Thành viên:Qesefe/Trí tuệ nhân tạo/Lịch sử ngành trí tuệ nhân tạo

<mediawiki xmlns="http://www.mediawiki.org/xml/export-0.11/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.mediawiki.org/xml/export-0.11/ http://www.mediawiki.org/xml/export-0.11.xsd" version="0.11" xml:lang="vi">
  <siteinfo>
    <sitename>Wikibooks</sitename>
    <dbname>viwikibooks</dbname>
    <base>https://vi.wikibooks.org/wiki/Trang_Ch%C3%ADnh</base>
    <generator>MediaWiki 1.48.0-wmf.1</generator>
    <case>first-letter</case>
    <namespaces>
      <namespace key="-2" case="first-letter">Phương tiện</namespace>
      <namespace key="-1" case="first-letter">Đặc biệt</namespace>
      <namespace key="0" case="first-letter" />
      <namespace key="1" case="first-letter">Thảo luận</namespace>
      <namespace key="2" case="first-letter">Thành viên</namespace>
      <namespace key="3" case="first-letter">Thảo luận Thành viên</namespace>
      <namespace key="4" case="first-letter">Wikibooks</namespace>
      <namespace key="5" case="first-letter">Thảo luận Wikibooks</namespace>
      <namespace key="6" case="first-letter">Tập tin</namespace>
      <namespace key="7" case="first-letter">Thảo luận Tập tin</namespace>
      <namespace key="8" case="first-letter">MediaWiki</namespace>
      <namespace key="9" case="first-letter">Thảo luận MediaWiki</namespace>
      <namespace key="10" case="first-letter">Bản mẫu</namespace>
      <namespace key="11" case="first-letter">Thảo luận Bản mẫu</namespace>
      <namespace key="12" case="first-letter">Trợ giúp</namespace>
      <namespace key="13" case="first-letter">Thảo luận Trợ giúp</namespace>
      <namespace key="14" case="first-letter">Thể loại</namespace>
      <namespace key="15" case="first-letter">Thảo luận Thể loại</namespace>
      <namespace key="102" case="first-letter">Chủ đề</namespace>
      <namespace key="103" case="first-letter">Thảo luận Chủ đề</namespace>
      <namespace key="104" case="first-letter">Trẻ em</namespace>
      <namespace key="105" case="first-letter">Thảo luận Trẻ em</namespace>
      <namespace key="106" case="first-letter">Nấu ăn</namespace>
      <namespace key="107" case="first-letter">Thảo luận Nấu ăn</namespace>
      <namespace key="710" case="first-letter">TimedText</namespace>
      <namespace key="711" case="first-letter">TimedText talk</namespace>
      <namespace key="828" case="first-letter">Mô đun</namespace>
      <namespace key="829" case="first-letter">Thảo luận Mô đun</namespace>
      <namespace key="1728" case="first-letter">Sự kiện</namespace>
      <namespace key="1729" case="first-letter">Thảo luận Sự kiện</namespace>
    </namespaces>
  </siteinfo>
  <page>
    <title>Thành viên:Qesefe/Trí tuệ nhân tạo/Lịch sử ngành trí tuệ nhân tạo</title>
    <ns>2</ns>
    <id>110541</id>
    <revision>
      <id>543622</id>
      <parentid>543621</parentid>
      <timestamp>2026-10-27T19:12:19Z</timestamp>
      <contributor>
        <username>Qesefe</username>
        <id>19666</id>
      </contributor>
      <comment>/* Phần 1: Dòng thời gian */ thêm cột cho các giai đoạn</comment>
      <origin>543622</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="34745" sha1="1qa8096j04htnjco9397h0ytlfgd5tg" xml:space="preserve">Chương này có ba cách đọc. Phần đầu là dòng thời gian để người đọc có thể dễ dàng tra cứu. Phần thứ hai tóm tắt các diễn biến chính để người đọc có thể hình dung toàn cảnh quá trình phát triển của ngành trí tuệ nhân tạo. Phần cuối trình bày lịch sử tương đối chi tiết và giải thích các bước chuyển về phương pháp phát triển AI. Người đọc có thể đọc bản tóm tắt trước, rồi quay lại những giai đoạn muốn tìm hiểu sâu hơn.

== Phần 1: Dòng thời gian ==

{| class=&quot;wikitable&quot;
! Giai đoạn
! Thời gian
! Diễn biến
|-
| rowspan=&quot;11&quot; | '''Sự khai sinh của trí tuệ nhân tạo'''
| Trước thế kỷ XX
| Con người đã kể những câu chuyện về sinh vật nhân tạo từ lâu, nhưng phải qua nhiều bước phát triển mới có thể nghiên cứu ý tưởng đó bằng khoa học. Các nhà nghiên cứu logic tìm cách viết suy luận thành những quy tắc chính xác; các nhà chế tạo máy tìm cách tự động hóa phép tính và chuyển động. 
Đến thế kỷ XIX, Boole và Frege phát triển những công cụ toán học để diễn đạt mệnh đề và quan hệ, còn Babbage thiết kế một máy tính có thể làm nhiều công việc theo chương trình. Những công trình này chưa tạo ra cái mà chúng ta bây giờ gọi là AI, nhưng giúp hình thành ý tưởng rằng máy có thể xử lý cả các ký hiệu biểu diễn tri thức, thay vì chỉ thực hiện phép tính số học thông thường.
|-
| 1936
| '''Alan Turing nghiên cứu những gì máy tính có thể tính được.''' Ông mô tả một cỗ máy trên lý thuyết có thể đọc, ghi và thay đổi ký hiệu theo những quy tắc xác định (ngày nay nó thường được gọi là máy Turing). Mô hình này giúp diễn đạt chính xác khái niệm thực hiện một thuật toán, đồng thời chỉ ra rằng có những bài toán không thể giải bằng thuật toán trong trường hợp tổng quát. Đây là điểm khời đầu chung của ngành khoa học máy tính, trong đó có trí tuệ nhân tạo.
|-
| 1943
| '''Warren McCulloch và Walter Pitts xây dựng một mô hình toán học đơn giản của tế bào thần kinh.''' Trong mô hình, một tế bào chỉ có hai trạng thái: phát tín hiệu hoặc không phát tín hiệu, tùy theo các tín hiệu đầu vào và điều kiện được đặt ra. Hai nhà nghiên cứu chỉ ra rằng khi nối những tế bào như vậy với nhau, mạng thần kinh nhân tạo này có thể thực hiện các phép toán logic cơ bản. Công trình này chưa tái tạo đầy đủ hoạt động của não và chưa cung cấp một phương pháp để mạng tự học dựa vào dữ liệu mới; song nó cho thấy có thể nghiên cứu mối liên hệ giữa mạng tế bào thần kinh và tính toán bằng những quy tắc toán học cụ thể.
|-
| 1949
| '''Donald Hebb đề xuất một cách giải thích về việc não học và ghi nhớ.''' Theo ý tưởng này, việc một tế bào thần kinh nhiều lần tham gia kích hoạt tế bào khác có thể làm liên kết giữa chúng mạnh hơn. Thay đổi hành vi của mạng thần kinh vì thế có thể được thực hiện thông qua việc thay đổi độ mạnh của các liên kết, chứ không nhất thiết phải thêm một quy tắc suy luận mới vào dữ liệu. Ý tưởng ấy trở thành một nguồn cảm hứng cho các phương pháp học bằng cách điều chỉnh liên kết giữa các neuron trong mạng thần kinh nhân tạo.
|-
| 1950
| '''Alan Turing công bố bài báo &quot;Computing Machinery and Intelligence&quot;.''' Ông đề xuất xem xét liệu máy có thể tham gia một cuộc trao đổi bằng văn bản mà khiến người thẩm vấn khó phân biệt với con người hay không, thay vì chỉ tranh luận về định nghĩa của từ &quot;suy nghĩ&quot; để biết được một cỗ máy có đang &quot;suy nghĩ&quot; hay không. Tình huống này về sau được biết đến rộng rãi dưới tên &quot;phép thử Turing&quot;. Nó hướng sự chú ý đến những gì máy thể hiện qua hành vi, nhưng không trực tiếp xác định máy có ý thức hoặc có thể làm mọi việc con người làm hay không.
|-
| Cuối thập niên 1940–đầu thập niên 1950
| '''William Grey Walter chế tạo những robot nhỏ có hình dạng giống con rùa.''' Chúng dùng các mạch điện để phản ứng với ánh sáng, tránh vật cản và điều chỉnh chuyển động theo thông tin nhận được. Robot không cần hiểu một bản đồ hay lập sẵn kế hoạch cho toàn bộ hành trình. Những thử nghiệm này cho thấy các cơ chế phản hồi tương đối đơn giản cũng có thể tạo ra hành vi có vẻ có mục đích khi hệ thống liên tục tương tác với môi trường.
|-
| 1951
| '''Marvin Minsky và Dean Edmonds xây dựng SNARC để mô phỏng việc học trong một mạng thần kinh nhân tạo.''' Cỗ máy sử dụng các phần tử điện tử được nối với nhau, với khả năng truyền tín hiệu có thể thay đổi theo phản hồi. Bài toán được dùng để thử nghiệm là mô phỏng một con chuột học đường đi trong mê cung. Đây là một nỗ lực sớm dùng máy móc để nghiên cứu cách hành vi có thể thay đổi nhờ kinh nghiệm.
|-
| Đầu thập niên 1950
| '''Những chương trình chơi cờ đầu tiên bắt đầu hoạt động trên máy tính.''' Christopher Strachey viết chương trình chơi cờ đam, còn Dietrich Prinz viết chương trình giải một số thế cờ vua. Trò chơi trở thành bài toán thử nghiệm thuận tiện vì máy có thể được cung cấp luật rõ ràng, xem xét các nước đi hợp lệ và kiểm tra kết quả. Những nghiên cứu này đặt ra các câu hỏi về cách chọn nước đi khi không đủ thời gian thử hết mọi diễn biến của ván cờ.
|-
| 1954
| '''Cuộc trình diễn Georgetown–IBM dịch một số câu tiếng Nga sang tiếng Anh.''' Hệ thống chỉ dùng vốn từ và số quy tắc nhỏ, còn các câu được lựa chọn để phù hợp với khả năng của nó. Tuy vậy, cuộc trình diễn khiến nhiều người kỳ vọng dịch máy sẽ sớm xử lý được văn bản thực tế trong thời gian thực. Khoảng cách về khả năng dịch thuật giữa một buổi trình diễn được chuẩn bị trước và việc dịch những câu chưa biết trước về sau trở thành một vấn đề lớn của lĩnh vực dịch máy.
|-
| 1955–1956
| '''Allen Newell, Herbert A. Simon và J. C. Shaw phát triển Logic Theorist.''' Chương trình nhận các mệnh đề toán học được biểu diễn bằng ký hiệu, rồi thử áp dụng những quy tắc suy luận để tìm cách chứng minh định lý. Nó chứng minh được 38 trong số 52 định lý đầu tiên được xét trong cuốn sách nền tảng của toán học ''Principia Mathematica''. Kết quả này cho thấy máy tính có thể tìm ra một chuỗi lập luận logic thay vì chỉ tính một biểu thức theo các bước con người đã lập trình sẵn cho nó.
|-
| 1955–1956
| '''Tên gọi &quot;trí tuệ nhân tạo&quot; xuất hiện trong đề xuất nghiên cứu Dartmouth năm 1955; dự án được tổ chức vào mùa hè năm 1956.''' John McCarthy, Marvin Minsky, Nathaniel Rochester và Claude Shannon đề xuất nghiên cứu khả năng mô tả học tập và trí thông minh đủ chính xác để máy có thể mô phỏng. Sự kiện giúp tập hợp những người đang nghiên cứu các vấn đề liên quan dưới một tên gọi chung. Vì vậy, Dartmouth thường được chọn làm mốc ra đời của ngành AI, dù nhiều công trình nền tảng đã có từ trước.
|-
| rowspan=&quot;10&quot; | '''Thành công bước đầu'''
| 1958
| '''Frank Rosenblatt công bố công trình về perceptron.''' Trong dạng đơn giản, mô hình gán trọng số cho các đầu vào, kết hợp chúng để đưa ra dự đoán rồi điều chỉnh trọng số khi dự đoán sai. Nhờ đó, nó có thể học cách phân loại từ các ví dụ mà không cần người lập trình viết từng quy tắc phân loại. Tuy nhiên, loại mô hình một lớp này chỉ học được những bài toán có ranh giới phân chia phù hợp với cấu trúc của nó: chẳng hạn, phép logic XOR không thể được biểu diễn bằng mạng perceptron đơn giản này.
|-
| Cuối thập niên 1950–thập niên 1960
| '''Các chương trình như General Problem Solver tìm cách dùng cùng một phương pháp cho nhiều bài toán.''' Người thiết kế mô tả trạng thái ban đầu, mục tiêu và những thao tác được phép; chương trình tìm một chuỗi thao tác đưa tình huống hiện tại đến gần mục tiêu. Cách làm này là đặc trưng của AI biểu tượng: tri thức được viết thành các ký hiệu và quy tắc mà máy có thể xử lý. Lisp, ngôn ngữ lập trình được phát triển bởi John McCarthy giúp việc xây dựng các chương trình thao tác ký hiệu trở nên thuận tiện hơn.
|-
| Giữa thập niên 1960
| '''DENDRAL dùng kiến thức hóa học để suy ra cấu trúc phân tử từ dữ liệu khối phổ.''' Thay vì xét mọi cấu trúc có thể nghĩ ra, chương trình dùng những quy tắc chuyên ngành để loại các cấu trúc không phù hợp với dữ liệu. Thành công này gợi ra một hướng phát triển thực tế: cung cấp cho máy kiến thức sâu về một lĩnh vực hẹp, thay vì mong chờ nó học được một phương pháp chung để tự giải quyết được mọi vấn đề. Đây là một trong những công trình mở đường cho hệ chuyên gia.
|-
| 1966
| '''Joseph Weizenbaum công bố ELIZA, một chương trình có thể trò chuyện với con người bằng văn bản.''' ELIZA nhận diện từ khóa và mẫu câu, rồi biến một phần lời người dùng thành câu hỏi giống lời của một nhà trị liệu. Chương trình không hiểu đầy đủ nội dung trò chuyện, nhưng một số người dùng vẫn cảm thấy nó đang thấu hiểu mình. ELIZA vì thế vừa là một công trình về giao tiếp người–máy, vừa cho thấy con người dễ gán khả năng hiểu biết cho những phản hồi có vẻ phù hợp của máy móc dù bản thân nó không nhất thiết phải thực sự hiểu.
|-
| 1966
| '''Báo cáo ALPAC đánh giá kết quả dịch máy tại Hoa Kỳ không đáp ứng kỳ vọng.''' Các hệ thống đương thời gặp khó khăn khi xử lý văn bản thực tế, trong khi chi phí và chất lượng chưa tạo được lợi thế như mong muốn so với dịch giả. Sau báo cáo, nguồn tài trợ liên bang dành cho dịch máy bị cắt giảm đáng kể. Sự kiện cho thấy một công nghệ có thể gây ấn tượng trong vài ví dụ nhưng vẫn chưa đủ hữu ích để triển khai rộng rãi.
|-
| 1969
| '''Marvin Minsky và Seymour Papert xuất bản cuốn sách Perceptrons, trong đó họ phân tích các giới hạn của một số mô hình perceptron.''' Ví dụ dễ thấy là perceptron một lớp không biểu diễn được XOR: hai đầu vào khác nhau phải cho kết quả 1, còn giống nhau phải cho kết quả 0. Không thể tách hai nhóm điểm ấy bằng một đường thẳng trong mặt phẳng đầu vào.
|-
| Cuối thập niên 1960–đầu thập niên 1970
| '''SHRDLU của Terry Winograd cho phép người dùng hỏi và ra lệnh bằng tiếng Anh về những khối trong một môi trường mô phỏng.''' Chương trình có thể liên hệ câu nói với các vật thể, trả lời một số câu hỏi và tính toán những thao tác cần thiết để di chuyển khối. Kết quả gây ấn tượng vì kết hợp được ngôn ngữ, tri thức và hành động. Tuy nhiên, nó chỉ hoạt động trong một thế giới rất nhỏ với số loại vật thể và hành động đã được quy định từ trước.
|-
| Cuối thập niên 1960–đầu thập niên 1970
| '''Robot Shakey kết hợp việc quan sát môi trường, lập kế hoạch và di chuyển trong cùng một chương trình máy tính.''' Trong các nghiên cứu liên quan, STRIPS biểu diễn mỗi hành động bằng những điều kiện cần có trước khi thực hiện và những thay đổi xảy ra sau đó. Nhờ vậy, chương trình có thể tính một chuỗi hành động để đạt mục tiêu, thay vì chỉ phản ứng ngay với từng tín hiệu cảm biến. Cách mô tả hành động này có ảnh hưởng lâu dài trong nghiên cứu lập kế hoạch tự động.
|-
| Thập niên 1970
| '''MYCIN dùng các quy tắc chuyên môn để hỗ trợ chẩn đoán một số bệnh nhiễm khuẩn và lựa chọn kháng sinh.''' Chương trình cho thấy việc thu thập kiến thức từ chuyên gia có thể tạo ra khuyến nghị hữu ích trong một nhiệm vụ được giới hạn rõ ràng. Tuy nhiên, đạt kết quả tốt trong đánh giá không đồng nghĩa với việc hệ thống đã được đưa vào sử dụng rộng rãi để tự quyết định điều trị. MYCIN là một ví dụ tiêu biểu về hệ chuyên gia và những khó khăn khi chuyển kết quả nghiên cứu vào thực hành.
|-
| Đầu thập niên 1970
| '''Prolog được phát triển từ những nghiên cứu về lập trình logic.''' Người lập trình có thể mô tả các sự kiện và quan hệ, rồi đưa ra một câu hỏi để chương trình tìm những giá trị làm cho câu hỏi phù hợp với các quan hệ đã biết. Cách làm này cho phép viết một phần bài toán dưới dạng tri thức và điều kiện cần thỏa mãn, thay vì ghi trực tiếp mọi bước tính toán. Prolog trở thành một công cụ quan trọng trong nghiên cứu suy luận và xử lý ngôn ngữ.
|-
| rowspan=&quot;2&quot; | '''Mùa đông AI lần thứ nhất'''
| 1973
| '''James Lighthill công bố báo cáo phê bình kết quả nghiên cứu AI tại Anh.''' Một vấn đề ông nhấn mạnh là chương trình hoạt động tốt trên bài toán nhỏ nhưng không mở rộng được khi số đối tượng hoặc trường hợp cần được xem xét tăng lên. Đây là khó khăn thường được gọi là bùng nổ tổ hợp: mỗi bước có nhiều lựa chọn làm tổng số tổ hợp giữa các lựa chọn theo từng bước tăng rất nhanh. Báo cáo gây tranh luận và góp phần dẫn đến việc cắt giảm tài trợ cho việc nghiên cứu AI tại nhiều cơ sở ở Anh.
|-
| Thập niên 1970
| '''Nhiều chương trình AI bị thu hẹp sau những kỳ vọng không đạt được.''' Máy tính còn hạn chế về tốc độ và bộ nhớ; các chương trình tìm kiếm phải xét quá nhiều khả năng; những hệ thống dựa trên quy tắc lại thiếu kiến thức thường thức để xử lý tình huống ngoài dự kiến. Việc cắt giảm tại Anh và thay đổi chính sách tài trợ tại Hoa Kỳ góp phần tạo nên giai đoạn thường gọi là mùa đông AI đầu tiên.
|-
| rowspan=&quot;5&quot; | '''Hệ chuyên gia'''
| Khoảng năm 1980
| '''Digital Equipment Corporation bắt đầu sử dụng R1, về sau gọi là XCON, để cấu hình các hệ thống máy tính theo đơn đặt hàng.''' Chương trình dùng những quy tắc chuyên môn để lựa chọn và sắp xếp các bộ phận sao cho chúng phù hợp với nhau. Công việc có phạm vi hẹp nhưng giúp giảm sai sót và công sức xử lý đơn hàng. Thành công của XCON khiến nhiều doanh nghiệp quan tâm đến hệ chuyên gia như một công nghệ có thể đem lại lợi ích kinh tế cụ thể.
|-
| 1982
| '''Nhật Bản khởi động Dự án Máy tính Thế hệ thứ Năm.''' Chương trình hướng đến những máy tính có thể thực hiện suy luận và xử lý tri thức, với lập trình logic và tính toán song song giữ vai trò quan trọng. Quy mô và tham vọng của dự án thúc đẩy các chương trình cạnh tranh tại Hoa Kỳ và châu Âu. AI một lần nữa trở thành lĩnh vực được đầu tư mạnh, gắn với kỳ vọng về năng lực công nghiệp và vị thế công nghệ quốc gia.
|-
| 1982
| '''John Hopfield công bố một mô hình mạng thần kinh có thể dùng để ghi nhớ và khôi phục mẫu.''' Khi nhận một đầu vào thiếu các giá trị hoặc có nhiễu, trạng thái của mạng có thể thay đổi dần để trở về một mẫu đã lưu từ trước. Công trình góp phần làm các nhà nghiên cứu quan tâm trở lại đến việc xử lý thông tin bằng những đơn vị liên kết với nhau.
|-
| 1984
| '''Douglas Lenat khởi động dự án Cyc nhằm đưa kiến thức thường thức vào máy tính.''' Một hệ chuyên gia có thể biết nhiều quy tắc trong lĩnh vực của nó nhưng vẫn không biết những điều cơ bản mà con người mặc nhiên sử dụng. Cyc tìm cách ghi lại các sự kiện và quy tắc chung về thế giới để nhiều chương trình có thể dùng lại. Quy mô công việc cũng cho thấy việc liệt kê những điều &quot;ai cũng biết&quot; khó hơn nhiều so với những gì mọi người thường nghĩ.
|-
| 1986
| '''David Rumelhart, Geoffrey Hinton và Ronald Williams công bố một công trình có ảnh hưởng lớn về huấn luyện mạng thần kinh nhiều lớp bằng lan truyền ngược.''' Phương pháp tính xem thay đổi từng trọng số sẽ ảnh hưởng đến sai số đầu ra như thế nào, để thuật toán tối ưu hóa có thể điều chỉnh chúng theo hướng giảm sai số. Công trình này góp phần làm cho cách huấn luyện này được biết đến rộng rãi trong cộng đồng nghiên cứu mạng thần kinh nhân tạo. Nó giúp mạng học những cách biểu diễn phức tạp hơn so với khả năng của perceptron một lớp, trong đó có bài toán XOR.
|-
| rowspan=&quot;3&quot; | '''Mùa đông AI lần thứ hai'''
| Cuối thập niên 1980–đầu thập niên 1990
| '''Thị trường máy tính Lisp chuyên dụng và nhiều dự án hệ chuyên gia suy giảm.''' Máy tính đa dụng ngày càng rẻ và mạnh, làm giảm lợi thế của máy Lisp, trong khi cơ sở quy tắc của hệ chuyên gia tốn công xây dựng và cập nhật. Những hệ thống này thường khó xử lý các trường hợp ngoài các quy tắc đã được viết. Sự suy giảm thương mại và thay đổi tài trợ thường được gọi là mùa đông AI thứ hai, dù các nghiên cứu về xác suất, robot, mạng thần kinh và học máy vẫn tiếp tục.
|-
| 1988
| '''Judea Pearl xuất bản công trình có ảnh hưởng về suy luận xác suất và mạng Bayes.''' Trong nhiều bài toán, một dấu hiệu được quan sát không khẳng định chắc chắn một kết luận mà chỉ làm cho nó có khả năng đúng cao hơn hoặc ít hơn. Mạng Bayes biểu diễn quan hệ phụ thuộc xác suất giữa các biến, giúp hệ thống cập nhật đánh giá khi nhận thêm bằng chứng. Cách tiếp cận này cung cấp công cụ để suy luận từ thông tin không đầy đủ hoặc có nhiễu.
|-
| Cuối thập niên 1980
| '''Các nghiên cứu của Richard Sutton về học sai phân thời gian và Q-learning của Chris Watkins góp phần phát triển học tăng cường.''' Máy không được cho biết đáp án đúng ở mỗi bước, mà thực hiện hành động rồi học từ phần thưởng hoặc hình phạt nhận được từ môi trường và tình huống gặp phải tiếp theo. Những phương pháp này tìm cách đánh giá hành động từ trải nghiệm để cải thiện việc lựa chọn trong tương lai.
|-
| rowspan=&quot;6&quot; | '''Phục hồi'''
| Đầu thập niên 1990
| '''Gerald Tesauro phát triển TD-Gammon, chương trình học chơi backgammon bằng cách tự đấu với chính bản thân nó.''' Mạng thần kinh học đánh giá tình huống trên bàn cờ từ kết quả của những ván đã chơi, thay vì chỉ dựa vào hàm đánh giá do chuyên gia viết sẵn. Chương trình đạt trình độ cao và trở thành một ví dụ nổi bật về việc kết hợp mạng thần kinh với học tăng cường.
|-
| 1995
| '''Corinna Cortes và Vladimir Vapnik công bố công trình về máy vector hỗ trợ (SVM).''' Trong bài toán phân loại, phương pháp tìm một ranh giới phân chia các nhóm sao cho khoảng cách đến những mẫu gần ranh giới nhất được tối đa hóa trong khuôn khổ của mô hình. SVM trở thành một công cụ phổ biến trong các công việc như phân loại văn bản và nhận dạng mẫu. Thành công của nó là một phần của giai đoạn học máy ngày càng gắn với thống kê, tối ưu hóa và việc kiểm tra dự đoán trên dữ liệu mới.
|-
| 1997
| '''Sepp Hochreiter và Jürgen Schmidhuber giới thiệu LSTM.''' Mạng thần kinh xử lý chuỗi thông thường gặp khó khi phải học quan hệ giữa những thông tin cách xa nhau, vì tín hiệu dùng để cập nhật trọng số có thể suy giảm qua nhiều bước. LSTM tổ chức một cơ chế lưu giữ thông tin để giảm khó khăn này. Các phiên bản được phát triển về sau được ứng dụng rộng rãi trong nhận dạng tiếng nói, xử lý văn bản và dự đoán dữ liệu chuỗi.
|-
| 1997
| '''Deep Blue của IBM thắng đương kim vô địch cờ vua thế giới Garry Kasparov trong một trận đấu sáu ván.''' Hệ thống sử dụng phần cứng chuyên dụng, xem xét nhiều diễn biến có thể xảy ra và đánh giá các thế cờ bằng những phương pháp được thiết kế cho cờ vua. Chiến thắng cho thấy máy có thể vượt mặt người chơi hàng đầu kể cả trong một nhiệm vụ phức tạp miễn là có các quy luật rõ ràng.
|-
| 1998
| '''Yann LeCun và các cộng sự công bố công trình về nhận dạng tài liệu bằng mạng thần kinh tích chập, trong đó có LeNet-5.''' Mạng thần kinh tích chập học những đặc điểm hình ảnh hữu ích để nhận dạng chữ viết, thay vì chỉ dựa vào các phép đo được thiết kế thủ công. Những hệ thống liên quan đã được dùng để đọc séc ngân hàng.
|-
| 2005 và 2007
| '''Các mô hình xe tự lái Stanley của Stanford thắng DARPA Grand Challenge năm 2005 và Boss của Carnegie Mellon thắng Urban Challenge năm 2007.''' Stanley phải tự di chuyển qua tuyến đường sa mạc, còn Boss phải xử lý những tình huống trong môi trường mô phỏng giao thông đô thị. Các xe phối hợp thông tin cảm biến với việc nhận biết đường đi, lựa chọn hành động và điều khiển chuyển động. Thành công cho thấy xe tự hành đòi hỏi nhiều thành phần làm việc cùng nhau.
|-
| rowspan=&quot;15&quot; | '''Kỷ nguyên học sâu'''
| 2009–2010
| '''ImageNet được giới thiệu năm 2009; cuộc thi ILSVRC bắt đầu năm 2010.''' Bộ dữ liệu cung cấp số lượng lớn hình ảnh được gắn nhãn theo các loại đối tượng. Cuộc thi cho các nhóm nghiên cứu một cách so sánh hệ thống trên dữ liệu và quy định đánh giá chung. Nhờ đó, một phương pháp mới phải chứng minh kết quả trên nhiều ảnh, thay vì chỉ trình diễn vài trường hợp được lựa chọn. Các công trình thắng cuộc đã trở thành nền tảng của các mô hình thị giác máy tính hàng đầu sau này.
|-
| 2012
| '''AlexNet thắng cuộc thi ILSVRC với khoảng cách lớn so với đội xếp thứ hai.''' Khi được phép đưa ra năm nhãn cho mỗi ảnh, hệ thống có tỷ lệ lỗi 15,3%, so với 26,2% của phương pháp đứng sau. AlexNet sử dụng mạng tích chập sâu và bộ xử lý đồ họa (GPU) để huấn luyện mô hình, cùng với những kỹ thuật hỗ trợ huấn luyện và giảm quá khớp. Kết quả thuyết phục các nhóm nghiên cứu rằng mạng thần kinh nhiều lớp có thể học những đặc điểm hình ảnh hữu ích từ dữ liệu và thúc đẩy sự chuyển hướng mạnh sang học sâu.
|-
| 2013
| '''Word2vec phổ biến cách học biểu diễn từ bằng những vector số từ văn bản.''' Thay vì chỉ xem mỗi từ là một ký hiệu riêng biệt, mô hình học cách đặt các từ vào một không gian mà quan hệ giữa chúng phản ánh phần nào cách chúng xuất hiện trong ngữ cảnh. Những biểu diễn này có thể được dùng làm đầu vào cho các bài toán xử lý ngôn ngữ khác. Đây là một bước quan trọng trong việc học đặc trưng từ dữ liệu thay vì xác định toàn bộ đặc trưng bằng tay.
|-
| 2013
| '''Diederik Kingma và Max Welling giới thiệu bộ mã hóa tự động biến phân (VAE) trong bản thảo cuối năm 2013, rồi trình bày tại ICLR năm 2014.''' Mô hình học cách biểu diễn dữ liệu bằng những đại lượng không quan sát trực tiếp và dùng chúng để tái tạo hoặc sinh dữ liệu. Sau khi huấn luyện, nó có thể lấy mẫu trong không gian biểu diễn ấy để tạo những mẫu mới. VAE trở thành một hướng quan trọng trong nghiên cứu mô hình tạo sinh bằng mạng thần kinh.
|-
| 2014
| '''Ian Goodfellow và các cộng sự giới thiệu mạng đối nghịch tạo sinh (GAN).''' GAN bao gồm 2 mạng thần kinh, một tạo dữ liệu giả, còn mạng kia học phân biệt dữ liệu giả với dữ liệu thật. Mạng sinh được cải thiện để tạo ra những mẫu dữ liệu khó bị phân biệt hơn, còn mạng phân biệt tiếp tục học cách nhận ra chúng. Cách huấn luyện này mở ra nhiều ứng dụng tạo sinh và chỉnh sửa ảnh, dù việc huấn luyện có thể không ổn định và không bảo đảm tạo đủ mọi dạng dữ liệu cần thiết.
|-
| 2015
| '''Jascha Sohl-Dickstein và các cộng sự công bố một công trình nền tảng về mô hình khuếch tán.''' Ý tưởng là làm dữ liệu nhiễu dần, rồi học một quá trình đảo ngược để khôi phục cấu trúc từ nhiễu. Khi bắt đầu từ nhiễu và thực hiện quá trình ngược đã học, mô hình có thể sinh dữ liệu mới. Hướng nghiên cứu này được cải tiến qua nhiều công trình sau đó và trở thành cơ sở của nhiều hệ thống tạo ảnh trong thập niên 2020.
|-
| 2016
| '''AlphaGo của DeepMind thắng kỳ thủ cờ vây Lee Sedol với tỷ số 4–1.''' Chương trình dùng mạng thần kinh để đề xuất nước đi và đánh giá thế cờ, kết hợp với việc tìm các diễn biến có triển vọng trong ván đấu. Nó học từ những ván cờ của con người rồi tiếp tục cải thiện bằng tự đấu. Thành công cho thấy học sâu và học tăng cường có thể bổ sung cho phương pháp tìm kiếm, thay vì khiến tìm kiếm trở nên không cần thiết.
|-
| 2017
| '''Bài &quot;Attention Is All You Need&quot; giới thiệu kiến trúc Transformer, ban đầu cho bài toán dịch máy.''' Khi xử lý một từ, cơ chế tự chú ý cho phép mô hình tổng hợp thông tin từ những vị trí khác trong câu theo mức độ liên quan. Cách tổ chức này tránh việc phải truyền trạng thái hồi quy lần lượt qua mọi vị trí trong quá trình tính toán biểu diễn, nên thuận lợi hơn cho huấn luyện song song. Transformer về sau trở thành nền tảng của nhiều mô hình ngôn ngữ và được mở rộng sang xử lý hình ảnh cùng các loại dữ liệu khác.
|-
| 2017
| '''AlphaGo Zero học cờ vây bằng tự đấu mà không dùng các ván cờ của con người; AlphaZero tiếp tục áp dụng cách tiếp cận này cho cờ vua, shogi và cờ vây.''' Công trình AlphaGo Zero được xuất bản năm 2017; bản thảo AlphaZero xuất hiện cùng năm và bài báo tổng hợp được xuất bản năm 2018. Các hệ thống được cung cấp luật và mục tiêu trò chơi, rồi được cải thiện qua các ván tự chơi.
|-
| 2018
| '''GPT và BERT được giới thiệu năm 2018.''' GPT học dự đoán phần văn bản tiếp theo từ ngữ cảnh trước đó, còn BERT học biểu diễn dựa trên ngữ cảnh ở cả hai phía, trong đó có bài tập dự đoán những từ bị che. Sau khi học trên dữ liệu văn bản lớn, mô hình có thể được điều chỉnh để giải quyết những nhiệm vụ cụ thể. Cách làm này giúp dùng lại kết quả huấn luyện cho nhiều công việc thay vì huấn luyện mọi hệ thống hoàn toàn từ đầu.
|-
| 2019–2020
| '''GPT-2 và GPT-3 mở rộng quy mô của mô hình ngôn ngữ Transformer.''' Với GPT-3, người dùng có thể mô tả nhiệm vụ và cung cấp một vài ví dụ ngay trong văn bản đầu vào, rồi yêu cầu mô hình làm một trường hợp mới mà không cập nhật lại trọng số cho nhiệm vụ đó. Khả năng này thúc đẩy việc dùng một mô hình cho nhiều công việc ngôn ngữ. Tuy nhiên, đầu ra phù hợp về hình thức vẫn có thể sai về nội dung và kết quả không đồng đều giữa các loại nhiệm vụ.
|-
| 2020
| '''Vision Transformer (ViT) được giới thiệu năm 2020 và xuất bản tại ICLR năm 2021.''' Mô hình chia ảnh thành các mảnh nhỏ, chuyển từng mảnh thành một vector rồi xử lý chúng như các phần tử trong một chuỗi. Kết quả cho thấy Transformer có thể cạnh tranh trong phân loại ảnh khi được huấn luyện với dữ liệu đủ lớn. Kiến trúc vốn nổi bật trong xử lý ngôn ngữ vì thế có thêm một hướng ứng dụng quan trọng trong thị giác máy tính.
|-
| 2020
| '''Jonathan Ho, Ajay Jain và Pieter Abbeel công bố mô hình khuếch tán xác suất khử nhiễu (DDPM).''' Mô hình học khôi phục dữ liệu từ các phiên bản đã được thêm nhiễu ở những mức khác nhau, rồi dùng quá trình khử nhiễu nhiều bước để sinh ảnh. Công trình giúp cải thiện chất lượng ảnh và thúc đẩy sự phát triển của hướng tạo sinh bằng khuếch tán. Nhiều hệ thống tạo ảnh được công chúng biết đến về sau dựa trên những cải tiến của cách tiếp cận này.
|-
| 2020
| '''AlphaFold 2 đạt kết quả nổi bật tại CASP14 năm 2020 và được xuất bản năm 2021.''' Bài toán là dự đoán hình dạng ba chiều của protein từ thông tin về chuỗi amino acid và các dữ liệu liên quan. Dự đoán cấu trúc tốt có thể giúp nhà nghiên cứu tìm hiểu chức năng và tương tác của protein. AlphaFold đã giải được hơn 200 triệu trình tự protein so với chỉ hơn 100 ngàn từ các phương pháp truyền thống.
|-
| 2022
| '''Những hệ thống như DALL-E 2 và Stable Diffusion giúp việc tạo ảnh từ mô tả văn bản được biết đến rộng rãi.''' Người dùng có thể yêu cầu một hình ảnh bằng câu chữ thay vì phải tự vẽ hoặc cung cấp sẵn toàn bộ bố cục bằng công cụ đồ họa. Việc sử dụng trở nên dễ tiếp cận hơn, đồng thời làm nổi lên các câu hỏi về dữ liệu huấn luyện, quyền tác giả và khả năng dùng ảnh sinh để đánh lừa người xem.
|-
| rowspan=&quot;2&quot; | '''Cơn sốt AI'''
| Ngày 30 tháng 11 năm 2022
| '''ChatGPT được phát hành dưới dạng một hệ thống hội thoại.''' Người dùng có thể đặt câu hỏi, yêu cầu giải thích, viết, tóm tắt hoặc hỗ trợ lập trình bằng ngôn ngữ thông thường. Sự kiện là bước ngoặt đưa công nghệ này đến công chúng qua một giao diện dễ dùng. Việc phản hồi trôi chảy bẳng ngôn ngữ tự nhiên giúp hệ thống hữu ích trong nhiều công việc, nhưng cũng có thể khiến người dùng tin vào những thông tin sai do mô hình tạo ra.
|-
| Thập niên 2020
| '''Nhiều hệ thống bắt đầu kết hợp văn bản, hình ảnh, âm thanh và các công cụ bên ngoài.''' Một trợ lý có thể không chỉ sinh câu trả lời từ mô hình mà còn tìm tài liệu, chạy mã hoặc nhận dữ liệu từ những thành phần khác. Việc công bố trọng số của một số mô hình cũng giúp cộng đồng tải về, nghiên cứu và điều chỉnh chúng theo những điều kiện giấy phép khác nhau. Cùng với khả năng ứng dụng rộng hơn, các vấn đề về độ tin cậy, quyền riêng tư, chi phí và trách nhiệm khi sử dụng AI trở thành một phần quan trọng của quá trình phát triển công nghệ.
|}

== Lược sử ==

== Chi tiết ==</text>
      <sha1>1qa8096j04htnjco9397h0ytlfgd5tg</sha1>
    </revision>
  </page>
</mediawiki>