Daniel Romera

Đây là danh sách các thuật ngữ và khái niệm liên quan đến ngành trí tuệ nhân tạo (AI), các phân ngành của nó như học máy, và các lĩnh vực có liên quan khác.

Một phần của loạt bài về
Trí tuệ nhân tạo (AI)
Mục đích Trí tuệ nhân tạo tổng quát Tác nhân thông minh Tự cải thiện đệ quy Lập kế hoạch Thị giác máy tính Chơi game tổng quát Biểu diễn tri thức Xử lý ngôn ngữ tự nhiên Robot học Trí tuệ nhân tạo an toàn
Hướng tiếp cận Học máy Ký hiệu Học sâu Mạng Bayes Thuật toán tiến hóa Hệ thống thông minh lai Tích hợp hệ thống Mã nguồn mở
Ứng dụng Tin sinh học Deepfake Khoa học Trái Đất Tài chính AI tạo sinh Nghệ thuật Âm thanh Âm nhạc Chính phủ Y tế Sức khỏe tâm thần Công nghiệp Dịch thuật Quân sự Vật lý Các dự án
Triết học Ý thức nhân tạo Căn phòng tiếng Trung AI thân thiện Đạo đức Vấn đề kiểm soát/Tiếp quản Rủi ro sống còn Phép thử Turing Thung lũng kỳ lạ
Lịch sử Dòng thời gian Tiến trình Mùa đông AI Cơn sốt AI Bong bóng AI
Tranh cãi Nội dung khiêu dâm deepfake Tranh cãi deepfake khiêu dâm Taylor Swift Tranh cãi về hình ảnh AI của Google Gemini Tạm dừng Thí nghiệm AI quy mô lớn Vụ sa thải Sam Altman khỏi OpenAI Tuyên bố về Rủi ro AI Tay (chatbot) Théâtre D'opéra Spatial Vụ bê bối đạo văn NFT của Voiceverse
Thuật ngữ Thuật ngữ
x t s

AlphaFold

Hệ thống AI do Google DeepMind phát triển, có khả năng dự đoán cấu trúc ba chiều của protein từ chuỗi amino acid với độ chính xác cao.

AlphaGo

Chương trình máy tính do Google DeepMind phát triển, kết hợp mạng thần kinh sâu và thuật toán tìm kiếm cây Monte Carlo để chơi cờ vây, trở thành mô hình máy đầu tiên đánh bại một kỳ thủ chuyên nghiệp trong lịch sử.

AlphaZero

Thuật toán học tăng cường tổng quát của Google DeepMind, chỉ từ luật chơi và tự đấu với chính mình, đạt trình độ siêu nhân ở cờ vua, shogi, và cờ vây mà không cần bất kỳ kiến thức chuyên gia nào.

Ảo giác AI (AI hallucination)

Hiện tượng mô hình AI tạo ra nội dung nghe có vẻ hợp lý nhưng thực ra sai lệch hoặc không có cơ sở thực tế.

B

Biểu diễn (Representation)

Một cách mã hóa dữ liệu thô thành dạng mà mô hình có thể xử lý được, thường dưới dạng vector số. Việc học biểu diễn tốt là nền tảng của học máy hiện đại.

Bong bóng AI (AI Bubble)

Giai đoạn đầu tư quá mức vào công nghệ trí tuệ nhân tạo so với giá trị thực tế của nó, thường xảy ra sau một cơn sốt AI và có thể dẫn đến sụt giảm đột ngột về tài chính và niềm tin vào lĩnh vực này.

Bỏ học (Dropout)

Kỹ thuật chính quy hóa trong huấn luyện mạng thần kinh, trong đó mỗi lần cập nhật trọng số, một phần ngẫu nhiên các neuron bị tạm thời vô hiệu hóa nhằm giảm quá khớp.

Bộ biến đổi thị giác (Vision transformer)

Một mô hình học máy xử lý hình ảnh sử dụng kiến trúc transformer áp dụng trực tiếp lên các mảnh (patch) của ảnh thay vì dùng tích chập, cho kết quả ngang bằng hoặc vượt trội mạng tích chập khi được huấn luyện trên dữ liệu đủ lớn.

Bộ mã hóa tự động biến phân (Variational autoencoder)

Một dạng mở rộng của bộ tự mã hóa, trong đó không gian ẩn được biểu diễn bằng phân phối xác suất thay vì một điểm cố định. Nhờ đó, mô hình có thể tạo ra dữ liệu mới bằng cách lấy mẫu ngẫu nhiên từ không gian ẩn này.

Bộ nhớ dài-ngắn hạn (Long short-term memory)

Một dạng mạng thần kinh hồi quy sử dụng cơ chế cổng (gating) để kiểm soát luồng thông tin, giúp mô hình nhớ được các kiến thức dài hạn trong dữ liệu chuỗi mà không bị vấn đề gradient biến mất.

Bộ tự mã hóa (Autoencoder)

Một mạng thần kinh nhân tạo học cách nén dữ liệu đầu vào thành biểu diễn chiều thấp (mã hóa) rồi tái tạo lại đầu vào từ biểu diễn đó (giải mã), được dùng trong giảm chiều dữ liệu và học biểu diễn không giám sát.

Bộ xử lý đồ họa (Graphics processing unit)

Một vi mạch có thể xử lý thông tin song song với hàng nghìn lõi tính toán, ban đầu thiết kế cho đồ họa máy tính nhưng ngày nay là phần cứng chủ đạo để huấn luyện các mô hình học sâu nhờ khả năng thực hiện nhiều phép tính ma trận cùng lúc.

C

Cạnh (Edge)

Trong lý thuyết đồ thị, cạnh là đường nối giữa hai đỉnh nhằm biểu diễn mối quan hệ hoặc tương tác giữa chúng. Trong mạng thần kinh nhân tạo, một cạnh tương ứng với trọng số kết nối giữa hai neuron.

Cắt tỉa Alpha-Beta (Alpha-Beta pruning)

Kỹ thuật tối ưu hóa thuật toán minimax trong tìm kiếm cây trò chơi giúp loại bỏ các nhánh không thể ảnh hưởng đến kết quả cuối cùng và nhờ đó giảm đáng kể không gian tìm kiếm mà không thay đổi kết quả.

Cây (Tree)

Cấu trúc dữ liệu phân cấp gồm các nút (node) được kết nối theo quan hệ cha-con, trong đó có một nút gốc duy nhất và mỗi nút có thể có nhiều nút con nhưng chỉ có một nút cha; được dùng rộng rãi trong tìm kiếm và lập kế hoạch của AI.

Cây nhị phân (Binary tree)

Một dạng cây mà mỗi nút có tối đa hai nút con, thường gọi là nút con trái và nút con phải; là nền tảng của nhiều thuật toán tìm kiếm và sắp xếp trong khoa học máy tính.

Cây quyết định (Decision tree)

Một dạng cây mà mỗi nhánh tượng trưng cho một quyết định, và các nút tượng trưng cho các hệ quả có thể xảy ra nếu tác nhân chọn quyết định đó.

Chatbot

Chương trình máy tính có khả năng tương tác với người dùng bằng ngôn ngữ tự nhiên thông qua văn bản hoặc giọng nói, thường được xây dựng trên nền tảng xử lý ngôn ngữ tự nhiên hoặc mô hình ngôn ngữ lớn.

ChatGPT

Chatbot AI do OpenAI phát triển, ra mắt năm 2022, dựa trên mô hình ngôn ngữ lớn GPT và được tinh chỉnh bằng học tăng cường từ phản hồi của con người; được ghi nhận là một trong những sản phẩm AI có tốc độ tăng trưởng người dùng nhanh nhất lịch sử.

Chính quy hóa (Regularization)

Bất kỳ kỹ thuật nào được thêm vào quá trình huấn luyện nhằm giảm lỗi tổng quát hóa mà không giảm lỗi huấn luyện, chẳng hạn thêm số hạng phạt vào hàm mất mát hoặc dùng dropout.

Chính sách (Policy)

Trong học tăng cường, chính sách là sự ánh xạ từ trạng thái của môi trường sang hành động mà tác nhân sẽ thực hiện, hay nói cách khác là một phương án mà tác nhân có thể chọn dựa vào thông tin hiện tại nó có về môi trường. Chính sách có thể là tất định (mỗi trạng thái ánh xạ đến một hành động cố định) hoặc ngẫu nhiên (mỗi trạng thái ánh xạ đến một phân phối xác suất trên các hành động).

Chưng cất tri thức (Knowledge distillation)

Kỹ thuật nén mô hình trong đó một mô hình nhỏ (còn gọi là mô hình học sinh) được huấn luyện để bắt chước đầu ra của một mô hình lớn đã huấn luyện sẵn (giáo viên), giúp triển khai mô hình hiệu quả hơn mà không mất quá nhiều hiệu năng.

Chuẩn hóa (Normalization)

Quá trình biến đổi dữ liệu về một phạm vi hoặc phân phối chuẩn nhất định (ví dụ: trung bình bằng 0, phương sai bằng 1) nhằm ổn định và tăng tốc quá trình huấn luyện mô hình.

Chuỗi Markov (Markov chain)

Mô hình xác suất mô tả một chuỗi các sự kiện trong đó xác suất xảy ra của mỗi sự kiện chỉ phụ thuộc vào trạng thái ngay trước đó, không phụ thuộc vào lịch sử xa hơn.

Cơn sốt AI (AI boom)

Giai đoạn tăng trưởng nhanh về đầu tư, nghiên cứu và ứng dụng trí tuệ nhân tạo, thường được thúc đẩy bởi các đột phá công nghệ quan trọng.

D

Deep Blue

Siêu máy tính do IBM phát triển để chơi cờ vua, nổi tiếng là chương trình máy tính đầu tiên đánh bại đương kim vô địch thế giới Garry Kasparov trong một trận đấu thi đấu chính thức vào năm 1997.

Deepfake

Nội dung âm thanh, hình ảnh hoặc video giả mạo được tạo ra bằng các phương pháp học sâu, thường dùng để hoán đổi khuôn mặt hoặc giọng nói nhằm mạo danh một người thật theo cách khó phát hiện bằng mắt thường.

Dịch máy bằng mạng neuron (Neural machine translation)

Phương pháp dịch tự động sử dụng mạng thần kinh nhân tạo để ánh xạ trực tiếp từ chuỗi văn bản ngôn ngữ nguồn sang ngôn ngữ đích, thay thế cho các hệ thống dịch bằng phương pháp thống kê truyền thống.

Duyệt cây (Tree traversal) và Duyệt đồ thị (Graph traversal)

Các thuật toán duyệt qua các nút của cây hoặc đồ thị theo một thứ tự nhất định (ví dụ: theo chiều sâu hoặc theo chiều rộng) cho đến khi tìm được nút cần tìm hoặc đến khi duyệt xong tất cả các nút, được dùng rộng rãi trong tìm kiếm và lập lịch của AI.

Dữ liệu lớn (Big data)

Tập hợp dữ liệu có khối lượng, tốc độ sinh ra và mức độ đa dạng vượt quá khả năng xử lý của các công cụ quản lý dữ liệu thông thường; là nguồn "nguyên liệu" quan trọng cho các hệ thống học máy hiện đại.

Dự báo chuỗi thời gian (Time series forecasting)

Tác vụ dự đoán các giá trị tương lai của một chuỗi dữ liệu được sắp xếp theo trình tự thời gian dựa trên các giá trị trong quá khứ, được ứng dụng rộng rãi trong dự báo thời tiết, thị trường chứng khoán và nhu cầu sử dụng năng lượng.

Đ

Đặc trưng (Feature)

Một trường thông tin có thể đo lường được của một mẫu dữ liệu (ví dụ: tuổi, giới tính, thu nhập) dùng làm đầu vào cho mô hình học máy. Trong học sâu, thuật ngữ này còn dùng để chỉ biểu diễn trung gian mà mạng tự học được từ dữ liệu thô, có ý nghĩa tương đương với biểu diễn.

Điện toán lượng tử (Quantum computing)

Mô hình tính toán khai thác các hiện tượng cơ học lượng tử như chồng chập lượng tử và vướng víu để xử lý thông tin, có tiềm năng giải quyết một số bài toán tối ưu hóa và mô phỏng phân tử nhanh hơn đáng kể so với máy tính cổ điển.

Đỉnh/Nút (Node)

Đơn vị cơ bản của đồ thị, đại diện cho một thực thể hoặc điểm dữ liệu; trong mạng thần kinh nhân tạo, nút còn chỉ một neuron trong mạng.

Đồ thị (Graph)

Cấu trúc dữ liệu gồm tập hợp các đỉnh và các cạnh nối giữa chúng, dùng để biểu diễn mối quan hệ giữa các thực thể; được ứng dụng rộng rãi trong AI để mô hình hóa mạng xã hội, phân tử hóa học, và nhiều dạng dữ liệu có cấu trúc quan hệ.

Đơn vị hồi quy có cổng (Gated recurrent unit)

Một biến thể đơn giản hóa của bộ nhớ dài-ngắn hạn chỉ sử dụng hai cổng (cổng cập nhật và cổng đặt lại) để kiểm soát luồng thông tin, cho phép mô hình học các phụ thuộc dài hạn trong dữ liệu chuỗi với ít tham số hơn.

G

Generative pre-trained transformer

Họ mô hình ngôn ngữ lớn của OpenAI được huấn luyện trước trên lượng lớn văn bản theo phương pháp tự hồi quy, có khả năng thực hiện nhiều tác vụ ngôn ngữ tự nhiên mà không cần tinh chỉnh trên từng tác vụ riêng lẻ.

Giải thuật k hàng xóm gần nhất (K-nearest neighbours algorithm)

Thuật toán phân loại và hồi quy phi tham số, trong đó nhãn của một điểm dữ liệu mới được dự đoán dựa trên nhãn của một số tự nhiên k điểm gần nhất trong tập huấn luyện theo một độ đo khoảng cách cho trước.

Giải thuật tìm kiếm (Search algorithm)

Thuật toán duyệt qua một không gian các trạng thái hoặc giải pháp tiềm năng để tìm ra trạng thái thỏa mãn một điều kiện cho trước; là nền tảng của nhiều phương pháp giải quyết bài toán trong AI.

H

Hàm kích hoạt (Activation function)

Một hàm phi tuyến được áp dụng lên đầu ra của mỗi neuron trong mạng thần kinh nhân tạo, giúp mô hình học được các quan hệ phức tạp mà phép biến đổi tuyến tính đơn thuần không thể biểu diễn.

Hàm mất mát (Loss function)

Một hàm đo lường mức độ sai lệch giữa đầu ra dự đoán của mô hình và giá trị thực tế, là cơ sở để tối ưu hóa các tham số của mô hình trong quá trình huấn luyện.

Heuristic

Phương pháp hoặc quy tắc ước lượng được sử dụng trong AI giúp hướng dẫn quá trình tìm kiếm hoặc ra quyết định bằng cách ưu tiên các hướng trông có vẻ hứa hẹn hơn theo góc nhìn của con người. Đôi khi sử dụng heuristic sẽ phải đánh đổi tính tối ưu của thuật toán để đổi lấy tốc độ xử lý.

Hệ thống chuyên gia (Expert system)

Chương trình AI mã hóa tri thức của chuyên gia con người dưới dạng tập hợp các quy tắc suy luận cố định nhằm giải quyết các bài toán trong một lĩnh vực cụ thể, phổ biến trong thập niên 1970–1980 nhưng đã dần trôi vào dĩ vãng.

Hệ thống gợi ý (Recommender system)

Công cụ phần mềm gợi ý các lựa chọn phù hợp với sở thích của người dùng dựa trên lịch sử tương tác hoặc đặc điểm của họ, được dùng phổ biến trong các sàn thương mại điện tử, các nền tảng livestream hoặc chia sẻ video trực tuyến như YouTube, các trang mạng xã hội, hay các nền tảng chiếu phim trực tuyến.

Học chênh lệch thời gian (Temporal difference learning)

Phương pháp học tăng cường học trực tiếp từ kinh nghiệm thô mà không cần mô hình môi trường, cập nhật ước tính giá trị trạng thái dựa trên sự chênh lệch giữa dự đoán tại các bước thời gian liên tiếp.

Học chuyển giao (Transfer learning)

Kỹ thuật tận dụng kiến thức đã học từ một tác vụ hoặc miền dữ liệu để cải thiện hiệu suất trên một tác vụ hoặc miền khác có liên quan, giúp giảm nhu cầu dữ liệu huấn luyện.

Học có giám sát (Supervised learning)

Phương pháp học máy trong đó mô hình được huấn luyện trên tập dữ liệu đã được gán nhãn sẵn, học ánh xạ từ đầu vào sang đầu ra dựa trên các cặp (đầu vào, nhãn) đã biết.

Học đặc trưng/học biểu diễn (Feature learning/Representation learning)

Nhóm các phương pháp học máy nhằm tự động khám phá các biểu diễn hữu ích của dữ liệu thô thay vì dựa vào đặc trưng được thiết kế thủ công, là nền tảng của học sâu hiện đại.

Học giám sát yếu (Weakly supervised learning)

Phương pháp học máy sử dụng các nhãn không hoàn hảo hoặc không chính xác hoàn toàn, chẳng hạn nhãn ở cấp độ ảnh thay vì cấp độ pixel, giúp giảm chi phí gán nhãn.

Học không có giám sát (Unsupervised learning)

Phương pháp học máy trong đó mô hình học cấu trúc hoặc biểu diễn ẩn trong dữ liệu mà không cần nhãn, thường dùng cho phân cụm và giảm chiều dữ liệu.

Học liên kết (Federated learning)

Phương pháp huấn luyện mô hình học máy phân tán, trong đó mỗi thiết bị huấn luyện trên dữ liệu cục bộ rồi chỉ gửi các cập nhật tham số về máy chủ trung tâm để tạo nên một mô hình tổng chung, nhờ đó bảo vệ dữ liệu người dùng khỏi các rủi ro khi chia sẻ dữ liệu cá nhân ra bên ngoài.

Học máy (Machine learning)

Một lĩnh vực trong AI nhằm xây dựng các thuật toán và mô hình có khả năng "học" từ dữ liệu huấn luyện. Từ đó, các mô hình này có thể đưa ra dự đoán hoặc quyết định mà không cần được lập trình chi tiết cho từng tình huống cụ thể.

Học nửa giám sát (Semi-supervised learning)

Phương pháp học máy kết hợp một lượng nhỏ dữ liệu có nhãn với lượng lớn dữ liệu không có nhãn trong quá trình huấn luyện, thường hiệu quả hơn học có giám sát thuần túy khi dữ liệu có nhãn khan hiếm.

Học sâu (Deep learning)

Một thuật toán học máy dựa trên mạng thần kinh nhân tạo với nhiều lớp ẩn nhằm học biểu diễn của dữ liệu qua nhiều lớp trừu tượng hóa.

Học tăng cường (Reinforcement learning)

Phương pháp học máy trong đó một tác nhân học cách hành động trong môi trường bằng cách tự tương tác để nhận tín hiệu thưởng hoặc phạt sau mỗi hành động. Mục tiêu của tác nhân là tối đa hóa tổng phần thưởng tích lũy theo thời gian.

Học tăng cường từ phản hồi của con người (Reinforcement learning from human feedback)

Kỹ thuật tinh chỉnh mô hình ngôn ngữ lớn sử dụng phản hồi của người đánh giá con người để huấn luyện một mô hình phần thưởng, từ đó điều chỉnh hành vi của mô hình ngôn ngữ gốc sao cho phù hợp với kỳ vọng của người dùng.

Học tiệm tiến (Incremental learning)

Khả năng của mô hình học máy tiếp tục học từ dữ liệu mới mà không quên kiến thức đã học trước đó, giải quyết vấn đề quên thảm họa (catastrophic forgetting) trong các hệ thống học liên tục (continual learning).

Học tự giám sát (Self-supervised learning)

Phương pháp học biểu diễn trong đó nhãn được tự động tạo ra từ chính dữ liệu đầu vào (ví dụ: dự đoán từ bị che hoặc tái tạo hình bị nhiễu), giúp loại bỏ nhu cầu gán nhãn thủ công.

Hồi quy tuyến tính (Linear regression)

Mô hình thống kê dự đoán giá trị đầu ra liên tục bằng cách học một hàm tuyến tính của các đặc trưng đầu vào; là một trong những thuật toán học có giám sát cơ bản nhất.

Hội Kỹ sư Điện và Điện tử (Institute of Electrical and Electronics Engineers)

Tổ chức chuyên nghiệp quốc tế lớn nhất trong lĩnh vực kỹ thuật điện và điện tử, có vai trò quan trọng trong việc xuất bản các nghiên cứu và xây dựng tiêu chuẩn cho ngành trí tuệ nhân tạo và khoa học máy tính.

Hội tụ (Convergence)

Trạng thái mà thuật toán tối ưu hóa đạt được khi các tham số mô hình ngừng thay đổi đáng kể giữa các bước cập nhật, thường vì hàm mất mát đã tiến đến điểm cực tiểu.

K

Khai phá dữ liệu (Data mining)

Quá trình tự động khám phá và tìm kiếm các mẫu dữ liệu, xu hướng và mối quan hệ có ý nghĩa ẩn trong các tập dữ liệu trên quy mô lớn bằng các phương pháp thống kê và học máy nhằm chuyển đổi dữ liệu thô thành tri thức hữu ích.

Khoa học dữ liệu (Data science)

Lĩnh vực liên ngành kết hợp thống kê, học máy và kỹ thuật phần mềm để thu thập, xử lý, phân tích và trực quan hóa dữ liệu nhằm rút ra thông tin và hỗ trợ ra quyết định.

Khoa học máy tính (Computer science)

Ngành khoa học nghiên cứu lý thuyết tính toán, thuật toán và cấu trúc dữ liệu; trí tuệ nhân tạo là một trong những phân ngành ứng dụng quan trọng nhất của khoa học máy tính.

Khoa học nhận thức (Cognitive science)

Ngành nghiên cứu liên ngành về bản chất của tâm trí và các quá trình nhận thức, kết hợp tâm lý học, ngôn ngữ học, triết học, thần kinh học và khoa học máy tính; có ảnh hưởng lớn đến sự phát triển AI thông qua việc lấy cảm hứng từ cơ chế tư duy của con người.

Ký hiệu O lớn (Big O notation)

Ký hiệu toán học dùng để mô tả giới hạn độ phức tạp tối đa về mặt thời gian hoặc không gian tính toán của một thuật toán dựa theo kích thước đầu vào, giúp so sánh hiệu quả giữa các thuật toán một cách độc lập với phần cứng.

Kỹ thuật điều chỉnh hạng thấp (Low-rank adaptation)

Phương pháp tinh chỉnh tham số cho mô hình ngôn ngữ lớn một cách tiết kiệm chi phí, trong đó các trọng số gốc được giữ nguyên và chỉ huấn luyện thêm hai ma trận hạng thấp được chèn vào mỗi lớp của kiến trúc transformer, giúp giảm đáng kể số lượng tham số cần cập nhật.

Kỹ thuật máy tính (Computer engineering)

Ngành kỹ thuật kết hợp khoa học máy tính và kỹ thuật điện để thiết kế và phát triển cả phần cứng lẫn phần mềm máy tính, là nền tảng hạ tầng để triển khai các hệ thống trí tuệ nhân tạo.

Kỹ thuật phần mềm (Software engineering)

Ngành kỹ thuật áp dụng các nguyên tắc có hệ thống vào việc phát triển, vận hành và bảo trì phần mềm; là nền tảng để xây dựng các hệ thống trí tuệ nhân tạo trong thực tế.

L

Lan truyền ngược (Backpropagation)

Thuật toán huấn luyện mạng thần kinh bằng cách tính đạo hàm của hàm mất mát theo từng trọng số qua quy tắc dây chuyền, rồi cập nhật các trọng số đó theo hướng giảm sai số; là nền tảng của hầu hết các phương pháp học sâu hiện đại.

Lớp (Class)

Trong học máy, lớp là một nhóm hay danh mục mà mô hình phân loại cần dự đoán, ví dụ "mèo" và "chó" là hai lớp trong bài toán phân loại ảnh. Khác với nhãn là một giá trị cụ thể cho một mẫu dữ liệu.

Lớp (Layer)

Đơn vị cấu trúc của mạng thần kinh nhân tạo, gồm một tập hợp các neuron thực hiện cùng một phép biến đổi lên đầu vào; các lớp được xếp chồng lên nhau tạo thành kiến trúc sâu.

Lý thuyết đồ thị (Graph theory)

Ngành toán học nghiên cứu cấu trúc đồ thị cùng các tính chất của chúng; cung cấp nền tảng toán học cho nhiều thuật toán tìm kiếm và biểu diễn tri thức trong AI.

Lý thuyết độ phức tạp tính toán (Computational complexity theory)

Ngành lý thuyết khoa học máy tính nghiên cứu và phân loại các bài toán theo lượng tài nguyên tính toán cần thiết để giải chúng, bao gồm các lớp phức tạp quan trọng như P, NP, NP-khó và NP-đầy đủ.

Lý thuyết trò chơi (Game theory)

Ngành toán học nghiên cứu quá trình ra quyết định giữa các tác nhân độc lập, tự lợi trong các tình huống có tương tác; được ứng dụng rộng rãi trong AI để mô hình hóa cạnh tranh, hợp tác và đàm phán giữa nhiều tác nhân.

M

Mạng Bayes (Bayesian network)

Mô hình đồ thị xác suất biểu diễn các phụ thuộc có điều kiện giữa một tập biến ngẫu nhiên dưới dạng đồ thị có hướng không chu trình, cho phép suy diễn xác suất dưới sự không chắc chắn.

Mạng đối nghịch tạo sinh (Generative adversarial network)

Kiến trúc gồm hai mạng thần kinh gồm mạng tạo sinh (generator) và mạng phân biệt (discriminator). Chúng được huấn luyện đối kháng nhau, trong đó mạng tạo sinh tạo ra dữ liệu giả để "đánh lừa" mạng phân biệt còn mạng phân biệt cố gắng phân biệt dữ liệu giả với dữ liệu thật.

Mạng thần kinh dư (Residual neural network)

Kiến trúc mạng thần kinh sâu sử dụng các kết nối tắt (shortcut connection) để truyền trực tiếp đầu vào qua các lớp, giúp huấn luyện mạng rất sâu mà không gặp vấn đề gradient biến mất. Thường được biết với tên viết tắt ResNet.

Mạng thần kinh đồ thị (Graph neural network)

Một lớp mô hình học sâu hoạt động trực tiếp trên cấu trúc đồ thị bằng cách truyền và tổng hợp thông tin giữa các đỉnh lân cận, phù hợp với dữ liệu có cấu trúc quan hệ như mạng xã hội và phân tử hóa học.

Mạng thần kinh hồi quy (Recurrent neural network)

Kiến trúc mạng thần kinh có các kết nối vòng lặp cho phép trạng thái ẩn tại mỗi bước thời gian phụ thuộc vào trạng thái trước đó, phù hợp với dữ liệu chuỗi như văn bản và giọng nói.

Mạng thần kinh nhân tạo (Artificial neural network)

Mô hình tính toán lấy cảm hứng từ não bộ sinh học, gồm các neuron nhân tạo kết nối với nhau thành nhiều lớp và học được các ánh xạ phức tạp từ dữ liệu thông qua điều chỉnh trọng số.

Mạng thần kinh tích chập (Convolutional neural network)

Kiến trúc mạng thần kinh sử dụng các lớp tích chập để tự động học đặc trưng cục bộ từ dữ liệu lưới (như ảnh), đặc biệt hiệu quả trong các bài toán thị giác máy tính.

Mạng thần kinh truyền thẳng (Feed-forward neural network)

Kiến trúc mạng thần kinh đơn giản nhất, trong đó thông tin chỉ truyền theo một chiều từ lớp đầu vào qua các lớp ẩn đến lớp đầu ra mà không có kết nối vòng lặp.

Mạng xương sống (Backbone)

Phần mạng thần kinh đóng vai trò trích xuất đặc trưng từ dữ liệu đầu vào, thường được tiền huấn luyện trên dữ liệu lớn và tái sử dụng làm nền tảng cho nhiều tác vụ khác nhau như phân loại ảnh hay phát hiện vật thể.

Máy Boltzmann (Boltzmann machine)

Mạng thần kinh ngẫu nhiên không hướng học phân phối xác suất trên dữ liệu thông qua cơ chế năng lượng lấy cảm hứng từ vật lý thống kê; là nền tảng cho các mô hình tạo sinh sâu sau này.

Máy học cách quên (Machine unlearning)

Phương pháp cho phép mô hình học máy "quên" thông tin về một tập dữ liệu cụ thể mà không cần huấn luyện lại từ đầu, nhằm đáp ứng yêu cầu về quyền riêng tư như quyền được xóa dữ liệu.

Máy Turing (Turing machine)

Mô hình tính toán lý thuyết trừu tượng gồm một băng vô hạn và một đầu đọc/ghi, có thể mô phỏng bất kỳ thuật toán nào; là nền tảng lý thuyết của khoa học máy tính hiện đại.

Máy vectơ hỗ trợ (Support vector machine)

Thuật toán học có giám sát tìm siêu phẳng phân tách tối ưu giữa các lớp trong không gian đặc trưng, tối đa hóa lề giữa các điểm dữ liệu gần nhất của mỗi lớp.

Mẫu dữ liệu (Data sample)

Một quan sát hoặc điểm dữ liệu đơn lẻ trong tập dữ liệu, thường được biểu diễn dưới dạng vector đặc trưng; là đơn vị cơ bản mà mô hình học máy xử lý trong quá trình huấn luyện.

Minimax

Thuật toán tìm kiếm trong cây trò chơi hai người, trong đó một người chơi tối đa hóa điểm số còn người kia tối thiểu hóa, dựa trên giả định cả hai đều đưa ra những lựa chọn tối ưu.

Mô hình khuếch tán (Diffusion model)

Lớp mô hình tạo sinh học cách đảo ngược quá trình thêm nhiễu dần dần vào dữ liệu, tạo ra dữ liệu mới (ảnh, âm thanh, video) bằng cách khử nhiễu từng bước từ nhiễu Gaussian thuần túy.

Mô hình ngôn ngữ (Language model)

Mô hình thống kê hoặc mạng thần kinh ước lượng phân phối xác suất của các chuỗi từ trong ngôn ngữ tự nhiên, dùng để dự đoán từ tiếp theo hoặc tạo sinh văn bản.

Mô hình ngôn ngữ lớn (Large language model)

Mô hình ngôn ngữ được huấn luyện trên lượng dữ liệu văn bản khổng lồ với hàng tỷ tham số, có khả năng thực hiện nhiều tác vụ ngôn ngữ tự nhiên đa dạng mà không cần tinh chỉnh riêng cho từng tác vụ.

Mô hình suy luận (Reasoning model)

Mô hình ngôn ngữ lớn được tinh chỉnh để tạo ra chuỗi các bước suy luận trung gian (chuỗi tư duy) trước khi đưa ra câu trả lời cuối cùng, cho phép giải quyết các bài toán phức tạp nhiều bước tốt hơn so với mô hình ngôn ngữ thông thường.

Mô hình thế giới (World model)

Một loại mô hình học máy nhằm mô phỏng thế giới thực tuân thủ theo các quy luật vật lý thay vì chỉ văn bản hoặc hình ảnh thông thường.

Mô hình thị giác–ngôn ngữ (Vision-language model)

Mô hình đa phương thức kết hợp bộ mã hóa thị giác và mô hình ngôn ngữ lớn để xử lý và suy luận đồng thời trên cả dữ liệu hình ảnh và văn bản, cho phép thực hiện các tác vụ như trả lời câu hỏi về ảnh và tạo mô tả hình ảnh.

Mô hình thị giác–ngôn ngữ–hành động (Vision-language-action model)

Lớp mô hình AI kết hợp nhận thức thị giác, hiểu ngôn ngữ tự nhiên và sinh hành động điều khiển robot trong một khung thống nhất, cho phép robot thực thi các mệnh lệnh trong môi trường thực tế với dữ liệu camera.

Mô hình tạo sinh (Generative model)

Một loại mô hình học máy học phân phối xác suất của dữ liệu huấn luyện nhằm tạo ra các mẫu dữ liệu mới có cùng phân phối, bao gồm các kiến trúc như mạng đối nghịch tạo sinh, bộ mã hóa tự động biến phân, và mô hình khuếch tán.

Mô hình túi từ (Bag-of-word model)

Cách biểu diễn văn bản đơn giản trong đó mỗi tài liệu được mã hóa thành một vector đếm tần suất của mỗi từ xuất hiện trong văn bản, bỏ qua hoàn toàn thứ tự và ngữ pháp. Đây là nền tảng của nhiều phương pháp xử lý ngôn ngữ tự nhiên truyền thống.

Mùa đông AI (AI Winter)

Giai đoạn suy giảm mạnh về nguồn tài trợ và sự quan tâm đến nghiên cứu trí tuệ nhân tạo, thường xảy ra do các doanh nghiệp và công chúng thất vọng về hướng công nghệ này sau khi đã quá kỳ vọng vào những lời thổi phồng quá mức. Hai mùa đông lớn nhất diễn ra vào khoảng 1974–1980 và 1987–1993.

N

Ngôn ngữ lập trình (Programming language)

Hệ thống ký hiệu hình thức dùng để viết các chỉ thị mà máy tính có thể thực thi. Các ngôn ngữ như Python, C++ và Java là công cụ quan trọng để xây dựng và triển khai các hệ thống và mô hình trí tuệ nhân tạo.

Ngữ liệu văn bản (Text corpus)

Tập hợp lớn các văn bản được thu thập một cách có hệ thống. Chúng có thể được dùng để huấn luyện các mô hình ngôn ngữ, phân tích thống kê ngôn ngữ học và đánh giá các hệ thống xử lý ngôn ngữ tự nhiên.

Nhãn (Label)

Giá trị đầu ra mong muốn gắn với một mẫu dữ liệu trong tập huấn luyện có giám sát, ví dụ nhãn "mèo" hay "chó" cho một ảnh. Từ đó, mô hình học cách dự đoán nhãn từ đặc trưng đầu vào. Khác với lớp là một danh mục các nhãn mà dữ liệu có thể có.

Nhận dạng cảm xúc (Emotion recognition)

Tác vụ AI phân tích các tín hiệu đầu vào như biểu cảm khuôn mặt, giọng nói, văn bản hoặc tín hiệu sinh lý để xác định trạng thái cảm xúc của con người. Tác vụ này được ứng dụng trong giao tiếp giữa người và máy, y tế tâm lý, và các lĩnh vực giải trí.

Nhận dạng chữ viết tay (Handwriting recognition)

Khả năng của máy tính diễn giải và chuyển đổi chữ viết tay từ các nguồn như tài liệu giấy được quét, chữ viết trên màn hình cảm ứng hoặc bút stylus thành văn bản kỹ thuật số có thể xử lý được.

Nhận dạng ký tự quang học (Optical character recognition)

Công nghệ chuyển đổi hình ảnh của văn bản in hoặc viết tay thành văn bản có thể chỉnh sửa bằng máy tính, cho phép tự động hóa việc số hóa tài liệu.

Nhận dạng khuôn mặt (Facial recognition)

Công nghệ nhận dạng hoặc xác minh danh tính một người từ hình ảnh hoặc video khuôn mặt bằng cách trích xuất và so sánh các đặc trưng trên khuôn mặt người đó. Đây là một trong những ứng dụng thành công nhất của thị giác máy tính.

Nhận dạng mẫu (Pattern recognition)

Lĩnh vực khoa học máy tính nghiên cứu các phương pháp tự động nhận dạng các quy luật hoặc cấu trúc có ý nghĩa trong dữ liệu, là nền tảng của nhiều ứng dụng AI từ phân loại ảnh đến nhận dạng giọng nói.

Nhận dạng tiếng nói (Voice recognition)

Công nghệ chuyển đổi tín hiệu giọng nói của con người thành văn bản hoặc lệnh máy tính, được ứng dụng rộng rãi trong trợ lý ảo, phiên âm tự động và giao diện người-máy.

P

Perceptron

Một thuật toán học có giám sát cho bài toán phân loại nhị phân. Đồng thời cũng mang ý nghĩa là một đơn vị cơ bản của mạng thần kinh nhân tạo mô phỏng lại một lớp của mạng neuron. Lớp neuron này nhận tín hiệu từ các neuron của lớp trước, tính tổng có trọng số, rồi truyền kết quả qua một hàm kích hoạt đến lớp tiếp theo.

Perceptron đa lớp (Multi-layer perceptron)

Kiến trúc mạng thần kinh truyền thẳng gồm nhiều lớp perceptron xếp chồng lên nhau, với ít nhất một lớp ẩn giữa đầu vào và đầu ra. Nó có khả năng tính toán xấp xỉ bất kỳ hàm liên tục nào nhờ các hàm kích hoạt phi tuyến.

Phát hiện đối tượng (Object detection)

Tác vụ trong thị giác máy tính nhằm xác định vị trí và phân loại đồng thời các vật thể trong ảnh hoặc video, thường bằng cách dự đoán hộp giới hạn (bounding box) bao quanh từng vật thể kèm theo nhãn của lớp tương ứng.

Phân cụm (Clustering)

Phương pháp học không giám sát giúp nhóm các điểm dữ liệu có đặc điểm tương tự nhau vào cùng một cụm mà không cần dùng nhãn, thường dùng để khám phá cấu trúc ẩn trong dữ liệu.

Phân cụm k-means (K-means clustering)

Thuật toán phân cụm lặp đi lặp lại gán mỗi điểm dữ liệu vào một trong k cụm dựa theo khoảng cách đến tâm cụm gần nhất, rồi cập nhật vị trí tâm của cụm cho đến khi hội tụ.

Phân kỳ Kullback–Leibler (Kulback–Leibler divergence)

Đại lượng đo lường sự khác biệt giữa hai phân phối xác suất, hay cụ thể hơn là lượng thông tin bị mất khi dùng một phân phối để xấp xỉ phân phối kia; được dùng rộng rãi trong huấn luyện mô hình tạo sinh và lý thuyết thông tin.

Phân loại (Classification)

Bài toán học có giám sát trong đó mô hình học cách gán nhãn lớp cho dữ liệu đầu vào dựa trên tập huấn luyện.

Phân loại đa lớp (Multiclass classification)

Bài toán phân loại với ba lớp đầu ra trở lên, ví dụ nhận dạng chữ số viết tay từ 0 đến 9 trên tập dữ liệu MNIST.

Phân loại nhị phân (Binary classification)

Bài toán phân loại với đúng hai lớp đầu ra, ví dụ phân loại email thành thư rác hoặc không phải thư rác. Đây là dạng bài toán phân loại cơ bản nhất trong học có giám sát.

Phân vùng ảnh (Image segmentation)

Tác vụ trong thị giác máy tính nhằm gán nhãn lớp cho từng điểm ảnh (pixel) trong ảnh đầu vào, phân chia ảnh thành các vùng có ý nghĩa giống nhau. Có hai nhánh chính của tác vụ bao gồm phân vùng ngữ nghĩa (semantic segmentation) chỉ cần phân biệt các nhãn với nhau, chẳng hạn như tất cả đối tượng thuộc nhãn "mèo" thì sẽ thuộc cùng một vùng; và phân vùng thực thể (instance segmentation) phân biệt cả các đối tượng có cùng một nhãn, tức là từng con mèo sẽ được phân vào một vùng riêng biệt.

Phép phân tích thành phần chính (Principal component analysis)

Phương pháp giảm chiều dữ liệu tuyến tính bằng cách tìm các trục (thành phần chính) theo thứ tự giảm dần của phương sai. Điều này giúp chiếu dữ liệu gốc lên một không gian chiều thấp hơn trong khi giữ lại nhiều thông tin nhất có thể.

Phân tích quan điểm (Sentiment analysis)

Lĩnh vực xử lý ngôn ngữ tự nhiên nghiên cứu các phương pháp tự động phân tích văn bản để xác định ý kiến, cảm xúc và thái độ của người viết đối với một chủ đề, sản phẩm hoặc sự kiện cụ thể. Chẳng hạn, dựa vào các bài đánh giá trên sàn thương mại Amazon, ta có thể đánh giá xem người dùng có cảm xúc tích cực hay tiêu cực; hoặc dựa vào các bài viết trên Twitter để xác định lập trường chính trị của người đăng.

Phép thử Turing (Turing test)

Bài kiểm tra do Alan Turing đề xuất năm 1950, trong đó một người thẩm vấn tương tác bằng văn bản với cả người và máy tính; máy được coi là "thông minh" nếu người thẩm vấn không thể phân biệt được câu trả lời của máy với câu trả lời của người.

Phương pháp Monte Carlo (Monte Carlo method)

Nhóm các thuật toán tính toán sử dụng lấy mẫu ngẫu nhiên lặp đi lặp lại để ước lượng các đại lượng số học hoặc xác suất mà không có nghiệm giải tích chính xác. Phương pháp này được dùng rộng rãi trong tìm kiếm cây Monte Carlo và học tăng cường.

Python

Ngôn ngữ lập trình bậc cao, đa mục đích, nổi tiếng với cú pháp đơn giản và hệ sinh thái thư viện phong phú. Hiện đây là ngôn ngữ được dùng phổ biến nhất trong nghiên cứu và phát triển trí tuệ nhân tạo nhờ các thư viện như NumPy, PyTorch và TensorFlow.

PyTorch

Thư viện học sâu mã nguồn mở do Meta AI phát triển, cung cấp tính toán tensor trên GPU và cơ chế tính đạo hàm tự động, được sử dụng rộng rãi trong nghiên cứu học sâu nhờ tính linh hoạt và giao diện lập trình trực quan.

Q

Q-learning

Thuật toán học tăng cường không cần mô hình môi trường. Thuật toán học hàm giá trị của từng hành động (Q-function) bằng cách cập nhật ước lượng chất lượng của từng cặp trạng thái-hành động dựa trên phần thưởng nhận được từ những bước trước và giá trị tối ưu được ước tính ở bước tiếp theo.

Quá khớp (Overfitting)

Hiện tượng mô hình học máy "học vẹt" dữ liệu huấn luyện khiến nó học cả những thông tin nhiễu trong dữ liệu, dẫn đến hiệu suất kém khi gặp dữ liệu mới không có trong tập huấn luyện. Điều này phản ánh sự mất cân bằng giữa độ lệch (bias) và phương sai (variance) của mô hình.

Quá trình quyết định Markov (Markov decision process)

Khung toán học cho bài toán ra quyết định tuần tự, trong đó một tác nhân ở trạng thái nào đó thực hiện một hành động, nhận phần thưởng và chuyển sang trạng thái mới theo phân phối xác suất. Đây là nền tảng lý thuyết của học tăng cường.

R

RandomForest

Thuật toán học máy kết hợp nhiều cây quyết định được xây dựng độc lập trên các mẫu con ngẫu nhiên của dữ liệu, dùng kết quả đa số hoặc trung bình để đưa ra dự đoán cuối cùng, giúp giảm quá khớp so với một cây quyết định đơn lẻ.

Rác AI (AI slop)

Nội dung văn bản, hình ảnh hoặc video được tạo ra bởi AI với chất lượng thấp, không có giá trị thực sự, thường được sản xuất hàng loạt và lan tràn trên internet khiến người dùng khó phân biệt với nội dung do con người tạo ra.

Robot hình người (Humanoid robot)

Robot được thiết kế với hình dáng và khả năng vận động tương tự cơ thể người, bao gồm đầu, thân, hai cánh tay và hai chân; nhằm tương tác tự nhiên với môi trường và con người trong các không gian được xây dựng cho người.

Robot tự hành (Autonomous robot)

Robot có khả năng thực hiện các nhiệm vụ trong môi trường thực tế mà không cần sự điều khiển liên tục từ con người bằng cách tự nhận thức môi trường thông qua các hệ thống cảm biến và camera, sau đó lập kế hoạch và hành động dựa trên các thuật toán AI.

Rủi ro sống còn từ trí tuệ nhân tạo tổng quát (Existential threat from AI)

Khả năng các hệ thống trí tuệ nhân tạo tiên tiến trong tương lai gây ra hậu quả thảm khốc không thể phục hồi cho nhân loại, đặc biệt khi các mục tiêu của chúng không được căn chỉnh phù hợp với giá trị của con người.

S

Sinh ngôn ngữ tự nhiên (Natural language generation)

Nhánh của AI và ngôn ngữ học tính toán nghiên cứu việc xây dựng các hệ thống có thể tự động tạo ra văn bản ngôn ngữ tự nhiên từ các biểu diễn phi ngôn ngữ như dữ liệu có cấu trúc, đồ thị tri thức hoặc ngữ nghĩa.

Siri

Trợ lý ảo do Apple phát triển, ra mắt năm 2011 trên iPhone 4S, sử dụng nhận dạng giọng nói và xử lý ngôn ngữ tự nhiên để thực hiện các lệnh thoại, tìm kiếm thông tin và điều khiển thiết bị. Đây là một trong những trợ lý ảo thương mại đầu tiên được phổ biến rộng rãi.

Siêu tham số (Hyperparameter)

Tham số của quá trình huấn luyện được đặt trước khi học bắt đầu và không được cập nhật bởi thuật toán học, ví dụ tốc độ học, số lượng lớp ẩn, hoặc kích thước lô dữ liệu.

Siêu trí thông minh (Superintelligence)

Hệ thống trí tuệ nhân tạo giả định vượt trội hơn con người ở mọi lĩnh vực nhận thức, bao gồm sáng tạo khoa học, kỹ năng xã hội và trí tuệ tổng quát. Nó đã trở thành một trong những chủ đề trung tâm trong các nghiên cứu về an toàn AI dài hạn.

Suy giảm độ dốc (Gradient descent)

Thuật toán tối ưu hóa trong đó các tham số mô hình được cập nhật theo hướng ngược chiều gradient của hàm mất mát, nhằm tìm điểm cực tiểu của hàm đó. Thuật toán này là nền tảng của hầu hết các phương pháp huấn luyện học máy hiện đại.

Sụp đổ chế độ (Mode collapse)

Vấn đề trong huấn luyện mạng đối nghịch tạo sinh, trong đó mạng tạo sinh chỉ tạo ra một tập hẹp các mẫu đầu ra thay vì phản ánh toàn bộ sự đa dạng của phân phối dữ liệu thực, làm giảm đáng kể chất lượng và tính hữu dụng của mô hình. Nguyên nhân nằm ở việc mạng phân biệt không đủ mạnh để tìm ra sự khác biệt trên tập dữ liệu hẹp này, khiến nó bị mạng tạo sinh khai thác bằng việc chỉ tạo ra các mẫu tương tự nhau.

Sụp đổ mô hình (Model collapse)

Hiện tượng suy giảm chất lượng mô hình sinh theo thời gian khi mô hình được huấn luyện lặp đi lặp lại trên dữ liệu do chính nó tạo ra, dẫn đến mất dần các phần đuôi của phân phối dữ liệu gốc.

T

Tác nhân thông minh (Intelligent agent)

Một thực thể có khả năng nhận thức môi trường xung quanh thông qua cảm biến và tác động lên môi trường đó nhằm đạt được mục tiêu. Một tác nhân được coi là thông minh khi nó có khả năng học hỏi và cải thiện hiệu suất theo thời gian.

Tạo sinh dựa trên truy xuất tăng cường (Retrieval-augmented generation)

Phương pháp kết hợp mô hình ngôn ngữ lớn với cơ chế truy xuất thông tin từ nguồn tri thức bên ngoài (như văn bản được đính kèm) tại thời điểm suy luận, giúp mô hình tạo ra câu trả lời chính xác và cập nhật hơn mà không cần huấn luyện lại trên văn bản đó.

Tăng cường dữ liệu (Data augmentation)

Kỹ thuật mở rộng tập huấn luyện bằng cách tạo ra các biến thể của dữ liệu gốc thông qua các phép biến đổi như xoay ảnh, thay từ đồng nghĩa hoặc thêm nhiễu, nhằm cải thiện khả năng tổng quát hóa của mô hình.

Tập dữ liệu (Dataset)

Tập hợp có cấu trúc các mẫu dữ liệu được dùng để huấn luyện, kiểm định hoặc đánh giá mô hình học máy. Chất lượng và quy mô của tập dữ liệu có ảnh hưởng trực tiếp đến hiệu suất của mô hình.

TensorFlow

Thư viện học sâu mã nguồn mở do Google phát triển, cung cấp nền tảng tính toán đồ thị tính toán linh hoạt cho việc xây dựng và triển khai mô hình học máy trên nhiều nền tảng phần cứng khác nhau.

Tinh chỉnh (Fine-tuning)

Quá trình tiếp tục huấn luyện một mô hình đã được tiền huấn luyện trên một tập dữ liệu chuyên biệt hoặc tác vụ cụ thể, nhằm điều chỉnh các tham số cho phù hợp với miền dữ liệu mục tiêu mà không cần huấn luyện lại từ đầu.

Tóm tắt tự động (Automatic summarization)

Tác vụ xử lý ngôn ngữ tự nhiên nhằm tự động rút gọn một hoặc nhiều tài liệu thành bản tóm tắt ngắn hơn nhưng vẫn giữ lại thông tin cốt lõi. Bao gồm hai hướng chính là trích xuất (lấy những câu quan trọng trong tài liệu gốc) và tóm tắt trừu tượng (diễn đạt lại bằng ngôn ngữ mới).

Tối ưu hóa chính sách gần kề (Proximal policy optimization)

Thuật toán học tăng cường theo gradient chính sách, giúp ổn định quá trình huấn luyện bằng cách giới hạn mức độ thay đổi chính sách trong mỗi bước cập nhật thông qua hàm mục tiêu được cắt xén. Phương pháp này có ưu điểm về sự đơn giản mà vẫn đạt được hiệu quả trong tính toán.

Tổng quát hóa (Generalization)

Khả năng của mô hình học máy đưa ra dự đoán chính xác trên dữ liệu mới chưa thấy trong quá trình huấn luyện; là tiêu chí đánh giá quan trọng giúp phân biệt mô hình học được quy luật thực sự với mô hình chỉ ghi nhớ "học vẹt" dữ liệu huấn luyện.

Tham số mô hình (Model parameter)

Các giá trị số của các neuron mà một mô hình học được từ dữ liệu huấn luyện, qua đó xác định hành vi của mô hình. Phân biệt với siêu tham số được đặt thủ công trước khi huấn luyện.

Thiên vị thuật toán (Algorithmic bias)

Xu hướng hệ thống của mô hình AI tạo ra kết quả thiên lệch một cách không công bằng đối với một nhóm người nhất định, thường do dữ liệu huấn luyện không cân bằng hoặc các lựa chọn thiết kế mô hình thiếu cẩn trọng.

Thị giác máy tính (Computer vision)

Lĩnh vực AI nghiên cứu các phương pháp cho phép máy tính trích xuất và diễn giải thông tin có ý nghĩa từ hình ảnh và video, bao gồm các tác vụ như phân loại ảnh, phát hiện vật thể và phân vùng ảnh.

Thuật toán (Algorithm)

Một chuỗi các bước cụ thể để giải quyết một bài toán cụ thể.

Thuật toán A* (A* search)

Thuật toán tìm kiếm đường đi kết hợp chi phí thực tế từ điểm xuất phát với một ước lượng heuristic đến đích, đảm bảo tìm được đường đi tối ưu nếu hàm heuristic không phóng đại quá mức so với chi phí thực tế.

Thuật toán Dijkstra (Dijkstra algorithm)

Thuật toán tìm đường đi ngắn nhất từ một đỉnh nguồn đến tất cả các đỉnh còn lại trong đồ thị có trọng số không âm, sử dụng cấu trúc dữ liệu hàng đợi ưu tiên (priority queue) để mở rộng các đỉnh theo thứ tự khoảng cách ngắn nhất trước.

Thuật toán sắp xếp (Sorting algorithm)

Thuật toán sắp xếp lại các phần tử của một danh sách theo một thứ tự nhất định.

Thuật toán tìm đường đi trong mê cung (Maze-solving algorithm)

Nhóm thuật toán duyệt đồ thị tìm đường đi từ điểm xuất phát đến đích trong không gian mê cung, bao gồm các phương pháp như tìm kiếm theo chiều sâu và theo chiều rộng.

Thuật toán tìm kiếm trên cây Monte Carlo (Monte Carlo tree search)

Phương pháp tìm kiếm heuristic trong không gian quyết định kết hợp lấy mẫu ngẫu nhiên với cấu trúc cây. Thuật toán xây dựng dần cây tìm kiếm thông qua bốn giai đoạn lặp: chọn, mở rộng, mô phỏng và lan truyền ngược.

Thuật toán tiến hóa (Evolutionary algorithm)

Nhóm các thuật toán tối ưu hóa lấy cảm hứng từ tiến hóa sinh học, sử dụng các cơ chế chọn lọc tự nhiên (các mô hình yếu sẽ bị loại bỏ), lai ghép và đột biến để tìm kiếm giải pháp tốt trong không gian tìm kiếm lớn.

Transformer

Kiến trúc mạng thần kinh dựa hoàn toàn trên cơ chế tự chú ý (self-attention), qua đó không cần sử dụng các lớp hồi quy và tích chập. Điều này cho phép mạng thần kinh xử lý song song toàn bộ chuỗi dữ liệu và ghi nhớ các kiến thức cũ hiệu quả hơn; là nền tảng của hầu hết các mô hình ngôn ngữ lớn hiện đại cũng như được ứng dụng trong cả các mô hình thị giác.

Trạng thái (State)

Mô tả đầy đủ của một hệ thống hoặc môi trường tại một thời điểm cụ thể, dùng làm cơ sở để tác nhân AI ra quyết định về hành động tiếp theo.

Trạng thái–hành động–phần thưởng–trạng thái–hành động (State–action–reward–state–action)

Thuật toán học tăng cường theo chính sách cập nhật hàm giá trị hành động dựa trên bộ năm yếu tố (trạng thái, hành động, phần thưởng, trạng thái mới, hành động mới), nhằm học giá trị của chính sách đang được thực thi.

Trí tuệ nhân tạo (Artificial intelligence)

Lĩnh vực khoa học máy tính tập trung vào nghiên cứu và xây dựng các hệ thống có khả năng thực hiện các tác vụ thường được cho là cần sử dụng trí tuệ của con người, bao gồm nhận thức, suy luận, học tập và ra quyết định.

Trí tuệ nhân tạo mã nguồn mở (Open-source AI)

Hệ thống AI mà trọng số, kiến trúc và thường cả dữ liệu huấn luyện được công bố công khai, cho phép bất kỳ ai cũng có thể tải về để nghiên cứu, tinh chỉnh và triển khai mà không cần xin phép.

Trí tuệ nhân tạo tổng quát (Artificial general intelligence)

Hệ thống AI giả định có khả năng học và thực hiện bất kỳ tác vụ nhận thức nào ở mức độ tương đương hoặc vượt trội con người, trái với AI hiện tại vốn chỉ hoạt động hiệu quả trong phạm vi tác vụ hẹp được thiết kế sẵn.

V

Vấn đề gradient biến mất/bùng nổ (Vanishing/Exploding gradient)

Hiện tượng gradient trong quá trình lan truyền ngược qua nhiều lớp trở nên quá nhỏ (biến mất) hoặc quá lớn (bùng nổ), khiến các lớp đầu của mạng thần kinh sâu hoặc mạng thần kinh hồi quy không thể học được các thông tin dài hạn.

Vector từ (Word embedding)

Phương pháp biểu diễn từ ngữ dưới dạng vector số trong không gian chiều thấp, trong đó các từ có nghĩa tương đồng được ánh xạ đến các vị trí gần nhau. Điều này cho phép mô hình học máy hiểu được các quan hệ ngữ nghĩa giữa các từ với nhau.

Vibe coding

Phong cách lập trình do Andrej Karpathy đặt tên vào tháng 2 năm 2025, trong đó lập trình viên mô tả yêu cầu bằng ngôn ngữ tự nhiên và để mô hình ngôn ngữ lớn tự tạo ra mã nguồn mà không cần xem xét kỹ từng dòng lệnh.

X

Xe tự lái (Autonomous car)

Phương tiện giao thông có khả năng tự nhận thức về môi trường giao thông và có thể tự điều hướng mà không cần sự can thiệp liên tục của người lái. Tổ chức tiêu chuẩn quốc tế SAE International phân loại mức độ tự động hóa thành sáu cấp độ từ 0 (không tự động) đến 5 (hoàn toàn tự động).

XGBoost

Thư viện học máy mã nguồn mở giúp hiện thực hóa thuật toán tăng cường gradient trên cây quyết định một cách tối ưu về tốc độ và bộ nhớ, được sử dụng rộng rãi trong các cuộc thi khoa học dữ liệu nhờ hiệu suất cao và khả năng xử lý dữ liệu thưa.

Xử lý ngôn ngữ tự nhiên (Natural language processing)

Lĩnh vực AI nghiên cứu các phương pháp cho phép máy tính phân tích, hiểu và tạo ra ngôn ngữ của con người, bao gồm các tác vụ như dịch máy, phân tích cảm xúc và hỏi đáp tự động.

Tham khảo