Lã Nguyên 

1. Trần Đình Sử là Giáo sư, Tiến sĩ, Nhà giáo nhân dân, giảng viên của Đại học Sư phạm Vinh, Đại học Sư phạm Hà Nội và giảng viên thỉnh giảng của nhiều trường đại học khác. Là một trong những nhà thi pháp học và lí luận văn học hàng đầu của Việt Nam, Trần Đình Sử có nhiều đóng góp làm thay đổi diện mạo của nền nghiên cứu văn học dân tộc ở nửa sau thế kỉ XX, đầu thế kỉ XXI.

 Huỳnh Duy Lộc

Phạm Trọng Cầu 

Phạm Trọng Cầu sinh năm 1935 tại Phnôm Pênh, Campuchia, cha mẹ đều là người Hà Nội sang làm làm việc tại Campuchia. Năm anh 8 tuổi, cha mẹ anh về nước, sống tại Sài Gòn; mẹ anh đã mở một nhà hàng ca nhạc mang tên Aristo. Tại đây, anh tiếp xúc với những ban nhạc người Philippines và một số nhạc sĩ danh tiếng của Việt Nam như Trần Văn Khê, Phạm Duy... và được học đàn mandoline rất sớm khi tản cư về Biên Hòa. Sau khi Nhật đầu hàng quân Đồng minh, gia đình anh trở lại Sài Gòn rồi xuống Bến Lức (Long An) và về miền Tây, đến tận Vũng Liêm (Vĩnh Long) nên anh có một thời gian đi học tại Vũng Liêm, tham gia đội Tuyên truyền xung phong của huyện. Năm 1948, anh trở lại Sài Gòn, tham gia phong trào xuống đường đấu tranh của sinh viên, học sinh và một thời gian sau thoát ly, gia nhập tiểu đoàn 308 rồi trung đoàn Cửu Long. Anh bị thương phải cưa chân, mẹ anh tìm cách đưa anh vào Sài Gòn chữa trị. Năm 1953, anh vào học tại Trường Quốc gia Âm nhạc và Kịch nghệ và sau khi tốt nghiệp vào năm 1962 sang Pháp thi vào Nhạc viện Paris. Trong thời gian theo học nhạc tại Paris, anh viết ca khúc Mùa thu không trở lại nổi tiếng với bút danh Phạm Trọng.

Năm 1969, anh về nước giảng dạy tại Trường Quốc gia Âm nhạc và Kịch nghệ, tham gia các đoàn văn nghệ như Nguồn Sống, sinh viên Phật tử Đại học Vạn Hạnh và hoạt động nội thành. Năm 1972, anh bị bắt giam cho đến năm 1975. Sau ngày 30 tháng 4 năm 1975, anh về Hội Văn nghệ Thành phố Hồ Chí Minh và làm ủy viên Hội Âm nhạc thành phố. Từ năm 1976, anh cùng với những nhạc sĩ như Trịnh Công Sơn, Trần Long Ẩn, Miên Đức Thắng, Hoàng Hiệp, Nguyễn Ngọc Thiện, Trương Thìn thành lập nhóm Giới thiệu sáng tác mới tại Hội Trí thức yêu nước và hoạt động âm nhạc cho tới khi mất vào năm 1998.

Nhà văn Nguyễn Đình Toàn viết về sức lôi cuốn của ca khúc Mùa thu không trở lại, ca khúc nổi tiếng nhất của Phạm Trọng Cầu,  đối với thính giả trẻ tuổi ở Việt Nam trước năm 1975: “[…] Mùa thu không trở lại đã được Phạm Trọng sáng tác tại Pháp. Sinh viên Việt Nam cùng thời với Phạm Trọng nói rằng họ đều biết hoặc thuộc Mùa thu không trở lại. Ca khúc này của Phạm Trọng, cùng với thơ Nguyên Sa, thơ Cung Trầm Tưởng đã làm cho những ngọn đèn của ga Lyon, sương mù sông Seine, công viên Luxembourg trở thành gần gũi hơn đối với các thính giả Việt Nam, nhất là các thính giả trẻ, vào cái thời còn ít người được đi xa”. Đối với những người trẻ tuổi sống vào thời kỳ quê hương chìm trong khói lửa chiến tranh, thành phố Paris hoa lệ trong thơ Nguyên Sa và thơ Cung Trầm Tưởng thật sự là chốn bình yên trong mơ của những đôi lứa đang yêu nhau như nhạc sĩ Ngô Thụy Miên đã có lần bày tỏ: “Dù trưởng thành trong khói lửa chiến tranh, có ai không mơ một ngày được đặt chân đến Paris, được cùng người yêu dạo chơi phố phường Paris hay lang thang bên bờ sông Seine nhớ đến một cuộc tình. Paris như một lời kêu gọi, một nơi chốn tìm về cõi tình yêu”.

Ca khúc Mùa thu không trở lại với giọng ca Thái Thanh:

Phạm Trọng Cầu đã phổ nhạc bài thơ Dù năm dù tháng của nhà thơ Hoàng Phủ Ngọc Tường thành ca khúc Cho dù năm tháng.

Một buổi sớm mai, anh hái đóa phù dung trắng tặng em rồi thẫn thờ nhìn hoa héo rũ, thấy một ngày đã vừa trôi qua thật nhanh. Những niềm vui mong manh của một đời người cũng chóng tàn như đóa phù dung trắng em cầm trên tay buổi sáng đã héo rũ khi trời chiều đã có sắc tím. Trong nhiều đêm thao thức và đợi chờ, anh đã nhìn vầng trăng sáng giữa trời đêm mà không nhớ rằng thời gian vẫn vùn vụt trôi, một tháng đã qua thật nhanh đến không ngờ. Mùa xuân lên đồi cao, mùa hạ nhìn mây khói bay qua, mùa thu nhìn sắc tím của một góc trời và mùa đông nhìn những cơn mưa dầm giữa ban ngày, mùa nối mùa theo bước đi của thời gian để từng năm lặng lẽ trôi qua. Một hôm thức dậy, anh chợt nhận ra dấu vết của thời gian trên mái tóc đã ngả màu và thấy đời người vô cùng ngắn ngủi. Cuộc sống của anh sắp sửa tàn lụi, nhưng sao anh thấy tình yêu vẫn thắm thiết như thể trái tim của anh không theo quy luật nghiệt ngã của thời gian và khát vọng của anh dường như mang một chút gì đó của sự vĩnh cửu. Nhà văn Trần Anh Phương đã nói về sự tồn tại vĩnh hằng đó trong tình yêu: “Dấu ấn thời gian trong bài thơ "Dù năm dù tháng" của Hoàng Phủ Ngọc Tường là thời gian vĩnh cửu; tình yêu vận hành theo quy luật riêng không tuân theo logic đời thường; thời gian theo nhịp đập của trái tim mà trái tim lại mang trong mình nó sự vĩnh cửu, năm tháng không hề lay chuyển nổi… Con người đã tìm thấy sự tồn tại của mình có ý nghĩa vĩnh hằng trong tình yêu và cám ơn tình yêu đã giúp con người chiến thắng sự hạn hữu, thân phận bé mọn của mình trong dòng vô thủy, vô chung”.

Bài thơ Dù năm dù tháng của Hoàng Phủ Ngọc Tường:

Anh hái cành phù dung trắng
Cho em niềm vui cầm tay
Màu hoa như màu ánh nắng
Buổi chiều chợt tím không hay
Nhìn hoa bâng khuâng anh nói
Mới thôi mà đã một ngày.
 
Ruộng cấy ta mong cơn mưa
Ruộng gặt ta mong ngọn nắng
Chăm lo cánh đồng tình yêu
Anh đếm từng vầng trăng sáng
Thiết tha anh nói cùng trăng
Mới thôi đã tròn một tháng.
 
Mùa xuân lên đồi cỏ thơm
Mùa hạ nhìn trời mây khói
Mây tím chân cầu tím núi
Đông xa ngày trắng mưa dầm
Nhìn trời ngẩn ngơ anh nói
Mới thôi mà đã một năm.
 
Sẽ đến một ngày trắng tóc
Nhưng lòng anh vẫn không nguôi
Thời gian sao mà xuẩn ngốc
Mới thôi đã một đời người.
 
Dù năm dù tháng em ơi
Tim anh chỉ đập một đời
Nhưng trái tim mang vĩnh cửu
Trong từng giọt máu đỏ tươi.
Ca khúc Cho dù năm tháng với giọng ca Thùy Dương:

Ca khúc Cho dù năm tháng với giọng ca Kim Yến:

 Nguyễn Cung Thông[1]

Phần này bàn thêm về các tục lệ tang chế truyền thống ở Việt Nam, được ghi nhận từ thời LM de Rhodes và các giáo sĩ Tây phương sang Á Đông truyền đạo. Đây là lần đầu tiên cách dùng này hiện diện trong tiếng Việt qua dạng con chữ La Tinh/Bồ (chữ quốc ngữ), điều này cho ta dữ kiện để xem lại một số cách đọc chính xác hơn cùng với chữ Nôm, cũng như một lớn số tục lệ không còn hiện diện nữa, hay đã thay đổi và so sánh các hoạt động này khoảng 4 TK trước đây. Ảnh hưởng đan xen của tam giáo thể hiện khá rõ nét qua tang lễ: Khổng giáo qua đạo hiếu và tôn ti trật tự của gia đình/xã hội, cuộc sống sau khi qua đời hay kiếp sau theo Phật giáo và tam hồn thất phách, chọn địa điểm để chôn cất hay tuân theo phong thủy trong Đạo giáo (từ phần 52); thí dụ như phật bà Quan Âm của Phật giáo (Đại Thừa) thường xuất hiện trong các bùa phép của Đạo giáo hay trên bàn thờ (hương án). Bài viết này đánh số 52B vì tiếp theo bài viết đầu tiên đánh số 52. Các nghi thức tang lễ truyền thống rất phức tạp, một bài viết rất khó chuyển tải nhiều thông tin liên hệ, nhất là qua lăng kính ngôn ngữ dù đã giới hạn từ TK 17. Tài liệu tham khảo chính của bài viết này là các tài liệu chép tay của LM Philiphê Bỉnh (sđd) và bốn tác phẩm của LM de Rhodes soạn: (a) cuốn Phép Giảng Tám Ngày (viết tắt là PGTN), (b) Bản Báo Cáo vắn tắt về tiếng An Nam hay Đông Kinh (viết tắt là BBC), (c) Lịch Sử Vương Quốc Đàng Ngoài 1627-1646 và (d) tự điển Annam-Lusitan-Latinh (thường gọi là Việt-Bồ-La, viết tắt là VBL) có thể tra tự điển này trên mạng, như trang http://books.google.fr/books?id=uGhkAAAAMAAJ&printsec=frontcover#v=onepage&q&f=false. Các chữ viết tắt khác là Nguyễn Cung Thông (NCT), Hán Việt (HV), Việt Nam (VN), ĐNA (Đông Nam Á), LM (Linh Mục), CG (Công Giáo), PG (Phật Giáo), TVGT (Thuyết Văn Giải Tự/khoảng 100 SCN), NT (Ngọc Thiên/543), ĐV (Đường Vận/751), NKVT (Ngũ Kinh Văn Tự/776), LKTG (Long Kham Thủ Giám/997), QV (Quảng Vận/1008), TV (Tập Vận/1037/1067), TNAV (Trung Nguyên Âm Vận/1324), CV (Chính Vận/1375), TVi (Tự Vị/1615), VB (Vận Bổ/1100/1154), VH (Vận Hội/1297), LT (Loại Thiên/1039/1066), CTT (Chính Tự Thông/1670), TViB (Tự Vị Bổ/1666), TTTH (Tứ Thanh Thiên Hải), KH (Khang Hi/1716), TMGL (Thọ Mai Gia Lễ), P (tiếng Pháp), A (tiếng Anh), L (tiếng La Tinh), VNTĐ (Việt Nam Tự Điển/Hội Khai Trí Tiến Đức 1931/1954), TNNL (Thiên Nam Ngữ Lục), v.v. Kí còn viết là ký (tên người, tên sách), cũng như kị - kỵ, lý - lí và trang/cột/tờ của VBL được trích lại từ bản La Tinh để người đọc tiện tra cứu thêm. Tương quan Hán Việt ghi nhận trong bài không nhất thiết khẳng định nguồn gốc của các từ liên hệ (có gốc Việt cổ hay Hán cổ). Nên nhắc lại là trong tài liệu Lịch Sử Vương Quốc Đàng Ngoài từ 1627 đến 1646, LM de Rhodes cũng từng ghi nhận[2] - qua bản dịch bằng tiếng Pháp của LM Henri Albi dòng Tên cùng thời - rằng '... Trên quả đất có người ở này, không có một dân tộc nào kính trọng và tôn sùng người qua đời bằng vương quốc An Nam...'. LM Cristophoro Borri (1631, sđd) đã từng nhận xét rằng "... chúng tôi quan sát thấy có nhiều điều liên hệ đến nghi lễ (tang chế/NCT) và mê tín mà nếu muốn kể hết thì không sao kể được...". LM G. F. de Marini cũng nhận xét (1663, sđd) khá tinh tế rằng - tạm dịch/NCT: '... Không cái gì mà nước này sợ bằng sự chết, vậy mà không có lễ hội nào long trọng bằng việc tổ chức một đám tang, lúc mà người ta thể hiện ân nghĩa với người quá cố và bạn bè... Vì người ta không sợ bị hành hạ bởi người còn sống so với người đã chết, vì mức đau khổ do người sống gây ra không so bì được với những gì người chết có thể làm được. Thành ra, đám tang của một người luôn luôn hao tốn nhiều hơn so với số tiền bỏ ra xây nhà và bảo trì nhà này cho người đó khi còn sống". Đặc biệt về đám tang của vị Chúa Đàng Ngoài, mà hình vẽ minh họa được trích trong các bài viết này - Baron (1685, sđd) nhật xét - tạm dịch/NCT: "... Nghi thức đám tang cho Chúa Đàng Ngoài tương tự như cho các vị vua trước, mà lại có nhiều điều còn trội hơn vị vua hiện nay...".

 Nguyễn Phú Yên

CHƯƠNG XIV: NHẠC THIẾU NHI VÀ NHẠC SINH HOẠT  CỘNG ĐỒNG

Trong hoàn cảnh chiến tranh, mặc dù bom đạn tràn lan trên xứ sở nhưng lứa tuổi thanh thiếu niên không vì thế mà bị lãng quên. Đó là lứa tuổi tươi đẹp của cuộc đời và là tương lai của đất nước. Ngoài việc được chăm lo việc học hành, được giáo dục để trở thành người hữu ích cho xã hội, họ còn được chăm lo về mặt tinh thần, được giữ gìn sự thanh cao cho tâm hồn, nêu cao tình nhân ái trong tương quan với nhân quần xã hội. Đó là nhiệm vụ của giáo dục thẩm mỹ, và âm nhạc đã góp phần trong việc đem lại cái đẹp với tinh thần nhân văn, đã đem đến cho thanh thiếu niên những cơ hội sinh hoạt vui tươi với cộng đồng.

 Bạt Xứ chuyển ngữ

Tình yêu là cảm xúc phức tạp nhất nhưng cũng giản dị nhất. Thơ haiku, với sự trong sáng và sâu lắng, có khả năng nắm bắt một cách tuyệt vời những cung bậc cảm xúc khác nhau của tình cảm nồng thắm này.

Những bài thơ dưới đây được chọn từ tuyển tập ”Haiku For Lovers” do Manu Bazzano chủ biên và giới thiệu từ những nhà thơ haiku xuất sắc thế giới cũng như các bậc thầy Nhật Bản được yêu mến. Những bài thơ này thể hiện tinh thần của tình yêu đích thực, là những khoảnh khắc yêu thương chân thành, từ sự say đắm ban đầu đến sự quen thuộc dần dà và cuối cùng là sự thanh thản tuyệt đối của lòng tận tụy sâu sắc và bền bỉ. 

 Truyện ngắn của Đa Mi

Đây là homestay!

Nó nằm ở lưng chừng núi. Dưới kia có biển. Chung quanh là cây. Một vị trí thật đắt. Nhưng nó vắng. Có lẽ do khoảng này không phải mùa du lịch. Hoặc vì nó chưa được nhiều người biết. Tôi ưng!

 Đỗ Hồng Nhung

Trong công cuộc “sắp xếp giang sơn” lần này, 273 xã phường của TP. HCM được sáp nhập lại thành 102 đơn vị. Có phường mang tên Sài Gòn, Gia Định, Chợ Lớn – những địa danh thân quen làm bao cư dân thành phố bồi hồi xúc động.

 José Antonio Bowen – C. Edward Watson

Xuất bản lần thứ hai với sự hợp tác của Hiệp hội các trường đại học và cao đẳng Hoa Kỳ, JOHNS HOPKINS UNIVERSITY PRESS, Baltimore, 2026

A.I. dịch, Thuận Thiên hiệu đính

CHƯƠNG 3

VIẾT CÂU LỆNH CHO AI

“Nếu tôi có một giờ để giải quyết một vấn đề và mạng sống của tôi phụ thuộc vào đó, tôi sẽ dành 55 phút đầu tiên để xác định câu hỏi đúng cần phải đặt ra”

Albert Einstein, Giải Nobel Vật lý 2021

Prompting là viết. Những người sử dụng AI giỏi nhất vận dụng các kỹ năng tư duy phê phán cốt lõi: đặt câu hỏi tốt hơn và đánh giá câu trả lời. Sự sáng tạo, khả năng tạo vai trò, cung cấp ngữ cảnh và kỹ năng giao tiếp là nền tảng cho việc sử dụng AI hiệu quả: prompting ít mang tính kỹ thuật (engineering) hơn và gần với các ngành học tự do (liberal arts) hơn.

Chương này trình bày nhiều kỹ thuật viết câu lệnh khác nhau, nhưng phần khó nhất là:
(1) hình dung rằng AI có thể làm được nhiều hơn bạn nghĩ; và
(2) bảo đảm rằng bạn đưa cho nó những chỉ dẫn đủ cụ thể và theo nghĩa đen.

Điều đó thường đòi hỏi phải bổ sung thêm ngữ cảnh và tính đặc thù. AI ngày càng giỏi hơn trong việc hiểu chỉ dẫn, và một số kỹ thuật (như chain-of-thought prompting: viết câu lệnh theo chuỗi suy luận) hiện nay dường như không còn cần thiết nữa (Meineke và cộng sự, 2025a).

Đồng thời, viết câu lệnh là một kỹ năng phải được rèn luyện, và có một số nguyên tắc chung:

- Viết câu lệnh là một việc khá kỳ lạ: Lịch sự không tạo ra tác động nhất quán, nhưng đôi khi lời đề nghị “thưởng sô-cô-la” lại có thể tạo khác biệt. Nghe lạ thật, nhưng nhìn chung, câu lệnh càng dài với nhiều chi tiết hoặc nhiều bước thì càng hữu ích (Meineke và cộng sự, 2025b).

- Đòi hỏi nhiều hơn: Dù AI thường phản hồi giống con người, nó không có cảm xúc và cũng không biết mệt. Giờ đây bạn có thể tỉ mỉ và chi li đến mức tùy thích. Hãy yêu cầu AI kiểm tra lại mọi thứ ba lần. Thói quen thông thường của bạn nên là yêu cầu nhiều hơn mức cần thiết: bốn mươi thay vì bốn.

- Đối thoại: Trong nhiều tình huống (như brainstorming), tốt hơn là cứ bắt đầu rồi tinh chỉnh dần. Đôi khi chỉ cần hỏi “bạn nghĩ gì về điều này?” cũng đủ để mở ra một cuộc trao đổi.

- Lặp lại và cải tiến: Bạn hiếm khi nên chấp nhận câu trả lời đầu tiên. Hãy tinh chỉnh hoặc yêu cầu AI làm lại từ đầu. AI thường cũng có thể hỗ trợ trong việc đó: hãy hỏi “có thể còn thiếu điều gì?” hoặc “còn điều gì khác bạn cần biết để làm việc này tốt hơn không?”

- Cung cấp ngữ cảnh: Các LLM là mô hình ngôn ngữ, vì vậy chúng phản hồi giống như một thực tập sinh thông minh nhưng còn ngây thơ. Bạn càng diễn đạt theo nghĩa đen về chỉ dẫn, mục tiêu, đối tượng người đọc và dạng đầu ra mong muốn bao nhiêu thì kết quả càng tốt bấy nhiêu.

- Chỉ định chuyên môn: Cách dễ nhất để cải thiện câu trả lời là yêu cầu AI phản hồi như một chuyên gia:
“Bạn là một giáo sư tử tế, nghiêm túc và giàu kinh nghiệm trong lĩnh vực [chuyên ngành của bạn], với 40 năm kinh nghiệm giảng dạy” Càng chi tiết càng tốt:
“… và bạn có sự hiểu biết sâu sắc về các thực hành sư phạm tốt nhất”.

- Phân nhánh (branching): Ba nền tảng AI lớn hiện nay cũng cho phép “bất đồng quy”, nghĩa là bạn có thể chuyển đổi giữa các biến thể khác nhau của một cuộc hội thoại hoặc một đầu ra.

- Tìm kiếm ý tưởng: Bạn vốn quen với việc tìm kiếm các tổ hợp từ, nhưng AI có thể tìm kiếm sự tương đồng, các mẫu hình, xu hướng và khái niệm ở quy mô mà con người không thể làm được. Bạn có thể tìm thứ gì đó “giống như thế này” hoặc hỏi liệu đã từng có ai thử một thí nghiệm “tương tự” hay chưa.

- Yêu cầu sự thấu hiểu sâu sắc (insight): AI không có cảm xúc, nhưng nó có thể mô phỏng cảm xúc, đưa ra insight hoặc sự thấu hiểu cảm xúc theo những cách đáng kinh ngạc. Việc yêu cầu AI “hiển thị quá trình suy nghĩ” cũng có thể hữu ích để tìm ra điều gì đã xảy ra sai sót.

- Những thay đổi nhỏ có thể tạo khác biệt lớn: Vì là một mô hình ngôn ngữ, AI rất nhạy với sự thay đổi của từ ngữ. Việc yêu cầu những câu trả lời “mang tính đổi mới” sẽ khiến kết quả trở nên sáng tạo hơn; nếu không, bạn nên chờ đợi những câu trả lời mang tính khái quát và phổ thông hơn.

Còn có nhiều kỹ thuật, mẹo và rất nhiều trường hợp đặc biệt khác nữa (sẽ nói bên dưới). Những mâu thuẫn xuất hiện ở khắp nơi. Việc đưa ví dụ có thể hữu ích, nhưng điều ngược lại - các câu lệnh mở hoặc “zero-shot” (khi bạn nói ít nhất có thể) - đôi khi lại hiệu quả hơn nếu bạn muốn sự sáng tạo. Những chế độ AI khác nhau, như “deep research”, thường cũng đòi hỏi những cách tiếp cận khác nhau. Vì vậy, hãy tạm đặt cuốn sách này xuống (trong chốc lát) và thử yêu cầu một AI làm điều mà bạn tin rằng nó không thể làm được. Chúng tôi sẽ chờ ở đây.

Hình thành vấn đề, những câu hỏi tốt hơn, và giáo dục với các ngành học tự do

AI vẫn chưa thể đọc được suy nghĩ của bạn.

Khi bạn bắt đầu gõ vào Google, nó cố dự đoán phần còn lại của truy vấn dựa trên những tìm kiếm phổ biến của người khác. Đôi khi điều này hữu ích, nhưng nhiều khi thì không. Với cả tìm kiếm trên web lẫn câu lệnh AI, những câu hỏi tốt hơn sẽ cho ra những kết quả tốt hơn.

Khi làn sóng hoảng loạn của công chúng quanh ChatGPT bắt đầu bùng lên, người ta cũng bắt đầu đưa ra những dự đoán về các vị trí “trợ lý ChatGPT” hay “kỹ sư viết câu lệnh” với mức lương rất cao (300.000 đô la mỗi năm) (Thier, 2023). Cũng giống như các công nghệ mới trước đây từng tạo ra những loại công việc mới (như Giám đốc mạng xã hội), AI đang tạo ra những dạng nghề nghiệp mới, nhưng có lẽ không nhiều vị trí “kỹ sư viết câu lệnh” như người ta từng dự đoán ban đầu (Whiting, 2023).

Giờ đây, mọi công việc đều sẽ đòi hỏi một số kỹ năng AI nhất định, nhưng kỹ năng cốt lõi ở đây là biết đặt câu hỏi tốt hơn và đánh giá câu trả lời, điều từ lâu vốn đã là trung tâm của nền giáo dục với các ngành học tự do (liberal arts education).

Khi thị trường lao động thay đổi ngày càng nhanh, những kỹ năng nền tảng và khả năng thích nghi sẽ càng trở nên có giá trị. Cụ thể, cuộc cách mạng AI dường như đang ưu tiên khả năng đặt ra những câu hỏi mới, kết nối và khảo vấn các ý tưởng mới, đánh giá, lặp lại và chỉnh sửa, và thích nghi với những phản hồi mới.

Sự bảo đảm tốt nhất trước một thị trường việc làm tương lai đầy bất định chính là khả năng suy nghĩ và thích nghi. Giáo dục tự do sẽ chỉ càng trở nên phù hợp hơn trong kỷ nguyên mới.

Hãy xem câu lệnh và phản hồi sau đây:

CÂU LỆNH

“Hãy viết một diễn trình dài 200 từ về việc lấy một chiếc sandwich bơ đậu phộng ra khỏi máy nướng bánh mì theo phong cách của King James Bible”.

PHẢN HỒI

(Trích lược từ GPT-3.5 — phiên bản trước đây kém sáng tạo hơn — vào ngày 15 tháng 7 năm 2023)

Và này, chuyện xảy đến là một chiếc sandwich bơ đậu phộng đã mắc kẹt sâu trong chiếc máy nướng bánh mì. Người ta vô cùng hoang mang, vì mong được thưởng thức hương vị thơm ngon của nó. Nhưng chiếc sandwich đã bị mắc kẹt, số phận của nó quấn chặt vào những cuộn kim loại của chiếc máy.

Trước hết, họ rút phích cắm của máy nướng khỏi ổ điện trên tường, vì sự an toàn là điều tối thượng

Mặc dù phản hồi có vẻ sáng tạo, nhưng sự sáng tạo thực sự nằm ở CÂU LỆNH. (Lưu ý: tất cả các CÂU LỆNH cũng đều có sẵn để sao chép và dán trên trang web của chúng tôi).

Sự kết hợp giữa a) một chiếc sandwich bơ đậu phộng, (b) trong máy nướng bánh mì, và
(c) được viết theo phong cách của King James Bible là một điều mới lạ. AI có thể phản hồi cho vấn đề này nhanh hơn con người, nhưng việc hình thành chính vấn đề ấy chỉ có thể được thực hiện bởi một con người sáng tạo. (Sẽ bàn thêm về việc sáng tạo cùng AI ở chương 4).

Oguz Acar (2023) gọi điều này là “problem formation”, tức “hình thành vấn đề”, hay cụ thể hơn là khả năng “xác định, phân tích và phác định vấn đề”. Acar tiếp tục chia năng lực này thành bốn phần: chẩn đoán vấn đề (problem diagnosis), phân rã vấn đề (decomposition), tái khung vấn đề (reframing), và thiết kế các ràng buộc (constraint design).

Bốn thành phần này giống với những giai đoạn đầu tiên của các diễn trình đổi mới sáng tạo (như tư duy thiết kế - design thinking). Các diễn trình đổi mới luôn bắt đầu bằng sự thấu hiểu sâu sắc hoặc chẩn đoán: Người dùng thực sự muốn làm gì? Những rào cản nào ngăn cản thành công? Đây là vấn đề đối với ai? đôi khi được gọi là giai đoạn “đồng cảm” (empathy phase), và sau đó là bước xác định (hoặc tái xác định) vấn đề.

Nếu bạn hỏi AI (hoặc một nhóm brainstorming) làm thế nào để có thêm khách hàng mở tài khoản tiết kiệm, bạn có lẽ sẽ nhận được những giải pháp marketing quen thuộc như quảng cáo nhiều hơn hoặc tặng máy nướng bánh mì miễn phí. Nhưng khi Bank of America sử dụng diễn trình design thinking của IDEO, họ nhận ra rằng nhiều người cảm thấy xấu hổ vì mình không có đủ tiền để cần tới một tài khoản tiết kiệm.

Điều này đã tái khung câu hỏi thành: “Làm thế nào để việc tiết kiệm tiền trở nên dễ dàng hơn?” (Schmieden, 2019).

Giảng viên đại học thường trách các trường trung học khi sinh viên chỉ muốn biết “đề thi sẽ có gì”, nhưng con người vốn có xu hướng thích những câu trả lời rõ ràng vì sự mơ hồ khiến ta khó chịu. Vì vậy, chúng ta thường nghĩ việc giải quyết vấn đề chỉ là một việc duy nhất: tìm ra đáp án.

Tuy nhiên, phần lớn việc giải quyết vấn đề thực chất là sự kết hợp giữa tư duy bất đồng quy (divergent thinking): “Mình có thể đang bỏ sót điều gì?”, “Còn cách nào khác để nhìn vấn đề này không?” và tư duy đồng quy (convergent thinking): “Đâu là giải pháp tốt nhất?”

Mô hình đổi mới “Double diamond” (Kim cương kép) có tên gọi như vậy vì nó gồm hai chu kỳ của tư duy bất đồng quy và tư duy đồng quy (hình 3.1).

Giải quyết vấn đề là một quá trình:

1. khám phá, thấu hiểu hoặc phân tích vấn đề (bất đồng quy),
2. tái định nghĩa vấn đề (đồng quy),
3. hình thành ý tưởng hoặc brainstorming giải pháp (bất đồng quy),
4. và cuối cùng là tạo nguyên mẫu (prototype) rồi thu hẹp thành giải pháp cuối cùng (đồng quy).

Vì AI là một cỗ máy tạo ý tưởng đặc biệt phong phú (sẽ bàn thêm ở chương 4), nên nó đặc biệt hữu ích trong các giai đoạn tư duy bất đồng quy của quá trình này.

DIỄN TRÌNH ĐỐI MỚI “KIM CƯƠNG KÉP”

Khám phá I Xác định                                           Hình thành ý tưởng I Nguyên mẫu   Kiểm tra

Vấn đề                                                                                             Giải pháp

Tư duy bất đồng quy  Tư duy đồng quy                       Tư duy bất đồng quy  Tư duy đồng quy

Hình 3.1 Diễn trình đổi mới “Double Diamond” (Kim cương kép) đề cập đến hai chu kỳ của tư duy bất đồng quy và tư duy đồng quy. Việc đặt đúng câu hỏi đòi hỏi trước hết phải chất vấn chính vấn đề.

Giống như bất kỳ kỹ thuật giải quyết vấn đề hay đổi mới sáng tạo nào, việc làm việc với AI cũng đòi hỏi một diễn trình. Trước hết, chúng ta cần hiểu vấn đề thực sự là gì. Chúng ta càng có thể chuẩn bị cho sinh viên khả năng chất vấn các giả định, phân tích vấn đề sâu hơn, chấp nhận sự khó chịu của tính mơ hồ, tìm ra các vấn đề con, và tái khung vấn đề một cách rõ ràng (tất cả đều là những thành phần của nền giáo dục tự do cổ điển), thì họ sẽ càng được chuẩn bị tốt hơn không chỉ cho làn sóng việc làm do AI tạo ra hiện nay, mà còn cho những làn sóng tiếp theo vẫn còn ở phía trước.

“Kỹ thuật” viết câu lệnh?

Tuy nhiên, ngay cả khi đã có được một khái niệm rõ ràng về vấn đề, chúng ta vẫn cần chuyển điều đó thành một CÂU LỆNH cho AI. Dự đoán rằng AI sẽ ngày càng giỏi hơn trong việc hiểu điều chúng ta muốn (Acar, 2023) đã trở thành đúng, nhưng giờ đây chúng ta cũng đã có nhiều nghiên cứu tốt hơn về điều gì thực sự hiệu quả.

Vì AI sử dụng ngôn ngữ tự nhiên của con người, nên CÂU LỆNH (phần lớn) cần phải theo nghĩa đen và chính xác. Hãy đưa ra chỉ dẫn như thể bạn đang hướng dẫn một thực tập sinh đặc biệt quá đỗi máy móc trong ngày đầu tiên làm việc với bạn. Điều này gần với kỹ năng viết và giao tiếp tốt hơn là “engineering”, vốn là một lĩnh vực mà cùng một đầu vào luôn cho ra cùng một đầu ra.

Dù vậy, những CÂU LỆNH tốt thường bao gồm nhiệm vụ (task), định dạng (format), giọng điệu (voice), và ngữ cảnh/ hoàn cảnh (context).

NHIỆM VỤ: Chính xác thì bạn muốn AI làm gì?

Tạo ra (Create), Tóm tắt (Summarize), Phân tích (Analyze), Khai triển chi tiết/Thâm diễn (Elaborate), Tái tưởng tượng/Tái hình dung (Reimagine), Giải thích (Explain), Xác định (Identify), Dịch (Translate), Chuyển đổi (Transform), Phiên âm / Chép lại (Transcribe), Giải quyết (Resolve), Tập hợp (Assemble), Tranh luận/Lập luận (Argue), Giám sát (Monitor), Phát hiện (Detect), Tạo sinh (Generate), Dự đoán (Predict), Khuyến nghị (Recommend), “công não” (Brainstorm), Làm rõ (Clarify), Kết hợp (Combine), Liệt kê (List), Tổng hợp (Compile), Tạo lập (Make), Vẽ (Draw), Diễn đạt lại (Rephrase), Phát triển (Develop), Mở rộng (Expand), Cung cấp (Provide), Tổng hợp (Synthesize), Rút gọn (Abridge), Khai thác (Explore), Phát minh (Invent), Viết (Write).

Những động từ nhạt nhẽo hoặc quá chung chung sẽ tạo ra nội dung nhạt nhẽo hơn. “Condense this” (“Cô đọng nội dung này”) hoạt động hiệu quả hơn “make this shorter” (“làm cái này ngắn hơn”). “Explore diet plans in a paper” (“Khai thác các chế độ ăn kiêng trong một bài viết”) cho kết quả thú vị hơn “write a paper about diet plans” (“viết một bài về các chế độ ăn kiêng”). Những động từ trực tiếp hơn, giàu tính mô tả hơn hoặc sáng tạo hơn, như elaborate (khai triển chi tiết), transform (chuyển hóa), hay reimagine (tái hình dung) sẽ kích thích những kết quả đa dạng hơn.

ĐỊNH DẠNG: Đầu ra cụ thể mà bạn muốn là gì?

Bài luận (Essay), Bài viết quan điểm (Opinion Piece), Bài blog (Blog Post), Email, Thông cáo báo chí (Press Release), Bản tóm tắt không dùng thuật ngữ chuyên môn (Jargon-Free Summary), Đối thoại (Dialogue), Kịch bản (Script), Danh sách (List), Đề cương môn học (Syllabus), Kế hoạch bài giảng (Lesson Plan), Dàn ý (Outline), Kế hoạch hành động (Game Plan), Mô tả sản phẩm (Product Description), Bản biện hộ pháp lý (Legal Brief), Ghi chú điều dưỡng (Nurses’ Notes), Mã lập trình (Code), Bảng tính (Spreadsheet), Tệp CSV, Bảng biểu (Table), Biểu đồ (Chart), PDF, Đồ thị (Graph), Hình ảnh trực quan (Visual).

Một số mô hình (như Claude) có xu hướng dài dòng. Vì vậy, hãy chỉ định rõ độ dài, số lượng hoặc mức độ chi tiết mà bạn muốn: Bạn muốn một danh sách đầy đủ và không rút gọn, hay chỉ mười gợi ý dưới dạng gạch đầu dòng?

Giọng điệu/ Phong cách (voice): Bạn muốn kiểu ngôn ngữ như thế nào?

- Sử dụng ngôn ngữ học thuật/marketing/hài hước /y khoa; theo khuynh hướng cánh hữu/cánh tả; hiện đại/cổ xưa.

- Theo phong cách của King James Bible, bản tin Fearless Flyer của Trader Joe's, hoặc thông cáo báo chí của Walmart.

- Giống như một copywriter, kỹ sư, quản lý nhân sự, người thuộc thế hệ millennial, hay một chính trị gia.

- Theo phong cách của giáo sư của tôi, Oprah Winfrey, hoặc một nhân vật/nhóm người mang tính lịch sử hay nhân học nào đó.

- Hãy phản hồi như thể bạn là Yoda, Martin Luther King Jr., độc thân/đã kết hôn, vui vẻ/buồn bã.

- Bao gồm các bộ điều chỉnh sắc thái (tone modifiers): nghiêm túc & đồng cảm, tự nhiên & hài hước, hoặc tích cực & nhiệt tình.

AI rất nhạy với vai trò, mục đích và ý định, và có thể phản hồi bằng giọng điệu của một nhân vật hoặc như thể chính nó là nhân vật đó. Cú pháp, cách dùng từ, thậm chí cả thì của câu cũng có thể làm thay đổi kết quả. Những thay đổi nhỏ đôi khi tạo ra khác biệt lớn.

Ngữ cảnh/ Hoàn cảnh: Bạn có thể cung cấp thêm ngữ cảnh hoặc ví dụ nào?

Hãy sử dụng/ đọc/ làm theo các mô hình hoặc ví dụ này.

- Đối tượng của nội dung này là sinh viên thiết kế đồ họa năm cuối tại một trường cao đẳng vùng nhỏ.

- Tôi muốn vừa nghiêm túc vừa hài hước cùng lúc.

- Tôi muốn có nhiều phương án khác nhau: rẻ tiền/ linh hoạt/ chính xác/ cụ thể/ giàu tưởng tượng.

- Chỉ thực hiện điều này nếu điều kia xảy ra. Hãy chờ cho đến khi tôi phản hồi.

Phần lớn giao tiếp của con người xoay quanh ngữ cảnh. Khi mẹ bạn nói: “Con định mặc bộ đó thật à?”, thì thường đó không hẳn là một câu hỏi. Các LLM là những bộ xử lý ngữ cảnh, và chúng thường cần nhiều ngữ cảnh hơn, tốt hơn và rõ ràng hơn so với một con người khác. Những CÂU LỆNH tốt sẽ dự đoán trước các cách khác nhau mà nhiệm vụ có thể bị diễn giải, rồi cung cấp định hướng phù hợp.

Trừ khi bạn bắt đầu một cuộc trò chuyện mới, AI sẽ ghi nhớ CÂU LỆNH ban đầu và các thông tin bạn đã cung cấp. Bắt đầu lại từ đầu sẽ cho bạn một câu trả lời khác (dù với những CÂU LỆNH rất cụ thể thì thường chỉ cách diễn đạt thay đổi). Những AI khác nhau cũng sẽ tạo ra những phản hồi khác nhau.

Hiện nay đã có rất nhiều danh sách mẹo và các “thư viện CÂU LỆNH” đồ sộ. (Các liên kết có trên trang web của chúng tôi.) Ví dụ chủ yếu hữu ích để giúp bạn hình dung AI có thể làm được gì, vì vậy dưới đây là một vài ví dụ, dù trên thực tế những CÂU LỆNH tốt thường dài hơn nhiều.

CÁC CÂU LỆNH MẪU

- Hãy tạo một danh sách từ năm đến mười bài báo học thuật quan trọng về công nghệ cắt nối gien (gene splicing), phù hợp cho sinh viên đại học năm hai. Tôi có những sinh viên rất hứng thú nhưng gặp khó khăn trong việc hiểu các bài báo trên tạp chí Molecular Therapy. Tôi muốn họ đọc các công trình khoa học ở cấp tiểu học (primary science), nhưng có lẽ ở những tạp chí ít mang tính kỹ thuật hơn một chút. (Bạn sẽ cần sử dụng một mô hình có khả năng tìm kiếm. Trừ khi bạn đang dùng một công cụ như Consensus hoặc Elicit — những công cụ giới hạn việc tìm kiếm trong các bài báo học thuật — bạn sẽ cần thêm chỉ dẫn, và có thể cả yêu cầu kiểm tra lại để bảo đảm rằng tất cả các liên kết đều dẫn tới các bài báo có thật.)

- Hãy viết một bài luận dài ba trăm từ về Hamlet cho một lớp đại học. Hãy viết theo phong cách học thuật, nhưng cũng sử dụng ngôn ngữ khiến người đọc thấy rõ rằng bạn là một sinh viên đại học. Hãy dùng các cuốn sách và ý tưởng của [giáo sư của tôi] để định hình nội dung mà không nhắc trực tiếp đến ông/bà ấy trong bài luận. (Sẽ rất hữu ích nếu bạn thử điều này với các CÂU LỆNH hiện tại của mình.)

- Hãy tạo một thông cáo báo chí về sự cố an ninh gần đây này tại Đại học X (xem tệp được tải lên). Hãy sử dụng định dạng của các thông cáo báo chí trước đây của trường, nhưng lưu ý rằng giảng viên thường thấy chúng quá công thức và máy móc. Hãy làm cho văn bản này trở nên cảm thông, giàu tính người và cá nhân hơn.

- Hãy giải bài toán sau: [chèn một bài toán từ môn học của bạn]. Hãy trình bày đầy đủ tất cả các bước.

- Hãy đưa ra mười cách sáng tạo để giới thiệu chủ đề Y vào một lớp học dành cho sinh viên không chuyên ngành (non-major) tại một trường đại học công lập khu vực. Tôi muốn những cách làm sáng tạo hơn và khác thường hơn để thực hiện điều này.

- Hãy tạo một bảng về các xung đột khu vực trên thế giới trong giai đoạn từ năm 2000 đến 2010. Hãy nhóm chúng theo quốc gia hoặc khu vực và liệt kê ở cột thứ nhất. Hãy viết tên khu vực bằng chữ hoa và in đậm. Ở cột thứ hai, liệt kê tất cả các quốc gia liên quan và viết tên quốc gia bằng in đậm theo kiểu Title Case. Ở cột thứ ba, liệt kê số người ước tính đã phải di dời. Nếu một khu vực không có xung đột, đừng đưa nó vào danh sách này.

Nhiều ý tưởng CÂU LỆNH và mẫu CÂU LỆNH khác dành cho các nhiệm vụ cụ thể sẽ được trình bày ở phần 3.

Những điểm kỳ lạ của CÂU LỆNH

Nếu lúc đầu bạn chưa thành công, đừng vội cho rằng AI không thể thực hiện nhiệm vụ đó. Một CÂU LỆNH có thể thất bại theo nhiều cách khác nhau, vì vậy bạn thường sẽ cần thử nghiệm nhiều chiến thuật khác nhau. Bạn cũng có thể đơn giản yêu cầu AI cải thiện chính CÂU LỆNH của mình.

Anna Bernstein (2023), người có chức danh công việc là “Kĩ sư viết CÂU LỆNH”, nhắc chúng ta rằng AI thường khá “kén chọn”, và những tổ hợp từ mới hoặc nhiều từ hơn đôi khi có thể “mở khóa” các năng lực của AI. Vì vậy, thay vì yêu cầu “tất cả các bài báo” (về chủ đề A, từ thời gian B đến C, từ nguồn D), hãy yêu cầu một danh sách “đầy đủ”, “toàn bộ”, hoặc “không cắt giảm” (hay kết hợp các từ đó). Việc sử dụng từ đồng nghĩa, cú pháp khác nhau, hoặc những bổ sung tinh tế như “hãy thật kỹ lưỡng” có thể cải thiện kết quả. Bạn cũng có thể yêu cầu AI vừa “thật kỹ lưỡng nhưng chỉ liệt kê mười câu trả lời tốt nhất”.

Mặt khác, bạn nên tránh dùng từ đồng nghĩa khi đang nói về cùng một thứ. Sự đa dạng trong cách gọi có thể gây nhầm lẫn. Nếu bạn muốn AI làm điều gì đó với bản ghi lời thoại của một video, hãy tiếp tục gọi nó là “transcript” (bản ghi lời thoại) thay vì chuyển sang “text” hay “content”.

Ngôn ngữ nhân quả rõ ràng, tức cách diễn đạt cho thấy mối liên hệ giữa các ý tưởng, thường giúp ích rất nhiều. Thay vì nói: “Đây là phản hồi của sinh viên; hãy viết lại bài tập”, AI thường hoạt động tốt hơn khi bạn trực tiếp hơn: “Hãy dùng phản hồi của sinh viên này để viết lại bài tập” hoặc “Hãy áp dụng phản hồi này vào bài tập”.

Nếu bạn muốn AI chuyển hóa một thứ thành một thứ khác, bạn cũng cần diễn đạt thật rõ ràng. Thay vì nói: “hãy biến những ý tưởng này thành một bài tập trên lớp”, thường hiệu quả hơn nếu viết: “hãy dùng những ý tưởng ở trên và chuyển hóa chúng thành một bài tập trên lớp” hoặc “hãy lấy những ý tưởng ở trên và tái hình dung chúng như một bài tập trên lớp”. Phiên bản đầu tiên thường cho ra kết quả quá sát nghĩa đen, AI chỉ đơn giản sao chép nội dung sang một định dạng mới, trong khi các phiên bản sau làm rõ hơn yêu cầu phải tạo khoảng cách hoặc khác với bản gốc.

Những mệnh lệnh phủ định cũng có thể gây nhầm lẫn cho AI, vì nó liên kết các ý tưởng với những từ bạn cung cấp. Con người cũng làm điều tương tự: khi bạn nói “đừng nghĩ về bánh quy”, tất cả chúng ta đều bắt đầu thấy đói. “Hãy dùng giọng điệu tự nhiên và không trang trọng” thường hiệu quả hơn “tránh ngôn ngữ trang trọng”. Chuyển các chỉ dẫn sang dạng khẳng định thường sẽ cải thiện kết quả.

Vì AI sử dụng ngôn ngữ của con người, nó cũng cần được hướng dẫn (hoặc thuyết phục) giống như con người (Meineke và cộng sự, 2025). Nó hiểu ngữ cảnh, nhưng vì đồng thời đang trò chuyện với rất nhiều người khác, nó chưa biết được ngữ cảnh cụ thể của yêu cầu của bạn. Có lý do khiến nhiều người trong giới công nghệ AI nói về AI như thể nó là một đứa trẻ.

Lặp lại & điều chỉnh và cải thiện phản hồi

Rất ít nhiệm vụ phức tạp có thể được hoàn thành chỉ với một lần tìm kiếm hay một CÂU LỆNH duy nhất; càng có nhiều tương tác và lặp lại & điều chỉnh càng tốt, và vì AI có thể ghi nhớ cuộc trò chuyện của chúng ta, việc tinh chỉnh trở nên dễ dàng và thường là thiết yếu.

Hãy yêu cầu AI viết một đoạn văn ngắn về một chủ đề mà bạn có thể đánh giá được chất lượng và độ chính xác: chẳng hạn một đoạn mở đầu cho bài viết quan điểm ngắn về việc sinh viên gian lận, hoặc một bản tóm tắt về một cuộc tranh cãi trong lịch sử lĩnh vực của bạn. Sau đó, hãy thử làm cho câu trả lời tốt hơn bằng cách cung cấp thêm ngữ cảnh hoặc sử dụng một trong những kỹ thuật dưới đây:

CÁC CÂU LỆNH TIẾP NỐI (FOLLOW-UP PROMPTS)

-  Do more (Yêu cầu AI làm nhiều hơn/ tốt hơn):
Hãy tạo phần mở đầu hấp dẫn hơn bằng một yếu tố bất ngờ. Hãy viết thuyết phục hơn nhưng vẫn giữ sự hóm hỉnh. Hãy viết theo văn phong học thuật trang trọng hơn, phù hợp với một tạp chí chuyên ngành.

- Be more (Yêu cầu AI nhập vai rõ hơn):
Hãy phản hồi như một chuyên gia. Hãy đọc CÂU LỆNH cẩn thận hơn. Hãy thể hiện trí tưởng tượng phong phú hơn hoặc mang giọng điệu ngây thơ, giàu chất trẻ thơ hơn.

- Cải thiện nội dung này: Hãy đưa ra bằng chứng cho từng lập luận của bạn và cải thiện câu trả lời. Kiểm tra lại các giả định của mình và tạo ra một câu trả lời tốt hơn. Hãy đánh giá câu trả lời này và đề xuất những cách giúp nó rõ ràng hơn hoặc phù hợp hơn với đối tượng độc giả Z.

- Đưa ra các phương án thay thế: Hãy tạo ra hai cách tiếp cận khác nhau.

Ở đây có một số kỹ thuật thực sự hữu ích, nhưng cũng có vài điều khá kỳ lạ. Hãy sử dụng chuyên môn của bạn để tinh chỉnh chúng và hình thành thói quen luôn yêu cầu nhiều hơn từ AI. Cũng giống như con người, suy nghĩ đầu tiên hoặc phản ứng nhanh nhất của chúng ta thường không phải là tốt nhất. Ban đầu, chỉ cần yêu cầu AI “chậm lại” cũng đã giúp cải thiện kết quả. (Và điều đó vẫn có thể còn hiệu quả.) Tuy nhiên, các mô hình suy luận (reasoning models) hiện nay đã tích hợp khả năng này vào thuật toán, vì vậy hãy tìm nút “Think” hoặc chuyển sang sử dụng mô hình suy luận. (ChatGPT sẽ tự động chọn mô hình phù hợp cho bạn.) Dĩ nhiên, việc chia nhỏ vấn đề thành các bước cũng có thể giúp bạn làm rõ suy nghĩ của chính mình, đồng thời tạo thêm không gian cho sự cộng tác hiệu quả hơn giữa con người và AI.

Việc đưa vào CÂU LỆNH các chỉ dẫn về quy trình (process instructions), hoặc thậm chí các câu lệnh điều kiện kiểu if/then một cách trực tiếp, thường rất hữu ích (viết câu lệnh thực chất cũng là một dạng lập trình, chỉ khác ở chỗ nó sử dụng ngôn ngữ tự nhiên hơn).

CÁC CÂU LỆNH VỀ QUI TRÌNH

- Hãy bảo đảm rằng mỗi bài báo/ tài liệu tham khảo thực sự tồn tại bằng cách xác minh rằng tìm kiếm trên web trả về một trích dẫn có DOI (Digital Object Identifier: mã định danh số cho tài liệu số). Hãy bao gồm đầy đủ trích dẫn theo định dạng APA (American Psychology Association: Hội Tâm lý học Hoa Kỳ) và DOI trong danh sách cuối cùng. Loại bỏ mọi gợi ý không đáp ứng yêu cầu này.

- Chỉ bao gồm những sản phẩm/ khách sạn/ nhà hàng có phần lớn đánh giá năm sao. Hãy kiểm tra lại để chắc chắn rằng các đánh giá đó đến từ người thật bằng cách loại bỏ bất kỳ ai không có hồ sơ mạng xã hội hoặc hồ sơ khác trên web. Lặp lại diễn trình cho đến khi bạn có ít nhất 10 đánh giá năm sao thực sự cho mỗi mục.

- Hãy tìm các nghiên cứu đang diễn ra về sự phân cực chính trị ở Mỹ do giảng viên tại các trường đại học hoặc cao đẳng trên thế giới thực hiện. Hãy liệt kê đầy đủ tên các giảng viên, mô tả hoặc tóm tắt nghiên cứu này, bất kỳ mốc thời gian nào, cỡ mẫu, và thông tin liên hệ của các nhà nghiên cứu. Nếu nghiên cứu đã được công bố, thì hãy lặp lại bước 1 và tiếp tục. Nếu bạn không thể tìm thấy trang web của các tác giả trên website của trường đại học, hãy loại bỏ họ.

- Hãy bắt đầu bằng cách xem xét hai mươi giải pháp khác nhau cho vấn đề. Kiểm tra từng giải pháp về tính nhất quán và độ chính xác. Loại bỏ mọi giải pháp không đúng. Sau đó chọn ra năm giải pháp sáng tạo/ thanh nhã/ an toàn nhất hoặc những giải pháp xuất hiện thường xuyên nhất.

AI có thể bắt chước phong cách của bạn (hoặc của bất kỳ ai). Hãy cung cấp một đối chiếu tham chiếu hoặc một vài mẫu ví dụ: AI là một cỗ máy mô phỏng. Bạn có thể cải thiện dựa trên kỹ thuật này, tuy nhiên, bằng cách trước tiên yêu cầu AI phân tích các mẫu và mô tả những đặc điểm nổi bật của chúng; sau đó bạn có thể làm rõ những đặc tính cụ thể nào trong phong cách của mình mà bạn muốn được mô phỏng (ví dụ: rất khô khan và học thuật với những câu dài phức tạp, hay ngắn gọn, mạnh và đầy nhiệt huyết). (Cả hai đặc điểm này đều đã được tích hợp trong các kiểu viết của Claude.) Việc yêu cầu AI “viết lại nội dung này theo phong cách viết của con người” cũng tạo ra văn bản nghe giống con người hơn và có khả năng vượt qua các công cụ phát hiện AI tốt hơn (Lu và cộng sự, 2023).

Ngoài ra còn có những công cụ viết chuyên biệt sử dụng API: chẳng hạn, Jasper tập trung vào việc viết theo phong cách thương hiệu cho marketing, trong khi Copy.ai sử dụng giao diện cung cấp nhiều lựa chọn phong cách khác nhau (blog, quảng bá, bài đăng mạng xã hội, ngày lễ). Việc viết bên trong một công cụ AI (như Lex) sẽ thay đổi cách bạn viết: hãy tưởng tượng nếu Microsoft Clippy có thể cảnh báo bạn về những sáo ngữ hoặc các chuyển đoạn vụng về. Nhiều học giả thực sự thích viết lách và, sau khi đã thích nghi với “xử lý văn bản” (word processing), cảm thấy rằng chúng ta đã có mọi sự hỗ trợ cần thiết rồi. Có thể là vậy. Nhưng để hiểu việc này có thể thay đổi hoạt động viết lách cho thế hệ tiếp theo như thế nào (và cách nó có thể giúp những sinh viên không thích viết nhiều như bạn), sẽ rất hữu ích nếu bạn thực sự xem xét lại diễn trình làm việc của mình.

SIÊU LỆNH (METAPROMPTS)

Có nhiều cách để khiến chính AI cải thiện CÂU LỆNH của bạn. Giống như khi làm việc với một con người, bạn cũng có thể thử kết thúc CÂU LỆNH của mình bằng những câu như:

- Trước khi bắt đầu, hãy hỏi tôi xem bạn còn cần thông tin nào khác để hoàn thành nhiệm vụ này không.

- Đừng làm gì cả ngay lúc này. Trước tiên hãy hỏi tôi xem có phần nào trong yêu cầu của tôi khiến bạn thấy khó hiểu không.

Các nhà nghiên cứu tại Google DeepMind đã thử nghiệm một số “meta-instructions” (siêu chỉ dẫn) kiểu này và phát hiện rằng kết quả tốt nhất đạt được với câu: “hãy hít một hơi thật sâu và giải quyết vấn đề này từng bước một”. Thật kỳ lạ. Những thí nghiệm tiếp theo còn cho thấy rằng việc yêu cầu chính các LLM tự lặp lại và cải thiện CÂU LỆNH ban đầu cũng giúp nâng cao chất lượng phản hồi (Yang và cộng sự, 2023).

Thậm chí còn dễ hơn nữa là chỉ cần yêu cầu AI viết lại CÂU LỆNH để đạt được điều bạn muốn. Điều này đặc biệt hữu ích khi bạn đang cố khiến AI thực hiện một việc phức tạp, chẳng hạn tạo ra một trò chơi mô phỏng cho sinh viên của bạn (như sẽ bàn ở chương 15).

Nếu một việc gì đó vượt quá chuyên môn của bạn, hoặc bạn chỉ muốn tiết kiệm thời gian, hãy yêu cầu AI tạo CÂU LỆNH giúp bạn. Ví dụ: “CÂU LỆNH tốt nhất để khiến bạn tạo ra một bộ slide cho bài giảng 50 phút về chủ đề A là gì?” Bạn có thể bắt đầu bằng một meta-CÂU LỆNH để tạo ra dàn ý; sau đó tiếp tục tinh chỉnh CÂU LỆNH AI sao cho phù hợp với nhu cầu cụ thể của mình.

Các câu lệnh hệ thống (System prompts)

Bạn có thể cá thể hoá  cách AI phản hồi với mình. Một system prompt (hay general prompt) là đoạn văn bản bạn thêm vào yêu cầu của mình ngay từ đầu. Nó cung cấp hướng dẫn về cách bạn muốn AI hành xử trong cuộc trò chuyện tiếp theo. Ví dụ: “Hãy giải thích các khái niệm cho tôi ở trình độ của một giáo sư đại học và luôn trả lời như một chuyên gia về chủ đề đó, trừ khi tôi yêu cầu bạn đảm nhận vai trò khác”. Nếu bạn sử dụng AI theo nhiều cách khác nhau, bạn có thể muốn lưu sẵn một tài liệu chứa nhiều CÂU LỆNH hệ thống khác nhau để sao chép và dán tùy theo loại nhiệm vụ. Tuy nhiên, bạn cũng có thể nhúng một CÂU LỆNH hệ thống trực tiếp vào chính AI để bảo đảm rằng nó luôn phản hồi theo một cách nhất định. (Một số mô hình còn cho phép bạn cá thể hoá  và chuyển đổi giữa các nhiệm vụ hoặc “cá tính” khác nhau).

Ví dụ, bạn có thể có một CÂU LỆNH dùng riêng cho việc “công não”: “Hãy giúp tôi tìm ra những ý sâu độc đáo và tạo ra các ý tưởng mới. Luôn suy nghĩ vượt khỏi khuôn khổ và giàu tính sáng tạo”. Bạn cũng có thể muốn một bộ quy tắc hoàn toàn khác khi tìm kiếm tài liệu nghiên cứu: “Tôi rất quan tâm đến độ chính xác. Hãy kiểm tra tất cả các nguồn của bạn và hiển thị trích dẫn, liên kết và tài liệu tham khảo. Luôn tìm kiếm thông tin bằng nhiều ngôn ngữ khác nhau. Hãy đánh giá tất cả các nguồn của bạn và cả nguồn của tôi nữa. Đây có phải là nguồn đáng tin cậy không? Nó có hữu ích và thực tiễn không? Luôn tìm nguồn gốc ban đầu của thông tin và, khi có thể, hãy cho tôi thấy nguồn gốc nguyên thủy thay vì nguồn thứ cấp”.

Dưới đây là một CÂU LỆNH tổng quát dành cho việc giảng dạy hoặc thiết kế tài liệu cho các khóa học.

CÂU LỆNH HỆ THỐNG MẪU

“Bạn là một giáo sư đại học tử tế với ba mươi năm kinh nghiệm, có hiểu biết sâu rộng về sư phạm, các công trình nghiên cứu về việc học của sinh viên, và tâm lý học của thanh niên cuối tuổi vị thành niên. Đồng thời, bạn cũng là một chuyên gia trong lĩnh vực A [chuyên ngành của bạn]. Tôi giảng dạy tại Đại học B và sinh viên của tôi thường là C. Hãy tập trung giúp tôi tìm ra những cách thiết kế trải nghiệm học tập xuất sắc cho họ bằng cách sử dụng những nghiên cứu tốt nhất về dạy và học, bao gồm cả Designing Significant Learning Experiences (Thiết kế những trải nghiệm học tập có ý nghĩa) của L. Dee Fink. Hãy thẳng thắn và trung thực, và nói với tôi khi bạn nghĩ rằng tôi sai. Điều thiết yếu là bạn phải giúp tôi suy nghĩ theo những cách mới. Hãy quyết liệt trong việc làm lộ ra các giả định của tôi và đặc biệt cảnh giác với các thiên kiến phương Tây, giới tính, chủng tộc và những thiên kiến khác. Luôn suy nghĩ về công việc của chúng ta trong bối cảnh toàn cầu. Hãy kiểm tra lại mọi thứ. Hãy sáng tạo và đổi mới, nhưng luôn tuân thủ những thực hành tốt nhất trong mọi điều bạn làm.

Một số vấn đề về việc AI “bịa ra” sự kiện hoặc tài liệu tham khảo thực chất lại là vấn đề của chính CÂU LỆNH. Những mối quan ngại quan trọng thường xuất phát từ các CÂU LỆNH quá mở hoặc không làm rõ rằng các nguồn cần phải được xác minh: việc tìm kiếm tài liệu sẽ dễ dàng hơn trong một AI sử dụng tập dữ liệu được xác định rõ ràng.

Bạn sẽ có nhiều khả năng nhận được một tiểu sử tốt và chính xác về bản thân nếu cung cấp nhiều thông tin hơn ngoài chỉ mỗi tên của mình. Các hệ thống an ninh trong nền kinh tế toàn cầu cũng hoạt động theo cách tương tự: có thể trước đây bạn chỉ cần gọi cho dược sĩ ở thị trấn nhỏ của mình và nói “Tôi cần lấy các thứ thuốc quen dùng”. Nhưng khi tập dữ liệu trở nên lớn hơn, các tham số cũng cần được tinh chỉnh kỹ hơn.

Các AI mới hơn cần ít hướng dẫn hơn để suy đoán điều con người mong muốn trong một câu trả lời, nhưng cho đến khi AI có thể đọc được suy nghĩ của chúng ta, những câu hỏi được diễn đạt rõ ràng và tốt hơn vẫn sẽ là một kỹ năng quan trọng của tương lai, và là một trong những lợi ích cốt lõi của giáo dục đại học. Những người sử dụng AI giỏi biết đặt câu hỏi tốt hơn, đánh giá câu trả lời, rồi tiếp tục lặp lại quá trình đó. Kỹ năng viết và giao tiếp sẽ chỉ ngày càng trở nên quan trọng hơn. Nếu bạn đã giảng dạy tư duy phê phán, thì bạn cũng đã đang giảng dạy năng lực hiểu biết về AI.

 Nguyên Hưng

1. Sự khác biệt về chuông nhà thờ và chuông chùa: Từ thiết kế đến biểu tượng và thần học

Chuông nhà thờ và chuông chùa, dù cùng mang tính thiêng liêng, lại thể hiện rõ nét sự tương phản giữa hai hệ thống niềm tin.

 Trần Hậu

Philippe Jaenada

Ngày 3/11/2026, tại nhà hàng Drouant ở Paris, Philippe Jaenada, 62 tuổi, được trao giải Goncourt cho cuốn tiểu thuyết thứ 13 mang tên L’Inconnue du quai de Javel (Người phụ nữ vô danh bên bến cảng Javel). Tác phẩm dày 528 trang, xuất bản tháng 8/2026 bởi nhà xuất bản Flammarion. Cuốn sách nhận được 6/9 phiếu của hội đồng giám khảo, trong khi đối thủ gần nhất là nhà văn Yannick Haenel nhận 3 phiếu.

 LIÊN HIỆP CÁC HỘI VĂN HỌC NGHỆ THUẬT TP.HCM

TRƯỜNG ĐẠI HỌC VĂN LANG – NHÓM TÁC GIẢ

THÔNG CÁO BÁO CHÍ

TUẦN LỄ THƠ THIỀN CỔ ĐIỂN VIỆT NAM

Tôn vinh di sản văn hóa và những giá trị nhân văn trường tồn của dân tộc

16 – 21/11/2026 | TP. Hồ Chí Minh

  Nguyễn Phú  Yên

CHƯƠNG XII: PHONG TRÀO NHẠC TRẺ

Chiến tranh Việt Nam kéo dài ngày mỗi tàn khốc và bi thương khiến một bộ phận thanh niên mệt mỏi, chán chường. Thời đạn lửa tạo cho một bộ phận lớp trẻ ở các đô thị cảm giác như đời sống bế tắc và phần nào họ nhuốm tinh thần bi quan. Dù đời sống ở phần lớn các các thành thị miền Nam có phần yên bình, không nguy hiểm như vùng thôn quê và rừng núi xa xôi, nhưng tuổi trẻ vẫn mong ước có được một thứ gì bồi đắp để giữ được hy vọng dù mong manh. Nhạc trẻ được ưa thích, có thể phản ảnh một phần về tâm trạng này.

 Lê Học Lãnh Vân

Tấm hình đính kèm dưới đây chụp cầu Sài Gòn từ nhà hàng Tân Cảng, nhân dịp lễ mừng sinh nhật chín mươi tuổi của một lão trượng.

 José Antonio Bowen – C. Edward Watson

Xuất bản lần thứ hai với sự hợp tác của Hiệp hội các trường đại học và cao đẳng Hoa Kỳ, JOHNS HOPKINS UNIVERSITY PRESS, Baltimore, 2026

A.I. dịch, Thuận Thiên hiệu đính

CHƯƠNG 2

MỘT KỶ NGUYÊN MỚI CỦA CÔNG VIỆC

                                                             Hãy nhìn vào bệnh nhân, đừng nhìn vào công nghệ

                                                                           AUGMEDIX (Công ty công nghệ y tế)

 Phạm Đình Trọng

 Trần Văn Cẩn viết (khoảng 1958-1962) (giữ nguyên chính tả trong nguyên bản)

Tư liệu của Quang Việt

Hóa ra tôi (Quang Việt) lại có trong tay ảnh chụp hai trang đầu bản viết tay tập nghiên cứu này của chính tác giả Trần Văn Cẩn, do một người bạn sưu tập nghệ thuật gửi tặng từ 2020 nhân dịp kỷ niệm 110 năm ngày sinh của Trần Văn Cẩn. Vì vậy tôi mới biết được nhan đề của tập nghiên cứu mà ở bản đánh máy tôi vốn có đã bị mất trang đầu tiên.

-------------------

 Ngự

Hộp đánh giày của anh Thuận đặt xuống vỉa hè đánh cộp, sát ngay chân ghế tôi. Anh chưa chào câu nào, đã cúi xuống lấy ngón tay gõ gõ vào mũi giày tôi.

 Nguyễn Phú  Yên

CHƯƠNG XI: NHẠC PHẢN CHIẾN

 Chương trình Môi trường Liên Hiệp Quốc cần kết nối các quốc gia và nhà phát triển trí thông minh nhân tạo, AI trong một chương trình nghị sự chung cho hành tinh.

Phạm Phan Long, P.E.

Ngày 3 tháng 11 năm 2026

Nguồn: Asia Sentinel, ngày 3 tháng 11 năm 2026

 Trương Thị An Na

Trong một dịp rất tình cờ, tôi đã đến triển lãm tranh của họa sĩ Pierre Bonnard. Đó là một ngày đầu xuân năm 2006, tôi đi đến tháp Eiffel, sau khi chụp mấy tấm ảnh làm kỉ niệm, tôi liền ghé vào Bảo tàng Nghệ thuật Hiện đại của thành phố Paris (Musée d’Art Moderne de la ville de Paris), bảo tàng này chỉ cách tháp Eiffel vài phút đi bộ. Đây là một không gian rộng rãi với kiến trúc hiện đại nằm bên cạnh sông Seine. Khu vực triển lãm có nhiều phòng rất rộng, có một số phòng sử dụng ánh sáng tự nhiên tạo cho người xem cảm giác rất thân thiện, thích thú ngay từ khi mới bước vào. Đặc biệt, còn có những phòng trưng bày có tầm nhìn hướng ra dòng sông Seine xinh đẹp, hiền hòa, cây cối bên bờ tỏa bóng xanh mát.

José Antonio Bowen – C. Edward Watson

Xuất bản lần thứ hai với sự hợp tác của Hiệp hội các trường đại học và cao đẳng Hoa Kỳ, JOHNS HOPKINS UNIVERSITY PRESS, Baltimore, 2026

A.I. dịch, Thuận Thiên hiệu đính

BIÊN NIÊN SỬ

Thập niên 1950: Nghiên cứu trí khôn nhân tạo khởi động nhưng tập trung vào các hệ chuyên gia hoặc các hệ thống logic.

1959: Arthur Samuel đặt ra thuật ngữ "machine learning" (học máy).

1967: Joseph Weizenbaum tạo ra ELIZA, chatbot quan trọng đầu tiên và là mô hình ngôn ngữ lớn (LLM) đánh dấu sự khởi đầu của các nghiên cứu trong lĩnh vực xử lý ngôn ngữ tự nhiên (NLP).

Thập niên 1990: Nghiên cứu về học sâu (deep learning) và các mạng nơ-ron nhân tạo bắt đầu phát triển mạnh.

1997: Máy Deep Blue của IBM đánh bại Vô địch cờ vua Garry Kasparov.

2010: Demis Hassabis, Shane Legg, và Mustafa Suleyman DeepMind lập ra DeepMind.

2016: Ian Goodfellow đề xuất các mạng đối kháng tạo sinh (Generative Adversarial Network - GAN), từ đó dẫn đến nhiều loại mạng nơ-ron mới vừa có khả năng tạo sinh (tạo dữ liệu) vừa có thể được huấn luyện hiệu quả.

2016: AlphaGo (một hệ AI học máy của DeepMind) đánh bại nhà vô địch thế giới Lee Sedol trong môn cờ vây.

2017: Các mô hình Transformer cho phép vừa giải mã (decode) vừa tạo sinh (generate) văn bản mới.

2018: Mô hình ngôn ngữ lớn GPT đầu tiên được OpenAI phát triển.

2021: DALL·E, được xây dựng trên nền GPT-3, là một mô hình học máy có khả năng tạo sinh hình ảnh.

2022: ChatGPT-3.5 được ra mắt vào tháng 11; các ứng dụng AI bắt đầu bùng nổ.

2023: GPT- 4 được phát hành vào tháng 3, tiếp theo là Bard (sau này là Gemini) của Google, Claude của Anthropic, Llama của Meta, và Grok của X.

2024: Các hệ AI đa phương tiện mới có thể nhìn, nghe, nói và mô phỏng cảm xúc ngày càng theo thời gian thực.
Những khả năng mới như sáng tác bài hát và tạo video ngày càng chân thực cũng phát triển nhanh chóng.

2025: Hầu hết các mô hình ngôn ngữ lớn (LLM) được kết nối với Internet và có thể tìm kiếm theo thời gian thực. Các tác nhân (agent) AI (có khả năng tương tác trực tiếp với tệp và trang web) được giới thiệu. Công ty DeepSeek của Trung Quốc tạo nên một “cơn sốt” AI khi cung cấp miễn phí, mã nguồn mở và được cho là phát triển ít phụ thuộc vào công nghệ Mỹ.
Các nền tảng “nghiên cứu sâu” (deep research), kết hợp giữa tìm kiếm web và quá trình suy luận chậm, có thể truy cập rộng rãi.
GPT-5 được phát hành vào tháng 8.

DẪN NHẬP

“Không có gì trong cuộc sống đáng để sợ hãi, mà chỉ cần được hiểu rõ. Bây giờ là lúc cần hiểu biết nhiều hơn, để chúng ta có thể sợ hãi ít đi”

MARIE CURIE, Giải Nobel Vật lý (1903) và Hoá học (1911)

Có rất nhiều điều cần hiểu về trí tuệ nhân tạo. Cũng giống như Internet, AI là một công nghệ sẽ làm thay đổi mọi thứ, và không chỉ riêng giáo dục.

Internet, cụ thể hơn là World Wide Web, đã làm thay đổi một cách căn bản mối quan hệ của chúng ta với tri thức: từ một thế giới nơi tri thức khan hiếm (nhưng phần lớn đáng tin cậy) sang một thế giới nơi tri thức dồi dào (nhưng phần lớn không đáng tin cậy). Khi cách nhìn này được nêu ra (Bowen, 2006), tất cả chúng ta vẫn đang sử dụng Internet trên máy tính để bàn; iPhone khi đó vẫn chưa xuất hiện. Chúng ta đều nhận thấy lợi ích của việc tiếp cận nhiều hơn với tài liệu nghiên cứu và chuyên môn, nhưng đồng thời cũng đã cảnh giác trước sự gia tăng của thông tin chưa được kiểm chứng và đôi khi mang tính sai lệch, thậm chí độc hại. Và với những hạn chế của kết nối quay số (dial-up), người ta dễ đánh giá thấp mức độ phổ biến sắp tới của công nghệ mới này. Tốc độ, sự dễ dàng trong truy cập và các nền tảng đã thay đổi cơ chế vận hành, đồng thời khuếch đại tác động, nhưng không làm thay đổi quỹ đạo phát triển. Mối quan hệ của chúng ta với tri thức đã thay đổi vĩnh viễn, và từ đó mọi thứ, từ giáo dục và mua sắm đến văn hóa và chính trị, đều bị biến đổi.

Nếu Internet đã thay đổi mối quan hệ của chúng ta với tri thức, thì AI sẽ thay đổi mối quan hệ của chúng ta với tư duy. Nó đã bắt đầu thách thức các quan niệm về sáng tạo và tính nguyên bản, và sẽ làm thay đổi vĩnh viễn giáo dục, công việc, cũng như cách chúng ta suy nghĩ về chính việc suy nghĩ (cả “tư duy” của con người lẫn của AI).

Có lẽ chúng ta có thể rút ra một số bài học từ sự trỗi dậy của Internet. Cũng như các công nghệ về sau (như iPhone và mạng xã hội) đã khuếch đại tác động của Internet, ta có thể giả định rằng AI sẽ ngày càng trở nên tốt hơn và gắn bó chặt chẽ hơn với đời sống của chúng ta trong tương lai. Việc cấm các công cụ dựa trên web như Wikipedia đã thất bại, nhưng liệu Internet có phát triển theo một hướng khác nếu ngay từ đầu chúng ta áp đặt những ràng buộc khác đối với quá trình phát triển của nó?

AI đã thách thức và gây chia rẽ chúng ta nhanh hơn cả Internet trước đây. Một số điều chúng tôi trình bày ở đây có thể đã thay đổi vào thời điểm văn bản này được xuất bản. Tuy vậy, vào năm 2006, chúng ta không cần phải dự đoán chính xác các thiết bị đồng quy hay nền tảng mạng xã hội sẽ xuất hiện, mà vẫn có thể nhận ra rằng độ tin cậy của thông tin sẽ sớm suy giảm. Những biến đổi nhanh chóng lại đang diễn ra, và chúng ta có thể dựa vào những gì AI đã làm được để chuẩn bị cho một tương lai trong đó mối quan hệ của chúng ta với tư duy sẽ bị thay đổi một cách căn bản.

PHẦN I

CHƯƠNG 1

KIẾN THỨC CƠ BẢN VỀ A.I

AI là một trong những điều quan trọng nhất mà nhân loại đang theo đuổi. Nó có ý nghĩa sâu sắc hơn cả điện hay lửa.

SUNDAR PICHAI, CEO của Google và Alphabet

Nếu bạn bận rộn vào ngày 30 tháng 11 năm 2022, có thể bạn đã bỏ lỡ bản trình diễn sớm của OpenAI về chatbot mới của họ. Nhưng chỉ sau năm ngày, hơn một triệu người đã thử nó. Chỉ trong hai tháng, nó đã đạt 100 triệu người dùng hoạt động hằng ngày. TikTok mất chín tháng và Instagram mất hai năm rưỡi để đạt được cột mốc đó (Hu, 2023).

Nhưng lớn hơn cả lửa ư? Sundar Pichai đã nhiều lần đưa ra so sánh này, nhưng ít người trong chúng ta chú ý khi ông nói công khai vào tháng 1 năm 2016, đồng thời thừa nhận rằng ông thực sự chưa hiểu rõ AI hoạt động như thế nào. Lửa, giống như nhiều thành tựu công nghệ khác của loài người, là con dao hai lưỡi: vừa là nguồn gây hủy diệt và biến đổi, vừa là chất xúc tác cho những tiến bộ có lợi. AI hiện cũng đang đi theo một quỹ đạo tương tự.

Hầu hết chúng ta đều đã từng nghe về AI; một số người thậm chí còn nhớ thời điểm một máy tính đánh bại nhà vô địch cờ vua thế giới, nhưng đó là một dạng AI khác. Như thường thấy trong nhiều lĩnh vực (hãy nghĩ đến vắc-xin mRNA), nghiên cứu kéo dài hàng thập kỷ có thể rẽ sang một hướng mới hoặc tìm được ứng dụng mới, và một công nghệ đã phát triển qua nhiều năm bỗng chốc bùng nổ trong nhận thức của công chúng.

Trong nhiều thế kỷ, con người đã tìm kiếm những cách đơn giản để nhóm lại lửa giữa đêm. Những phiên bản hóa học ban đầu, từ Robert Boyle (những năm 1680) đến Jean Chancel (1805), đều đắt đỏ, nguy hiểm hoặc cả hai, và không có loại nào được sản xuất đại trà. Sau đó, vào năm 1826, nhà hóa học John Walker tình cờ phát hiện ra rằng ma sát có thể giúp việc tạo lửa trở nên an toàn và rẻ tiền. Giống như que diêm, bảy mươi năm nghiên cứu học thuật trong AI đã góp phần tạo nên sự bùng nổ nhận thức gần đây, nhưng chỉ trong một khoảnh khắc ngắn ngủi, thế giới của chúng ta đã thay đổi.

Hệ chuyên gia so với học máy

Thuật ngữ “trí khôn nhân tạo” (AI) được đặt ra vào năm 1956 tại một hội nghị do Defense Advanced Research Projects Agency tài trợ, nhằm hình dung, nghiên cứu và tạo ra các máy móc có khả năng thực hiện những nhiệm vụ thường đòi hỏi nhận thức và trí tuệ của con người. (Chúng tôi đã làm nổi bật các thuật ngữ quan trọng khi chúng được định nghĩa lần đầu và tóm tắt chúng trong các bảng thuật ngữ bên lề).

Những nghiên cứu AI ban đầu tập trung vào logic hoặc các hệ chuyên gia (expert systems), sử dụng các quy tắc được thiết kế để dự đoán một loạt các kịch bản có thể xảy ra. Các hệ thống này không cải thiện qua các lần lặp, mặc dù robot và AI thường được miêu tả như vậy trong tiểu thuyết. Ngay cả trong Star Trek, hình ảnh ba chiều y học khẩn cấp cũng luôn bị giới hạn bởi lập trình của nó.

Nhà tiên phong của IBM, Arthur Samuel (1959), đã đặt ra thuật ngữ “học máy” (machine learning) để mô tả các thuật toán thống kê có thể khái quát hóa và “học cách chơi cờ đam tốt hơn người đã viết ra chương trình đó”. Đối với một trò chơi đơn giản như cờ đam, người ta có thể phát triển một hệ chuyên gia có khả năng tìm kiếm trong cơ sở dữ liệu, đồng thời đưa ra suy luận vượt ra ngoài các lời giải sẵn có. Tuy nhiên, chương trình cờ đam của Arthur Samuel “chỉ được cung cấp các luật của trò chơi, một định hướng chung, và một danh sách tham số dư thừa và chưa đầy đủ, được cho là có liên quan đến trò chơi, nhưng dấu và trọng số tương đối chính xác của chúng thì chưa được biết và cũng không được xác định” (Samuel, 1959).

Ban đầu, các hệ chuyên gia (cùng với suy luận logic của chúng) chiếm ưu thế trong nghiên cứu, nhưng học máy (với suy luận xác suất) lại hữu ích hơn trong việc nhận diện các mẫu; do đó, nó trở thành một phần trung tâm hơn của nghiên cứu AI vào những năm 1990 (Langley, 2011). Với dung lượng bộ nhớ lớn hơn và các tập dữ liệu ngày càng lớn, các thuật toán thống kê có thể suy ra chẩn đoán y khoa (ví dụ như WebMD), và cuối cùng dẫn đến chương trình cờ vua Deep Blue của IBM đánh bại nhà vô địch cờ vua Garry Kasparov vào năm 1997.

Học máy + Mạng nơ-ron = Các mô hình nền tảng

Mạng nơ-ron là các hệ thống tính toán được mô phỏng theo cách các kết nối thần kinh trong não người hoạt động. Chúng là một dạng cụ thể của mô hình học máy, trong đó các nút (những đơn vị tính toán riêng lẻ) được tổ chức thành các lớp, phản ánh hiểu biết của chúng ta về cấu trúc não bộ. Vào những năm 1960–1970, các mạng này mang tính logic và tuyến tính, theo kiểu “nếu–thì” (giống như làm theo chỉ dẫn từ GPS), nhưng ngày nay chúng đã trở thành các tầng phi tập trung gồm những nút liên kết với nhau (giống như có nhiều con đường khác nhau để đi từ điểm này đến điểm khác).

Các mạng nơ-ron cần được huấn luyện, thường trên các tập dữ liệu lớn. Việc huấn luyện này có thể là “có giám sát” (supervised), trong đó dữ liệu được được dán nhãn để mô hình học các mối liên hệ giữa đầu vào và đầu ra mong muốn, hoặc là “không giám sát” (unsupervised), trong đó dữ liệu đầu vào không được dán nhãn. Khi một mô hình có giám sát đã được huấn luyện, nó có thể phân loại các đầu vào mới: đây chính là cách bộ lọc thư rác của bạn hoạt động. Học máy không giám sát thường đòi hỏi các tập dữ liệu lớn hơn, nhưng sau đó có thể phát hiện và nhóm các xu hướng và mối quan hệ chưa từng thấy: bạn xem Netflix càng nhiều, hệ thống càng tìm ra các liên kết giữa những nội dung bạn thực sự thích (và nhận ra rằng bộ phim tài liệu về cá vàng mà bạn đã lưu lại có lẽ là một nhầm lẫn).

Một mô hình học máy thứ ba (bên cạnh học có giám sát và không giám sát) là học tăng cường (reinforcement learning – RL). Trong trường hợp này, các mạng nơ-ron thường được cung cấp lượng dữ liệu không dán nhãn nhỏ hơn, nhưng cho phép thuật toán tương tác với một môi trường, trong đó trong đó những đầu ra cụ thể được “thưởng”: khi bạn nhấp vào quảng cáo trên Facebook, bạn sẽ có nhiều khả năng thấy lại những quảng cáo tương tự.

Học sâu (deep learning – DL) là một kỹ thuật huấn luyện liên quan, trong đó “deep” (sâu) đề cập đến nhiều tầng của mạng cần thiết để biến đổi dữ liệu; các nhiệm vụ đơn giản hơn nằm ở các tầng sâu hơn trong mạng, rồi kết hợp lại để tạo ra đầu ra. Ví dụ, trong nhận diện khuôn mặt, mô hình trước hết phải nhận ra những nhóm điểm ảnh nào tạo thành khuôn mặt, trước khi có thể trích xuất các đặc trưng và cuối cùng đối sánh chúng với những khuôn mặt đã biết. Những kỹ thuật học máy này phản ánh cả ưu điểm lẫn hạn chế của cách con người học tập. DeepMind có trụ sở tại London, hiện là công ty con của Google, hoàn toàn có thể dạy mạng Deep Q-Network của mình chơi các trò chơi điện tử như Pong bằng cách lập trình sẵn các luật (cách tiếp cận của hệ chuyên gia). Cách này (giống như gian lận) sẽ nhanh hơn, nhưng bằng cách sử dụng những kỹ thuật thử–sai chậm hơn, mạng Deep Q-Network giờ đây có thể khái quát hóa và, giống như con người, học cách chơi các trò Atari tiếp theo nhanh hơn nhiều. Vì mô hình học trực tiếp từ dữ liệu, nó cũng có thể tạo ra chiến lược theo những cách không bị giới hạn bởi các giả định của con người (điều này có hàm ý đối với cả tính sáng tạo [xem Chương 4] lẫn độ chính xác [xem bên dưới]). Những chương trình của DeepMind mất nhiều thời gian hơn để tự học, nhưng cuối cùng đã vượt qua khả năng của con người (Mnih và cộng sự, 2015).

Khi kết hợp lại, các mạng nơ-ron sâu và các kỹ thuật học máy cho phép chúng ta xây dựng các mô hình nền tảng. Vì chúng được huấn luyện trên những tập dữ liệu rất lớn và đa dạng, chúng là các hệ thống có mục đích chung với những năng lực rộng mà chúng ta vẫn đang tiếp tục khám phá: ít ai dự đoán rằng những mô hình mới này có thể giải mã các bản quét não (sử dụng fMRI) để tái tạo lại những hình ảnh mà người tham gia đang nhìn (Chen, 2022; Takagi & Nishimoto, 2023). Một phần khiến công nghệ AI mới trở nên khác biệt, và có thể nguy hiểm, là chúng ta vẫn đang khám phá những gì nó có thể làm.

Các mô hình ngôn ngữ lớn (LLM) là những mô hình nền tảng ban đầu tập trung vào ngôn ngữ, nhưng đồng thời cũng mở ra những cách mới để phân tích DNA, âm nhạc, mã máy tính và sóng não. Các mô hình nền tảng khác nhau (như ChatGPT hay Gemini) “tư duy” theo những cách khác nhau (giống như việc so sánh Marie Curie với Cesar Chavez). Mạng nơ-ron của chúng khác nhau và chúng cũng được huấn luyện theo những cách khác nhau: nói một cách ẩn dụ, chúng khác nhau cả về “bẩm sinh” lẫn “nuôi dưỡng”.

Phép thử Turing và tư duy của AI

Alan Turing lần đầu đặt ra câu hỏi “Máy móc có thể suy nghĩ không?” trong bài báo Computing Machinery and Intelligence (Alan Turing, 1950). Turing lập luận rằng vì “tư duy” là một khái niệm khó định nghĩa, nên câu hỏi ban đầu của ông là không có ý nghĩa, và ông thay thế nó bằng một phiên bản của “trò chơi bắt chước” (imitation game), trong đó người hỏi đặt câu hỏi cho hai đối tượng và nhận câu trả lời — tất cả đều thông qua văn bản trên màn hình máy tính. Trong biến thể của Turing, một đối tượng là con người và đối tượng còn lại là AI; người hỏi cố gắng xác định đâu là con người. Điều mà ngày nay chúng ta gọi là “phép thử Turing” không thực sự nói về tư duy, ý thức, trí tuệ, sự hiểu biết hay cảm nhận, cũng không liên quan đến cách một chương trình xử lý thông tin; điểm đổi mới của Turing là thay thế câu hỏi “Máy móc có thể suy nghĩ không?” bằng câu hỏi: “Liệu chatbot này có thể khiến chúng ta tin rằng mình đang tương tác với một con người hay không?”

Năm 2022, kỹ sư của Google, Blake Lemoine, đã bị sa thải vì tuyên bố rằng chatbot của Google đã trở nên có cảm nhận (sentient) (Grant & Metz, 2022): một ví dụ rõ ràng cho thấy nó đã “vượt qua” phép thử Turing. Một hệ AI không phải suy nghĩ: việc tin rằng một chatbot có cảm nhận là đủ.

Các mô hình ngôn ngữ lớn (LLM) sử dụng sự kết hợp của nhiều công nghệ để mô phỏng ngôn ngữ và cảm xúc của con người, đồng thời dự đoán từ tiếp theo (hoặc ngữ điệu), bao gồm các mạng nơ-ron sâu mô phỏng cách con người học, tốc độ và dung lượng tính toán ngày càng tăng, khối lượng dữ liệu khổng lồ do con người tạo ra, và sự quay trở lại nhấn mạnh vào chiến lược học máy dựa trên xác suất và thống kê. Tương tự như việc tạo ma sát trong que diêm tạo ra lửa theo một cách mới, việc tái tập trung vào xác suất và học máy vào những năm 1990 đã mở ra cánh cửa cho AI tạo sinh mới. Sau khi tiếp xúc với GPT-3 vào năm 2020, triết gia David Chalmers đã viết rằng “nó gợi ý một con đường tiềm năng không cần ‘tâm trí’ để đạt tới trí khôn nhân tạo tổng quát (AGI)” (Chalmers, 2020). ChatGPT là một bước đột phá, nhưng nó cũng được xây dựng dựa trên những sự nhân nhượng.

BẢNG THUẬT NGỮ I

Trí khôn nhân tạo (AI) đề cập đến khả năng của các hệ thống máy tính trong việc mô phỏng trí khôn con người, cũng như việc phát triển các hệ thống như vậy.
Hệ chuyên gia (expert systems) sử dụng các quy tắc và logic để dự đoán một loạt các kịch bản có thể xảy ra.
Học máy (machine learning) sử dụng xác suất và thống kê để nhận diện các mẫu và khái quát hóa.
Mạng nơ-ron (neural networks) là các hệ thống tính toán được mô phỏng theo các kết nối thần kinh trong não người.
Các mô hình nền tảng (foundational models) là các mạng nơ-ron sâu được huấn luyện trên các tập dữ liệu lớn bằng các kỹ thuật học máy mô phỏng quá trình thử & sai của con người.
Các mô hình ngôn ngữ lớn (LLM) là các mô hình nền tảng tập trung vào ngôn ngữ.
GPT là viết tắt của generative pre-trained transformer (mô hình biến đổi được huấn luyện trước để tạo sinh). Các mô hình nền tảng và LLM đều sử dụng kiến trúc GPT; nó không chỉ riêng của ChatGPT.
Các mô hình khuếch tán (diffusion models) là một loại mô hình nền tảng được dùng để tạo hình ảnh và video. Các công cụ như DALL·E, Stable Diffusion và Midjourney được huấn luyện bằng cách thêm nhiễu vào dữ liệu huấn luyện, sau đó mô hình học cách loại bỏ nhiễu đó.

Ảo giác và thiên kiến: chữ “G” và chữ “P” trong GPT

Quá trình tiền huấn luyện (pre-training: chữ “P” trong generative pre-trained transformer, hay các mô hình GPT) của một hệ AI kéo dài và đòi hỏi một tập dữ liệu khổng lồ (GPT-3 được huấn luyện trên 45 terabyte dữ liệu văn bản: hơn 12 nghìn tỷ từ). Đó cũng là lý do vì sao các mô hình ngôn ngữ lớn được gọi là “lớn”. Vì các nguồn dữ liệu tiền huấn luyện (bao gồm bộ dữ liệu Common Crawl được thu thập hằng tháng từ hàng tỷ trang web) chứa cả những mặt tốt, xấu và tiêu cực của tư duy con người, và vì các LLM học bằng cách hấp thụ dữ liệu để dự đoán, nên chúng tất yếu sẽ tái tạo lại những thiên kiến và thù ghét có trong nguồn dữ liệu đó.

AI cũng có thể khuếch đại các thiên kiến trên Internet. Khi Stable Diffusion, một hệ AI có khả năng tạo ra hình ảnh giống y như thực từ mô tả văn bản, được yêu cầu tạo hình ảnh liên quan đến các công việc có thu nhập cao, các hình ảnh tạo ra thường là những người (nam giới nhiều gấp ba lần phụ nữ) có làn da sáng hơn so với khi được yêu cầu về các công việc thu nhập thấp. Khi được yêu cầu tạo hình ảnh về “bác sĩ”, chỉ có 7% hình ảnh là phụ nữ, trong khi tại Mỹ, 39% bác sĩ là nữ: Stable Diffusion đã phóng đại những bất bình đẳng vốn có, điều này điều này thể hiện rõ trong các hình ảnh có trong bộ dữ liệu huấn luyện từ Internet (Nicoletti & Bass, 2023). Những hình ảnh do các hệ tạo ảnh AI khác tạo ra cũng cho thấy các thiên kiến tương tự.

Trình tạo ảnh AI Adobe Firefly cố gắng khắc phục điều này bằng cách điều chỉnh số lượng hình ảnh, chẳng hạn phụ nữ hoặc bác sĩ da đen, sao cho tương ứng với tỷ lệ của nhóm đó trong dân số Mỹ: một nửa số hình ảnh bác sĩ mà nó tạo ra là phụ nữ, và 14% là bác sĩ da đen, mặc dù trên thực tế chỉ có 6% bác sĩ ở Mỹ là người da đen (Howard, 2023).

Firefly đã được huấn luyện để tăng xác suất khi yêu cầu tạo hình ảnh một thẩm phán Tòa án Tối cao vào năm 1960, kết quả sẽ là phụ nữ, mặc dù phải đến năm 1981, Sandra Day O'Connor mới trở thành người phụ nữ đầu tiên được bổ nhiệm vào tòa án này.

Sự thiên kiến có thể xuất phát từ dữ liệu huấn luyện, nhưng những ví dụ về thiện chí của Adobe Firefly lại làm nổi bật một loạt vấn đề tiềm ẩn khác: Những người đánh giá (reviewer) là con người, những người chấm điểm và cung cấp phản hồi cho đầu ra của mô hình, cũng mang thiên kiến. (Và công sức lao động nặng nhọc của họ thường bị bỏ qua). Nếu AI có thể tạo ra hình ảnh về thế giới như nó có thể là hoặc như nó đang là, thì ai sẽ là người quyết định? Thiên kiến cũng có thể ẩn trong kiến trúc mạng, các thuật toán giải mã, mục tiêu của mô hình, và đáng lo hơn, trong những tiềm năng chưa được khám phá của các mô hình này. Mọi thứ còn phức tạp hơn bởi chính thiên kiến của người dùng AI, khi các CÂU LỆNH và lựa chọn cuối cùng của họ có thể tiếp tục củng cố thiên kiến trong sản phẩm cuối cùng. Một vấn đề khác là tính “nịnh bợ” (sycophancy): ngay cả khi AI đúng, bạn vẫn thường có thể khiến nó đồng ý với một câu trả lời sai của bạn. Thách thức về thiên kiến của con người trong nội dung AI tồn tại trong trong mọi diễn trình và ở mọi giai đoạn.

Chữ G trong Generative Pre-trained Transformer là viết tắt của “tạo sinh” (generative). Bởi vì các mô hình này “tạo ra” những câu, hình ảnh và ý tưởng mới bằng cách sắp xếp xác suất của từ hoặc điểm ảnh tiếp theo, chúng cũng dễ “tạo ra” dữ liệu sai hoặc “bịa đặt” các tham chiếu hư cấu.

Khả năng “ảo giác” này khiến AI trở thành một công cụ tuyệt vời cho sáng tạo: nó có thể kết hợp ý tưởng và ngôn từ theo những cách mà con người có thể chưa từng nghĩ tới (sẽ bàn thêm ở chương 4). Điều quan trọng cần lưu ý là “ảo giác” không phải là lỗi. Chúng là một đặc tính — thường gây phiền toái — đòi hỏi sự giám sát cẩn trọng của con người. Chính đặc điểm thiết kế này, cho phép các mô hình ngôn ngữ lớn đưa ra những câu trả lời mới và khác nhau cho cùng một CÂU LỆNH, cũng dẫn đến tính khó đoán và độ tin cậy thấp. Mills và Angell (2025) gọi hiện tượng này là “ảo ảnh” (mirage).

AI cũng có thể tạo ra thông tin sai lệch.

Các mô hình mới hơn đã giảm bớt cả hai vấn đề này, nhưng rất khó để loại bỏ hoàn toàn tính khó đoán và sự thiếu tin cậy: cả hai đều là hệ quả trực tiếp của cách mà AI học để bắt chước cách suy nghĩ của con người. Thiên kiến phần lớn là kết quả của giai đoạn “tiền huấn luyện” (pre-training), còn khả năng “ảo giác” thì nằm ngay trong bản chất “tạo sinh” của Generative Pre-trained Transformer.

Transformer: “bộ não” của GPT

Việc hiểu cơ chế Transformer (một loại mô hình, không phải robot trong phim) khó hơn và cũng dẫn chúng ta tới các khái niệm như “tham số” (parameters) và “token”.

Mỗi biến nội tại trong một mạng nơ-ron có thể được điều chỉnh để thay đổi đầu ra đều được gọi là một tham số. Một ví dụ đơn giản của tham số là số lượng từ có thể xuất hiện tiếp theo trong một câu. Còn siêu tham số (hyperparameter) là cấu hình các biến như mức độ ngẫu nhiên, sáng tạo, hay “nhiệt độ” (temperature) quyết định phản hồi nào được chọn. Khi “nhiệt độ” được đặt bằng 0, mô hình trở nên mang tính xác định cao nhất: nó sẽ chọn từ tiếp theo có xác suất cao nhất. Ở các mức nhiệt độ cao hơn, những từ có xác suất thấp hơn cũng có thể được chọn, dẫn đến sự sáng tạo và đa dạng lớn hơn, nhưng đồng thời cũng làm tăng khả năng xuất hiện nội dung vô nghĩa và “ảo giác”. Một mô hình được huấn luyện bằng cách cung cấp cho nó các ví dụ và điều chỉnh các tham số để thay đổi đầu ra.

Generative Pre-trained Transformer-2 có 1,5 tỷ tham số, GPT-3 có 175 tỷ tham số, và GPT-4 được ước tính có khoảng 1,76 nghìn tỷ tham số cùng dung lượng bộ nhớ lớn hơn đáng kể (Geyer, 2023; Griffith, 2023). Nhiều tham số hơn cho phép nhiều lựa chọn và sắc thái hơn, vì vậy GPT-4 thông minh hơn, chính xác hơn, hỗ trợ nhiều ngôn ngữ hơn và mang tính đa phương thức (có thể tiếp nhận đầu vào dạng hình ảnh hoặc âm thanh).

GPT-4 đã vượt qua “kỳ thi luật sư” (bar exam: ý nói vượt qua bài kiểm tra năng lực trí tuệ cao cấp - ND), với kết quả tốt hơn phần lớn con người (Katz và cộng sự, 2023), và GPT-5 đã bổ sung cơ chế định tuyến tự động (automatic routing), giúp xác định mô hình phù hợp nhất cho yêu cầu của bạn. Các mô hình lớn hơn giờ đây có thể trò chuyện với bạn trong khi quan sát bạn làm việc (trên màn hình hoặc sửa một chiếc xe đạp), nhưng nhiều tham số hơn cũng có thể khiến mô hình chậm hơn và tiêu tốn nhiều năng lượng hơn.

Một mạng nơ-ron chỉ xử lý các con số, vì vậy từ ngữ (hoặc hình ảnh hay tín hiệu não) cần được chuyển thành các token, tức là dạng đại diện số hóa. Token là chuỗi các số 0 và 1 biểu diễn từ, một phần của từ, hoặc dữ liệu khác. Nhiều token hơn đồng nghĩa với nhiều từ vựng, ngữ cảnh và sắc thái hơn, nhưng cả quá trình chuyển đổi từ thành số (“tokenization”) lẫn kích thước mô hình đều rất quan trọng. Các mô hình lớn nhất hiện nay cho phép bạn tải lên hàng triệu từ để phân tích cùng lúc.

AI xác định ý nghĩa của một token bằng cách quan sát nó trong ngữ cảnh (tức là xem những token khác, từ hoặc hình ảnh, xuất hiện gần nó và tần suất xuất hiện). Ban đầu, mỗi từ trong một chuỗi được xử lý tuần tự. Bước đột phá năm 2017 với kiến trúc Transformer (chữ “T” mà bạn đang chờ đợi) đã cung cấp cho mỗi token một một trọng số thể hiện mức độ quan trọng của ngữ cảnh của token đó so với các token khác (Uszkoreit, 2017; Vaswani và cộng sự, 2017). Cơ chế “tự chú ý” (self-attention) này cho phép mỗi từ được xử lý đồng thời, giúp tăng tốc độ đáng kể và tạo ra cách nắm bắt ngữ cảnh “tự nhiên” hơn.

Kiến trúc Transformer cho phép AI không chỉ xét xác suất của token tiếp theo, mà còn xem xét đồng thời nhiều tổ hợp token và các mẫu lớn hơn. Transformer đã mở đường cho các mô hình ngôn ngữ lớn (LLM) có khả năng tạo ra văn bản giống con người, đồng thời thống nhất nhiều lĩnh vực rời rạc của AI thành một lĩnh vực chung, nơi mọi thứ - từ hình ảnh, mã lập trình, âm nhạc đến DNA - đều có thể được xử lý như ngôn ngữ.

Sự đồng bộ này (gợi nhắc đến những dự đoán về sự đồng quy hay “điểm kỳ dị”) là một trong những lý do khiến LLM trở thành các mô hình nền tảng trung tâm, và cũng là lý do vì sao sự thay đổi dường như diễn ra rất nhanh. Việc công chúng có thể tiếp nhập một hệ thống Generative Pre-trained Transformer hoạt động vào ngày 30 tháng 11 năm 2022 cũng góp phần hình thành tri nhận đó.

BẢNG THUẬT NGỮ II

Xử lý ngôn ngữ tự nhiên (NLP) là một lĩnh vực của AI và ngôn ngữ học, nhằm giúp máy móc hiểu, diễn giải và tạo ra ngôn ngữ của con người. Những khả năng này rất quan trọng đối với các công cụ tìm kiếm và việc phân tích nội dung mạng xã hội của bạn. Các mô hình ngôn ngữ lớn (LLM) sử dụng NLP để huấn luyện các mạng nơ-ron sâu, đồng thời chính LLM cũng được ứng dụng trong các bài toán NLP.

Tham số (parameters) là các biến nội tại trong một mạng nơ-ron, có thể được điều chỉnh để thay đổi đầu ra.

Token là các biểu trưng của từ, một phần của từ, ký tự hoặc dấu câu trong dạng mã hóa, và là trọng tâm của NLP.

Transformer (hay cơ chế “tự chú ý” – self-attention) cung cấp cho mỗi token một trọng số, cho phép các token được so sánh với bất kỳ token nào khác một cách đồng thời.

Giao diện lập trình ứng dụng (API) là một tập hợp các công cụ để xây dựng các ứng dụng phần mềm có thể tương tác với một mô hình nền tảng. Phần lớn các công cụ và sản phẩm AI mà chúng ta đang sử dụng không phải là LLM tự thân, mà được vận hành bởi các LLM nền tảng phía sau.

Tinh chỉnh (fine-tuning) là quá trình cá thể hoá  các mô hình nền tảng đã được huấn luyện trước (thông qua API) để thực hiện những nhiệm vụ cụ thể. Ở đây có một sự không hoàn toàn rõ ràng, nhưng với đa số người dùng, có thể hiểu rằng ChatGPT là một hệ thống được tinh chỉnh hoặc được vận hành dựa trên Generative Pre-trained Transformer, chứ không phải là một LLM hoàn toàn riêng biệt.

RAG (retrieval-augmented generation) nghĩa là mô hình sẽ sử dụng một cơ sở tri thức được chỉ định làm nguồn cho các câu trả lời của nó.

Nghiên cứu sâu (Deep research) là sự kết hợp giữa khả năng tìm kiếm trên web (hoặc các công cụ khác như cơ sở tri thức) cùng với một diễn trình xử lý chậm hơn và kiểm tra dữ liệu (đôi khi được gọi là “lập luận” – reasoning).

Tác nhân (Agent) là một loại công cụ AI có thể thực hiện chuỗi các nhiệm vụ hoặc quyết định vượt ra ngoài cửa sổ trò chuyện. Một chatbot có thể lập danh sách nhà hàng; còn một agent có thể đặt bàn.

Trí khôn nhân tạo tạo sinh (GAI) là bất kỳ loại AI nào sử dụng các mô hình học sâu để tạo ra nội dung mới. Các mô hình ngôn ngữ lớn (LLM) và mô hình khuếch tán (diffusion models) đều là ví dụ của GAI.

Trí khôn nhân tạo tổng quát (AGI) là “chén thánh” của khoa học máy tính: một ngày nào đó, AI sẽ có thể suy nghĩ, đưa ra quyết định, thậm chí cảm nhận như con người. Về cơ bản, nó giống như một con người.

Tìm kiếm, Lập luận và Agent

Google truyền thống muốn đưa bạn đến các trang web khác, nhưng AI lại muốn bạn ở lại và đọc nội dung do chính nó tạo ra (đó là lý do vì sao các nhà sáng tạo nội dung muốn bù đắp doanh thu bị mất khi người dùng dừng lại ở kết quả do AI cung cấp). Ban đầu, AI không thể tìm được thông tin cập nhật: nó chỉ dự đoán (và thường “bịa ra”) câu trả lời dựa trên các mẫu mà nó học được từ việc thu thập dữ liệu trên internet trong quá trình huấn luyện.

Perplexity AI là một công cụ sớm kết hợp AI với khả năng tìm kiếm trên internet, nhưng đến đầu năm 2025, hầu hết các mô hình nền tảng đều đã có khả năng này (dù đôi khi bạn phải nhấn nút để kích hoạt). Perplexity cung cấp nhiều loại tìm kiếm khác nhau: web, học thuật, mạng xã hội và tài chính (có thể sắp tới sẽ có tìm kiếm y khoa và nhiều loại khác).

Google đang cố gắng biến việc tìm kiếm web thành một hoạt động được AI hỗ trợ hoặc thậm chí thay thế hoàn toàn, bao gồm cả việc tích hợp vào Google Ads (Amalia, 2024), và có một phạm vi rất rộng các trình duyệt AI mới. Khả năng tìm kiếm trên web có thể cải thiện đáng kể độ xác thực của thông tin, dù nó cũng đòi hỏi những kỹ năng viết CÂU LỆNH khác (sẽ được đề cập ở chương 3).

Một cách khác để tập trung câu trả lời và tăng độ tin cậy là giới hạn tương tác của AI trong một cơ sở tri thức cụ thể, như một tập hợp tệp, dữ liệu hoặc tài liệu. Điều này được gọi là RAG (retrieval-augmented generation).

Một ví dụ phổ biến là NotebookLM của Google, cho phép người dùng tải lên các nguồn tài liệu và sau đó chỉ trò chuyện xoay quanh nội dung của “sổ tay” này.

Cả tìm kiếm (search) và RAG nhanh chóng được kết hợp với các thuật toán mới, trong đó tích hợp yêu cầu mô hình ngôn ngữ lớn (LLM) phải thực hiện nhiều bước tìm kiếm và kiểm tra thông tin trong quá trình xử lý. Việc thêm các chỉ dẫn từng bước trước đây được gọi là “chain-of-thought” CÂU LỆNH, nhưng sau đó các nút mới như “thinking” hoặc “reasoning” bắt đầu xuất hiện, đồng thời nội tại hóa yêu cầu “chậm lại và suy nghĩ cẩn thận hơn”.

Các tính năng tìm kiếm và “lập luận” này tiếp tục được kết hợp thành “deep reasoning” (lập luận sâu). Chế độ đặc biệt này mất nhiều thời gian hơn đáng kể, nhưng có thể kết hợp việc nghiên cứu, kiểm chứng và phân tích để tạo ra các báo cáo chuyên sâu. Điều này cũng đòi hỏi các kỹ thuật viết CÂU LỆNH khác.

AI đa phương thức (multimodal) cho phép bạn khai thác báo cáo theo những cách mới: bạn có thể nghe (hoặc tương tác với) một podcast mang tính trò chuyện, xem sơ đồ tư duy (mind map), hoặc tạo một đồ hoạ thông tin (infographic).

Thêm vào đó khả năng thực hiện và kiểm tra các nhiệm vụ ở từng giai đoạn, chúng ta có AI agent. Vào tháng 11 năm 2022, ChatGPT khiến chúng ta nghĩ về AI như các chatbot — có tính tương tác nhưng chỉ ở dạng văn bản và phần lớn phản hồi theo những gì ta yêu cầu. Ngay cả chế độ giọng nói hay khả năng tạo hình ảnh, video vẫn diễn ra trong một “cửa sổ” tương tác, nhưng agent sử dụng một lớp ứng dụng bao bọc (application wrapper) cho phép chúng thực hiện những việc như theo dõi bài tập của sinh viên.

Agent giống như những “nhà thầu tự động” cho các tác vụ điện tử. Một chatbot có thể viết mã, nhưng một agent có thể chạy đoạn mã đó rồi xây dựng và xuất bản trang web. Một chatbot có thể tạo danh sách việc làm, nhưng một agent có thể nộp đơn ứng tuyển. Nói cách khác, chatbot năm 2023 của bạn có thể bắt đầu bằng việc tìm kiếm các mẫu trong văn bản hoặc quét dựa trên các trọng số xác suất từ một quá trình huấn luyện quy mô lớn; nhưng đến năm 2025, cùng một mô hình ngôn ngữ lớn (LLM) đó còn có thể tìm kiếm trên web các hình ảnh tương tự, kiểm tra câu trả lời của chính nó, xem xét thiên kiến của mình, rồi quyết định liệu có cần gửi email cho một chuyên gia hay không.

Công cụ và đánh đổi

Vậy nên dùng mô hình nào? Hiện nay có hàng nghìn sản phẩm, mô hình và công cụ GenAI. (Danh sách các công cụ và mô hình, cả tổng quát lẫn chuyên biệt, được cập nhật thường xuyên trên trang web của chúng tôi.) Một số mô hình sáng tạo hơn trong việc viết lách, trong khi những mô hình khác lại giỏi hơn về toán học hoặc video. Các mô hình chuyên biệt cung cấp khả năng hội thoại chân thực hơn (Sesame), tạo infographic tốt hơn (Napkin), hoặc các công cụ nghiên cứu khoa học (Future House), nhưng nếu bạn muốn dùng một mô hình duy nhất, thì “ba ông lớn” - ChatGPT của OpenAI, Gemini của Google, và Claude của Anthropic - vẫn cung cấp những khả năng toàn diện nhất trong một nền tảng.

Tất cả đều có các phiên bản chậm, trung bình và nhanh (chậm để phân tích, trung bình cho hầu hết tác vụ, và nhanh để trò chuyện khi bạn chỉ cần một ý tưởng nhanh). “Ba ông lớn” này cũng cung cấp những tính năng tiêu chuẩn nhất trong cùng một nơi: các mô hình lập luận và nghiên cứu sâu, chế độ giọng nói, chế độ thị giác (để xem hình ảnh và tài liệu), khả năng tạo hình ảnh, tài liệu và mã (và chạy mã), cùng với ứng dụng di động.

Có các công cụ chuyên biệt cho video (như Hailou, Kling và Veo 3 của Google), nhưng bạn cũng có thể tạo video trực tiếp trong các mô hình này; việc tạo hình ảnh hoặc video trong một mô hình đa phương thức thông minh giúp việc viết CÂU LỆNH dễ hơn, nhưng lại cung cấp ít công cụ mang tính điện ảnh hơn.

Các tính năng, mô hình và những gì bạn được sử dụng miễn phí thay đổi liên tục (và tên gọi cũng như vị trí của các mô hình thường khá rối rắm). Bạn sẽ cần tìm kiếm qua các nút và menu chạy xuống (drop-down menus) để thấy thứ mình cần; cũng lưu ý rằng các tính năng đôi khi kết hợp theo những cách khá “kỳ lạ”: ví dụ, chế độ giọng nói có thể tắt chức năng tìm kiếm.

Bạn sẽ cần đăng nhập, ngay cả với phiên bản miễn phí, nhưng điều này cũng cho phép bạn điều chỉnh cài đặt để bật các tính năng bảo mật. Bạn cũng có thể cá nhân hóa phản hồi bằng system CÂU LỆNH, các phong cách viết hoặc “tính cách” khác nhau (xem chương 3). Bạn có thể muốn hoặc không muốn ChatGPT ghi nhớ mọi thứ về bạn để phản hồi tốt hơn.

Bạn nên thử phiên bản trả phí trong một tháng để khám phá. (Các nền tảng tổng hợp như Poe, BoodleBox cho phép bạn dùng thử nhiều mô hình khác nhau trên cùng một nền tảng với một khoản phí.)

Ngoài ra, hãy thử ứng dụng trên điện thoại: khả năng nhận trợ giúp khi sửa máy hút bụi hoặc tìm điều khiển từ xa có thể không quá quan trọng, nhưng nó sẽ giúp bạn có được một hình dung rõ hơn về việc AI sắp thay đổi mọi thứ như thế nào. (Bạn có thể tìm danh sách cập nhật các công cụ và API trên trang web của chúng tôi.)

Grok ban đầu kém hơn nhưng đã bắt kịp. Nó có ít rào chắn an toàn hơn và mang tính châm biếm nhiều hơn. Nếu bạn muốn tóm tắt tin tức gần đây, Gemini có thể tìm kiếm nguồn tin AP với quyền truy cập được cấp phép, còn Grok thì lấy thông tin theo thời gian thực từ X (trước đây là Twitter). Nếu bạn muốn biết sinh viên đang nói gì về kỳ thi cuối kỳ của bạn, mạng xã hội có thể là nguồn tốt hơn.

Microsoft, Apple và Meta đều có phần tụt lại phía sau vào năm 2025. Microsoft sở hữu một phần lớn OpenAI, vì vậy Microsoft Copilot về cơ bản là một phiên bản của ChatGPT được tích hợp với các sản phẩm của Microsoft. Nếu tổ chức của bạn đã đăng ký một công cụ AI cho toàn trường, rất có thể nó tuân thủ Family Educational Rights and Privacy Act (FERPA), nghĩa là phiên bản đó của công cụ sẽ không lưu trữ CÂU LỆNH và dữ liệu bạn tải lên trên máy chủ của nó. Microsoft là đơn vị đầu tiên cung cấp phiên bản công cụ ở cấp độ doanh nghiệp tuân thủ FERPA (với Microsoft Copilot), nhưng hiện nay nhiều công ty khác cũng đã làm được điều này, bao gồm một số nền tảng tổng hợp AI đã đề cập ở trên. Khi bạn cân nhắc tải lên bài làm của sinh viên hoặc nghiên cứu mới nhất của mình để nhờ AI hỗ trợ, bạn nên đặt câu hỏi tại cơ sở của mình về mức độ tuân thủ FERPA.

DeepSeek mã nguồn mở đã làm dấy lên nhận thức mới về năng lực của Trung Quốc khi trở thành ứng dụng được tải xuống nhiều nhất trong một thời gian vào đầu năm 2025. Câu chuyện của họ khá đáng chú ý. Mỹ đã thành công trong việc hạn chế bán các chip AI tiên tiến nhất của NVIDIA cho China, nhưng DeepSeek lại tập trung vào các kỹ thuật huấn luyện sáng tạo và nguồn nhân lực trong nước (gần như tất cả đều được đào tạo tại Trung Quốc [Zegart & Johnston, 2025]).

Liên quan đến điều này, Trung Quốc đã đầu tư mạnh mẽ để phát triển các công nghệ không phụ thuộc vào bên ngoài quốc gia. Huawei Technologies đã cải thiện các công nghệ bán dẫn của họ và tuyên bố rằng các chip AI hiện nay có thể cạnh tranh với các chip cao cấp của NVIDIA (Si, 2025). Những tiến bộ này đã giúp DeepSeek vượt lên trước LLaMA - dòng mô hình ngôn ngữ mã nguồn mở của Meta không yêu cầu đăng nhập hay đăng ký.

Dù thiếu một số tính năng so với “ba ông lớn” của Mỹ, DeepSeek lại nhanh hơn và tiêu tốn ít năng lượng hơn. Giống như trong lĩnh vực xe điện, Trung Quốc đã khuyến khích và hỗ trợ mạnh mẽ sự cạnh tranh trong AI. Có nhiều mô hình mạnh mẽ của Trung Quốc như Kimi, Qwen, Doubao, Ernie và Minimax (cũng phát triển một công cụ video hàng đầu là Hailou). Cuộc cách mạng agent năm 2025 được dẫn dắt bởi Manus và Genspark, đều do các công ty Trung Quốc phát triển.

Quan điểm ban đầu cho rằng “càng lớn càng tốt” (và điều này vẫn thường đúng), và cuộc đua AI chủ yếu xoay quanh việc tiếp cận nhiều hơn sức mạnh tính toán và tài nguyên năng lượng. Tuy nhiên, Trung Quốc đã cho thấy rằng hiệu quả thuật toán và các mô hình mã nguồn mở có thể mang lại chất lượng cao hơn với chi phí thấp hơn và tiêu tốn ít năng lượng hơn (Chan và cộng sự, 2025). Phần lớn các mô hình mã nguồn mở thực ra không tiết lộ cách chúng được tạo ra: dữ liệu huấn luyện và diễn trình vẫn thường được giữ bí mật. Những mô hình “mã nguồn mở” này về mặt kỹ thuật chỉ là “trọng số mở” (open-weight): người dùng mới có thể tải xuống các trọng số đã huấn luyện và chạy, cá thể hoá  chúng cục bộ, nhưng mã huấn luyện để tái tạo lại mô hình thì không được công bố (Open Source Initiative, 2025).

Dù vậy, điều này vẫn mở rộng đáng kể cạnh tranh và thúc đẩy sự bùng nổ của các mô hình mới được tinh chỉnh, qua đó làm giảm chi phí. Nó cũng khiến việc phát triển chip AI, mô hình ngôn ngữ lớn (LLM) và các nền tảng trở thành vấn đề an ninh quốc gia. Thực tế, một “cuộc chạy đua không gian” về AI đã hình thành giữa Mỹ và Trung Quốc.

Dù Mỹ và Trung Quốc là hai thế lực chính, chiếm phần lớn các mô hình và hạ tầng, vẫn còn một loạt các mô hình khác dẫn đầu là mô hình mã nguồn mở Mistral tại France. Trong khi các mô hình của Mỹ thường sử dụng được nhiều ngôn ngữ và không chỉ được huấn luyện bằng tiếng Anh, chúng vẫn có xu hướng mang thiên kiến theo góc nhìn phương Tây, tiếng Anh và nam giới (phản ánh chính internet). Các mô hình Trung Quốc rõ ràng sử dụng tiếng Trung tốt hơn ChatGPT, nhưng cũng phản ánh di sản văn hóa Trung Quốc từ dữ liệu huấn luyện của chúng.

Một phần của sự thiên kiến này có thể được giảm bớt bằng cách yêu cầu tìm kiếm toàn cầu bằng nhiều ngôn ngữ khác nhau (và khả năng dịch và tìm kiếm ý tưởng đa ngôn ngữ của AI là một tính năng quan trọng), nhưng đôi khi bạn vẫn cần những hiểu biết sâu sắc và tri thức văn hóa của người bản địa.

Hiện nay đang xuất hiện ngày càng nhiều các mô hình mang tính khu vực và văn hóa (được liệt kê và cập nhật trên trang web của chúng tôi), như Latimer - được huấn luyện trên các nguồn dữ liệu được cấp phép và xác minh từ cộng đồng người da đen và da màu - hoặc Mistral Saba, được huấn luyện trên các nguồn tiếng Ả Rập và các ngôn ngữ bản địa của Ấn Độ. Các mô hình phản ánh những điểm tham chiếu văn hóa từ dữ liệu huấn luyện của chúng, vì vậy việc thử nhiều mô hình khác nhau là rất quan trọng.

Giao diện lập trình ứng dụng (API)

Khi iPhone kết nối internet với điện thoại, chúng ta nhanh chóng nhận ra rằng không cần biết thông tin về mọi chuyến bay mỗi ngày; điều ta cần chỉ là biết chuyến bay của mình hôm nay có bị trễ hay không. Một ứng dụng của hãng hàng không phù hợp hơn cho nhiệm vụ đó. Các ứng dụng được tạo ra để giúp những tác vụ cụ thể trở nên nhanh hơn và dễ dàng hơn.

Giống như các ứng dụng trên điện thoại, các ứng dụng chuyên biệt, thường được tinh chỉnh và sử dụng API, sẽ giúp tập trung cách bạn tương tác với các mô hình nền tảng. Thực tế, OpenAI Store được xây dựng theo mô hình Apple App Store và cung cấp các “GPT” cá thể hoá. Bạn cũng có thể tự tinh chỉnh ứng dụng của mình từ dòng mô hình LLaMA đã được huấn luyện sẵn.

Một nhóm các công cụ nghiên cứu học thuật (ví dụ như Elicit, Consensus và ResearchRabbit) kết nối ChatGPT với cơ sở dữ liệu của Semantic Scholar gồm 175 triệu bài báo, nhằm đảm bảo việc tìm kiếm dẫn bạn hoặc sinh viên của bạn tới các nghiên cứu đã được xuất bản. Với dữ liệu và CÂU LỆNH phù hợp (“chỉ tìm kiếm các nguồn học thuật trong các tạp chí X, sử dụng phương pháp Y và xác minh tất cả liên kết”), bạn có thể tái tạo nhiều tính năng của chúng, nhưng đôi khi một công cụ chuyên biệt với giao diện thân thiện sẽ hữu ích và nhanh hơn so với việc xây dựng các CÂU LỆNH phức tạp.

LearnLM (từ Google), ChatGPT Edu (từ OpenAI), và Tutor Mode (từ BoodleBox) đều được tinh chỉnh để trở thành các thầy dạy kèm hội thoại tốt hơn trong giáo dục, và rõ ràng các tập đoàn công nghệ lớn xem giáo dục là một thị trường tiềm năng.

LearnLM là một phiên bản của Gemini được huấn luyện thêm để khuyến khích học tập chủ động, quản lý tải nhận thức, tăng cường siêu nhận thức (metacognition), kích thích sự tò mò và thích ứng với nhu cầu của người học (Jurenka và cộng sự, 2024). Một phần những điều này bạn có thể thực hiện bằng các CÂU LỆNH riêng lẻ, nhưng LearnLM cho phép AI học và thích nghi trong khuôn khổ sư phạm này; các tương tác và đánh giá bổ sung từ sinh viên và giáo viên đã giúp nó làm được điều đó. (Nếu việc viết CÂU LỆNH giống như đưa ra một công thức, thì fine-tuning giống như dạy AI cách nấu ăn.) Cách tiếp cận này cũng giúp tránh được nhiều hạn chế phổ biến khi dùng AI tổng quát để dạy học: đưa sẵn đáp án, gây quá tải thông tin, và đồng ý với mọi điều người học nói.

Dòng trên cùng của hình 1.1 cho thấy các mô hình ngôn ngữ lớn (LLM) chủ yếu của Mỹ. Bên dưới là một loạt các công cụ API. Phần lớn trong số này tương tác với ChatGPT vì đây là sản phẩm ra mắt sớm nhất, nhưng điều đó sẽ thay đổi theo thời gian. Microsoft và Google đang tích hợp trực tiếp AI của họ, Microsoft Copilot và Gemini, vào các sản phẩm khác, và bạn có thể thêm các tiện ích mở rộng để tóm tắt video YouTube hoặc lập kế hoạch cho kỳ nghỉ trên Expedia. Bạn sẽ không thể theo dõi hết tất cả các hệ thống AI đang “ẩn mình” trong cuộc sống của bạn (và đừng nghĩ quá nhiều về việc các công ty bảo hiểm, nhà quảng cáo hay chính phủ có thể làm gì với dữ liệu mà chiếc xe của bạn biết về bạn), nhưng sẽ rất hữu ích nếu bạn biết rằng có nhiều công cụ khác nhau đang tận dụng API trên thị trường, cũng như mỗi công cụ có thể thực hiện những nhiệm vụ cụ thể nào (và công cụ nào làm tốt hơn công cụ khác). Đây chắc chắn là một phần của năng lực hiểu biết về AI (AI literacy) mà tất cả chúng ta cần phát triển.

AI không phải là điều mới: nó đã định hình bảng tin mạng xã hội và các đề xuất trên Amazon của bạn trong nhiều năm. Tuy nhiên, làn sóng AI mới đang xuất hiện công khai này thì khác. Trước đây, AI giúp “chọn lọc” thế giới của bạn (những gì bạn nhìn thấy và đọc trực tuyến), còn AI dựa trên Generative Pre-trained Transformer giờ đây cho phép bạn tạo ra thế giới của mình.

Hình 1.1: Dòng trên cùng hiển thị các mô hình ngôn ngữ lớn nền tảng (LLM) khác nhau, cùng với một số “ứng dụng” phần mềm tương tác với chúng thông qua các API.

Chúng ta mới chỉ bắt đầu khám phá những gì AI tạo sinh có thể làm được, nhưng hiểu biết về AI sẽ trở thành một kỹ năng thiết yếu trong công việc và cuộc sống đối với cả giảng viên lẫn sinh viên. Thực tế, nó đã nhanh chóng trở thành một kết quả học tập thiết yếu của giáo dục đại học.

Chúng ta cần tích hợp năng lực hiểu biết về AI vào trong lớp học, nhưng trước hết cần hiểu rõ AI đang thay đổi công việc và tương lai nghề nghiệp của sinh viên như thế nào.