Dưới đây là danh sách đầy đủ các thuật ngữ trong từ điển AI phổ biến dành cho bạn quan tâm đến lĩnh vực AI.
1. Khái niệm cốt lõi & Nền tảng AI / Học máy
Artificial Intelligence (AI - Trí tuệ nhân tạo): Hệ thống máy tính có khả năng thực hiện các tác vụ vốn đòi hỏi trí thông minh của con người (như học hỏi, nhận diện quy luật, hiểu ngôn ngữ, đưa ra quyết định).
Artificial General Intelligence (AGI - Trí tuệ nhân tạo tổng quát): Khái niệm giả định về một AI có năng lực trí tuệ toàn diện và linh hoạt tương đương hoặc vượt con người ở hầu hết mọi lĩnh vực (hiện tại chưa có hệ thống nào đạt đến mức này).
Machine Learning (Học máy): Nhánh của AI tập trung vào việc xây dựng thuật toán cho phép hệ thống tự học hỏi và cải thiện hiệu suất từ dữ liệu thay vì được lập trình quy tắc cứng.
Deep Learning (Học sâu): Một nhánh của Machine Learning sử dụng các mạng nơ-ron nhiều tầng (nhiều lớp tính toán) để học các mẫu dữ liệu phức tạp.
Algorithm (Thuật toán): Trình tự các bước hoặc quy tắc định sẵn để giải quyết một bài toán, dùng trong huấn luyện mô hình, truy xuất thông tin hoặc phân loại dữ liệu.
Neural Networks (Mạng nơ-ron): Kiến trúc điện toán lấy cảm hứng từ mạng lưới tế bào thần kinh sinh học, gồm các nút (node/neuron) kết nối với nhau để xử lý thông tin.
Transformer: Kiến trúc mạng nơ-ron chuyên xử lý dữ liệu tuần tự (đặc biệt là ngôn ngữ tự nhiên) bằng cơ chế chú ý (attention), là nền tảng của hầu hết các mô hình ngôn ngữ lớn hiện nay.
Natural Language Processing (NLP - Xử lý ngôn ngữ tự nhiên): Lĩnh vực kết hợp khoa học máy tính và ngôn ngữ học giúp máy tính hiểu, phân tích và tạo ra ngôn ngữ của con người.
Supervised Learning (Học có giám sát): Phương pháp huấn luyện mô hình bằng dữ liệu đã được gán nhãn (có sẵn đầu vào và đáp án mẫu).
Unsupervised Learning (Học không giám sát): Phương pháp huấn luyện trên dữ liệu chưa gán nhãn, để mô hình tự phát hiện các cụm, cấu trúc hoặc quy luật ẩn.
Probabilistic Model (Mô hình xác suất): Mô hình đưa ra dự đoán dựa trên phân phối xác suất (ví dụ: dự đoán từ tiếp theo có khả năng xuất hiện cao nhất) thay vì đưa ra một câu trả lời cố định tuyệt đối.
Turing Test (Phép thử Turing): Bài kiểm tra đánh giá xem khả năng giao tiếp của máy tính có thể phân biệt được với con người hay không.
2. Mô hình & Kiến trúc tạo sinh
Model (Mô hình): Chương trình hoặc cấu trúc toán học đã qua huấn luyện trên dữ liệu để nhận diện mẫu và đưa ra dự đoán/kết quả.
Foundation Model (Mô hình nền tảng): Mô hình quy mô lớn được huấn luyện trên khối lượng dữ liệu khổng lồ, đóng vai trò nền tảng để tùy biến hoặc tinh chỉnh cho nhiều tác vụ khác nhau.
Generative AI (GenAI - AI tạo sinh): Các hệ thống AI có khả năng tạo ra nội dung mới (văn bản, hình ảnh, âm thanh, mã code) dựa trên các quy luật đã học từ dữ liệu.
Language Model (Mô hình ngôn ngữ): Mô hình được huấn luyện để hiểu, tạo và dự đoán văn bản.
Large Language Model (LLM - Mô hình ngôn ngữ lớn): Mô hình ngôn ngữ có kích thước khổng lồ (hàng tỉ tham số), có khả năng xử lý và tạo văn bản tự nhiên, linh hoạt.
Small Language Model (SLM - Mô hình ngôn ngữ nhỏ): Mô hình ngôn ngữ gọn nhẹ hơn, cần ít tài nguyên tính toán hơn, thường tối ưu hóa để chạy cục bộ trên thiết bị hoặc cho tác vụ hẹp.
Generative Pretrained Transformer (GPT): Dòng mô hình ngôn ngữ dựa trên kiến trúc Transformer, được huấn luyện trước trên dữ liệu diện rộng để tạo văn bản (do OpenAI khởi xướng).
Multimodal Model (Mô hình đa phương thức): Mô hình có thể xử lý và kết hợp nhiều loại dữ liệu đầu vào/đầu ra khác nhau (ví dụ: văn bản, hình ảnh, âm thanh, video).
Reasoning Model (Mô hình suy luận): Mô hình được tối ưu hóa để thực hiện các bước suy luận logic nhiều tầng trước khi đưa ra kết luận (như giải toán phức tạp, phân tích logic).
Parameter (Tham số): Các biến số/trọng số bên trong mô hình được điều chỉnh trong quá trình huấn luyện, quyết định cách mô hình xử lý thông tin.
Token: Đơn vị văn bản cơ bản mà mô hình xử lý (có thể là một từ, một phần của từ, hoặc ký tự).
Temperature (Nhiệt độ): Tham số điều chỉnh mức độ ngẫu nhiên/sáng tạo của câu trả lời (giá trị thấp cho câu trả lời nhất quán, giá trị cao cho câu trả lời đa dạng/sáng tạo hơn).
3. Dữ liệu & Kỹ thuật huấn luyện / Vận hành
Dataset (Bộ dữ liệu): Tập hợp các mẫu dữ liệu dùng để huấn luyện hoặc đánh giá mô hình.
Training Data (Dữ liệu huấn luyện): Dữ liệu cụ thể được nạp vào mô hình trong quá trình học.
Synthetic Data (Dữ liệu tổng hợp): Dữ liệu được tạo ra nhân tạo bởi thuật toán/AI thay vì thu thập từ thế giới thực.
Finetuning (Tinh chỉnh): Quá trình huấn luyện tiếp một mô hình đã có trên tập dữ liệu chuyên biệt để thích ứng với lĩnh vực, giọng văn hoặc tác vụ cụ thể.
RLHF (Reinforcement Learning from Human Feedback - Học tăng cường từ phản hồi con người): Phương pháp điều chỉnh mô hình bằng cách dùng đánh giá/xếp hạng của con người để hướng dẫn AI đưa ra phản hồi hữu ích, an toàn hơn.
Knowledge Cutoff (Mốc thời gian dữ liệu): Thời điểm cuối cùng mà dữ liệu huấn luyện được cập nhật; mô hình thường không biết thông tin sự kiện xảy ra sau mốc này (nếu không có công cụ tìm kiếm bên ngoài).
Inference (Suy luận / Chạy mô hình): Quá trình mô hình đã huấn luyện tiếp nhận đầu vào từ người dùng và tính toán để tạo ra kết quả.
Compute (Tài nguyên tính toán): Khối lượng năng lực xử lý (thường đo bằng FLOPs) cần thiết để huấn luyện hoặc vận hành mô hình.
GPU (Graphics Processing Unit): Bộ xử lý đồ họa chuyên dụng, tối ưu cho việc tính toán ma trận song song trong huấn luyện và chạy AI.
Latency (Độ trễ): Thời gian từ khi gửi yêu cầu đến khi hệ thống AI phản hồi lại.
Overfitting (Quá khớp): Hiện tượng mô hình học quá kỹ dữ liệu huấn luyện (kể cả nhiễu), dẫn đến xử lý kém khi gặp dữ liệu thực tế mới.
4. Ngữ cảnh & Kỹ thuật Prompting
Prompt (Câu lệnh / Lời nhắc): Nội dung đầu vào (văn bản, hình ảnh, chỉ dẫn) mà người dùng gửi cho mô hình để yêu cầu thực hiện tác vụ.
System Prompt (Lời nhắc hệ thống): Lời chỉ dẫn nền tảng được nhà phát triển thiết lập sẵn để định hình tính cách, vai trò, quy tắc an toàn và phong cách phản hồi của mô hình.
Context (Ngữ cảnh): Toàn bộ thông tin được cung cấp cho mô hình trong một phiên/lượt xử lý (gồm prompt, system prompt, lịch sử hội thoại, tài liệu tra cứu, kết quả từ công cụ).
Context Window (Cửa sổ ngữ cảnh): Giới hạn dung lượng token tối đa mà mô hình có thể tiếp nhận và ghi nhớ trong một lượt xử lý.
Memory (Bộ nhớ): Cơ chế lưu giữ thông tin quan trọng qua các phiên làm việc để có thể tái sử dụng vào ngữ cảnh sau này.
Prompt Engineering (Kỹ nghệ tạo câu lệnh): Nghệ thuật và kỹ thuật thiết kế, tinh chỉnh câu lệnh để mô hình cho ra kết quả chính xác, tối ưu nhất.
Zero-Shot Prompting: Yêu cầu mô hình thực hiện nhiệm vụ ngay lập tức mà không đưa ra ví dụ mẫu nào.
One-Shot Prompting: Đưa ra đúng 1 ví dụ mẫu minh họa trước khi yêu cầu mô hình giải quyết nhiệm vụ chính.
Multishot / Few-Shot Prompting: Cung cấp vài ví dụ mẫu để định hướng khuôn mẫu kết quả cho mô hình.
Chain-of-Thought Prompting (Chuỗi suy nghĩ): Kỹ thuật hướng dẫn mô hình trình bày từng bước lập luận trung gian trước khi đưa ra câu trả lời cuối cùng.
5. AI Agent & Tương tác nâng cao trong sản phẩm
Agent (Tác tử AI): Hệ thống có khả năng tự lập kế hoạch qua nhiều bước, sử dụng công cụ bên ngoài, đánh giá tiến độ và tự quyết định hành động tiếp theo để đạt mục tiêu.
Agentic AI (Tính chủ động của AI): Mức độ tự chủ và linh hoạt của hệ thống trong việc tự đưa ra chuỗi hành động giữa các lần tương tác mà không cần con người chỉ dẫn từng li từng tí.
Tool Use / Function Calling (Sử dụng công cụ / Gọi hàm): Khả năng mô hình nhận diện thời điểm cần gọi API, tra cứu cơ sở dữ liệu, chạy code hoặc dùng máy tính để hoàn thành yêu cầu.
Retrieval-Augmented Generation (RAG - Tạo sinh tăng cường truy xuất): Kỹ thuật kết hợp giữa việc tìm kiếm tài liệu từ cơ sở dữ liệu bên ngoài rồi nạp vào ngữ cảnh để AI tạo câu trả lời chính xác, cập nhật và giảm bịa đặt.
Model Context Protocol (MCP): Giao thức chuẩn hóa kết nối giữa các mô hình AI và các nguồn dữ liệu, công cụ hoặc dịch vụ ngoài.
AI Engineering (Kỹ thuật AI sản phẩm): Quy trình biến các mô hình AI thành sản phẩm ổn định, gồm thiết kế ngữ cảnh, prompt, kết nối công cụ, kiểm thử (evals) và xây dựng rào chắn bảo vệ.
Generative UI (GenUI - Giao diện tạo sinh): Giao diện linh hoạt trong đó các thành phần, bố cục hoặc nút điều khiển được AI lắp ráp và hiển thị theo thời gian thực dựa trên nhu cầu của người dùng, thay vì hiển thị màn hình cố định.
Vibe Coding: Phong cách lập trình mà người dùng chỉ cần mô tả ý tưởng, tính năng bằng ngôn ngữ tự nhiên để AI tự viết mã và dựng sản phẩm.
6. Nhóm về Đạo đức, An toàn & Rủi ro người dùng khi sử dụng AI
Hallucination (Ảo giác / Bịa đặt): Hiện tượng mô hình tạo ra thông tin nghe có vẻ rất hợp lý và tự tin nhưng thực tế lại sai sự thật hoặc không có cơ sở.
Grounding (Căn cứ thực tế): Việc neo giữ câu trả lời của AI dựa trên các tài liệu, nguồn dữ liệu xác thực đã được kiểm chứng.
Alignment (Sự căn chỉnh): Nỗ lực đảm bảo hành vi của AI phù hợp với giá trị, đạo đức và ý định mong muốn của con người, tránh các tác hại không lường trước.
Guardrails (Rào chắn an toàn): Các quy tắc và bộ lọc kiểm soát đầu vào/đầu ra nhằm ngăn chặn AI phát ngôn độc hại, rò rỉ dữ liệu nhạy cảm hoặc làm sai quy chuẩn.
Explainability (Khả năng giải thích): Mức độ hệ thống có thể diễn giải cho người dùng hiểu lý do vì sao nó đưa ra quyết định hoặc kết quả đó.
Evals (Evaluations - Đánh giá / Kiểm thử): Các bộ bài test định lượng lặp lại được để đo lường chất lượng, độ chính xác và phát hiện lỗi thụt lùi (regression) của tính năng AI.
Prompt Injection (Tấn công chèn câu lệnh): Lỗ hổng bảo mật khi người dùng chèn các chỉ dẫn đặc biệt để thao túng mô hình bỏ qua system prompt hoặc rào chắn an toàn.
Bias (Thiên vị / Định kiến): Sự sai lệch mang tính hệ thống trong dữ liệu hoặc mô hình dẫn đến việc đối xử bất công với một nhóm người hoặc một quan điểm nhất định.
Automation Bias (Thiên kiến tự động hóa): Xu hướng tâm lý của con người quá tin tưởng vào kết quả tự động của máy móc và ít kiểm tra lại, ngay cả khi kết quả đó sai.
Overreliance (Quá phụ thuộc): Hiện tượng người dùng tin tưởng thái quá vào năng lực của AI, bỏ qua việc kiểm chứng lại độ chính xác.
Anthropomorphism (Nhân cách hóa): Xu hướng con người gán cho AI những phẩm chất, cảm xúc hoặc ý thức như con người (ví dụ: bị đánh lừa bởi cách AI xưng hô, xin lỗi).
Sycophancy (Tính nịnh bợ / Thuận theo người dùng): Hiện tượng AI có xu hướng đồng ý với ý kiến của người dùng hoặc đưa ra câu trả lời chiều lòng người hỏi, ngay cả khi người dùng đưa ra thông tin sai lệch.
AI Slop (Rác thông tin AI): Nội dung chất lượng thấp, sáo rỗng, tạo hàng loạt bằng AI mà không qua kiểm chứng chất lượng.
AI Washing: Hành vi phóng đại hoặc quảng cáo sai lệch rằng sản phẩm “ứng dụng AI” để thu hút truyền thông/khách hàng dù thực tế không có hoặc rất ít giá trị.
Human-in-the-Loop (HITL - Có sự tham gia của con người): Mô hình quy trình kết hợp sự giám sát, phê duyệt hoặc can thiệp của con người vào các bước quan trọng của hệ thống AI để đảm bảo an toàn và chất lượng.
Nguồn tham khảo:
https://hai.stanford.edu/ai-definitions
https://www.nngroup.com/articles/artificial-intelligence-glossary/