai đoạn cao điểm của đại dịch COVID-19, Người đứng đầu WhatsApp (Will Catchcart) đã đăng một tweet cho biết có khoảng 100 tỷ tin nhắn được trao đổi mỗi ngày chỉ riêng trên WhatsApp, và ước tính các video được chia sẻ trên các nền tảng như TikTok và YouTube chiếm hơn một nửa tổng lượng traffic internet. Dữ liệu mạng xã hội đang tăng với tốc độ đáng kinh ngạc, nhưng cũng rất hữu ích cho các hệ thống AI để hiểu hành vi của con người.

3. Các công nghệ thu thập và lưu trữ dữ liệu mới: các công nghệ mới, chẳng hạn như các sensor được đặt khắp các thành phố, lưới điện và cơ sở hạ tầng giao thông của chúng ta, đang tạo ra lượng dữ liệu khổng lồ về các mô hình sử dụng của con người. Tương tự, "Internet of Things (IoT)", tức là các vật dụng hàng ngày được kết nối mạng (như thiết bị theo dõi sức khỏe và Smart TV), đang ngày càng trở nên phổ biến và tạo ra các luồng dữ liệu mới. Báo cáo Internet Thường niên của CISCO năm 2023 ước tính rằng trong số 29,3 tỷ thiết bị kết nối, có 14,7 tỷ là thiết bị IoT. Gần 50% trong số này là các thiết bị gia dụng kết nối (như hệ thống an ninh gia đình) và 30% là các ứng dụng ô tô kết nối (như các công cụ chẩn đoán xe kết nối mạng, hệ thống gọi khẩn cấp và nền tảng giải trí trong xe).

Khối lượng dữ liệu này cũng đang dẫn đến sự gia tăng đáng kể của cloud computing và các trung tâm lưu trữ dữ liệu, trong đó Mỹ là nơi đặt số lượng data center nhiều gấp 10 lần so với bất kỳ quốc gia nào khác trên thế giới (vào năm 2023) [8].

Các tập dữ liệu cực kỳ lớn và rất phức tạp này thường được gọi là "Big Data" và được đặc trưng bởi volume (dung lượng), velocity (tốc độ), variety (sự đa dạng) và veracity (tính xác thực), thường được gọi là 4 chữ V (4 V's).

Sự gia tăng theo cấp số nhân về số lượng, tính khả dụng, chất lượng và tính đa dạng của dữ liệu trên toàn cầu đang thúc đẩy làn sóng công nghệ AI hiện tại. Dữ liệu cung cấp thông tin cần thiết để các model AI học hỏi và cải thiện, đồng thời là nhiên liệu để các hệ thống AI thực hiện các tác vụ rất phức tạp ở quy mô lớn.

Cụ thể, "big data" hỗ trợ sự trỗi dậy của AI theo những cách sau:

1. Training Data: Các hệ thống AI yêu cầu một lượng lớn training data để học các pattern. Điều này giúp các dự đoán và quyết định của chúng chính xác hơn, điều này đặc biệt quan trọng trong các lĩnh vực như xe tự lái, nơi các dataset khổng lồ gồm hình ảnh và video từ nhiều kịch bản đường bộ khác nhau được thu thập và sử dụng để huấn luyện các thuật toán AI, từ đó chúng có thể tự nhận biết và điều hướng trong các môi trường phức tạp.

2. Feature Extraction: Các dataset lớn và đa dạng giúp các thuật toán AI xác định và trích xuất chính xác các feature từ bên trong dữ liệu. Điều này cho phép các hệ thống AI đưa ra các insight chính xác hơn, chẳng hạn như các công cụ nhận dạng hình ảnh được hỗ trợ bởi AI.

3. Model Performance: big data nâng cao hiệu năng và tính mạnh mẽ (robustness) của các model AI, cho phép chúng xử lý nhiều tình huống và dữ liệu đầu vào (input) khác nhau. Điều này đặc biệt quan trọng trong các lĩnh vực như y tế, nơi các hệ thống AI có thể phân tích dữ liệu bệnh nhân và y tế chuyên sâu để hỗ trợ chẩn đoán, điều trị và tìm kiếm thuốc mới.

4. Predictive Analytics: Các doanh nghiệp có thể sử dụng các dataset lớn và AI để dự báo xu hướng, hành vi của khách hàng và những thay đổi của thị trường. Điều này cung cấp cho các công ty những insight có thể hành động (actionable insight) và hỗ trợ việc ra quyết định của doanh nghiệp.

5. Personalisation: Khi các hệ thống AI có thể truy cập vào khối lượng lớn dữ liệu về hành vi, sở thích và tương tác của con người, chúng có thể đưa ra các đề xuất và trải nghiệm được thiết kế riêng cho người dùng. Điều này rất hữu ích cho các nền tảng thương mại điện tử và mạng xã hội để gợi ý các sản phẩm, nội dung hoặc dịch vụ phù hợp với từng người dùng cá nhân.

6. Natural Language Processing (NLP): Các model NLP, chẳng hạn như chatbot được hỗ trợ bởi AI, trợ lý ảo và hệ thống dịch thuật ngôn ngữ, được hưởng lợi từ dữ liệu ngôn ngữ đa dạng và phong phú, như sách, bài báo và các bài đăng trên mạng xã hội. Điều này cho phép một model NLP của AI hiểu và tạo ra ngôn ngữ giống con người một cách thực tế và vô cùng hiệu quả.

7. Real-Time Decision Making: Khi "velocity" (tốc độ) của big data tăng nhanh, trong các lĩnh vực như giao dịch ngân hàng, các hệ thống AI có thể xử lý và phân tích dữ liệu này trong thời gian (gần như) thực để đưa ra các khuyến nghị hoặc quyết định tức thời cho các chức năng như phát hiện gian lận.

Các công ty đã nỗ lực hướng tới việc trở nên định hướng dữ liệu (data-driven) hơn trong nhiều năm qua, một số công ty hiện đang sử dụng cloud computing để lưu trữ và quản lý lượng dữ liệu khổng lồ của họ trên các server từ xa dựa trên đám mây (thay vì các máy tính on-premises), trong các "Data Lake" hoặc "Data Warehouse" (hoặc cả hai).

Một Data Warehouse là một kho lưu trữ lưu trữ dữ liệu có cấu trúc (structured data) theo cách được tối ưu hóa và tổ chức chặt chẽ. Chúng có thể được coi như những chiếc tủ hồ sơ khổng lồ, được sắp xếp gọn gàng. Các Data Warehouse có thể lưu trữ thông tin như dữ liệu đặt phòng, tỷ lệ lấp đầy khách sạn, lịch trình chuyến bay, thông tin giá cả, giao dịch tài chính, số liệu thống kê traffic trang web hoặc dữ liệu hiệu suất chiến dịch marketing. Cách lưu trữ có cấu trúc này có thể dễ dàng tìm kiếm và rất tốt trong việc nhanh chóng tìm thấy các thông tin cụ thể như "có bao nhiêu người đã đặt chuyến đi đến vùng Caribe vào năm ngoái?" hoặc "chi phí trung bình của một phòng khách sạn ở Paris vào mùa hè này là bao nhiêu?".

Ngược lại, một Data Lake là một kho lưu trữ có thể lưu trữ tất cả các loại dữ liệu phi cấu trúc (unstructured data), chẳng hạn như các bài đăng trên mạng xã hội, hình ảnh, video, khảo sát phản hồi của khách hàng hoặc các đánh giá trực tuyến. Một Data Lake có thể được coi như một căn phòng lớn, mở, nơi mọi loại thông tin có thể được ném vào một cách phi cấu trúc và không có tổ chức. Hình thức lưu trữ này rất tốt cho việc thu thập nhiều loại dữ liệu khác nhau và giữ lại tất cả các thông tin liên quan (trong giới hạn quyền riêng tư), ngay cả khi bạn chưa chắc chắn về cách thức hoặc thời điểm sẽ sử dụng chúng trong tương lai.

Khi những khía cạnh tốt nhất của một Data Warehouse và một Data Lake được hợp nhất thành một giải pháp quản lý dữ liệu duy nhất, nó được gọi là một Data Lakehouse.

Việc áp dụng AI vào từng hệ thống đều có những lợi thế riêng. Ví dụ:

AI được áp dụng với một Data Warehouse có thể:

Tối ưu hóa các chiến lược định giá dựa trên dữ liệu đặt phòng lịch sử
Dự đoán sở thích của khách hàng và đề xuất các gói du lịch được cá nhân hóa

AI được áp dụng với một Data Lake có thể:

Phân tích cảm xúc (sentiment) trên mạng xã hội để đánh giá ý kiến công chúng về các điểm đến du lịch khác nhau
Sử dụng nhận dạng hình ảnh với các bức ảnh trên mạng xã hội để xác định các điểm thu hút khách du lịch phổ biến nhất
Phân tích phản hồi của khách hàng để xác định các vấn đề cần quan tâm và cải thiện dịch vụ khách hàng

Sự kết hợp giữa AI, các Data Warehouse, các Data Lake và hạ tầng đám mây (cloud infrastructure) cung cấp một môi trường linh hoạt và có khả năng mở rộng (scalable) để quản lý và thu thập các insight từ các dạng big data khác nhau. Khi được sử dụng cùng nhau, chúng có thể giúp một công ty du lịch mang lại những trải nghiệm du lịch tuyệt vời và được cá nhân hóa!

NĂNG LỰC TÍNH TOÁN (COMPUTING POWER): NHỮNG CỖ MÁY ĐẰNG SAU AI

Việc huấn luyện các hệ thống AI thường đòi hỏi rất nhiều dữ liệu. Dữ liệu này có thể rất lớn và rất phức tạp, đồng thời cần được xử lý cực kỳ nhanh chóng, điều này đòi hỏi một năng lực tính toán khổng lồ.

Ví dụ, các chatbot AI tinh vi (như Google Bard, Microsoft Copilot) đã được huấn luyện trên các bộ dữ liệu chứa hàng trăm tỷ từ (để so sánh, Kinh Thánh chứa chưa đầy một triệu từ). Để tải xuống lượng dữ liệu khổng lồ này bằng kết nối internet gia đình thông thường và sau đó xử lý nó cho việc huấn luyện AI có thể mất hàng trăm năm trên một máy tính tiêu chuẩn. Do đó, tác vụ này đòi hỏi một loại năng lực tính toán đặc biệt.

Hãy tưởng tượng bạn muốn học mọi thứ trên internet. Vào năm 2022, có khoảng 5,75 tỷ trang web trực tuyến. Nếu một người dành một phút để nghiên cứu mỗi trang, con người sẽ mất khoảng 11.000 năm để "học hết internet" (không nghỉ ngơi!). Những siêu máy tính tiên tiến nhất vào năm 2023, sở hữu năng lực tính toán vượt trội, hiện đã có thể xử lý lượng dữ liệu khổng lồ này và sử dụng các kỹ thuật AI (như thuật toán deep learning) để "học" tất cả thông tin này chỉ trong vài tháng! Sự tiến bộ vượt bậc này trong năng lực tính toán hiện đại đang thúc đẩy làn sóng đổi mới AI hiện nay và cung cấp sức mạnh cho nhiều ứng dụng AI vốn là điều không thể thực hiện được chỉ vài năm trước đây.

Lịch sử phát triển của năng lực tính toán có thể bắt nguồn từ những năm 1960, khi Gordon Moore (đồng sáng lập Intel) quan sát thấy số lượng bóng bán dẫn trên một vi mạch tích hợp tăng gấp đôi sau mỗi hai năm. Điều này được biết đến với tên gọi "Định luật Moore". Sự gia tăng gấp đôi này đã dẫn đến sự tăng trưởng theo cấp số nhân về sức mạnh của các chip máy tính, giúp máy tính trở nên đủ nhỏ, đủ mạnh và đủ rẻ để hiện diện trên bàn làm việc của tất cả chúng ta và cung cấp năng lượng cho những chiếc điện thoại thông minh trong túi của chúng ta. Nhưng để đạt được những bước đột phá về AI thì cần có năng lực tính toán lớn hơn thế nữa.

Vào những năm 1990, một công ty tên là NVIDIA đã phổ biến thuật ngữ "Graphics Processing Unit" (GPU), thường là một bảng mạch điện tử cắm vào máy tính để tăng tốc sức mạnh của nó. Đây đã trở thành một công nghệ quan trọng đối với các game thủ máy tính (và sau đó là Hollywood), vì nó cho phép rendering đồ họa và các hiệu ứng đặc biệt cực kỳ nhanh chóng và chân thực. Các chip GPU đã giúp trò chơi máy tính tiến bộ từ những hình ảnh pixelated thành đồ họa chân thực chỉ trong vài năm, đến mức giờ đây chúng hầu như không thể phân biệt được với đời thực. Các hình ảnh dưới đây cho thấy đồ họa máy tính, được hỗ trợ bởi các chip GPU, đã cải thiện nhiều như thế nào chỉ trong 3 năm qua.

Đồ họa game máy tính eFootball của cầu thủ người Argentina Lionel Messi Lionel Messi ngoài đời thực (2021 đến 2023) [41]

Sự tiến bộ nhanh chóng của các chip GPU phần nào giải thích tại sao hiện tại là thời điểm toàn cầu của AI. Khi công nghệ GPU phát triển cho các trò chơi máy tính, một cải tiến then chốt là khả năng xử lý các tác vụ song song (thay vì tuần tự như trong các máy tính thông thường) và hóa ra quá trình xử lý song song được tăng tốc cần thiết để tạo ra đồ họa sống động như thật trong các trò chơi máy tính và phim ảnh lại cực kỳ lý tưởng để vận hành các ứng dụng AI, đặc biệt là các hệ thống deep learning, chẳng hạn như các chatbot AI tinh vi. Do đó, các chip máy tính GPU, vốn có nguồn gốc từ ngành công nghiệp trò chơi,

giờ đây đã trở thành một phần cốt lõi và thiết yếu của AI. Nhu cầu này, đến lượt nó, đã thúc đẩy NVIDIA trở thành một trong những công ty được săn đón và có giá trị nhất thế giới, đạt giá trị vốn hóa thị trường vượt quá 1 nghìn tỷ USD vào năm 2023, gia nhập nhóm chỉ có 5 công ty khác trên thế giới đạt được mức độ đó (bao gồm Alphabet [công ty mẹ của Google], Amazon, Apple, Microsoft và Saudi Aramco).

Nhu cầu đối với các chip GPU tiên tiến này đang tăng trưởng rất nhanh trên toàn thế giới, nhưng chỉ có một số ít công ty và quốc gia có kiến thức chuyên môn và khả năng sản xuất chúng. Do đó, các chip máy tính là nguồn cơn gây ra căng thẳng địa chính trị, đặc biệt là giữa Mỹ, Trung Quốc và EU, những bên đều có tham vọng chiến lược đối với AI và do đó đã công bố các kế hoạch hoặc luật pháp để tăng cường năng lực thiết kế và sản xuất chip tại địa phương của họ.

Ví dụ, Trung Quốc đã công bố lộ trình "Made in China 2025" [9] nhằm nâng cao vị thế của quốc gia này như một siêu cường sản xuất vào năm 2025 (bao gồm cả việc sản xuất các chip bán dẫn). Tại thời điểm công bố báo cáo này, các cuộc đàm phán đang được tiến hành để huy động 300 tỷ Nhân dân tệ (RMB) [10] cho một quỹ đầu tư có thể được sử dụng cho việc sản xuất chip ở Trung Quốc. Tại Châu Âu, đạo luật "EU Chips Act" [11] nhằm mục đích đảm bảo nguồn cung cấp chất bán dẫn của khu vực bằng cách đầu tư 42 tỷ Euro (EUR), cùng với chiến lược ba trụ cột nhằm cải thiện hoạt động R&D bán dẫn của EU, tăng năng lực sản xuất của EU và thiết lập một cơ chế giám sát và ứng phó khủng hoảng mới của EU đối với bất kỳ tình trạng thiếu hụt chip nào trong tương lai. Tại Mỹ, đạo luật "US Chips & Science Act" [12] bao gồm 52 tỷ USD (USD) cho hoạt động R&D bán dẫn, sản xuất và phát triển lực lượng lao động. Đạo luật này cũng bao gồm khoản tín dụng thuế 25% để khuyến khích các công ty xây dựng các nhà máy sản xuất chip tại Mỹ (ước tính trị giá 24 tỷ USD) và khi kết hợp với các quy định khác của Mỹ, sẽ áp đặt các hạn chế xuất khẩu đối với công nghệ bán dẫn do Mỹ thiết kế. Những khoản đầu tư lớn và các chiến lược bán dẫn như vậy của các cường quốc trên thế giới đã minh họa cho tầm quan trọng chiến lược của công nghệ chip này.

Tại Diễn đàn Kinh tế Thế giới năm 2023 ở Davos, CEO của Intel Pat Gelsinger đã phát biểu rằng "không có sự đổi mới sáng tạo nào mà không có chất bán dẫn". Khi nền kinh tế toàn cầu ngày càng trở nên phụ thuộc vào công nghệ kỹ thuật số, ông lập luận rằng "thế giới cần các chuỗi cung ứng chip có khả năng phục hồi và cân bằng hơn về mặt địa lý" [13].

Điều này là do nhiều công ty chip máy tính (bao gồm cả NVIDIA) là các tổ chức fabless, nghĩa là họ thiết kế và bán chip nhưng không tự sản xuất chúng. Việc sản xuất của họ được outsource cho một semiconductor foundry chuyên dụng, chẳng hạn như TSMC (Taiwan Semiconductor Manufacturing Company), cho đến nay là nhà sản xuất chip lớn nhất thế giới với khoảng 55% thị phần. Nhà sản xuất lớn thứ hai là Samsung ở Hàn Quốc, với khoảng 15% thị phần vào năm 2023.

Điều này có nghĩa là khoảng 70% chip máy tính trên thế giới được sản xuất bởi chỉ hai tổ chức. Chúng không chỉ cung cấp năng lượng cho các hệ thống AI mà còn cho mọi thứ cần đến chip bán dẫn, từ ô tô đến các thiết bị gia dụng. Khi thế giới bước ra khỏi đại dịch COVID-19, sự phụ thuộc này đã trở thành tâm điểm chú ý với việc các dây chuyền sản xuất ô tô bị đình trệ rất rõ ràng do tình trạng thiếu hụt chip toàn cầu. Nói một cách đơn giản, nếu không có TSMC, nền kinh tế kỹ thuật số toàn cầu sẽ bị đình trệ. Việc nâng cao nhận thức về rủi ro này đã dẫn đến những căng thẳng địa chính trị sâu sắc hơn xung quanh tương lai của Đài Loan, nơi TSMC đặt trụ sở.

Do đó, số lượng nhà thiết kế và sản xuất chip GPU rất hạn chế trên thế giới đã khiến một số công ty công nghệ lớn phải tự phát triển chip riêng để vận hành các ứng dụng AI, bao gồm Amazon, Apple, Google, IBM, Microsoft và Tesla. Các nhà thiết kế và sản xuất chip bao gồm Intel, AMD và Qualcomm cũng đang xây dựng các cơ sở sản xuất mới. Ví dụ, TSMC đang xây dựng một nhà máy ở Arizona (cơ sở sản xuất đầu tiên của họ bên ngoài Đài Loan) và Intel đang xây dựng một nhà máy mới ở Ohio, với các khoản tín dụng thuế được cung cấp bởi đạo luật US Chips & Science Act.

Từ năm 2016, Google cũng đã phát triển chip riêng được thiết kế đặc biệt cho AI, gọi là TPU (Tensor Processing Unit). Mặc dù các chip GPU là cốt lõi của hầu hết năng lực tính toán AI ngày nay và có thể thực hiện các tác vụ song song, nhưng chip TPU còn tiến xa hơn một bước và có thể thực hiện 'phép tính ma trận' (matrix calculations), giúp tăng tốc đáng kể các tác vụ machine learning. Những khác biệt này có thể liên tưởng đến một máy in báo truyền thống – một máy tính laptop thông thường có thể in từng chữ cái một, một chip GPU có thể in cả dòng văn bản cùng một lúc, và một chip TPU có thể in toàn bộ trang giấy cùng một lúc.

CPU vs GPU vs TPU

Khả năng tính toán 'ma trận' của các chip TPU giúp chúng trở nên lý tưởng cho việc training và deploying các AI model cực kỳ lớn. Chúng đã được lắp đặt tại nhiều data centre của Google, vì vậy khi bạn sử dụng Google Translate ngày nay (vốn liên quan đến việc xử lý AI ở chế độ nền), các TPU có thể đang cung cấp năng lượng cho query của bạn [14] [15]. Thế hệ Google TPU mới nhất (TPU v5) có khả năng thực hiện gần 400 nghìn tỷ phép tính mỗi giây!

But bất chấp khả năng đáng kinh ngạc này, phép màu thực sự chỉ xảy ra khi hàng nghìn chip được liên kết với nhau để tạo ra một supercomputer duy nhất có khả năng xử lý các AI workload cực kỳ khắt khe. Vào năm 2020, Microsoft đã xây dựng supercomputer được sử dụng để train ChatGPT [16]. Nó đã sử dụng 10.000 chip GPU và tiêu tốn hàng triệu USD. Vào thời điểm đó, đây không chỉ là supercomputer lớn nhất được xây dựng trên public cloud, mà còn là supercomputer lớn thứ 5 từng được chế tạo [17].

Công nghệ chip bán dẫn và cloud infrastructure chỉ mới gần đây giúp hiện thực hóa các supercomputer mạnh mẽ và có quy mô lớn như vậy. Nhưng hầu hết công chúng và người dùng các AI chatbot (hoặc các hệ thống AI phức tạp khác) có lẽ không hề biết về quy mô khổng lồ của năng lực tính toán cần thiết ở phía sau hậu trường để train và vận hành các khả năng AI tiên tiến này.

Những supercomputer cực kỳ lớn và đắt đỏ này có thể chiếm diện tích của cả một nhà kho và tốn hàng triệu USD để xây dựng cũng như vận hành. Điều này đã gây ra lo ngại cho một số học giả đại học và chính phủ các nước, những bên có thể không đủ khả năng chi trả cho các khoản đầu tư khổng lồ này, hoặc không có năng lực công nghệ để tự xây dựng và vận hành các supercomputer. Do đó, có một mối lo ngại chính đáng rằng năng lực tính toán cần thiết cho AI có thể đồng nghĩa với việc không phải ai cũng có thể nghiên cứu AI, hoặc không phải ai trong xã hội cũng được hưởng lợi từ nó. Sự chênh lệch này có thể dẫn đến một 'khoảng cách kỹ thuật số' (digital divide) lớn hơn trên thế giới (sẽ được thảo luận ở phần sau của báo cáo này).

Điều quan trọng là các lợi ích của AI phải tiếp cận được mọi người trên toàn cầu và một số chính phủ đã đưa ra quyết định chiến lược là đầu tư vào computer infrastructure quốc gia có khả năng training và vận hành các ứng dụng AI quy mô lớn. Ví dụ, Vương quốc Anh đã cam kết 900 triệu bảng Anh (GBP) vào tháng 3 năm 2023 để xây dựng một supercomputer exascale của Vương quốc Anh [18] có tên là 'Isambard AI' [19] [20] (được đặt theo tên của kỹ sư nổi tiếng người Anh Isambard Kingdom Brunel) nhằm cho phép 'các nhà nghiên cứu ở Vương quốc Anh hiểu rõ hơn về biến đổi khí hậu, thúc đẩy việc phát hiện ra các loại thuốc mới và tối đa hóa tiềm năng của AI'.

Một supercomputer exascale là một máy tính có thể thực hiện 1 tỷ tỷ (quintillion) phép tính mỗi giây – tức là một tỷ của một tỷ phép tính mỗi giây (hoặc 1.000.000.000.000.000.000 phép tính mỗi giây!), một đơn vị đo lường được gọi là 'exaflop'.

Khoản đầu tư 900 triệu bảng Anh (GBP) của Vương quốc Anh vào máy tính 'exascale' cho nghiên cứu AI

But các công ty Du lịch & Lữ hành muốn phát triển các ứng dụng AI của riêng họ không cần phải có supercomputer chuyên dụng hoặc được xây dựng riêng, bởi vì một số công ty công nghệ (bao gồm Google, Microsoft, IBM và các công ty khác) cung cấp quyền truy cập vào các AI model và các công cụ quản lý dữ liệu thông qua cloud technology của họ, vốn kết nối trực tiếp với các supercomputer của nhà cung cấp.

Ví dụ, một công ty Du lịch & Lữ hành có thể lấy một AI chatbot phức tạp đã được 'pre-trained' trên một supercomputer (với lượng dữ liệu khổng lồ từ internet) và cùng với một đối tác công nghệ để 'fine-tune' nó cho các tác vụ kinh doanh cụ thể của họ. Việc này sử dụng ít tài nguyên tính toán hơn nhiều và cho phép doanh nghiệp Du lịch & Lữ hành sử dụng dữ liệu riêng đặc thù của công ty họ, kết hợp với dữ liệu chung đã được pre-trained từ internet. Vì tài liệu này là "Giới thiệu về AI", nó không đi sâu vào chi tiết về việc 'fine-tuning' các AI model cho các mục đích sử dụng cụ thể của doanh nghiệp, nhưng tài liệu hướng dẫn bổ sung về AI về chủ đề này có thể được WTTC phát triển trong tương lai.

Cloud computing là thuật ngữ chung cho bất kỳ hoạt động nào liên quan đến việc cung cấp tài nguyên máy tính qua internet. Các công ty hoặc người dùng cá nhân giờ đây có thể trả tiền và truy cập vào lượng lớn năng lực tính toán theo yêu cầu thông qua cloud. Nhưng khi đề cập đến toàn bộ hệ thống cloud computing, vốn không chỉ bao gồm năng lực xử lý (ví dụ: GPU hoặc TPU), mà còn cả các yêu cầu về bộ nhớ, networking và lưu trữ, thuật ngữ 'compute' sẽ được sử dụng. Do đó, hình ảnh mảnh ghép ở đầu chương này, với ba yếu tố cốt lõi của AI, thường được gọi là Algorithms + Data + Compute (thay vì năng lực tính toán) để phản ánh các yếu tố thiết yếu của AI.

Khi ba thành phần cốt lõi này của AI ngày càng trở nên mạnh mẽ hơn, dễ tiếp cận hơn và tiết kiệm chi phí hơn đối với các doanh nghiệp và công chúng, những gì AI thực sự có thể đạt được trong tương lai vẫn là một điều chưa thể nói trước!

CÁC PHÂN LOẠI TRÍ TUỆ NHÂN TẠO

Như đã lưu ý ở đầu chương này, trí tuệ nhân tạo là một công nghệ đa dụng, với nhiều ứng dụng khác nhau. Do đó, có nhiều cách khác nhau để phân loại các AI system, nhưng chúng thường được chia thành một trong ba nhóm - theo cách chúng học hỏi, theo khả năng hoặc theo chức năng của chúng.

Phần trước của báo cáo này đã tóm tắt các cách khác nhau mà các AI system có thể được phân loại dựa trên cách chúng học hỏi. Điều này bao gồm machine learning và deep learning, với các kỹ thuật khác nhau để training các AI system này bao gồm supervised learning, unsupervised learning và reinforcement learning.

Cách hữu ích thứ hai để nhóm hoặc phân loại một AI system là dựa trên khả năng của nó, nghĩa là một AI system sẽ mang lại artificial narrow intelligence (ANI), artificial general intelligence (AGI), hoặc artificial super intelligence (ASI).

Cách hữu ích thứ ba để phân loại một AI system là dựa trên chức năng của nó. Trong nhiều năm, điều này liên quan đến việc một giải pháp AI được coi là Expert System hoặc Predictive AI, nhưng giờ đây cũng bao gồm một lĩnh vực chức năng trí tuệ nhân tạo tương đối mới gọi là Generative AI.

Một AI Expert System là một chương trình máy tính thông minh sử dụng AI để mô phỏng chuyên môn của con người trong một lĩnh vực cụ thể, chẳng hạn như lập kế hoạch du lịch, chẩn đoán y khoa hoặc tư vấn tài chính. Các Expert System chứa một knowledge base gồm các quy tắc và sự thật về một domain cụ thể, được kết hợp với AI (trong một hệ thống gọi là 'inference engine')

Ví dụ, một travel AI expert system có thể giúp khách du lịch lập kế hoạch và đặt chuyến đi của họ. Quá trình này bắt đầu bằng việc thu thập một lượng lớn dữ liệu liên quan đến du lịch, chẳng hạn như thông tin về điểm đến, khách sạn, hãng hàng không, nhà hàng, chuyến tham quan và quy định du lịch, sau đó nạp vào một knowledge base. Khách du lịch có thể tương tác với AI expert system thông qua một user interface thân thiện (như website, ứng dụng điện thoại hoặc chatbot) theo cách trò chuyện tự nhiên để cung cấp ngày đi, ngân sách và sở thích của họ, và "bộ não" AI có thể đưa ra các đề xuất và lịch trình cá nhân hóa. Để hoàn tất quy trình, các AI expert system cũng có thể được tích hợp với các booking platform để cho phép khách du lịch thực hiện đặt chỗ trực tiếp thông qua hệ thống.

Do đó, các AI expert system thu thập tri thức của con người và kết hợp với AI để đưa ra các lời khuyên và kết luận ở cấp độ chuyên gia. Knowledge base đại diện cho chuyên môn trong domain, trong khi inference engine cung cấp khả năng suy luận của AI. Các lợi ích của AI expert system bao gồm:

Tiết kiệm thời gian & chi phí: Các AI expert system có thể tìm kiếm trong lượng dữ liệu khổng lồ và tạo ra các lịch trình du lịch cực kỳ nhanh chóng và hiệu quả.
Dịch vụ khách hàng cá nhân hóa: Các AI expert system có thể xem xét các sở thích và yêu cầu cá nhân của khách du lịch để cung cấp cho họ những đề xuất được may đo riêng biệt.
Tri thức chuyên gia rộng lớn: Các AI expert system có thể khai thác chuyên môn từ nhiều bên liên quan đã đóng góp vào "knowledge base", đối với ngành Du lịch & Lữ hành thì có thể bao gồm các đại lý du lịch, blogger du lịch, nhà điều hành tour và các chuyên gia du lịch khác.

Predictive AI là một cách khác để phân loại chức năng của hệ thống AI, đề cập đến việc AI sử dụng dữ liệu hiện tại và dữ liệu lịch sử để đưa ra dự đoán về các sự kiện, kết quả hoặc hành vi trong tương lai. Chúng thực hiện điều này bằng cách phân tích lượng dữ liệu lớn để xác định các pattern, trend và mối quan hệ giúp dự đoán tương lai. Một dạng phổ biến của predictive AI là dự báo thời tiết, phân tích dữ liệu thời tiết lịch sử và các điều kiện hiện tại để dự đoán thời tiết có khả năng xảy ra trong tương lai.

Một ví dụ về cách ứng dụng predictive AI trong du lịch là dự đoán hoãn chuyến bay. Một hãng hàng không có thể sử dụng hệ thống predictive AI để phân tích nhiều loại dữ liệu lịch sử và dữ liệu real-time, bao gồm điều kiện thời tiết, các vấn đề bảo trì máy bay, tình trạng tắc nghẽn sân bay và các yếu tố khác có thể ảnh hưởng đến việc hoãn chuyến như dữ liệu kiểm soát không lưu. Hệ thống AI có thể xác định các pattern trong dữ liệu này và tạo ra các model ước tính khả năng xảy ra cũng như khoảng thời gian hoãn chuyến tiềm tàng

của các chuyến bay trong tương lai dưới nhiều điều kiện khác nhau. Với thông tin này, các hãng hàng không có thể sắp xếp lịch trình phi hành đoàn, gate và các resource khác tốt hơn để chủ động giảm thiểu sự bất tiện cho hành khách. Do đó, predictive AI cho phép các hãng hàng không đón đầu các gián đoạn tiềm ẩn đối với hoạt động vận hành của họ.

Predictive AI cũng có thể được kết hợp với các dạng data analytics khác để tạo ra các phương pháp tiếp cận toàn diện và mạnh mẽ hơn nhằm giải quyết các vấn đề phức tạp và thu thập các business insight có giá trị. Các ví dụ về kỹ thuật data analytics khác có thể kết hợp với predictive AI bao gồm:

Descriptive Analytics: phương pháp này tóm tắt quá khứ bằng cách sử dụng dữ liệu lịch sử và giúp trả lời các câu hỏi như CÁI GÌ, Ở ĐÂU và KHI NÀO điều gì đó đã xảy ra bằng cách sử dụng các phương pháp như dashboard, report và các hình ảnh trực quan khác để xem và phân tích các pattern. Ví dụ, điều này có thể bao gồm việc phân tích các report hoãn chuyến bay và hiển thị thông tin chính trên một dashboard.
Diagnostic Analytics: phương pháp này nhằm mục đích hiểu TẠI SAO điều gì đó đã xảy ra bằng cách điều tra root cause của nó. Ví dụ, bằng cách phân tích dữ liệu thời tiết và log bảo trì máy bay, chúng ta có thể chẩn đoán lý do tại sao xảy ra hoãn chuyến bay. Những insight quan trọng này từ diagnostic analytics cũng có thể cải thiện độ chính xác của các model predictive AI. Ví dụ, bằng cách hiểu lý do hoãn chuyến bay trong quá khứ, nó có thể giúp dự đoán tốt hơn các trường hợp hoãn chuyến tiềm ẩn trong tương lai.
Prescriptive Analytics: phương pháp này đề xuất CÁCH thức hành động trong tương lai dựa trên các data insight. Bằng cách kết hợp các dự báo của predictive AI với các khuyến nghị mang tính đề xuất (prescriptive), nó cho phép lập kế hoạch và phản ứng tốt hơn đối với các sự kiện tiềm ẩn trong tương lai. Ví dụ, các hãng hàng không có thể chuẩn bị và nhanh chóng phân bổ lại phi hành đoàn nếu dự báo có sự chậm trễ lớn xảy ra.

GENERATIVE AI

Generative AI (đôi khi được viết tắt là "Gen AI") là một dạng AI tương đối mới, bùng nổ trên toàn cầu vào cuối năm 2022 với sự ra mắt của một chatbot AI tinh vi có tên là ChatGPT.

ChatGPT đã làm mưa làm gió trên toàn thế giới nhờ khả năng tạo ra nội dung văn bản thông minh và thú vị giống như ngôn ngữ của con người, kết hợp với khả năng tạo ra nội dung hữu ích, chất lượng cao một cách cực kỳ nhanh chóng, chẳng hạn như email, thơ, kế hoạch kinh doanh, lịch trình kỳ nghỉ và nhiều nội dung khác.

Như đã trình bày trong các chương trước của báo cáo này, công nghệ AI đã tồn tại trong nhiều năm và được sử dụng thường xuyên trong các ứng dụng như dự báo thời tiết hoặc bộ lọc spam email, nhưng chúng thường bị ẩn đi và người dùng hệ thống không hề hay biết. ChatGPT, cùng với các chatbot AI tinh vi khác được phát hành vào năm 2023 như Google Bard và Microsoft Copilot, có thể được coi là những nhân tố thực sự phơi bày sức mạnh và tiềm năng của AI trước các doanh nghiệp và đông đảo công chúng.

Các chatbot AI được vận hành bởi generative AI, một loại công nghệ AI có thể tạo ra nội dung mới và sáng tạo như văn bản, hình ảnh, video và âm thanh từ một 'prompt' của người dùng. Nó tạo ra nội dung mới này dựa trên prompt và những gì nó đã học được từ lượng dữ liệu training khổng lồ (đôi khi lên tới hàng triệu trang internet) để tạo ra một generative AI model.

Một ví dụ về điều này là các foundation models, có thể được định nghĩa là "các AI model được train trên một tập dữ liệu rộng lớn và có thể áp dụng cho nhiều tác vụ downstream khác nhau" [21]. Chúng cho phép bất kỳ ai cũng có thể tự động hóa các dự án và tạo ra nội dung tuyệt vời trên một máy tính tiêu chuẩn. Sơ đồ bên dưới minh họa một số output khả thi (như văn bản, mã nguồn máy tính, hình ảnh và video) và các tác vụ (như sản xuất tài liệu marketing và quảng cáo, xây dựng website, chỉnh sửa video và tóm tắt tài liệu) mà các generative AI foundation models có thể đạt được.

Generative AI Application Landscape

Generative AI có nguồn gốc từ một bài báo nghiên cứu năm 2017 của Google có tiêu đề "Attention Is All You Need" [22], bài báo này đã giới thiệu một loại AI architecture mới cho việc hiểu ngôn ngữ gọi là 'Transformers'. Nhiều tổ chức nghiên cứu, trường đại học và công ty đã nghiên cứu kỹ thuật này để phát triển các ứng dụng AI sáng tạo. Kể từ năm 2017, số lượng các công bố khoa học tập trung vào generative AI đã tăng gấp năm lần và khoản đầu tư venture capital (VC) vào các giải pháp generative AI đã đạt 12 tỷ USD chỉ trong sáu tháng đầu năm 2023.

Số lượng công bố khoa học về Generative AI (theo năm)

Khả năng tạo ra nội dung mới, thú vị và sáng tạo của Generative AI được dự báo sẽ mang lại giá trị kinh tế và kinh doanh toàn cầu đáng kể, nhưng cũng đi kèm với những thách thức và rủi ro tiềm ẩn lớn (được thảo luận chi tiết hơn trong báo cáo đi kèm của WTTC về 'AI Risks & Governance'). Do đó, Generative AI đã trở thành tâm điểm trong nhiều cuộc thảo luận công chúng, học thuật và chính trị. Điều này có thể được minh họa bằng sự gia tăng mạnh mẽ của các tin tức toàn cầu và các bài đăng trên X (trước đây là Twitter) dành riêng cho Generative AI trên toàn thế giới, với các tin tức quốc tế về Generative AI tăng từ mức dưới 2.000 vào cuối năm 2022 lên gần 14.000 vào tháng 6 năm 2023. Số lượng bài đăng trên X (tweets) đã tăng từ 7.000 vào tháng 10 năm 2022 lên 57.000 vào tháng 3 năm 2023 (tăng gấp 8 lần) [23]. Sự quan tâm của toàn cầu đối với dạng AI mới này là vô cùng kinh ngạc và do đó, đây là một công nghệ quan trọng mà tất cả các doanh nghiệp trong ngành Du lịch & Lữ hành cần phải nhận thức được.

Số lượng bài báo tin tức toàn cầu Số lượng bài đăng trên X (trước đây là Twitter)

Một loại foundation model cụ thể của Generative AI là Large Language Model (LLM), đây là một mô hình AI tinh vi được thiết kế để tạo ra các phản hồi bằng văn bản giống như con người đối với prompt của người dùng. Đây là mô hình AI nền tảng vận hành các chatbot AI (như Google Bard hoặc Microsoft CoPilot). Prompt của người dùng thường là một văn bản input, nhưng cũng có thể là thứ khác, ví dụ như hình ảnh hoặc âm thanh input.

Một prompt cho phép người dùng đưa ra hướng dẫn cho một LLM (thường là một chatbot AI) theo phong cách trò chuyện tự nhiên, được AI hiểu thông qua một quá trình gọi là natural language processing (NLP). Cách đưa ra hướng dẫn tự nhiên, mang tính hội thoại này cho một hệ thống AI cũng tương tự như cách chúng ta đưa ra hướng dẫn cho các 'loa thông minh trong gia đình', và là một phương thức mới mẻ, thú vị và sáng tạo để con người tương tác với máy tính.

Một ví dụ đơn giản về một prompt dạng văn bản và phản hồi từ một LLM có thể là:

Kỷ lục thế giới về chạy nước rút 100m là bao nhiêu?

Kỷ lục thế giới về chạy nước rút 100m là 9,58 giây, được thiết lập bởi Usain Bolt của Jamaica vào ngày 16 tháng 8 năm 2009 tại Giải vô địch điền kinh thế giới ở Berlin, Đức.

AI

Các chatbot AI tinh vi, được vận hành bởi các LLM, cũng có khả năng ghi nhớ các chi tiết và ngữ cảnh của một cuộc trò chuyện và phản hồi như một phần của một cuộc thảo luận trôi chảy tự nhiên. Ví dụ, nếu prompt “how does this compare to a cheetah” được thêm vào sau phản hồi trên, hệ thống AI sẽ biết để so sánh nó với Usain Bolt trên quãng đường 100m, mà người dùng không cần phải hỏi cụ thể xem một con báo săn so với vận động viên chạy bộ đó như thế nào. Cách giao tiếp tự nhiên và ghi nhớ các phần trước của cuộc thảo luận này giống như cách một cuộc trò chuyện của con người diễn ra và đang được tái hiện bởi hệ thống Generative AI.

So sánh điều này với một con báo săn như thế nào?

Một con báo săn nhanh hơn đáng kể so với con người. Trong một cuộc đua 100m, một con báo săn sẽ vượt qua vạch đích trong khoảng 5,95 giây, trong khi Usain Bolt sẽ mất 9,58 giây. Báo săn có tốc độ tối đa khoảng 70 dặm/giờ, trong khi tốc độ tối đa của Usain Bolt trong cuộc chạy nước rút 100m là khoảng 23 dặm/giờ.

AI

Để đạt được những khả năng ấn tượng như vậy, các mô hình LLM thường được huấn luyện trên một lượng dữ liệu văn bản khổng lồ (đôi khi được gọi là một 'corpus', nghĩa là một tập hợp tài liệu lớn) để học các mẫu, ngữ pháp và ngữ nghĩa của một hoặc nhiều ngôn ngữ, đồng thời sử dụng các kỹ thuật deep learning của AI để hiểu và tạo ra các phản hồi mạch lạc, mang tính hội thoại và phù hợp với ngữ cảnh chỉ trong vài giây.

Các LLM, chẳng hạn như những mô hình vận hành các chatbot AI tinh vi, cực kỳ linh hoạt và chính xác trong việc hiểu và tạo văn bản trên nhiều chủ đề và phong cách viết khác nhau. Dưới đây là một vài ví dụ khác về các prompt phức tạp được cung cấp cho một chatbot AI, thể hiện khả năng ghi nhớ các phần trước của cuộc trò chuyện, thực hiện dịch thuật, tóm tắt văn bản, vẽ bảng và điền nội dung được lấy từ nhiều nguồn khác nhau vào bảng.

Giải thích những gì WTTC làm trong 1 câu phù hợp với tin nhắn WhatsApp

WTTC là một tổ chức toàn cầu hợp tác với các chính phủ và doanh nghiệp trên khắp thế giới để thúc đẩy ngành du lịch và lữ hành

AI

Dịch câu đầu tiên sang tiếng Tây Ban Nha, câu thứ hai sang tiếng Nhật và câu thứ ba sang tiếng Iceland

1. La Junta Mundial de Viajes y Turismo (WTTC) es una plataforma única para que los gobiernos interactúen con las empresas para dar forma conjuntamente al futuro del Viaje y Turismo y garantizar su competitividad, inclusividad y sostenibilidad a largo prazo.

2. WTTC は、高レベルの政府イベントに参加し、連邦、州、地方政府と積極的に多利益関係者対話に参加し、セクター全体の連携を達成します。

3. Til að upplýsa ákvarðanatöku á opinberum vettvangi framleiðir WTTC trausta rannsóknir og innsæi leiðtogaskýrslur, frá neyðarbúnaði til áfangastaðar 2030, auk mælanleiðra bestu framkvæmda sem spanna frá öryggi, þróun starfsfólks, sjálfbærni og áfangastaðastjórnun.

Vẽ một bảng gồm các báo cáo được xuất bản bởi WTTC vào năm 2022 và bao gồm một mô tả ngắn cho mỗi báo cáo.

AI AI

Tiêu đề báo cáo	Mô tả
`Economic Impact Research`	`This report provides an in-depth analysis of the economic impact of` `the travel and tourism industry, both globally and in individual` `countries. It also provides forecasts for the future of the` `industry.`
`Digital Travel Portals`	`This report provides guidance on how governments can implement a` `digital travel portal to facilitate safe and seamless travel.`
`Codes to Resilience`	`This report identifies the key factors that will determine the` `resilience of the travel and tourism industry in the face of future` `shocks.`
`Destination 2030`	`This report assesses the readiness of global cities to achieve` `sustainable tourism growth by 2030.`
`Nature Positive Travel` `& Tourism`	`This report outlines the steps that the travel and tourism industry` `can take to become nature positive, meaning that it contributes` `more to the environment than it takes away.`
`Staff Shortages`	`This report examines the challenges that the travel and tourism` `industry is facing in terms of staff shortages and proposes` `solutions to address this issue.`
`Best Practices for` `Short-Term Rentals`	`This report provides guidance on how to regulate short-term rentals` `in a way that benefits both tourists and local communities.`

Thêm một cột bao gồm tháng chúng được xuất bản.

AI

Tiêu đề báo cáo	Mô tả	Tháng xuất bản
`Economic Impact` `Research`	`This report provides an in-depth analysis of the` `economic impact of the travel and tourism industry,` `both globally and in individual countries. It also` `provides forecasts for the future of the industry.`	`February 2022`
`Digital Travel Portals`	`This report provides guidance on how governments can` `implement a digital travel portal to facilitate safe` `and seamless travel.`	`March 2022`
`Codes to Resilience`	`This report identifies the key factors that will` `determine the resilience of the travel and tourism` `industry in the face of future shocks.`	`June 2022`
`Destination 2030`	`This report assesses the readiness of global cities to` `achieve sustainable tourism growth by 2030.`	`September 2022`
`Nature Positive Travel` `& Tourism`	`This report outlines the steps that the travel and` `tourism industry can take to become nature positive,` `meaning that it contributes more to the environment` `than it takes away.`	`October 2022`
`Staff Shortages`	`This report examines the challenges that the travel and` `tourism industry is facing in terms of staff shortages` `and proposes solutions to address this issue.`	`November 2022`
`Best Practices for` `Short-Term Rentals`	`This report provides guidance on how to regulate short-` `term rentals in a way that benefits both tourists and` `local communities.`	`December 2022`

Điều quan trọng cần nhớ là văn bản output từ chatbot AI trong các ví dụ trên được tạo ra hoàn toàn bởi AI và dựa trên lượng thông tin khổng lồ mà nó đã được huấn luyện từ internet. Nó không đơn thuần là sao chép và dán các phản hồi này từ trang web của WTTC, vì các đoạn văn, mô tả và bảng biểu chính xác này không hề tồn tại dưới định dạng này trên trang web của WTTC.

Tuy nhiên, trong ví dụ cuối cùng, khi chatbot AI được yêu cầu cung cấp các tháng mà báo cáo được xuất bản, nó đã cung cấp thông tin không chính xác. Điều này được gọi là 'hallucination' và là một đặc điểm của tất cả các chatbot AI hiện nay. Đôi khi chúng tạo ra các câu trả lời, thông tin và số liệu thống kê trông có vẻ chính xác và nghe có vẻ thuyết phục, nhưng thực tế lại sai lệch. Điều này là do cách thức phức tạp mà các Large Language Model tạo ra kết quả output của chúng. Một số lý do phổ biến dẫn đến hallucination được minh họa dưới đây.

Các nguyên nhân dẫn đến Generative AI Hallucination

Trong ví dụ về AI chatbot ở trên, bảng số liệu cũng chưa đầy đủ vì đã bỏ sót các báo cáo khác do WTTC công bố vào năm 2022, bao gồm báo cáo về 'Critical Factors to Attract Hotel Investment' (công bố vào tháng 6 năm 2022) và một báo cáo chung với Đại học Harvard về 'Circular Economy in Travel & Tourism' (công bố vào tháng 5 năm 2022). Mặc dù vậy, AI đã hoàn thành xuất sắc nhiệm vụ tìm kiếm và tóm tắt chính xác phần lớn các báo cáo của WTTC chỉ trong vài giây, từ một text prompt dạng văn bản chỉ gồm một câu duy nhất yêu cầu thông tin về các báo cáo được WTTC công bố vào năm 2022 (được viết theo cách trò chuyện tự nhiên).

Hallucination là một đặc điểm đã được biết đến rộng rãi của các hệ thống Generative AI hiện nay và nhiều nhà nghiên cứu đang nỗ lực tìm kiếm giải pháp để các phiên bản hệ thống AI trong tương lai sẽ có độ chính xác cao hơn và hiệu năng tốt hơn. Do đó, tất cả người dùng các hệ thống Generative AI hiện nay (bao gồm cả các doanh nghiệp trong ngành Du lịch & Lữ hành) nên nhận thức được những hạn chế hiện tại của chúng và được khuyến nghị nên xác thực lại bất kỳ kết quả output nào do AI tạo ra mà có thể ảnh hưởng nghiêm trọng đến hoạt động kinh doanh, an toàn hoặc vận hành.

Mặc dù AI chatbot có thể là trải nghiệm tiếp cận đầu tiên của nhiều người đối với các ứng dụng Generative AI, nhưng hiện đang có một thị trường tăng trưởng cực kỳ nhanh chóng của các ứng dụng AI và các mô hình AI open source. Các công cụ open source được cung cấp miễn phí để tải xuống và sử dụng, và trong một số trường hợp, chúng có thể được tùy biến để đáp ứng chính xác nhu cầu của người dùng và với dữ liệu của riêng bạn thông qua một quy trình gọi là 'Fine-tuning'.

Sơ đồ dưới đây từ Sequoia Capital (một quỹ đầu tư mạo hiểm của Mỹ) cố gắng phác thảo bản đồ thị trường Generative AI theo từng use case [24]. Sơ đồ này minh họa nhiều ứng dụng Generative AI đa dạng khác nhau tính đến tháng 9 năm 2023, nhưng điều này vẫn chưa bao quát được toàn bộ các ứng dụng hiện có.

Generative AI Market Map v3 (bởi Sequoia Capital)

Sự "bùng nổ" này của các ứng dụng Generative AI đã khiến nhiều nhà lãnh đạo trên thế giới kêu gọi một cuộc thảo luận nghiêm túc về các cơ hội và thách thức liên quan đến Generative AI, cũng như các nhu cầu pháp lý và hướng dẫn cần thiết để sử dụng nó một cách an toàn và có trách nhiệm. Do đó, chính phủ Anh đã tổ chức hội nghị AI Safety Summit đầu tiên trên thế giới vào tháng 11 năm 2023.

Nhiều quốc gia hiện đang tận dụng các khung pháp lý và chính sách hiện có của họ để quản lý các rủi ro của AI, trong khi ở châu Âu, EU đang thúc đẩy một đạo luật 'AI Act' trên toàn châu lục để nắm bắt các cơ hội do AI mang lại một cách có trách nhiệm. Nhiều nhóm đa quốc gia khác bao gồm một số cơ quan của Liên Hợp Quốc, G7 và các công ty thuộc khu vực tư nhân cũng đang xây dựng các hướng dẫn về AI có trách nhiệm. Những nội dung này được thảo luận sâu hơn trong báo cáo 'AI Risks & Governance' của WTTC.

Vào tháng 9 năm 2023, một báo cáo của OECD được chuẩn bị cho Nhiệm kỳ Chủ tịch G7 năm 2023 của Nhật Bản đã xác định bảy thách thức chung do Generative AI đặt ra đòi hỏi sự đồng thuận và hợp tác quốc tế [23]. Báo cáo lưu ý rằng các khung chính sách quốc tế dành cho Generative AI cần mang tính bao trùm và có sự đóng góp ý kiến từ nhiều bên liên quan khác nhau, không chỉ riêng các "chuyên gia AI", đồng thời bao gồm cả góc nhìn của chính phủ từ cả các nước phát triển và đang phát triển, các công ty tư nhân, xã hội dân sự và các lĩnh vực kinh tế có liên quan. Điều này bao gồm cả ngành Du lịch & Lữ hành quốc tế.

KHOẢNG CÁCH SỐ TOÀN CẦU & KHOẢNG CÁCH KỸ NĂNG AI

Như đã lưu ý trước đó trong chương này, khi các hệ thống AI tiếp cận nhiều dữ liệu chất lượng cao hơn và sử dụng năng lực tính toán lớn hơn, chúng sẽ trở nên chính xác, sáng tạo và sâu sắc hơn. Tuy nhiên, một điều quan trọng cần lưu ý là việc xử lý lượng dữ liệu khổng lồ có thể đặt ra các thách thức về quyền riêng tư, bảo mật và data governance đối với các nhà phát triển cũng như người dùng AI, và hiện đang có một sự phân tách lớn về dữ liệu và 'digital divide' (khoảng cách số) trên thế giới.

Liên minh Viễn thông Quốc tế (ITU) – cơ quan của Liên Hợp Quốc chịu trách nhiệm thúc đẩy công nghệ số – ước tính rằng 34% dân số thế giới chưa từng kết nối internet (vào năm 2022), tương đương với 2,6 tỷ người [25]. Do đó, một phần ba dân số thế giới không có quyền truy cập vào AI.

ITU cho rằng 'việc kết nối số phổ quát và có ý nghĩa' [26] (được định nghĩa là 'khả năng để mọi người tận hưởng trải nghiệm trực tuyến an toàn, hiệu quả và có chi phí hợp lý') phải là một ưu tiên toàn cầu. ITU tuyên bố rằng cuộc cách mạng AI phải mang lại lợi ích cho tất cả mọi người trên thế giới và không được làm trầm trọng thêm khoảng cách số (digital divide) quốc tế.

Dữ liệu của ITU cho thấy giới trẻ toàn cầu là động lực thúc đẩy kết nối, với 75% số người trong độ tuổi 15-24 trên thế giới hiện đã trực tuyến, so với 65% ở phần dân số còn lại. Đáng buồn thay, khả năng chi trả cho các dịch vụ internet cố định và di động cơ bản đang bỏ lại người dân ở các quốc gia kém phát triển nhất (LDCs) phía sau.

Dữ liệu của ITU từ năm 2022 cho thấy trong một nền kinh tế thu nhập thấp điển hình, dịch vụ băng thông rộng di động rẻ nhất chiếm tới 9% thu nhập của một người (gấp hơn 6 lần mức trung bình toàn cầu) và ở những quốc gia kém phát triển nhất đó, 64% dân số không được kết nối internet (gần gấp đôi mức trung bình toàn cầu là 34% không trực tuyến).

Để bắt đầu giải quyết vấn đề này, Vương quốc Anh và Canada đã công bố tầm nhìn 'AI for Development' tại Đại hội đồng Liên Hợp Quốc (UNGA) năm 2023 [27], nhằm thúc đẩy các kỹ năng AI tại địa phương, sự đổi mới sáng tạo và năng lực tính toán ở các quốc gia nghèo nhất thế giới, với trọng tâm ban đầu là châu Phi. Ngoại trưởng Anh lúc bấy giờ, James Cleverly, đã phát biểu tại buổi ra mắt của Liên Hợp Quốc rằng “cơ hội của AI là vô cùng to lớn… và Vương quốc Anh cùng với các đồng minh và đối tác của chúng ta đang đảm bảo rằng việc hiện thực hóa tiềm năng to lớn này được chia sẻ trên toàn cầu”.

Khi đề cập đến sự bất bình đẳng kỹ thuật số, nhà văn viết truyện khoa học viễn tưởng William Gibson (người đầu tiên sử dụng thuật ngữ 'cyberspace' trong cuốn tiểu thuyết Neuromancer năm 1984 của ông) được cho là đã nói cách đây hơn 30 năm rằng “tương lai đã ở đây rồi, chỉ là nó chưa được phân phối đồng đều mà thôi”. Câu nói này có thể được sử dụng để mô tả tình trạng khoảng cách số (digital divide) toàn cầu và tình hình AI ngày nay.

Dân số ngoại tuyến của thế giới: Báo cáo Kết nối Toàn cầu của ITU năm 2022 (Kích thước của ô thể hiện tỷ lệ đóng góp của quốc gia đó vào dân số ngoại tuyến của thế giới)

Tại các cuộc thảo luận chính sách giữa năm thường niên của Liên Hợp Quốc về các vấn đề toàn cầu khẩn cấp vào tháng 7 năm 2023, Tổng Thư ký ITU, Doreen Bodgan-Martin cho biết “trong một thế giới mà 95% dân số toàn cầu nằm trong vùng phủ sóng của mạng băng thông rộng di động, việc chỉ kết nối thôi là chưa đủ”, đồng thời nói thêm “quá nhiều người có thể trực tuyến lại quyết định không tham gia vì họ không có các kỹ năng số” [28]. Do đó, việc mù công nghệ thông tin và khoảng cách kỹ năng số là những rào cản đối với một tương lai AI thành công cho tất cả mọi người.

Tổng Thư ký ITU Liên Hợp Quốc, Doreen Bodgan-Martin

Khoảng cách kỹ năng số này ảnh hưởng đến cả các nước phát triển và đang phát triển. Vào năm 2023, công ty tuyển dụng và nhân sự quốc tế Randstad đã khảo sát 7.000 nhân viên tại các công ty thuộc mọi quy mô trên 34 quốc gia và phát hiện ra rằng chỉ có 13% người lao động được cung cấp bất kỳ hình thức đào tạo AI nào trong 12 tháng qua [29]. Điều này xảy ra bất chấp sự bùng nổ mạnh mẽ của AI trên toàn cầu, khi Randstad cũng quan sát thấy số lượng tin tuyển dụng mới yêu cầu kỹ năng AI trên tất cả các ngành công nghiệp đã tăng gấp 20 lần vào năm 2023 [30]. Nghiên cứu của họ cũng chỉ ra rằng đào tạo AI là hình thức phát triển được người lao động yêu cầu nhiều thứ ba, sau đào tạo về năng lực lãnh đạo và wellbeing.

Một kết quả tương tự cũng được tìm thấy trong khảo sát toàn cầu năm 2023 của GitLab về các công ty phát triển phần mềm [31]. Khảo sát chỉ ra rằng ngay cả khi hoạt động đào tạo AI được cung cấp trong nội bộ doanh nghiệp, vẫn có sự khác biệt đáng kể về chất lượng và mức độ sẵn có của chương trình đào tạo giữa các cấp bậc thâm niên. Những nhân sự ở cấp thấp hơn trong tổ chức là những người lo lắng nhất về việc mất việc làm do AI, nhưng họ lại không được trang bị các kỹ năng cần thiết để làm việc cùng và song hành với công nghệ AI. Báo cáo cũng lưu ý rằng “mặc dù điều này cho thấy các tổ chức đang nỗ lực từ trên xuống (top-down) để cung cấp các tài nguyên AI cho nhân viên, nhưng những tài nguyên đó có thể không đầy đủ ở các cấp thấp hơn”.

Bình luận về báo cáo này, tổ chức đào tạo Skillsoft cho biết “đầu tư vào reskilling và upskilling là vô cùng quan trọng để đảm bảo mọi người đều có thể hưởng lợi từ AI”. Để đảm bảo điều này, công ty lập luận rằng “các tổ chức phải có lập trường mạnh mẽ hơn trong việc đào tạo nhân viên sử dụng AI một cách chiến lược và có trách nhiệm trong vai trò hiện tại của họ”. Một khảo sát toàn cầu năm 2023 đối với các nhà điều hành doanh nghiệp do IBM Institute of Business Values thực hiện cũng cho thấy hầu hết các nhà lãnh đạo doanh nghiệp ước tính rằng việc triển khai AI và tự động hóa trong công ty của họ sẽ yêu cầu ít nhất 40% lực lượng lao động phải reskill trong ba năm tới [32].

Nhưng ý nghĩ về việc đào tạo lại về kỹ thuật số cho một nửa, hoặc nhiều hơn, toàn bộ lực lượng lao động có vẻ là một nhiệm vụ đầy thách thức và tốn kém. Đó là lý do tại sao các tổ chức như Microsoft, Google và IBM cung cấp các khóa đào tạo AI cơ bản miễn phí thông qua kênh YouTube và website của họ (chẳng hạn như trực tuyến tại Microsoft Learn [33], Grow with Google [34] hoặc IBM Training 35), thường là thông qua hợp tác với các tổ chức như LinkedIn Learning, Coursera và edX. Vào tháng 9 năm 2023, IBM cũng đã công bố kế hoạch giúp thu hẹp khoảng cách kỹ năng AI bằng cách đào tạo AI cho 2 triệu người vào cuối năm 2026, tập trung vào các cộng đồng yếu thế [36]. Để đạt được mục tiêu này, IBM đang hợp tác với các trường đại học và các đơn vị cung cấp dịch vụ đào tạo trên khắp thế giới để giáo dục cho người trưởng thành, đồng thời ra mắt các khóa học Generative AI mới về các chủ đề như 'Viết Prompt' và 'Cải thiện dịch vụ khách hàng bằng AI' thông qua IBM SkillsBuild [37].

Nhiều nhà sáng tạo nội dung trực tuyến cũng đang sản xuất các video hướng dẫn cách sử dụng AI, và đã có hơn 1,7 tỷ lượt xem các video liên quan đến các công cụ AI trên YouTube chỉ riêng trong năm 2023 [38]. Các khóa đào tạo trả phí, chuyên sâu hơn cũng được cung cấp bởi một số trường đại học (cả trực tiếp và trực tuyến) và nhiều đơn vị đào tạo khác – những bên cũng có thể cung cấp dịch vụ tư vấn để tùy chỉnh chương trình đào tạo theo nhu cầu cụ thể của doanh nghiệp bạn.

Một công cụ đơn giản và hữu ích để đào tạo toàn bộ lực lượng lao động cũng có thể là đào tạo peer-to-peer, nơi một nhân viên tham gia khóa đào tạo (hoặc workshop/seminar) chia sẻ những kiến thức cốt lõi đã học được với các thành viên khác trong đội ngũ. Đào tạo nhận thức và co-mentoring, nơi các nhóm hướng dẫn lẫn nhau và trao đổi chuyên môn trong các buổi one-to-one, cũng có thể cho phép các tổ chức tận dụng tối đa những nhân sự đã có sẵn các kỹ năng số cụ thể.

Nhiều quốc gia và doanh nghiệp mới chỉ đang ở vạch xuất phát trong hành trình AI của họ, trong đó việc giáo dục và đào tạo AI là điều cần thiết để đảm bảo mọi người đều được hưởng lợi từ AI. Nhưng đây không chỉ là trách nhiệm của các doanh nghiệp mà còn bắt đầu từ nền giáo dục số do chính phủ thúc đẩy trong các trường học, với việc đào tạo AI được phổ cập cho tất cả mọi người, ở mọi giai đoạn của cuộc đời, và đặc biệt là ở các quốc gia kém phát triển nhất để giúp thu hẹp (chứ không phải mở rộng) 'khoảng cách số' toàn cầu.

Made by Anh Tu - Share to be share

NĂNG LỰC TÍNH TOÁN (COMPUTING POWER): NHỮNG CỖ MÁY ĐẰNG SAU AI​

AI​

AI​

AI​

AI AI​

AI​

NĂNG LỰC TÍNH TOÁN (COMPUTING POWER): NHỮNG CỖ MÁY ĐẰNG SAU AI

AI

AI

AI

AI AI

AI