Từ điển AI #7: Generative AI (AI tạo sinh) là gì? Khi máy móc học được cách “tưởng tượng”

Generative AI (AI tạo sinh) là nhóm mô hình trí tuệ nhân tạo có khả năng tạo ra nội dung hoàn toàn mới – văn bản, hình ảnh, âm thanh, video, mã nguồn – dựa trên những mẫu hình đã học được từ dữ liệu huấn luyện, thay vì chỉ phân loại hay dự đoán trên dữ liệu có sẵn như AI truyền thống.

Ở bài trước, chúng ta đã biết LLM là bộ não ngôn ngữ đứng sau các trợ lý AI. Nhưng AI ngày nay không chỉ viết chữ. Nó vẽ ra những bức ảnh chưa từng tồn tại với Nano Banana, dựng nên những đoạn video sống động với Veo3, hay biến một dàn ý sơ sài thành bản slide chuyên nghiệp chỉ trong vài phút với Gamma – những công cụ đã được nhắc đến ở bài “10 công cụ AI hỗ trợ dân văn phòng”. Tất cả những khả năng tưởng chừng khác biệt này đều thuộc về một nhóm công nghệ lớn hơn mà McKinsey định nghĩa là công nghệ “có thể thay đổi cách chúng ta tiếp cận việc sáng tạo nội dung một cách triệt để”: Generative AI.

Generative AI khác gì với AI phân loại truyền thống?

Trước khi generative AI xuất hiện, phần lớn machine learning là các mô hình mang tính dự đoán (predictive models), dùng để quan sát và phân loại các mẫu hình trong nội dung có sẵn – ví dụ, đưa vào vài bức ảnh mèo, mô hình học được đặc điểm chung rồi rà soát ảnh ngẫu nhiên xem có khớp mẫu “mèo” hay không. Đó là công việc của AI truyền thống (discriminative AI): nhận diện, phân loại, gắn nhãn. Generative AI là một bước ngoặt: thay vì chỉ nhận diện và phân loại một bức ảnh mèo có sẵn, mô hình giờ có thể tạo ra một hình ảnh hoặc mô tả về mèo hoàn toàn theo yêu cầu – một năng lực mà McKinsey mô tả là bước chuyển từ “nhận thức và phân loại” sang “sáng tạo theo yêu cầu.”

Cần những gì để xây dựng một mô hình AI tạo sinh?

Xây dựng một mô hình generative AI phần lớn vẫn là cuộc chơi của một nhóm nhỏ các hãng công nghệ có nguồn lực khổng lồ – chỉ một số ít “ông lớn” công nghệ đã thử sức: OpenAI với hàng tỷ USD tài trợ, DeepMind là công ty con của Alphabet, Meta cũng tham gia với sản phẩm Make-A-Video. Ước tính GPT-3 được huấn luyện trên khoảng 45 terabyte dữ liệu văn bản – tương đương một triệu feet giá sách, tức khoảng một phần tư toàn bộ Thư viện Quốc hội Hoa Kỳ – với chi phí ước tính lên tới hàng triệu USD. Tuy nhiên, rào cản chi phí này đang giảm nhanh: các nhà nghiên cứu tại Sony AI chứng minh rằng một mô hình từng tốn 100.000 USD để huấn luyện năm 2022 nay chỉ còn tốn chưa tới 2.000 USD – một sự sụt giảm hơn 98% chỉ sau vài năm, mở đường cho nhiều tổ chức nhỏ hơn tham gia phát triển các mô hình chuyên biệt.

AI tạo sinh có thể tạo ra loại nội dung nào – và vì sao đôi khi nó sai một cách kỳ lạ?

Đầu ra của generative AI đôi khi không thể phân biệt được với nội dung do con người tạo ra, đôi khi lại có phần kỳ dị. Một ví dụ kinh điển được McKinsey trích dẫn: khi được yêu cầu tạo hình ảnh cho một bữa tối Lễ Tạ ơn, DALL-E 2 đã vẽ ra một con gà tây được trang trí bằng nguyên trái chanh và một bát trông giống guacamole – sai lệch hoàn toàn so với món ăn truyền thống. Ở phía văn bản, các mô hình thế hệ đầu như GPT-3 “gặp khó khăn khi đếm số hoặc giải các bài toán đại số cơ bản.” Nguyên nhân, theo McKinsey, là vì đầu ra của generative AI thực chất là “sự kết hợp được hiệu chỉnh cẩn thận từ dữ liệu dùng để huấn luyện thuật toán” – khi khối dữ liệu đủ lớn, mô hình có vẻ “sáng tạo”, nhưng bản chất vẫn là tái tổ hợp xác suất, không phải tư duy thực thụ.

Rủi ro nào doanh nghiệp cần lường trước, và làm sao để giảm thiểu?

Vì được xây dựng từ dữ liệu internet với mọi định kiến vốn có, generative AI có thể vô tình khuếch đại các thiên kiến giới tính, chủng tộc hoặc văn hóa, và có thể bị lợi dụng cho mục đích phi đạo đức nếu không được kiểm soát chặt – McKinsey ghi nhận rằng dù ChatGPT từ chối hướng dẫn “đấu dây” một chiếc xe hơi để trộm cắp, nó lại sẵn sàng làm điều đó nếu người dùng đóng khung yêu cầu là “để cứu một em bé.” Doanh nghiệp triển khai generative AI, vì vậy, phải đối diện với rủi ro pháp lý và uy tín nếu vô tình công bố nội dung thiên vị, xúc phạm, hoặc vi phạm bản quyền. Để giảm thiểu, McKinsey khuyến nghị ba hướng: chọn lọc kỹ dữ liệu huấn luyện ban đầu để loại bỏ nội dung độc hại, cân nhắc dùng các mô hình nhỏ và chuyên biệt thay vì mô hình tổng quát, và quan trọng nhất – luôn giữ một con người trong vòng lặp kiểm duyệt (human-in-the-loop) trước khi công bố hoặc sử dụng kết quả cho các quyết định quan trọng, đúng như nguyên tắc đã nhấn mạnh ở bài viết mở đầu của toàn bộ chuỗi nội dung Viện PSO về AI.

Generative AI và LLM có phải là một khái niệm, hay khác nhau ở đâu?

Đây là điểm dễ gây nhầm lẫn nhất giữa hai bài viết liền kề trong series. LLM (đã tìm hiểu ở bài trước) là một loại mô hình generative AI chuyên biệt cho ngôn ngữ – nó tạo sinh văn bản bằng cách dự đoán từ tiếp theo. Nhưng Generative AI là khái niệm bao trùm rộng hơn nhiều, gồm cả những kiến trúc mô hình hoàn toàn khác để tạo sinh hình ảnh (như mô hình khuếch tán – diffusion models – đứng sau Midjourney hay Nano Banana), âm thanh, hay video. Nói cách khác, mọi LLM đều là generative AI, nhưng không phải mọi generative AI đều là LLM. Sự phân biệt này quan trọng vì hai loại mô hình có cơ chế hoạt động, chi phí vận hành, và loại rủi ro khác nhau – một mô hình tạo ảnh có thể không gặp vấn đề ảo giác dữ kiện như LLM, nhưng lại đối mặt với rủi ro vi phạm bản quyền hình ảnh nghiêm trọng hơn nhiều.

Kết luận

Từ Gamma, Napkin AI, Nano Banana đến Veo3 – mọi công cụ tạo sinh nội dung số mà dân văn phòng đang dùng hằng ngày đều là những ứng dụng cụ thể của cùng một công nghệ nền. Điểm chung: chúng rút ngắn khoảng cách giữa ý tưởng trong đầu bạn và một sản phẩm hoàn chỉnh – nhưng luôn cần một người biên tập đứng sau kiểm chứng.

Nhưng đằng sau mỗi lần AI tạo sinh một câu trả lời, có một đơn vị đo lường nhỏ bé đang âm thầm quyết định chi phí, tốc độ và giới hạn của toàn bộ cuộc trò chuyện. Đơn vị đó có tên gọi: Token – chủ đề của bài viết tiếp theo.

Tham khảo khóa học AI Mastery for Work level 1 và 2 tại đây.