AI hoạt động như thế nào? LLM là gì?

Trả lời ngắn: AI là nhóm hệ thống máy tính nhận biết, dự đoán hoặc tạo nội dung. LLM (mô hình ngôn ngữ lớn) là một mô hình — hệ thống đã học mẫu từ dữ liệu — chuyên tạo ngôn ngữ bằng cách dự đoán từng đơn vị văn bản tiếp theo. Câu nghe hợp lý vẫn có thể sai.

Đọc xong, bạn sẽ hiểu:

• AI, LLM và chatbot khác nhau ở đâu.
• LLM học lúc huấn luyện và trả lời lúc sử dụng ra sao.
• Vì sao dự đoán phần tiếp theo có thể tạo đoạn văn dài.
• Khi nào nên dùng AI, khi nào phải kiểm tra nguồn.

Lưu ý giáo dục: Bài viết chỉ giải thích cơ chế AI cơ bản, không phải lời khuyên tài chính, pháp lý hay y tế. Không nhập dữ liệu bí mật vào công cụ thực hành và không dùng một phản hồi chưa kiểm chứng để ra quyết định rủi ro cao.

1. LLM nằm ở đâu trong bức tranh AI?

a. AI là chiếc ô lớn

Trí tuệ nhân tạo (AI) là chiếc ô rộng. Không phải hệ thống AI nào cũng là LLM. Machine learning, hay học máy, là cách cho phần mềm điều chỉnh từ dữ liệu.

LLM là nhánh chuyên xử lý ngôn ngữ. Nói “mọi AI đều là LLM” giống như nói mọi phương tiện đều là xe máy.

b. LLM khác chatbot

Chatbot là ứng dụng trò chuyện. Nó có thể dùng LLM cùng giao diện, bộ lọc, công cụ tìm kiếm và nơi lưu lịch sử.

Hình dung LLM như động cơ, chatbot như cả chiếc xe. Phần mềm không vận hành bằng cơ khí; ví dụ chỉ tách các lớp.

c. Huấn luyện khác sử dụng

Huấn luyện là giai đoạn mô hình học mẫu và điều chỉnh các giá trị bên trong. Khi bạn gửi câu hỏi, hệ thống dùng những gì đã học để tạo đầu ra; nó không học lại toàn bộ từ đầu sau mỗi tin nhắn.

Hình 1 — Huấn luyện tạo bộ tham số, còn lúc sử dụng lấy prompt hiện tại để sinh câu trả lời.

2. LLM học gì trong lúc huấn luyện?

a. Văn bản thành token

Văn bản được chia thành token, tức đơn vị mô hình xử lý; token có thể là từ, phần từ, dấu câu hoặc ký tự.

Bài #2 sẽ giải thích sâu hơn token, cửa sổ ngữ cảnh (lượng văn bản xử lý trong một lượt) và temperature (thiết lập ảnh hưởng độ đa dạng của đầu ra).

b. Bài tập dự đoán phần tiếp theo

Trong huấn luyện cơ bản, mô hình đoán token kế tiếp. Nếu đoán lệch dữ liệu mẫu, quá trình huấn luyện chỉnh mô hình rồi lặp lại.

Với câu Trời mưa, tôi nhớ mang theo..., ô và áo mưa đều hợp lý.

Google Developers mô tả LLM có thể dự đoán một token hoặc chuỗi token. Google Developers — Mô hình ngôn ngữ lớn là gì?

c. Tham số là giá trị được chỉnh

Tham số là giá trị số được chỉnh trong huấn luyện và ảnh hưởng cách dự đoán. Mạng nơ-ron là cấu trúc tính toán nhiều lớp, không phải bộ não người thu nhỏ.

Hình dung đầu bếp chỉnh núm mặn, ngọt và lửa sau mỗi lần thử món. Mô hình thật dùng phép tính, không nếm như người.

Kết quả là hệ thống giá trị để ước lượng phần tiếp theo, không phải thư viện nguyên câu.

3. Một câu trả lời được tạo ra như thế nào?

a. Prompt và context đi vào

Prompt là yêu cầu và dữ liệu bạn đưa vào. Ngữ cảnh (context) là thông tin quanh yêu cầu, như tin nhắn trước hoặc tài liệu đính kèm.

Context không phải trí nhớ dài hạn; tính năng nhớ thuộc thiết kế cả sản phẩm.

b. Transformer nối phần liên quan

Phần lớn LLM hiện đại dùng Transformer, kiến trúc xử lý quan hệ giữa token, được giới thiệu trong paper Attention Is All You Need. Vaswani và cộng sự

Attention tính mức liên quan giữa token, không phải sự chú ý có ý thức. Lan đặt bánh vào lò để nướng hợp với lò; đổi thành để mang đi thì hộp hợp hơn.

c. Chọn một token rồi lặp

Lúc mô hình đã huấn luyện dùng đầu vào hiện tại để tạo đầu ra gọi là suy luận (inference):

1. Hệ thống đọc prompt và context.
2. Mô hình tính các token có thể xuất hiện tiếp.
3. Hệ thống chọn một token theo thiết lập.
4. Token mới được ghép vào chuỗi.
5. Vòng lặp chạy lại đến khi kết thúc.

Hình 2 — Đoạn trả lời dài được dựng dần khi token mới quay lại làm ngữ cảnh cho lượt kế tiếp.

Nhờ nhiều quan hệ đã học, vòng lặp có thể tạo tóm tắt, code hoặc câu trả lời nhiều bước.

Điều đó không chứng minh mô hình hiểu như người. Năng lực phải được kiểm bằng bài test cụ thể.

4. Vì sao AI nói trôi chảy mà vẫn có thể sai?

a. Hợp ngôn ngữ khác đúng sự thật

Tạo phần tiếp theo hợp lý không giống kiểm chứng dữ kiện. Một tiểu sử nghe xuôi tai vẫn có thể nói về người không tồn tại.

Đoán chắc: AI viết mượt thì chắc đúng. Có điều kiện: Chỉ tin khẳng định khi nguồn mở được và hỗ trợ đúng nội dung; nếu không, xem là chưa đạt.

NIST gọi nội dung sai nhưng trình bày tự tin là confabulation, thường gọi là hallucination; thiên lệch và quá phụ thuộc cũng là rủi ro. NIST AI 600-1

b. Ba sai lầm hay gặp

1. Dùng chatbot làm nguồn cuối. Ngày, số liệu, luật và tên riêng vẫn cần nguồn gốc.
2. Đưa quá ít ngữ cảnh. Viết giúp tôi email thiếu người nhận, mục tiêu và giọng điệu; nhiều đáp án đều có thể hợp lý.
3. Dán dữ liệu bí mật. Mật khẩu, hồ sơ khách hàng và hợp đồng chưa công bố không nên đưa vào công cụ công khai khi chưa có chính sách rõ.

Prompt rõ không bảo đảm đúng; dữ liệu thiếu hoặc công cụ hỏng vẫn gây sai.

c. Giới hạn áp dụng

Thiên lệch (bias) là mẫu lệch làm kết quả kém chính xác hoặc thiếu công bằng. Mô hình tốt bằng tiếng Anh không đương nhiên tốt ngang nhau bằng tiếng Việt chuyên ngành.

LLM hợp để phác thảo, tóm tắt và gợi ý. Với quyết định rủi ro cao, xem đầu ra là bản nháp cần nguồn chính thức hoặc chuyên gia kiểm tra.

Hình 3 — Sự trôi chảy giúp câu dễ đọc; nguồn và phép đối chiếu mới giúp kiểm chứng dữ kiện.

5. Checklist dùng LLM và bài tập 15 phút

a. Checklist trước khi tin

1. Ghi rõ việc cần làm, người đọc và dạng kết quả.
2. Chỉ đưa dữ liệu bạn có quyền chia sẻ.
3. Tách ý tưởng sáng tạo khỏi khẳng định cần kiểm chứng.
4. Với khẳng định quan trọng, yêu cầu nguồn rồi tự mở nguồn.
5. So nội dung nguồn với khẳng định, không chỉ nhìn tiêu đề.
6. Dừng và hỏi người có chuyên môn nếu quyết định liên quan sức khỏe, pháp lý, tiền bạc hoặc an toàn.

Đứng ngoài khi công cụ đòi cài extension lạ, chuyển tiền hoặc nhập mật khẩu.

b. Bài tập không cần nạp tiền

Mở Google AI Studio hoặc chatbot miễn phí đang dùng. AI Studio có thể yêu cầu đăng nhập. Hướng dẫn chính thức

Trong 10-15 phút:

1. Gửi: Hoàn thành câu này bằng đúng 5 từ: Trời bắt đầu mưa, Lan...
2. Mở chat mới, gửi lại câu và ghi xem đầu ra có đổi không.
3. Gửi: Nêu ba cách hoàn thành câu trên. Ghi ngữ cảnh khiến mỗi cách hợp lý.
4. Nếu có dữ kiện kiểm chứng được, yêu cầu nguồn và mở nguồn. Nếu không, hỏi Tháp Eiffel được hoàn thành năm nào? rồi đối chiếu nguồn uy tín.
5. Không nhập dữ liệu riêng và không trả tiền cho bài tập.

c. Ghi chép kết quả

Mẫu đối chiếu

Đầu ra thật có thể khác; hãy quan sát nhiều phần tiếp theo cùng hợp ngữ cảnh.

6. Tổng kết: xem LLM là máy dự đoán có kiểm soát

a. Năm ý chính

• AI là chiếc ô lớn; LLM là một loại mô hình, còn chatbot là sản phẩm có thêm nhiều lớp phần mềm.
• Huấn luyện chỉnh tham số từ dữ liệu; một cuộc chat không huấn luyện lại toàn bộ mô hình từ đầu.
• LLM dùng token, context và Transformer để tạo đầu ra từng bước.
• Câu trả lời trôi chảy vẫn có thể sai hoặc thiên lệch; prompt tốt không thay việc kiểm chứng.
• Dùng an toàn nghĩa là bảo vệ dữ liệu và mở nguồn trước khi tin khẳng định quan trọng.

b. Câu hỏi tự kiểm tra

• AI, LLM và chatbot khác nhau thế nào?
• Huấn luyện khác suy luận ở đâu?
• Vì sao dự đoán token có thể tạo đoạn văn dài?
• Vì sao câu trả lời tự tin vẫn cần nguồn?

c. Gợi ý đáp án

Xem gợi ý câu 1

AI là nhóm công nghệ rộng, LLM là mô hình ngôn ngữ, còn chatbot là ứng dụng có thể dùng LLM cùng lớp khác. Xem lại mục 1.

Xem gợi ý câu 2

Huấn luyện chỉnh tham số từ dữ liệu; suy luận dùng mô hình đã huấn luyện để tạo đầu ra hiện tại. Xem lại mục 2 và mục 3.

Xem gợi ý câu 3

Token mới được ghép vào ngữ cảnh rồi mô hình dự đoán tiếp; nhiều vòng nối thành đoạn dài. Xem lại mục 3.

Xem gợi ý câu 4

Mục tiêu tạo ngôn ngữ hợp lý không tự kiểm chứng dữ kiện; phải mở nguồn và so với khẳng định. Xem lại mục 4 và mục 5.

d. Thuật ngữ cần nhớ

e. Nguồn tham khảo

• Google Developers — Introduction to Large Language Models
• Google Developers — LLM là gì?
• Hugging Face — LLM là gì?
• Vaswani và cộng sự — Attention Is All You Need
• NIST — Generative AI Profile

f. Học tiếp gì?

Bài tiếp theo: Token, Context Window và Temperature — ba khái niệm chi phối lượng đầu vào và độ đa dạng đầu ra.

Xem thêm tại thư viện Education.

Nhắc lại: Nội dung chỉ phục vụ giáo dục. Không xem phản hồi AI chưa kiểm chứng là lời khuyên tài chính, pháp lý, y tế hoặc bảo mật; không công cụ nào cam kết đầu ra luôn đúng.