Trí tuệ nhân tạo (Artificial Intelligence) là nhóm hệ thống máy tính được thiết kế để thực hiện những nhiệm vụ thường cần năng lực của con người, như nhận diện mẫu, sử dụng ngôn ngữ hoặc đưa ra dự đoán. Cụm từ “các loại AI” có thể chỉ những hệ thống phân loại khác nhau, không phải một danh sách chính thức duy nhất.
Sự khác biệt này giải thích vì sao các tài liệu có thể nói về ba, bốn hoặc bảy loại AI mà không thực sự mâu thuẫn. Một khung phân loại dựa trên phạm vi nhiệm vụ; khung khác dựa trên cách hệ thống phản hồi và sử dụng thông tin. Cả hai đều khác với Machine Learning và Deep Learning, vốn mô tả phương pháp xây dựng hoặc huấn luyện AI.
Tóm tắt cốt lõi (Key Takeaways)
- Theo năng lực: Narrow AI (AI chuyên biệt), Artificial General Intelligence (Trí tuệ nhân tạo tổng quát) và Artificial Superintelligence (Siêu trí tuệ nhân tạo).
- Theo chức năng: Reactive Machines (Máy phản ứng), Limited-Memory AI (AI có bộ nhớ giới hạn), Theory-of-Mind AI (AI có khả năng mô hình hóa trạng thái tinh thần) và Self-Aware AI (AI tự nhận thức).
- Ý nghĩa thực tế: Phần lớn hệ thống AI hiện nay là AI chuyên biệt. AGI, ASI, Theory-of-Mind AI và Self-Aware AI vẫn mang tính giả định hoặc lý thuyết.
Các loại Trí tuệ nhân tạo chính là gì?
Các loại AI thường được trình bày theo hai khung chính: phân loại theo năng lực và phân loại theo chức năng.
Khung theo năng lực hỏi hệ thống có thể thực hiện nhiệm vụ trên phạm vi rộng đến đâu. Khung này gồm Narrow AI, Artificial General Intelligence và Artificial Superintelligence. Khung theo chức năng hỏi hệ thống phản hồi, sử dụng thông tin trước đó hoặc mô hình hóa tâm trí của tác nhân khác như thế nào. Khung này gồm Reactive Machines, Limited-Memory AI, Theory-of-Mind AI và Self-Aware AI.
Có thể hình dung hai khung này như hai cách mô tả một phương tiện: một cách dựa trên việc phương tiện làm được gì, chẳng hạn chở người hoặc vận chuyển hàng; cách kia dựa trên cách nó vận hành, chẳng hạn dùng điện hay nhiên liệu. Các cách phân loại AI cũng mô tả những khía cạnh khác nhau của cùng một hệ thống.
Một số nguồn kết hợp ba nhóm theo năng lực với bốn nhóm theo chức năng và gọi đó là “bảy loại”. Những nguồn khác chỉ trình bày một khung. Vì vậy, cần xác định danh sách đang mô tả khía cạnh nào thay vì chỉ chú ý đến số lượng. Tổng quan của Coursera và phần giải thích của EBS University đều trình bày hai cách phân loại rộng này.
Hai cách phân loại AI thường gặp
Hai khung phân loại AI trả lời hai câu hỏi khác nhau: hệ thống có thể làm được gì và hệ thống xử lý thông tin ra sao.
| Khung phân loại | Câu hỏi chính | Các nhóm | Ý nghĩa thực tế |
|---|---|---|---|
| Theo năng lực | AI có thể thực hiện nhiệm vụ trên phạm vi rộng đến đâu? | Narrow AI, AGI, ASI | Mô tả phạm vi năng lực |
| Theo chức năng | AI phản hồi và sử dụng thông tin như thế nào? | Phản ứng, bộ nhớ giới hạn, lý thuyết về tâm trí, tự nhận thức | Mô tả cách vận hành và các khái niệm về bộ nhớ |
Các nhóm trong hai khung không tương đương trực tiếp. “Narrow AI” mô tả phạm vi năng lực, còn “Limited-Memory AI” mô tả cách hệ thống sử dụng thông tin. Một ứng dụng có thể là AI chuyên biệt nhưng vẫn dùng dữ liệu trước đó hoặc ngữ cảnh đã lưu.
Hai khung này cũng không phải lộ trình phát triển bắt buộc. Việc Reactive Machines được đặt trước Self-Aware AI chỉ phản ánh cách tổ chức khái niệm, không xác nhận mọi hệ thống AI sẽ phát triển theo trình tự đó.
Các loại AI theo năng lực: Narrow AI, AGI và ASI
Phân loại theo năng lực mô tả phạm vi mà một hệ thống AI có thể áp dụng khả năng của mình, từ nhiệm vụ xác định đến những năng lực tổng quát hoặc vượt con người mang tính giả định.
1. Narrow AI
Narrow AI được thiết kế hoặc đánh giá cho một nhiệm vụ xác định hoặc một nhóm nhiệm vụ liên quan. Hệ thống có thể hoạt động rất hiệu quả trong phạm vi đó, nhưng không tự động chuyển năng lực sang mọi vấn đề xa lạ.
Bộ lọc thư rác, hệ thống đề xuất sản phẩm, công cụ lập lộ trình, công cụ nhận diện hình ảnh và chatbot chăm sóc khách hàng đều có thể là Narrow AI. Công cụ tóm tắt cuộc họp và soạn email tiếp theo cũng là AI chuyên biệt nếu được dùng cho những nhiệm vụ đã xác định, dù có thể tạo văn bản trôi chảy.
“Chuyên biệt” không có nghĩa là đơn giản. Một hệ thống có thể xử lý lượng lớn thông tin và hỗ trợ nhiều tính năng liên quan mà vẫn bị giới hạn bởi mục đích cùng điều kiện vận hành. Câu hỏi cốt lõi là hệ thống có khái quát đáng tin cậy sang toàn bộ phạm vi nhiệm vụ mà con người có thể xử lý hay không.
2. Artificial General Intelligence
Artificial General Intelligence, thường viết tắt là AGI, chỉ một hệ thống AI được đề xuất với năng lực rộng, có thể so sánh với con người trên nhiều nhiệm vụ. Hệ thống này được kỳ vọng có thể học, suy luận, thích ứng với tình huống xa lạ và chuyển giao kiến thức giữa các lĩnh vực.
Một AGI giả định có thể học quy trình kinh doanh mới, phân tích hợp đồng chưa từng gặp, lập kế hoạch dự án, dạy một khái niệm và xử lý vấn đề thực tế mà không cần một hệ thống riêng cho từng nhiệm vụ. Đây là phạm vi rộng hơn việc thêm nhiều tính năng vào một ứng dụng chuyên biệt.
Ranh giới chính xác của AGI vẫn còn được tranh luận. Vì vậy, nên xem AGI là một nhóm năng lực được đề xuất thay vì nhãn thống nhất cho một sản phẩm hiện tại. Phần giải thích của QA mô tả AGI là dạng năng lực rộng, có thể so sánh với con người và lưu ý rằng AGI chưa được xác lập như một công nghệ hiện hành thông thường.
3. Artificial Superintelligence
Artificial Superintelligence, hay ASI, chỉ một hệ thống AI được đề xuất có thể vượt qua năng lực của con người trên nhiều lĩnh vực hoặc theo những cách vượt xa hiệu suất của con người.
ASI mang tính giả định nhiều hơn Narrow AI. Đây không phải nhóm sản phẩm tiêu chuẩn đang được dùng trong công việc hằng ngày, cũng không có cơ sở đáng tin cậy để xác định thời điểm phát triển. ASI chỉ mô tả một mức năng lực được đề xuất, không phải phương pháp học, thương hiệu phần mềm hay ứng dụng hiện tại.
Narrow AI: Loại AI được dùng trong phần lớn ứng dụng hằng ngày
Phần lớn công cụ AI hiện nay phù hợp với nhóm Narrow AI vì chúng được xây dựng cho các nhiệm vụ xác định.
Nhóm này gồm hệ thống lọc email, phát hiện giao dịch tài chính bất thường, đề xuất sản phẩm, nhận diện vật thể trong hình ảnh, chuyển giọng nói thành văn bản và tạo bản nháp tài liệu.
Một chatbot có thể viết lời giải thích thuyết phục nhưng điều đó không chứng minh chatbot có trí tuệ tổng quát giống con người. Khả năng tạo ngôn ngữ phụ thuộc vào thiết kế, dữ liệu huấn luyện, thông tin sẵn có và ngữ cảnh nhiệm vụ. Hệ thống vẫn có thể mắc lỗi, gặp khó khăn với tình huống xa lạ hoặc không chuyển giao kiến thức đáng tin cậy giữa các loại vấn đề.
Ví dụ, công cụ ghi chú cuộc họp bằng AI có thể xác định người phát biểu, tóm tắt thảo luận và tạo danh sách việc cần làm. Những khả năng đó không có nghĩa công cụ hiểu mọi quyết định kinh doanh, đánh giá ưu tiên của tổ chức hoặc quản lý một dự án xa lạ. Nó vẫn tập trung vào một nhóm công việc xác định.
AGI và ASI: Các nhóm năng lực mang tính giả định
AGI và ASI hữu ích khi thảo luận về phạm vi có thể có của AI, nhưng không nên được trình bày như các nhóm phần mềm hiện hành đã được xác lập.
- AGI mô tả một hệ thống được đề xuất với năng lực rộng, linh hoạt và có thể so sánh với con người trên nhiều nhiệm vụ.
- ASI mô tả một hệ thống được đề xuất có thể vượt qua năng lực của con người trên nhiều lĩnh vực hoặc theo nghĩa tổng quát hơn.
Trợ lý bảng tính giúp giải thích công thức là công cụ chuyên biệt. Một AGI giả định sẽ cần xử lý nhiệm vụ xa lạ, học hỏi giữa nhiều lĩnh vực và thích ứng với mức độ linh hoạt có thể so sánh với con người. Một ASI giả định sẽ tiến xa hơn bằng cách vượt qua năng lực con người trên nhiều lĩnh vực.
Những mô tả này không xác nhận các hệ thống như vậy đang tồn tại, cũng không tạo cơ sở để dự đoán thời điểm chúng được phát triển. Vì định nghĩa còn khác nhau, cần thận trọng khi một nguồn gắn nhãn AGI cho sản phẩm hiện tại hoặc tuyên bố một cột mốc cụ thể đã đạt được.
Các loại AI theo chức năng: Từ Reactive Machines đến Self-Aware AI
Phân loại theo chức năng tập trung vào cách hệ thống phản hồi đầu vào và sử dụng thông tin. Bốn nhóm dưới đây là cách giải thích giản lược, không phải lộ trình phát triển được chấp nhận rộng rãi.
1. Reactive Machines
Reactive Machines phản hồi đầu vào hiện tại mà không sử dụng trải nghiệm trước đó theo cách được mô tả trong khung này.
Một chương trình chơi game dựa trên luật đơn giản là ví dụ dễ hình dung. Chương trình đánh giá trạng thái hiện tại của bàn chơi và chọn hành động theo thiết kế, không cần lịch sử cá nhân hay hiểu biết về cuộc sống của người chơi.
Nhóm này chủ yếu giúp giải thích những hệ thống sử dụng thông tin trước đó ở mức hạn chế. Thiết kế bên trong của hệ thống thực tế có thể phức tạp hơn mô tả đơn giản này.
2. Limited-Memory AI
Limited-Memory AI sử dụng thông tin liên quan từ ví dụ trước đó, dữ liệu đã lưu hoặc phần trước của một quy trình để tạo đầu ra. Nhiều ứng dụng AI hiện đại thường được mô tả bằng nhóm này.
Hệ thống phát hiện gian lận có thể dùng mẫu từ giao dịch lịch sử khi đánh giá giao dịch mới. Hệ thống nhận diện hình ảnh có thể dùng mẫu đã học từ các ví dụ được gắn nhãn. Công cụ ngôn ngữ có thể dùng văn bản trong tương tác hiện tại để tạo phản hồi.
“Bộ nhớ” trong khung này không nhất thiết là bộ nhớ giống con người hoặc nhận thức cá nhân. Thuật ngữ này có thể chỉ dữ liệu, ví dụ trước đó hoặc thông tin được cung cấp cho hệ thống. Hành vi cụ thể phụ thuộc vào thiết kế và cách sản phẩm xử lý dữ liệu.
3. Theory-of-Mind AI
Theory-of-Mind AI chỉ một hệ thống được đề xuất có thể hiểu niềm tin, ý định, góc nhìn hoặc cảm xúc của tác nhân khác theo cách sâu sắc và giống con người hơn.
Một trợ lý công việc giả định thuộc nhóm này có thể nhận ra đồng nghiệp không chắc chắn về một đề xuất, hiểu lý do của sự không chắc chắn đó và điều chỉnh phản hồi. Khả năng này vượt xa việc phát hiện các từ như “Tôi không chắc” vì nó hàm ý mô hình sâu hơn về trạng thái tinh thần.
Hệ thống hiện tại có thể nhận diện ngôn ngữ cảm xúc hoặc tạo phản hồi phù hợp về mặt xã hội, nhưng những hành vi đó không tự động chứng minh hệ thống có lý thuyết về tâm trí giống con người. Trong khung thường được sử dụng, Theory-of-Mind AI vẫn mang tính lý thuyết. Cách phân loại của Coursera xác định đây là nhóm chưa được xác lập như công nghệ hiện tại.
4. Self-Aware AI
Self-Aware AI chỉ một hệ thống giả định có ý thức hoặc nhận thức về bản thân. Khái niệm này vượt xa việc tạo ra các câu nói về chính hệ thống và hàm ý sự nhận thức chủ quan thực sự.
Một hệ thống có thể được lập trình để nói “Tôi nghĩ” hoặc “Tôi nhớ”, nhưng ngôn ngữ được tạo ra không chứng minh ý thức. Vì vậy, tự nhận thức vẫn là ý tưởng lý thuyết trong khung này, không phải mô tả đã được xác minh về chatbot hiện tại hay các công cụ AI phổ biến.
Những loại AI nào đang tồn tại hiện nay?
Narrow AI là nhóm thực tế nhất hiện nay vì các hệ thống này được thiết kế cho nhiệm vụ xác định, kể cả nhiệm vụ liên quan đến ngôn ngữ, hình ảnh, đề xuất hoặc phân tích phức tạp.
Trong khung theo chức năng, Reactive Machines và Limited-Memory AI thường được mô tả là các nhóm đang tồn tại. Theory-of-Mind AI và Self-Aware AI vẫn mang tính lý thuyết trong các nguồn phân loại được cung cấp. Một hệ thống thực tế cũng không nhất thiết vừa vặn hoàn toàn với một ô duy nhất.
| Nhóm | Ý nghĩa theo cách nói đơn giản | Trạng thái hiện nay trong khung này |
|---|---|---|
| Narrow AI | Thực hiện các nhiệm vụ xác định hoặc các nhiệm vụ liên quan | Được sử dụng rộng rãi hiện nay |
| AGI | Năng lực tổng quát rộng, có thể so sánh với con người | Mang tính giả định hoặc chưa được thống nhất |
| ASI | Năng lực vượt con người trên nhiều lĩnh vực | Mang tính giả định |
| Reactive Machines | Chủ yếu phản hồi đầu vào hiện tại | Thường được mô tả là đang tồn tại |
| Limited-Memory AI | Sử dụng dữ liệu hoặc thông tin liên quan từ trước | Thường được mô tả là đang tồn tại |
| Theory-of-Mind AI | Mô hình hóa trạng thái tinh thần của tác nhân khác theo nghĩa sâu hơn | Mang tính lý thuyết |
| Self-Aware AI | Có ý thức hoặc nhận thức về bản thân | Mang tính lý thuyết |
Một hệ thống có thể rất mạnh trong lĩnh vực hẹp mà vẫn không phải AGI. Mô hình ngôn ngữ có thể viết, tóm tắt, dịch và trả lời câu hỏi nhưng vẫn tạo phát biểu không có căn cứ hoặc thất bại trước nhiệm vụ xa lạ khi thiếu ngữ cảnh. Hiệu suất tốt trong một số nhiệm vụ không tự chứng minh trí tuệ tổng quát.
Các loại AI không giống Machine Learning hoặc Deep Learning
Machine Learning là phương pháp xây dựng hệ thống trong đó hệ thống học mẫu từ dữ liệu thay vì chỉ dựa vào quy tắc viết sẵn. Deep Learning là một nhánh của Machine Learning, sử dụng mạng nơ-ron nhiều lớp cho các nhiệm vụ như nhận diện hình ảnh hoặc xử lý ngôn ngữ. Đây là phương pháp học hoặc xây dựng hệ thống, không phải nhóm năng lực theo cùng nghĩa với Narrow AI, AGI hoặc ASI.
| Khái niệm | Mô tả điều gì | Câu hỏi ví dụ |
|---|---|---|
| Narrow AI | Phạm vi năng lực thực hiện nhiệm vụ của hệ thống | “Hệ thống này có được xây dựng cho một nhiệm vụ xác định không?” |
| Limited-Memory AI | Cách hệ thống sử dụng thông tin | “Hệ thống có sử dụng dữ liệu trước đó hoặc ngữ cảnh đã lưu có liên quan không?” |
| Machine Learning | Cách hệ thống học các mẫu từ dữ liệu | “Hệ thống có học từ các ví dụ không?” |
| Deep Learning | Một phương pháp Machine Learning sử dụng mạng nhiều lớp | “Có thể sử dụng loại phương pháp học nào?” |
Ví dụ, bộ lọc thư rác có thể là Narrow AI vì thực hiện một nhiệm vụ xác định và dùng Machine Learning để nhận diện mẫu trong thư. Công cụ nhận diện hình ảnh có thể là Narrow AI và sử dụng Deep Learning. Chatbot cũng có thể dùng Machine Learning hoặc Deep Learning mà vẫn tập trung vào nhiệm vụ.
Phương pháp xây dựng hệ thống không tự quyết định hệ thống đó có phải AGI, Theory-of-Mind AI hoặc Self-Aware AI hay không. Tổng quan của QA mô tả Machine Learning và Deep Learning là những phương pháp kỹ thuật có liên quan nhưng khác biệt.
Vì sao các danh sách loại AI có thể gây nhầm lẫn?
Các nguồn có thể đưa ra ba, bốn, bảy hoặc nhiều loại hơn vì chúng tổ chức những ý tưởng khác nhau.
1. Một nguồn có thể chỉ sử dụng khung theo năng lực: Narrow AI, AGI và ASI.
2. Một nguồn có thể chỉ sử dụng khung theo chức năng: Reactive Machines, Limited-Memory AI, Theory-of-Mind AI và Self-Aware AI.
3. Một nguồn có thể kết hợp cả hai khung: Ba nhóm theo năng lực cộng với bốn nhóm theo chức năng tạo thành danh sách bảy loại.
4. Một nguồn có thể thêm các phương pháp học: Machine Learning và Deep Learning mô tả cách hệ thống được xây dựng, không phải mức độ rộng mà hệ thống có thể hoạt động.
5. Một nguồn có thể xem các nhóm là các giai đoạn: Cách trình bày này khiến một phân loại khái niệm trông giống tiến trình đã được xác nhận, từ hệ thống đơn giản đến máy có ý thức.
Khi gặp một danh sách, hãy xác định nó đang phân loại phạm vi nhiệm vụ, cách sử dụng thông tin, phương pháp học hay mức độ trí tuệ giả định. Câu hỏi này thường giải thích được những khác biệt tưởng như mâu thuẫn.
Các nhãn chỉ là cách viết tắt. Một sản phẩm được mô tả là “thông minh” vẫn có thể có mục đích hẹp, quyền truy cập thông tin hạn chế và cần con người kiểm tra.
Kết luận thực tế: Hiểu AI theo năng lực, chức năng và phương pháp
Muốn hiểu chính xác một hệ thống AI, hãy trả lời ba câu hỏi: nó làm được gì, sử dụng thông tin ra sao và được xây dựng hoặc huấn luyện như thế nào.
1. Nó làm được gì? Câu hỏi này xác định phạm vi năng lực: hệ thống được thiết kế cho một nhiệm vụ xác định hay có tuyên bố rộng hơn về năng lực tổng quát?
2. Nó sử dụng thông tin như thế nào? Câu hỏi này liên quan đến chức năng: hệ thống chỉ phản hồi đầu vào hiện tại, dùng thông tin đã lưu hoặc dữ liệu lịch sử, hay tuyên bố có thể mô hình hóa trạng thái tinh thần của con người?
3. Nó được xây dựng hoặc huấn luyện như thế nào? Câu hỏi này liên quan đến phương pháp: hệ thống dùng Machine Learning, Deep Learning, luật, truy xuất thông tin hay phương pháp khác?
Với công cụ ghi chú cuộc họp bằng AI, câu trả lời có thể là: công cụ thực hiện nhiệm vụ tóm tắt xác định; sử dụng nội dung cuộc họp và ngữ cảnh được phép; đồng thời có thể được xây dựng bằng Machine Learning hoặc Deep Learning. Mô tả này chính xác hơn việc chỉ gọi công cụ là “AI tiên tiến”.
Phần lớn người dùng hiện đang tiếp xúc với Narrow AI và các hệ thống thường được mô tả là có bộ nhớ giới hạn. AGI, ASI, Theory-of-Mind AI và Self-Aware AI nên được xem là các nhóm giả định hoặc lý thuyết, không phải tính năng mặc định của sản phẩm hiện tại. Hiểu mỗi cách phân loại đang trả lời câu hỏi nào sẽ giúp đánh giá năng lực thực tế thay vì dựa vào những nhãn gây ấn tượng.