Wikibooks:GUS2Wiki

<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>Wikibooks:GUS2Wiki</title>
    <ns>4</ns>
    <id>60273</id>
    <revision>
      <id>543672</id>
      <parentid>543617</parentid>
      <timestamp>2026-11-02T16:05:43Z</timestamp>
      <contributor>
        <username>Alexis Jazz</username>
        <id>13988</id>
      </contributor>
      <comment>Updating gadget usage statistics from [[Special:GadgetUsage]] ([[phab:T121049]])</comment>
      <origin>543672</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="1675" sha1="ifhdwgk9uk1i5wfo938unoq8r3p5knq" xml:space="preserve">{{#ifexist:Project:GUS2Wiki/top|{{/top}}|This page provides a historical record of [[Special:GadgetUsage]] through its page history. To get the data in CSV format, see wikitext. To customize this message or add categories, create [[/top]].}}
Dữ liệu dưới đây được đưa vào vùng nhớ đệm và được cập nhật lần cuối lúc 2026-11-01T11:57:29Z. Tối đa có sẵn {{PLURAL:5000|một kết quả|5000 kết quả}} trong vùng nhớ đệm.
{| class=&quot;sortable wikitable&quot;
! Tiện ích !! data-sort-type=&quot;number&quot; | Số người dùng !! data-sort-type=&quot;number&quot; | Số thành viên tích cực
|-
|Cat-a-lot || 3 || 0
|-
|CommentsInLocalTime || 16 || 0
|-
|DeluxeHistory || 19 || 0
|-
|Editsummary || 17 || 0
|-
|LocalLiveClock || 10 || 0
|-
|XTools-ArticleInfo || 10 || 0
|-
|addsection-plus || 16 || 0
|-
|autodel || 4 || 0
|-
|darkmode || 12 || 0
|-
|dropdown-menus || 15 || 0
|-
|edittop || 15 || 0
|-
|externallinks || 11 || 0
|-
|goToTop || 7 || 0
|-
|hotcat || 36 || 0
|-
|moveRV || 23 || 0
|-
|navpop || 25 || 0
|-
|purgetab || 13 || 0
|-
|removeAccessKeys || 1 || 0
|-
|revisionjumper || 14 || 0
|-
|sidebartranslate || 7 || 0
|-
|subpages || 17 || 0
|-
|wiked || 8 || 0
|}
* [[Đặc biệt:GadgetUsage]]
* [[m:Meta:GUS2Wiki/Script|GUS2Wiki]]
&lt;!-- data in CSV format:
Cat-a-lot,3,0
CommentsInLocalTime,16,0
DeluxeHistory,19,0
Editsummary,17,0
LocalLiveClock,10,0
XTools-ArticleInfo,10,0
addsection-plus,16,0
autodel,4,0
darkmode,12,0
dropdown-menus,15,0
edittop,15,0
externallinks,11,0
goToTop,7,0
hotcat,36,0
moveRV,23,0
navpop,25,0
purgetab,13,0
removeAccessKeys,1,0
revisionjumper,14,0
sidebartranslate,7,0
subpages,17,0
wiked,8,0
--&gt;</text>
      <sha1>ifhdwgk9uk1i5wfo938unoq8r3p5knq</sha1>
    </revision>
  </page>
  <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>543673</id>
      <parentid>543624</parentid>
      <timestamp>2026-11-02T20:36:54Z</timestamp>
      <contributor>
        <username>Qesefe</username>
        <id>19666</id>
      </contributor>
      <comment>/* Học từ dữ liệu trở thành một hướng phát triển chủ đạo */</comment>
      <origin>543673</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="49049" sha1="1xjknfnu8kluebdz5f7jdla1ma66jvp" 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.
|}

== Phần 2: Lược sử ==
=== Từ máy tính toán đến ý tưởng về máy biết suy luận ===

Muốn chế tạo một cỗ máy biết suy luận, trước hết phải tìm cách diễn tả suy luận thành những thao tác mà máy thực hiện được. Các công trình về logic trong thế kỷ XIX giúp làm điều đó: một lập luận có thể được viết bằng ký hiệu, rồi kiểm tra theo những quy tắc xác định. Sang thập niên 1930, Alan Turing nghiên cứu khả năng và giới hạn của việc tính toán bằng thuật toán. Khi máy tính điện tử xuất hiện trong thập niên 1940, các nhà khoa học có phương tiện để thử đưa những ý tưởng ấy vào chương trình.

Một số hướng nghiên cứu lấy cảm hứng từ cách bộ não sinh học của động vật hoạt động. Năm 1943, Warren McCulloch và Walter Pitts mô tả một mô hình toán học trong đó tế bào thần kinh nhận đầu vào rồi phát hoặc không phát tín hiệu theo những điều kiện đặt trước. Họ chỉ ra rằng nối các đơn vị đơn giản này với nhau có thể tạo ra mạng thực hiện các phép toán logic. Những nhà nghiên cứu khác viết chương trình chơi cờ hoặc chế tạo robot phản ứng với ánh sáng và vật cản. Câu hỏi về trí thông minh của máy dần trở thành những bài toán có thể đưa ra thử nghiệm.

Năm 1950, Turing đề xuất một cách tiếp cận qua hội thoại: liệu một người trao đổi bằng văn bản có phân biệt được mình đang nói chuyện với người hay máy? Ý tưởng này được biết đến dưới tên phép thử Turing và trở thành một chủ đề được thảo luận rộng rãi trong nghiên cứu AI.

=== Những thành công đầu tiên và kỳ vọng về AI ===

Năm 1956, một nhóm nhà nghiên cứu tập hợp tại Đại học Dartmouth ở Hoa Kỳ để nghiên cứu khả năng mô phỏng học tập và trí thông minh bằng máy. John McCarthy đã sử dụng tên gọi &quot;trí tuệ nhân tạo&quot; trong bản đề xuất cho dự án từ năm trước. Sự kiện Dartmouth thường được chọn làm mốc ra đời của ngành vì nó giúp những nghiên cứu đang diễn ra ở nhiều nơi có một tên gọi và mục tiêu chung.

Trong giai đoạn này, Allen Newell, Herbert A. Simon và J. C. Shaw phát triển Logic Theorist, một chương trình tìm cách chứng minh định lý toán học. Máy biểu diễn mệnh đề bằng ký hiệu, thử áp dụng các quy tắc suy luận và tìm một chuỗi bước dẫn đến kết luận cần chứng minh. Cách làm đó trở thành đặc trưng của AI biểu tượng. Các nhà nghiên cứu áp dụng những ý tưởng tương tự cho chơi cờ, giải toán và lập kế hoạch hành động.

Những chương trình xử lý ngôn ngữ cũng sớm gây chú ý. ELIZA, được Joseph Weizenbaum công bố năm 1966, nhận diện các mẫu câu rồi tạo phản hồi mô phỏng lời của một nhà trị liệu. Vài năm sau, SHRDLU của Terry Winograd cho phép người dùng hỏi và ra lệnh bằng tiếng Anh về những khối hình trên một mặt bàn mô phỏng. Chương trình có thể xác định khối được nhắc đến, trả lời câu hỏi và tính cách di chuyển chúng theo yêu cầu.

Khả năng giải toán, đối thoại và điều khiển hành động khiến một số nhà nghiên cứu tin rằng máy sẽ sớm làm được phần lớn những công việc trí tuệ của con người. Các cơ quan tài trợ, đặc biệt tại Hoa Kỳ, đầu tư mạnh cho những phòng thí nghiệm AI mới thành lập.

=== Mùa đông AI ===

Khi mở rộng chương trình sang những tình huống phức tạp hơn, các nhóm nghiên cứu gặp những khó khăn lớn hơn dự kiến. Một chương trình có thể thử đủ mọi nước đi trong một bài toán cờ nhỏ, nhưng số diễn biến tăng quá nhanh khi xét thêm nhiều lượt. Tương tự, hiểu mệnh lệnh về vài khối hình dễ hơn nhiều so với hiểu một cuộc trò chuyện có thể đề cập đến bất cứ điều gì. Máy còn thiếu lượng kiến thức nền mà con người sử dụng hằng ngày mà ít khi nói rõ thành lời.

Dịch máy là một ví dụ. Việc tra từ điển và áp dụng quy tắc có thể xử lý những câu đã được lựa chọn cẩn thận. Văn bản thực tế lại có từ nhiều nghĩa, cấu trúc câu khác nhau và những chỗ phải dựa vào ngữ cảnh mới dịch đúng. Báo cáo ALPAC năm 1966 đánh giá kết quả dịch máy đương thời chưa đáp ứng nhu cầu, dẫn đến việc cắt giảm đáng kể tài trợ tại Hoa Kỳ. Năm 1973, báo cáo Lighthill tại Anh tiếp tục phê bình việc các chương trình AI khó mở rộng từ bài toán nhỏ sang ứng dụng thực tế.

Nguồn tài trợ dành cho một số chương trình lớn bị thu hẹp, còn các cơ quan đầu tư yêu cầu kết quả ứng dụng rõ ràng hơn. Giai đoạn suy giảm niềm tin và tài trợ trong thập niên 1970 về sau thường được gọi là mùa đông AI đầu tiên.

=== Hệ chuyên gia đưa AI vào doanh nghiệp ===

Một hướng phát triển dần thu hút sự quan tâm là giao cho máy một công việc có phạm vi hẹp và cung cấp kiến thức chuyên môn để giải quyết nó. DENDRAL dùng kiến thức hóa học để suy ra cấu trúc phân tử từ kết quả đo. MYCIN dùng những quy tắc y khoa để hỗ trợ chẩn đoán một số bệnh nhiễm khuẩn và lựa chọn kháng sinh. Các chương trình thuộc hướng này được gọi là hệ chuyên gia, vì chúng sử dụng tri thức được thu thập từ những người am hiểu một lĩnh vực.

Khoảng năm 1980, công ty máy tính Digital Equipment Corporation đưa R1/XCON vào sử dụng để cấu hình máy tính theo đơn hàng. Chương trình kiểm tra và lựa chọn các bộ phận sao cho chúng phù hợp với nhau, giúp giảm sai sót và công sức xử lý đơn hàng. Những kết quả thương mại như vậy khiến nhiều doanh nghiệp đầu tư vào hệ chuyên gia. Nhật Bản cũng khởi động Dự án Máy tính Thế hệ thứ Năm năm 1982, với tham vọng phát triển máy tính có khả năng xử lý tri thức và suy luận.

Tuy nhiên, việc chuyển kinh nghiệm chuyên gia thành quy tắc tốn nhiều thời gian. Mỗi khi sản phẩm, quy trình hoặc tình huống sử dụng thay đổi, các quy tắc phải được cập nhật và kiểm tra lại. Khi cơ sở tri thức lớn dần, việc xử lý những ngoại lệ và xung đột càng khó khăn. Từ cuối thập niên 1980, nhiều dự án không đem lại lợi ích đủ lớn để bù chi phí, trong khi các máy tính chuyên dụng cho AI mất dần thị trường vào tay máy tính đa dụng rẻ hơn. Đợt suy giảm tiếp theo thường được gọi là mùa đông AI thứ hai.

=== Học từ dữ liệu trở thành một hướng phát triển chủ đạo ===

Trong khi hệ chuyên gia dựa nhiều vào quy tắc do con người cung cấp, các nhà nghiên cứu học máy tìm cách để chương trình rút ra những mối liên hệ từ dữ liệu. Chẳng hạn, thay vì viết tất cả quy tắc nhận dạng chữ số, người thiết kế đưa cho máy nhiều ảnh chữ viết kèm đáp án, rồi điều chỉnh mô hình để dự đoán đúng trên các ví dụ đó. Kết quả được kiểm tra bằng những ảnh khác để xem mô hình có nhận ra chữ mới hay chỉ ghi nhớ những ảnh đã học.

Ý tưởng này đã có từ buổi đầu AI. Perceptron của Frank Rosenblatt năm 1958 học phân loại bằng cách điều chỉnh trọng số của các đầu vào, nhưng mô hình đơn giản ấy chỉ biểu diễn được một số kiểu quan hệ. Từ giữa thập niên 1980, phương pháp lan truyền ngược được phổ biến rộng hơn, giúp tính cách điều chỉnh các trọng số trong mạng thần kinh nhiều lớp. Đến thập niên 1990, những mạng như LeNet được dùng để nhận dạng chữ viết và đọc séc ngân hàng.

Các phương pháp xác suất cũng phát triển để xử lý dữ liệu không đầy đủ hoặc có nhiễu. Trong nhận dạng tiếng nói, máy phải suy ra những từ đã nói từ tín hiệu âm thanh thay đổi theo người nói và điều kiện thu âm. Trong phân loại văn bản, chương trình học mối liên hệ giữa những từ xuất hiện và loại tài liệu. Những bài toán cụ thể như vậy giúp nhà nghiên cứu thu thập dữ liệu, đo sai số và so sánh các phương pháp một cách rõ ràng.

Năm 1997, Deep Blue của IBM thắng đương kim vô địch cờ vua thế giới Garry Kasparov với tỷ số 3,5–2,5 sau sáu ván: máy thắng hai, hòa ba và thua một. Kasparov khi ấy có hệ số Elo 2.795, đứng đầu bảng xếp hạng thế giới. Deep Blue có thể xem xét tới khoảng 200 triệu thế cờ mỗi giây, sử dụng phần cứng chuyên dụng và các phương pháp đánh giá để lựa chọn nước đi.

Trong xe tự hành, khoảng cách giữa hai cuộc thi liên tiếp cho thấy tiến bộ rõ rệt. Tại DARPA Grand Challenge năm 2004, không xe nào hoàn thành đường đua; xe đi xa nhất dừng lại sau khoảng 12 km. Năm 2005, năm xe đã hoàn thành tuyến đường sa mạc dài khoảng 212 km, trong đó Stanley của Stanford về nhất. Đến cuộc thi năm 2007, các đội phải xử lý thêm những tình huống giao thông như qua giao lộ, đổi làn và tránh xe khác.

=== Dữ liệu và phần cứng tạo điều kiện cho học sâu ===

Đến cuối thập niên 2000, lượng ảnh, văn bản và âm thanh được số hóa đã lớn hơn nhiều so với trước. Bộ xử lý đồ họa (GPU) giúp thực hiện song song các phép tính thường dùng trong mạng thần kinh. Cùng với những cải tiến trong huấn luyện, các điều kiện này cho phép nghiên cứu những mạng nhiều lớp trên lượng dữ liệu lớn hơn.

Một bước ngoặt diễn ra năm 2012 tại cuộc thi nhận dạng ảnh sử dụng bộ dữ liệu ImageNet. Nhiệm vụ của các đội là cho chương trình xác định loại đối tượng trong ảnh. AlexNet, một mạng thần kinh tích chập sâu, thắng với khoảng cách lớn so với đội xếp thứ hai. Kết quả khiến nhiều nhóm chuyển sang học sâu: để mạng tự học những đặc điểm hữu ích từ ảnh trong quá trình huấn luyện, thay vì thiết kế trước từng đặc điểm bằng tay.

Học sâu nhanh chóng được áp dụng cho nhận dạng tiếng nói, dịch máy và nhiều công việc khác. Các mô hình tạo sinh cũng phát triển, học từ dữ liệu để sinh những mẫu mới như ảnh hoặc văn bản. Trong cờ vây, AlphaGo của DeepMind dùng mạng thần kinh để lựa chọn những nước đi đáng xem xét và đánh giá thế cờ, rồi kết hợp với việc tính các diễn biến tiếp theo. Năm 2016, chương trình thắng kỳ thủ Lee Sedol với tỷ số 4–1.

=== Từ Transformer đến những công cụ được sử dụng rộng rãi ===

Năm 2017, kiến trúc Transformer được giới thiệu cho dịch máy. Khi xử lý một từ, mô hình có thể tổng hợp thông tin từ những từ khác trong câu theo mức độ liên quan. Cách tổ chức tính toán của nó thuận lợi cho huấn luyện bằng phần cứng song song, giúp các nhóm nghiên cứu mở rộng mô hình và lượng dữ liệu sử dụng.

BERT và GPT xuất hiện năm 2018, rồi những phiên bản GPT lớn hơn được công bố trong các năm tiếp theo. Các mô hình này được huấn luyện trước trên lượng văn bản lớn để học những mối liên hệ trong ngôn ngữ, sau đó được điều chỉnh hoặc hướng dẫn để thực hiện các công việc cụ thể. Với những mô hình như GPT-3 năm 2020, người dùng có thể mô tả nhiệm vụ và đưa ví dụ ngay trong đầu vào để yêu cầu dịch, trả lời câu hỏi hoặc tiếp tục một đoạn văn.

Cũng trong năm 2020, AlphaFold 2 của DeepMind đạt kết quả nổi bật trong một cuộc đánh giá quốc tế về dự đoán cấu trúc protein. Protein là những chuỗi amino acid có thể gấp thành hình dạng ba chiều; hình dạng ấy liên quan chặt chẽ đến chức năng của chúng. Xác định cấu trúc bằng thực nghiệm thường đòi hỏi nhiều công sức: trước khi có AlphaFold, các phương pháp thí nghiệm truyền thống chỉ xác định được 170.000 đến 180.000 cấu trúc protein, trong khi AlphaFold đã dự đoán cấu trúc của hơn 214 triệu protein.

Ngày 30 tháng 11 năm 2022, ChatGPT đưa mô hình ngôn ngữ đến đông đảo người dùng qua giao diện trò chuyện. Người dùng có thể yêu cầu giải thích, soạn văn bản, tóm tắt hoặc hỗ trợ lập trình bằng câu chữ thông thường. Cùng thời gian đó, các hệ thống như DALL-E 2 và Stable Diffusion phổ biến việc tạo ảnh từ mô tả văn bản. Những ứng dụng dễ tiếp cận này thúc đẩy một làn sóng đầu tư và sử dụng AI, đồng thời đưa các vấn đề về độ chính xác, bản quyền, dữ liệu cá nhân và ảnh hưởng đến công việc vào thảo luận rộng rãi trong xã hội.

== Chi tiết ==</text>
      <sha1>1xjknfnu8kluebdz5f7jdla1ma66jvp</sha1>
    </revision>
    <revision>
      <id>543674</id>
      <parentid>543673</parentid>
      <timestamp>2026-11-02T23:36:08Z</timestamp>
      <contributor>
        <username>Qesefe</username>
        <id>19666</id>
      </contributor>
      <comment>/* Chi tiết */ lịch sử chi tiết</comment>
      <origin>543674</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="58206" sha1="f96f8r681qcscsyriwqb7bdb9bpkxk7" 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.
|}

== Phần 2: Lược sử ==
=== Từ máy tính toán đến ý tưởng về máy biết suy luận ===

Muốn chế tạo một cỗ máy biết suy luận, trước hết phải tìm cách diễn tả suy luận thành những thao tác mà máy thực hiện được. Các công trình về logic trong thế kỷ XIX giúp làm điều đó: một lập luận có thể được viết bằng ký hiệu, rồi kiểm tra theo những quy tắc xác định. Sang thập niên 1930, Alan Turing nghiên cứu khả năng và giới hạn của việc tính toán bằng thuật toán. Khi máy tính điện tử xuất hiện trong thập niên 1940, các nhà khoa học có phương tiện để thử đưa những ý tưởng ấy vào chương trình.

Một số hướng nghiên cứu lấy cảm hứng từ cách bộ não sinh học của động vật hoạt động. Năm 1943, Warren McCulloch và Walter Pitts mô tả một mô hình toán học trong đó tế bào thần kinh nhận đầu vào rồi phát hoặc không phát tín hiệu theo những điều kiện đặt trước. Họ chỉ ra rằng nối các đơn vị đơn giản này với nhau có thể tạo ra mạng thực hiện các phép toán logic. Những nhà nghiên cứu khác viết chương trình chơi cờ hoặc chế tạo robot phản ứng với ánh sáng và vật cản. Câu hỏi về trí thông minh của máy dần trở thành những bài toán có thể đưa ra thử nghiệm.

Năm 1950, Turing đề xuất một cách tiếp cận qua hội thoại: liệu một người trao đổi bằng văn bản có phân biệt được mình đang nói chuyện với người hay máy? Ý tưởng này được biết đến dưới tên phép thử Turing và trở thành một chủ đề được thảo luận rộng rãi trong nghiên cứu AI.

=== Những thành công đầu tiên và kỳ vọng về AI ===

Năm 1956, một nhóm nhà nghiên cứu tập hợp tại Đại học Dartmouth ở Hoa Kỳ để nghiên cứu khả năng mô phỏng học tập và trí thông minh bằng máy. John McCarthy đã sử dụng tên gọi &quot;trí tuệ nhân tạo&quot; trong bản đề xuất cho dự án từ năm trước. Sự kiện Dartmouth thường được chọn làm mốc ra đời của ngành vì nó giúp những nghiên cứu đang diễn ra ở nhiều nơi có một tên gọi và mục tiêu chung.

Trong giai đoạn này, Allen Newell, Herbert A. Simon và J. C. Shaw phát triển Logic Theorist, một chương trình tìm cách chứng minh định lý toán học. Máy biểu diễn mệnh đề bằng ký hiệu, thử áp dụng các quy tắc suy luận và tìm một chuỗi bước dẫn đến kết luận cần chứng minh. Cách làm đó trở thành đặc trưng của AI biểu tượng. Các nhà nghiên cứu áp dụng những ý tưởng tương tự cho chơi cờ, giải toán và lập kế hoạch hành động.

Những chương trình xử lý ngôn ngữ cũng sớm gây chú ý. ELIZA, được Joseph Weizenbaum công bố năm 1966, nhận diện các mẫu câu rồi tạo phản hồi mô phỏng lời của một nhà trị liệu. Vài năm sau, SHRDLU của Terry Winograd cho phép người dùng hỏi và ra lệnh bằng tiếng Anh về những khối hình trên một mặt bàn mô phỏng. Chương trình có thể xác định khối được nhắc đến, trả lời câu hỏi và tính cách di chuyển chúng theo yêu cầu.

Khả năng giải toán, đối thoại và điều khiển hành động khiến một số nhà nghiên cứu tin rằng máy sẽ sớm làm được phần lớn những công việc trí tuệ của con người. Các cơ quan tài trợ, đặc biệt tại Hoa Kỳ, đầu tư mạnh cho những phòng thí nghiệm AI mới thành lập.

=== Mùa đông AI ===

Khi mở rộng chương trình sang những tình huống phức tạp hơn, các nhóm nghiên cứu gặp những khó khăn lớn hơn dự kiến. Một chương trình có thể thử đủ mọi nước đi trong một bài toán cờ nhỏ, nhưng số diễn biến tăng quá nhanh khi xét thêm nhiều lượt. Tương tự, hiểu mệnh lệnh về vài khối hình dễ hơn nhiều so với hiểu một cuộc trò chuyện có thể đề cập đến bất cứ điều gì. Máy còn thiếu lượng kiến thức nền mà con người sử dụng hằng ngày mà ít khi nói rõ thành lời.

Dịch máy là một ví dụ. Việc tra từ điển và áp dụng quy tắc có thể xử lý những câu đã được lựa chọn cẩn thận. Văn bản thực tế lại có từ nhiều nghĩa, cấu trúc câu khác nhau và những chỗ phải dựa vào ngữ cảnh mới dịch đúng. Báo cáo ALPAC năm 1966 đánh giá kết quả dịch máy đương thời chưa đáp ứng nhu cầu, dẫn đến việc cắt giảm đáng kể tài trợ tại Hoa Kỳ. Năm 1973, báo cáo Lighthill tại Anh tiếp tục phê bình việc các chương trình AI khó mở rộng từ bài toán nhỏ sang ứng dụng thực tế.

Nguồn tài trợ dành cho một số chương trình lớn bị thu hẹp, còn các cơ quan đầu tư yêu cầu kết quả ứng dụng rõ ràng hơn. Giai đoạn suy giảm niềm tin và tài trợ trong thập niên 1970 về sau thường được gọi là mùa đông AI đầu tiên.

=== Hệ chuyên gia đưa AI vào doanh nghiệp ===

Một hướng phát triển dần thu hút sự quan tâm là giao cho máy một công việc có phạm vi hẹp và cung cấp kiến thức chuyên môn để giải quyết nó. DENDRAL dùng kiến thức hóa học để suy ra cấu trúc phân tử từ kết quả đo. MYCIN dùng những quy tắc y khoa để hỗ trợ chẩn đoán một số bệnh nhiễm khuẩn và lựa chọn kháng sinh. Các chương trình thuộc hướng này được gọi là hệ chuyên gia, vì chúng sử dụng tri thức được thu thập từ những người am hiểu một lĩnh vực.

Khoảng năm 1980, công ty máy tính Digital Equipment Corporation đưa R1/XCON vào sử dụng để cấu hình máy tính theo đơn hàng. Chương trình kiểm tra và lựa chọn các bộ phận sao cho chúng phù hợp với nhau, giúp giảm sai sót và công sức xử lý đơn hàng. Những kết quả thương mại như vậy khiến nhiều doanh nghiệp đầu tư vào hệ chuyên gia. Nhật Bản cũng khởi động Dự án Máy tính Thế hệ thứ Năm năm 1982, với tham vọng phát triển máy tính có khả năng xử lý tri thức và suy luận.

Tuy nhiên, việc chuyển kinh nghiệm chuyên gia thành quy tắc tốn nhiều thời gian. Mỗi khi sản phẩm, quy trình hoặc tình huống sử dụng thay đổi, các quy tắc phải được cập nhật và kiểm tra lại. Khi cơ sở tri thức lớn dần, việc xử lý những ngoại lệ và xung đột càng khó khăn. Từ cuối thập niên 1980, nhiều dự án không đem lại lợi ích đủ lớn để bù chi phí, trong khi các máy tính chuyên dụng cho AI mất dần thị trường vào tay máy tính đa dụng rẻ hơn. Đợt suy giảm tiếp theo thường được gọi là mùa đông AI thứ hai.

=== Học từ dữ liệu trở thành một hướng phát triển chủ đạo ===

Trong khi hệ chuyên gia dựa nhiều vào quy tắc do con người cung cấp, các nhà nghiên cứu học máy tìm cách để chương trình rút ra những mối liên hệ từ dữ liệu. Chẳng hạn, thay vì viết tất cả quy tắc nhận dạng chữ số, người thiết kế đưa cho máy nhiều ảnh chữ viết kèm đáp án, rồi điều chỉnh mô hình để dự đoán đúng trên các ví dụ đó. Kết quả được kiểm tra bằng những ảnh khác để xem mô hình có nhận ra chữ mới hay chỉ ghi nhớ những ảnh đã học.

Ý tưởng này đã có từ buổi đầu AI. Perceptron của Frank Rosenblatt năm 1958 học phân loại bằng cách điều chỉnh trọng số của các đầu vào, nhưng mô hình đơn giản ấy chỉ biểu diễn được một số kiểu quan hệ. Từ giữa thập niên 1980, phương pháp lan truyền ngược được phổ biến rộng hơn, giúp tính cách điều chỉnh các trọng số trong mạng thần kinh nhiều lớp. Đến thập niên 1990, những mạng như LeNet được dùng để nhận dạng chữ viết và đọc séc ngân hàng.

Các phương pháp xác suất cũng phát triển để xử lý dữ liệu không đầy đủ hoặc có nhiễu. Trong nhận dạng tiếng nói, máy phải suy ra những từ đã nói từ tín hiệu âm thanh thay đổi theo người nói và điều kiện thu âm. Trong phân loại văn bản, chương trình học mối liên hệ giữa những từ xuất hiện và loại tài liệu. Những bài toán cụ thể như vậy giúp nhà nghiên cứu thu thập dữ liệu, đo sai số và so sánh các phương pháp một cách rõ ràng.

Năm 1997, Deep Blue của IBM thắng đương kim vô địch cờ vua thế giới Garry Kasparov với tỷ số 3,5–2,5 sau sáu ván: máy thắng hai, hòa ba và thua một. Kasparov khi ấy có hệ số Elo 2.795, đứng đầu bảng xếp hạng thế giới. Deep Blue có thể xem xét tới khoảng 200 triệu thế cờ mỗi giây, sử dụng phần cứng chuyên dụng và các phương pháp đánh giá để lựa chọn nước đi.

Trong xe tự hành, khoảng cách giữa hai cuộc thi liên tiếp cho thấy tiến bộ rõ rệt. Tại DARPA Grand Challenge năm 2004, không xe nào hoàn thành đường đua; xe đi xa nhất dừng lại sau khoảng 12 km. Năm 2005, năm xe đã hoàn thành tuyến đường sa mạc dài khoảng 212 km, trong đó Stanley của Stanford về nhất. Đến cuộc thi năm 2007, các đội phải xử lý thêm những tình huống giao thông như qua giao lộ, đổi làn và tránh xe khác.

=== Dữ liệu và phần cứng tạo điều kiện cho học sâu ===

Đến cuối thập niên 2000, lượng ảnh, văn bản và âm thanh được số hóa đã lớn hơn nhiều so với trước. Bộ xử lý đồ họa (GPU) giúp thực hiện song song các phép tính thường dùng trong mạng thần kinh. Cùng với những cải tiến trong huấn luyện, các điều kiện này cho phép nghiên cứu những mạng nhiều lớp trên lượng dữ liệu lớn hơn.

Một bước ngoặt diễn ra năm 2012 tại cuộc thi nhận dạng ảnh sử dụng bộ dữ liệu ImageNet. Nhiệm vụ của các đội là cho chương trình xác định loại đối tượng trong ảnh. AlexNet, một mạng thần kinh tích chập sâu, thắng với khoảng cách lớn so với đội xếp thứ hai. Kết quả khiến nhiều nhóm chuyển sang học sâu: để mạng tự học những đặc điểm hữu ích từ ảnh trong quá trình huấn luyện, thay vì thiết kế trước từng đặc điểm bằng tay.

Học sâu nhanh chóng được áp dụng cho nhận dạng tiếng nói, dịch máy và nhiều công việc khác. Các mô hình tạo sinh cũng phát triển, học từ dữ liệu để sinh những mẫu mới như ảnh hoặc văn bản. Trong cờ vây, AlphaGo của DeepMind dùng mạng thần kinh để lựa chọn những nước đi đáng xem xét và đánh giá thế cờ, rồi kết hợp với việc tính các diễn biến tiếp theo. Năm 2016, chương trình thắng kỳ thủ Lee Sedol với tỷ số 4–1.

=== Từ Transformer đến những công cụ được sử dụng rộng rãi ===

Năm 2017, kiến trúc Transformer được giới thiệu cho dịch máy. Khi xử lý một từ, mô hình có thể tổng hợp thông tin từ những từ khác trong câu theo mức độ liên quan. Cách tổ chức tính toán của nó thuận lợi cho huấn luyện bằng phần cứng song song, giúp các nhóm nghiên cứu mở rộng mô hình và lượng dữ liệu sử dụng.

BERT và GPT xuất hiện năm 2018, rồi những phiên bản GPT lớn hơn được công bố trong các năm tiếp theo. Các mô hình này được huấn luyện trước trên lượng văn bản lớn để học những mối liên hệ trong ngôn ngữ, sau đó được điều chỉnh hoặc hướng dẫn để thực hiện các công việc cụ thể. Với những mô hình như GPT-3 năm 2020, người dùng có thể mô tả nhiệm vụ và đưa ví dụ ngay trong đầu vào để yêu cầu dịch, trả lời câu hỏi hoặc tiếp tục một đoạn văn.

Cũng trong năm 2020, AlphaFold 2 của DeepMind đạt kết quả nổi bật trong một cuộc đánh giá quốc tế về dự đoán cấu trúc protein. Protein là những chuỗi amino acid có thể gấp thành hình dạng ba chiều; hình dạng ấy liên quan chặt chẽ đến chức năng của chúng. Xác định cấu trúc bằng thực nghiệm thường đòi hỏi nhiều công sức: trước khi có AlphaFold, các phương pháp thí nghiệm truyền thống chỉ xác định được 170.000 đến 180.000 cấu trúc protein, trong khi AlphaFold đã dự đoán cấu trúc của hơn 214 triệu protein.

Ngày 30 tháng 11 năm 2022, ChatGPT đưa mô hình ngôn ngữ đến đông đảo người dùng qua giao diện trò chuyện. Người dùng có thể yêu cầu giải thích, soạn văn bản, tóm tắt hoặc hỗ trợ lập trình bằng câu chữ thông thường. Cùng thời gian đó, các hệ thống như DALL-E 2 và Stable Diffusion phổ biến việc tạo ảnh từ mô tả văn bản. Những ứng dụng dễ tiếp cận này thúc đẩy một làn sóng đầu tư và sử dụng AI, đồng thời đưa các vấn đề về độ chính xác, bản quyền, dữ liệu cá nhân và ảnh hưởng đến công việc vào thảo luận rộng rãi trong xã hội.

== Phần 3: Lịch sử chi tiết ==
=== 1. Trước máy tính: ý tưởng giao việc suy nghĩ cho máy móc ===

Con người đã hình dung những sinh vật nhân tạo từ rất lâu. Thần thoại Hy Lạp kể về Talos, người khổng lồ bằng đồng bảo vệ đảo Crete; văn hóa dân gian Do Thái có những câu chuyện về Golem được tạo ra từ đất. Các tác phẩm văn học về sau tiếp tục đặt câu hỏi về một thực thể do con người chế tạo nhưng có thể tự hành động, cùng trách nhiệm của người tạo ra nó.

Trong thực tế, những người chế tạo máy cũng tìm cách làm ra các thiết bị bắt chước sinh vật. Hero xứ Alexandria thiết kế những cơ cấu chuyển động nhờ nước và khí; al-Jazari mô tả các thiết bị tự động trong thế kỷ XIII. Đến thế kỷ XVIII, những người máy biết viết, chơi nhạc hoặc những con vật cơ khí khiến công chúng kinh ngạc. Người chế tạo phải tính trước các chuyển động rồi sắp xếp cơ cấu để thực hiện chúng.

Một ý tưởng khác đến từ nghiên cứu suy luận. Chẳng hạn, nếu đã biết &quot;mọi người đều phải chết&quot; và &quot;Socrates là người&quot;, ta có thể kết luận &quot;Socrates phải chết&quot;. Điều đáng chú ý là cách lập luận này có một khuôn mẫu: từ hai điều đã biết, áp dụng một quy tắc để rút ra điều tiếp theo. Nếu khuôn mẫu ấy được viết ra đủ rõ, người ta có thể nghĩ đến việc để máy thực hiện các bước suy luận.

Ramon Llull từng dùng những đĩa xoay mang các khái niệm để tìm cách kết hợp chúng. Trong thế kỷ XVII, Gottfried Wilhelm Leibniz hình dung một hệ thống ký hiệu chung cho tư duy, qua đó những bất đồng về lập luận có thể được giải quyết bằng tính toán. Đến thế kỷ XIX, George Boole và Gottlob Frege phát triển những công cụ toán học chính xác hơn để biểu diễn các mệnh đề, đối tượng và quan hệ.

Các công trình này cung cấp một cách nhìn quan trọng cho nghiên cứu về sau: muốn máy giải quyết một vấn đề, có thể bắt đầu bằng việc chuyển những điều đã biết và những bước suy luận sang dạng ký hiệu mà máy xử lý được.

=== 2. Một chiếc máy có thể làm nhiều công việc ===

Trong thế kỷ XIX, Charles Babbage thiết kế Máy phân tích. Người sử dụng sẽ đưa chỉ dẫn vào máy bằng thẻ đục lỗ; máy có bộ phận lưu trữ số và bộ phận thực hiện phép tính. Thay đổi chỉ dẫn cho phép sử dụng cùng thiết bị để làm những phép tính khác nhau. Ada Lovelace nhận ra rằng nếu âm nhạc hay những đối tượng khác được biểu diễn bằng ký hiệu phù hợp, một cỗ máy như vậy cũng có thể xử lý chúng.

Đến thập niên 1930, Alonzo Church và Alan Turing nghiên cứu cách mô tả chính xác một công việc được thực hiện từng bước. Mô hình máy Turing năm 1936 chỉ cần đọc, ghi và di chuyển trên một dải ký hiệu, nhưng có thể biểu diễn những quy trình tính toán rất phức tạp. Một chiếc máy đa dụng vì thế có thể thực hiện nhiều thuật toán khác nhau tùy theo chương trình được cung cấp.

Đối với những người muốn chế tạo máy biết suy luận, điều này mở ra một cách làm cụ thể. Họ có thể viết quy tắc của một trò chơi hoặc các phép suy luận toán học thành chương trình, rồi để máy thực hiện. Khi muốn thử một ý tưởng mới, họ sửa chương trình thay vì phải chế tạo lại toàn bộ thiết bị.

Các máy tính điện tử được xây dựng trong và ngay sau Chiến tranh thế giới thứ hai khiến việc thử nghiệm trở nên khả thi. Colossus phục vụ hoạt động giải mã của Anh; ENIAC tại Đại học Pennsylvania được xây dựng để tính các bảng đạn đạo. Những thiết kế lưu chương trình trong bộ nhớ tiếp tục giúp việc thay đổi công việc của máy thuận tiện hơn. Máy tính từ đó trở thành công cụ để thử cả những nhiệm vụ như chơi cờ, giải toán và chứng minh định lý.

=== 3. Học theo cách hoạt động của tế bào thần kinh ===

Một số nhà nghiên cứu tìm ý tưởng từ não bộ. Não gồm rất nhiều tế bào thần kinh có thể truyền tín hiệu cho nhau. Vì vậy, họ đặt câu hỏi liệu có thể xây dựng những phần tử đơn giản, nối chúng lại và dùng hoạt động của cả mạng để thực hiện công việc hay không.

Năm 1943, Warren McCulloch và Walter Pitts mô tả một mô hình toán học giản lược của tế bào thần kinh. Mỗi đơn vị nhận tín hiệu từ các đơn vị khác rồi phát hoặc không phát tín hiệu tùy theo những điều kiện đặt trước. Họ chỉ ra rằng những mạng được nối theo cách thích hợp có thể thực hiện các phép toán logic. Công trình giúp biến ý tưởng mô phỏng hoạt động thần kinh thành những cấu trúc có thể tính toán và phân tích.

Muốn hệ thống học được, các liên kết còn phải thay đổi nhờ kinh nghiệm. Năm 1949, Donald Hebb đề xuất rằng việc một tế bào nhiều lần tham gia kích hoạt tế bào khác có thể làm liên kết giữa chúng mạnh hơn. Ý tưởng này gợi ra một cách lưu giữ kinh nghiệm: thay đổi độ mạnh của những kết nối đã có. Năm 1951, Marvin Minsky và Dean Edmonds xây dựng SNARC, một cỗ máy dùng các phần tử điện tử để mô phỏng việc học đường đi trong mê cung.

Cùng thời gian đó, điều khiển học nghiên cứu cách hệ thống điều chỉnh hoạt động thông qua phản hồi. Những robot nhỏ có hình rùa của William Grey Walter có thể hướng theo ánh sáng và tránh chướng ngại vật bằng các mạch điện. Tín hiệu cảm biến làm thay đổi chuyển động; chuyển động lại làm thay đổi những gì cảm biến nhận được. Các thử nghiệm này đưa việc cảm nhận và tác động vào môi trường trở thành một phần của nghiên cứu hành vi thông minh.

=== 4. Sự hình thành ngành AI ===

Năm 1950, Alan Turing công bố bài &quot;Computing Machinery and Intelligence&quot;. Ông đề xuất xét một trò chơi bắt chước: một người trao đổi bằng văn bản với người và máy, rồi cố nhận ra bên nào là máy. Cách đặt vấn đề này giúp người nghiên cứu nghĩ đến những khả năng có thể thử nghiệm, như theo dõi cuộc trò chuyện, trả lời câu hỏi và sử dụng ngôn ngữ. Ý tưởng về sau được biết đến rộng rãi dưới tên phép thử Turing.

Turing cũng thảo luận việc xây dựng một cỗ máy có thể học. Thay vì viết sẵn mọi điều máy cần biết, người thiết kế có thể tạo một hệ thống ban đầu rồi cho nó học qua trải nghiệm và hướng dẫn. Trong những năm tiếp theo, cả việc viết quy tắc suy luận lẫn việc học từ kinh nghiệm đều được các nhóm nghiên cứu thử nghiệm.

Năm 1955, John McCarthy, Marvin Minsky, Nathaniel Rochester và Claude Shannon soạn đề xuất cho một dự án nghiên cứu mùa hè tại Đại học Dartmouth ở Hoa Kỳ. Họ dùng tên &quot;artificial intelligence&quot;, tức trí tuệ nhân tạo, và đặt mục tiêu nghiên cứu cách mô tả học tập cùng những hoạt động trí tuệ để máy có thể thực hiện. Dự án diễn ra năm 1956, tập hợp những người đang nghiên cứu các bài toán liên quan và giúp hình thành một cộng đồng có tên gọi chung.

Một công trình tiêu biểu khi đó là Logic Theorist của Allen Newell, Herbert A. Simon và J. C. Shaw. Chương trình được cung cấp các mệnh đề và quy tắc suy luận, rồi tìm một chuỗi bước chứng minh định lý. Nó chứng minh được 38 trong số 52 định lý đầu tiên được xét trong bộ sách toán học Principia Mathematica. Kết quả này gây chú ý vì chứng minh định lý vốn được xem là công việc đòi hỏi suy nghĩ có tổ chức.

Sau Dartmouth, các phòng thí nghiệm AI phát triển tại những trường như MIT, Carnegie Mellon và Stanford. Nguồn tài trợ giúp họ có máy tính, nhân lực và thời gian theo đuổi những mục tiêu dài hạn. Cùng với các chương trình mới, AI dần có những nơi đào tạo và công bố nghiên cứu riêng.</text>
      <sha1>f96f8r681qcscsyriwqb7bdb9bpkxk7</sha1>
    </revision>
  </page>
</mediawiki>