Lịch sử phát triển AI: 3 làn sóng thay đổi thế giới

Nhiều người lo lắng khi thấy các mô hình AI tạo sinh liên tục ra mắt, tự hỏi liệu công nghệ này có sớm vượt tầm kiểm soát hay không. Tuy nhiên, khi nhìn lại lịch sử phát triển AI trong hơn 70 năm qua, bạn sẽ nhận ra đây không phải là một bước nhảy vọt ma thuật mà là một chuỗi tiến hóa toán học có quy luật rõ ràng.

Tóm tắt nhanh:

• Bản chất AI hiện đại là cỗ máy tính toán thống kê và dự đoán mẫu dữ liệu, hoàn toàn không có ý thức hay cảm xúc tự thân.
• Làn sóng thứ nhất (1950–1980s) dựa trên logic quy tắc cứng "Nếu - Thì", sụp đổ thành "Mùa đông AI" do không thể mô hình hóa thế giới thực phức tạp.
• Làn sóng thứ hai (1990s–2010s) chuyển dịch sang học máy thống kê và mạng nơ-ron tích chập, giải quyết bài toán phân loại và nhận diện nhờ dữ liệu lớn.
• Làn sóng thứ ba (2017 đến nay) bùng nổ nhờ kiến trúc Transformer, mở ra kỷ nguyên AI tạo sinh và hệ thống tác tử tự hành (AI Agent).
• Người lao động tri thức không bị thay thế bởi chính AI, mà bởi những nhân sự biết ứng dụng AI vào tối ưu hiệu suất công việc hàng ngày.

Bản chất của lịch sử phát triển AI là gì và có giống phim ảnh không?

Trí tuệ nhân tạo (AI - Artificial Intelligence) về bản chất kỹ thuật là tập hợp các mô hình toán học và thuật toán thống kê nhằm mô phỏng hành vi giải quyết vấn đề của con người, hoàn toàn không sở hữu ý thức, cảm xúc hay tri giác như phim khoa học viễn tưởng.

Trong các tác phẩm điện ảnh như Terminator hay Her, AI thường được mô tả dưới dạng trí tuệ nhân tạo tổng quát (AGI - Artificial General Intelligence) với khả năng tự nhận thức và có động cơ riêng. Trên thực tế, mọi hệ thống AI hiện hành đều thuộc nhóm trí tuệ nhân tạo hẹp (ANI - Artificial Narrow Intelligence).

Mô hình AI hiện đại (đặc biệt là mô hình ngôn ngữ lớn) nhận đầu vào (input), xử lý qua hàng tỷ phép tính ma trận và trọng số để tính toán xác suất cho các đầu ra (output) phù hợp nhất với ngữ cảnh đã học. Tuy nhiên, không phải mọi hệ thống AI đều hoạt động theo cơ chế dự đoán xác suất — một số hệ thống khác như expert systems hay planning-based models sử dụng logic quy tắc hoặc tìm kiếm không gian trạng thái. Khi một mô hình ngôn ngữ lớn như GPT viết văn hoặc tạo mã lệnh, hệ thống không "hiểu" theo cách nhận thức của não bộ con người, mà chỉ đang dự đoán từ tiếp theo có xác suất xuất hiện cao nhất dựa trên kho dữ liệu khổng lồ đã được huấn luyện.

Làn sóng 1 (1950s): Quy tắc logic 'Nếu - Thì' và Mùa đông AI đầu tiên diễn ra như thế nào?

Làn sóng AI đầu tiên vận hành dựa trên hệ thống biểu diễn tri thức bằng quy tắc logic "Nếu - Thì" (Symbolic AI / Rule-based system), trong đó các kỹ sư phải tự tay lập trình mọi trường hợp và điều kiện vào máy tính để giải quyết vấn đề.

Ví dụ cấu trúc Rule-based cơ bản:
NẾU (triệu chứng == "sốt") VÀ (ho == "có đờm") THÌ (chẩn đoán = "viêm phế quản")

Giai đoạn đầu trong lịch sử phát triển AI ghi nhận những nền móng lý thuyết vĩ đại:

• Năm 1950: Alan Turing công bố bài báo Computing Machinery and Intelligence, đưa ra phép thử Turing (Turing Test) để đánh giá khả năng mô phỏng hành vi con người của máy móc.
• Năm 1956: Thuật ngữ "Artificial Intelligence" chính thức ra đời tại Hội thảo Dartmouth do John McCarthy, Marvin Minsky, Nathaniel Rochester và Claude Shannon tổ chức.
• Thập niên 1960–1970: Các chương trình như Logic Theorist hay ELIZA (chương trình mô phỏng trị liệu tâm lý đơn giản qua từ khóa) tạo ra kỳ vọng rất lớn cho giới nghiên cứu.

Tuy nhiên, cách tiếp cận bằng quy tắc cứng sớm bộc lộ giới hạn chí tử: hiện tượng bùng nổ tổ hợp (combinatorial explosion). Thế giới thực có vô số biến số và ngoại lệ mà con người không thể viết tay hết mọi câu lệnh "Nếu - Thì". Khi hệ thống đối mặt với dữ liệu chưa được định nghĩa trước, toàn bộ chương trình sẽ tê liệt.

Hạn chế về năng lực tính toán và thiếu hụt dữ liệu số hóa thời kỳ này đã dẫn tới sự cắt giảm ngân sách nghiên cứu nghiêm trọng, đẩy ngành công nghệ vào thời kỳ Mùa đông AI (AI Winter) kéo dài suốt thập niên 1970 đến cuối thập niên 1980.

Làn sóng 2 (1990s): Machine Learning và Dữ liệu lớn đã tạo bước ngoặt ra sao?

Làn sóng AI thứ hai tạo nên bước ngoặt nhờ sự dịch chuyển từ việc "dạy máy từng quy tắc" sang học máy (Machine Learning), cho phép máy tính tự tìm ra quy luật thống kê ẩn bên trong các tập dữ liệu lớn.

Thay vì lập trình thủ công quy tắc nhận diện một con mèo, các kỹ sư cung cấp hàng triệu bức ảnh có nhãn và để thuật toán tự điều chỉnh trọng số (weights) nhận diện đặc trưng. Các cột mốc công nghệ tiêu biểu của giai đoạn này gồm:

• Năm 1997: Siêu máy tính Deep Blue của IBM đánh bại nhà vô địch cờ vua thế giới Garry Kasparov, kết hợp thuật toán tìm kiếm cây quyết định (tree search) với phần cứng tính toán chuyên dụng có khả năng đánh giá khoảng 200 triệu vị trí (positions) mỗi giây.
• Thập niên 2000: Các thuật toán học máy thống kê như Support Vector Machines (SVM) và Random Forest thống trị các hệ thống phân loại dữ liệu doanh nghiệp và bộ lọc thư rác.
• Năm 2012: Mạng nơ-ron tích chập (CNN - Convolutional Neural Network) mang tên AlexNet giành chiến thắng áp đảo tại cuộc thi ImageNet, giảm tỷ lệ lỗi nhận diện hình ảnh từ 26% xuống còn 15.3%.

Chiến thắng của AlexNet đánh dấu sự trỗi dậy của học sâu (Deep Learning). Bước nhảy vọt này được tạo nên từ sự kết hợp của ba yếu tố: kho dữ liệu số hóa khổng lồ từ Internet, thuật toán lan truyền ngược (backpropagation), và sức mạnh xử lý song song vượt trội của vi xử lý đồ họa (GPU).

Mặc dù vậy, làn sóng thứ hai vẫn gặp hạn chế: các mô hình thời kỳ này hoạt động như một "hộp đen" (black box) chuyên biệt, mô hình nhận diện ảnh không thể xử lý văn bản, và việc huấn luyện mạng nơ-ron hồi quy (RNN - Recurrent Neural Network) trên các chuỗi văn bản dài thường xuyên bị mất ngữ cảnh (vanishing gradient).

Làn sóng 3 (2017 đến nay): Vì sao kiến trúc Transformer tạo nên cơn sốt GenAI & AI Agent?

Kiến trúc Transformer do Google giới thiệu năm 2017 đã giải quyết triệt để điểm nghẽn xử lý dữ liệu tuần tự nhờ cơ chế tự chú ý (self-attention mechanism), cho phép mô hình tính toán mối liên hệ giữa mọi từ ngữ trong câu cùng một lúc.

Trong bài báo nghiên cứu kinh điển Attention Is All You Need (tháng 6/2017), các nhà nghiên cứu đã loại bỏ hoàn toàn cấu trúc hồi quy phức tạp. Cơ chế Self-Attention giúp máy tính hiểu được ngữ cảnh sâu sắc của từ ngữ bất kể khoảng cách trong văn bản:

Kiến trúc này mở đường cho sự ra đời của các mô hình nền tảng (Foundation Models) và chuỗi đột phá liên tiếp:

• Tháng 11/2022: OpenAI phát hành ChatGPT (dựa trên kiến trúc GPT-3.5), đưa AI tạo sinh (Generative AI) tiếp cận hơn 100 triệu người dùng chỉ sau 2 tháng ra mắt.
• Giai đoạn 2023–2024: Các mô hình đa phương thức (Multimodal AI) như GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro có khả năng xử lý đồng thời văn bản, hình ảnh, âm thanh và video với cửa sổ ngữ cảnh lên tới hàng triệu token.
• Giai đoạn 2025–2026: Xu hướng chuyển dịch sang các mô hình suy luận sâu (Reasoning Models như OpenAI o1/o3, DeepSeek-R1) và đặc vụ AI tự chủ (AI Agent). AI Agent không chỉ trả lời câu hỏi mà có thể tự phân rã nhiệm vụ phức tạp, gọi công cụ ngoại vi (Function Calling), tự sửa lỗi code và thực thi quy trình làm việc độc lập.

Sự chuyển dịch lớn nhất trong lịch sử phát triển AI ở làn sóng này là AI đã biến từ một công cụ phân tích (Discriminative AI) thành một hệ thống có khả năng tạo mới nội dung, tổng hợp tri thức và trực tiếp thao tác trên phần mềm.

So sánh 3 giai đoạn phát triển của AI qua các mốc lịch sử

Bảng dưới đây tổng hợp bức tranh toàn cảnh về lịch sử phát triển AI, đối chiếu rõ nét bản chất công nghệ, thành tựu và giới hạn của từng làn sóng.

Làm thế nào để tận dụng làn sóng AI và không bị thay thế trong kỷ nguyên mới?

Để duy trì lợi thế cạnh tranh trong làn sóng AI thứ ba, người đi làm cần chuyển dịch tư duy từ "người thực thi thao tác cơ bản" sang "người giám sát và điều phối hệ thống AI".

Quan sát từ thực tiễn làm việc kỹ thuật và tri thức hiện nay cho thấy, sự lo lắng bị AI thay thế hoàn toàn là không có cơ sở thực tế nếu bạn áp dụng 3 nguyên tắc hành động sau:

1. Chuyển từ viết mọi thứ sang tinh chỉnh prompt và quy trình: Thay vì mất hàng giờ viết mã khung (boilerplate code) hay soạn thảo báo cáo thô, hãy sử dụng các công cụ như Cursor, GitHub Copilot hay Claude để tạo bản nháp đầu tiên, sau đó dành 80% thời gian còn lại vào việc kiểm thử và tối ưu logic.
2. Xây dựng chuyên môn sâu theo ngành dọc: AI rất giỏi tổng hợp kiến thức đại trà nhưng thiếu khả năng phán đoán bối cảnh thực tế tại từng doanh nghiệp. Khả năng hiểu sâu nghiệp vụ kinh doanh, bảo mật hệ thống và quy chuẩn ngành là những giá trị mà mô hình thống kê không thể tự suy luận chính xác.
3. Ứng dụng AI Agent vào tự động hóa công việc lặp lại: Bắt đầu làm quen với việc kết nối các mô hình AI với công cụ làm việc thực tế qua các nền tảng tự động hóa (như n8n, Make hoặc API nội bộ) để xây dựng các luồng xử lý dữ liệu tự động, giúp giải phóng sức lao động thủ công.

Câu hỏi thường gặp

AI có thực sự có khả năng tự suy nghĩ và cảm xúc không?

Không, các mô hình AI hiện nay hoàn toàn không có cảm xúc hay ý thức. Chúng là các mô hình toán học dự đoán xác suất dữ liệu dựa trên tập dữ liệu đã học, mô phỏng lại cách phản hồi của con người chứ không tự nhận thức được nội dung đang tạo ra.

Mùa đông AI là gì và nguyên nhân do đâu?

Mùa đông AI là giai đoạn các viện nghiên cứu và chính phủ cắt giảm mạnh tài trợ cho AI (tiêu biểu vào thập niên 1970 và cuối 1980). Nguyên nhân chính là do kỳ vọng ban đầu bị thổi phồng quá mức so với năng lực thực tế của phần cứng và thuật toán thời điểm đó.

Kiến trúc Transformer có điểm gì vượt trội so với mạng nơ-ron truyền thống?

Kiến trúc Transformer sử dụng cơ chế tự chú ý (self-attention), cho phép xử lý song song toàn bộ chuỗi văn bản thay vì đọc tuần tự từng từ như RNN. Điều này giúp mô hình nắm bắt ngữ cảnh dài chính xác hơn và tận dụng tối đa sức mạnh tính toán của GPU.

Tôi nên bắt đầu học sử dụng AI từ đâu nếu không có nền tảng kỹ thuật?

Bạn nên bắt đầu bằng việc học kỹ năng đặt câu lệnh có cấu trúc (Prompt Engineering) trên các công cụ phổ biến như ChatGPT hoặc Claude để phục vụ công việc hàng ngày, sau đó tìm hiểu thêm cách kết nối AI vào các ứng dụng văn phòng thông qua công cụ tự động hóa không cần viết code (No-code).

Tóm lại

• Lịch sử phát triển AI trải qua 3 giai đoạn rõ rệt: từ Logic quy tắc (Làn sóng 1), Học máy trên dữ liệu lớn (Làn sóng 2), đến Kiến trúc Transformer và AI Agent (Làn sóng 3).
• Bản chất AI không phải là phép thuật hay thực thể có tri giác, mà là công cụ tính toán thống kê dựa trên dữ liệu lớn và phần cứng hiệu năng cao.
• Sự kết hợp giữa khả năng suy luận ngữ cảnh của mô hình thế hệ mới và năng lực chuyên môn của con người là chìa khóa tối ưu hiệu suất làm việc.

Để bắt đầu làm chủ công nghệ thay vì lo lắng, bạn hãy chọn ra một tác vụ lặp lại tốn thời gian nhất trong tuần này (như tóm tắt tài liệu, viết test case, hoặc lọc dữ liệu) và thiết lập một quy trình xử lý tự động bằng các công cụ AI hiện có.