Lịch sử trí tuệ nhân tạo: Từ những cỗ máy biết suy luận đến kỷ nguyên AI Agent

Trí tuệ nhân tạo (Artificial Intelligence – AI) ngày nay đã trở thành một phần quen thuộc của cuộc sống. Chúng ta có thể trò chuyện với chatbot, tạo hình ảnh bằng vài dòng mô tả, nhờ AI viết code, phân tích tài liệu hoặc thậm chí giao cho AI thực hiện một chuỗi công việc.

Nhưng AI không xuất hiện chỉ trong vài năm gần đây.

Lịch sử AI đã trải qua hơn 70 năm với rất nhiều giai đoạn thăng trầm: từ những chương trình chỉ biết làm theo luật do con người viết, đến Machine Learning, Deep Learning, Large Language Models và hiện nay là AI Agent.

Hiểu lịch sử AI giúp chúng ta hiểu vì sao công nghệ này phát triển nhanh như vậy và quan trọng hơn: AI đang thực sự đi về đâu?

1. Ý tưởng về một cỗ máy có thể suy nghĩ

Từ rất lâu trước khi thuật ngữ "Artificial Intelligence" xuất hiện, con người đã có ý tưởng về những cỗ máy có khả năng suy nghĩ hoặc hành động giống con người.

Một cột mốc quan trọng xuất hiện vào năm 1950, khi nhà toán học và khoa học máy tính người Anh Alan Turing công bố bài báo Computing Machinery and Intelligence.

Thay vì cố gắng định nghĩa chính xác "máy có suy nghĩ hay không", Turing đặt ra một câu hỏi thực tế hơn:

Liệu con người có thể phân biệt được một cỗ máy với một con người thông qua giao tiếp hay không?

Ý tưởng này sau này được biết đến rộng rãi với tên gọi Turing Test.

Đây là một trong những nền tảng tư tưởng quan trọng của lĩnh vực AI.

2. Năm 1956 – thuật ngữ Artificial Intelligence ra đời

Năm 1956, một nhóm các nhà khoa học tổ chức hội thảo tại Dartmouth College, Mỹ.

Trong số những người tham gia có John McCarthy, Marvin Minsky, Claude Shannon và Nathaniel Rochester.

John McCarthy đã sử dụng thuật ngữ:

Artificial Intelligence

hay Trí tuệ nhân tạo.

Mục tiêu của các nhà nghiên cứu khi đó rất tham vọng.

Họ tin rằng nhiều hoạt động trí tuệ của con người có thể được mô tả đủ chính xác để máy tính thực hiện.

Những hoạt động đó bao gồm:

suy luận giải quyết vấn đề sử dụng ngôn ngữ học tập chơi game nhận thức

Đây thường được xem là thời điểm AI chính thức trở thành một lĩnh vực nghiên cứu độc lập.

3. Những năm 1950–1960: AI dựa trên luật và logic

AI thời kỳ đầu rất khác với ChatGPT ngày nay.

Máy tính chưa có khả năng "học" từ hàng tỷ dữ liệu.

Thay vào đó, con người phải viết kiến thức và quy tắc cho máy.

Ví dụ:

IF nhiệt độ > 38°C AND ho = có AND đau họng = có

THEN có khả năng bị cúm

Máy tính sẽ sử dụng các luật này để suy luận.

Một trong những chương trình nổi tiếng thời kỳ này là Logic Theorist, được phát triển vào năm 1956 và có khả năng chứng minh một số định lý toán học.

Một ví dụ khác là ELIZA, chatbot được Joseph Weizenbaum phát triển vào năm 1966.

ELIZA có thể tạo cảm giác như đang trò chuyện với con người, nhưng thực chất chủ yếu dựa trên việc nhận diện mẫu câu và đưa ra phản hồi theo các quy tắc được lập trình trước.

Đây là đặc điểm chung của AI thời kỳ đầu:

Con người cung cấp kiến thức → máy áp dụng luật → máy đưa ra kết quả.

4. Những năm 1970: AI Winter

Những năm đầu tiên của AI tạo ra rất nhiều kỳ vọng.

Một số nhà nghiên cứu dự đoán rằng máy tính sẽ nhanh chóng có khả năng thực hiện phần lớn công việc trí tuệ của con người.

Nhưng thực tế khó khăn hơn rất nhiều.

Máy tính khi đó có:

năng lực tính toán hạn chế bộ nhớ nhỏ dữ liệu ít thuật toán chưa đủ mạnh khả năng xử lý ngôn ngữ còn rất hạn chế

Nhiều bài toán tưởng như đơn giản đối với con người lại cực kỳ khó đối với máy tính.

Khi kết quả không đạt được như kỳ vọng, nguồn tài trợ và sự quan tâm dành cho AI giảm xuống.

Giai đoạn này được gọi là:

AI Winter – mùa đông AI.

AI không biến mất, nhưng tốc độ phát triển chậm lại đáng kể.

5. Những năm 1980: Kỷ nguyên Expert System

AI bắt đầu quay trở lại với một hướng tiếp cận thực tế hơn:

Expert System – hệ thống chuyên gia.

Thay vì cố tạo ra một trí tuệ nhân tạo có khả năng giải quyết mọi vấn đề, các nhà nghiên cứu xây dựng hệ thống chuyên môn cho từng lĩnh vực.

Ví dụ, một hệ thống có thể chứa kiến thức của chuyên gia y tế:

IF triệu chứng A AND triệu chứng B AND xét nghiệm C

THEN có khả năng mắc bệnh X

Một hệ thống nổi tiếng là MYCIN, được phát triển tại Stanford và sử dụng các luật để hỗ trợ chẩn đoán một số bệnh nhiễm trùng.

Expert System từng được ứng dụng trong:

y tế tài chính sản xuất dầu khí bảo trì tư vấn kỹ thuật

Tuy nhiên, mô hình này có một điểm yếu rất lớn.

Con người phải liên tục đưa kiến thức vào hệ thống.

Nếu thế giới thay đổi, các luật cũng phải được cập nhật.

Đây chính là một trong những động lực dẫn tới sự phát triển của Machine Learning.

6. Những năm 1990: Máy bắt đầu học từ dữ liệu

Một sự thay đổi quan trọng xảy ra.

Thay vì nói cho máy biết tất cả các quy tắc, các nhà nghiên cứu bắt đầu tìm cách để:

Cho máy dữ liệu và để máy tự tìm ra quy luật.

Đây chính là Machine Learning.

Ví dụ, thay vì lập trình:

IF email chứa "FREE MONEY" THEN spam

chúng ta có thể đưa cho máy hàng triệu email đã được gắn nhãn:

email 1 → spam email 2 → normal email 3 → spam email 4 → normal ...

Thuật toán sẽ tìm ra những đặc điểm giúp phân biệt spam và email bình thường.

Một số thuật toán Machine Learning nổi tiếng gồm:

Decision Tree Support Vector Machine Random Forest Naive Bayes Logistic Regression Neural Network

Tư duy của AI bắt đầu thay đổi:

Từ "lập trình trí thông minh" sang "học trí thông minh từ dữ liệu".

7. Năm 1997: Deep Blue đánh bại Kasparov

Năm 1997, IBM Deep Blue đánh bại nhà vô địch cờ vua thế giới Garry Kasparov.

Đây là một cột mốc mang tính biểu tượng.

Deep Blue có thể đánh giá và tìm kiếm một số lượng cực lớn các nước đi trong cờ vua.

Tuy nhiên, cần lưu ý rằng Deep Blue vẫn rất khác AI hiện đại.

Nó chủ yếu dựa vào:

sức mạnh tính toán thuật toán tìm kiếm cơ sở kiến thức hàm đánh giá vị trí

Nó không phải là một Large Language Model và cũng không học theo cách ChatGPT hiện nay.

Dù vậy, sự kiện này chứng minh một điều quan trọng:

Máy tính có thể vượt qua con người trong những nhiệm vụ trí tuệ rất phức tạp nếu được cung cấp thuật toán và năng lực tính toán phù hợp.

8. Những năm 2000: Big Data thay đổi cuộc chơi

Internet phát triển mạnh khiến lượng dữ liệu trên thế giới tăng lên theo cấp số nhân.

Con người bắt đầu có:

hàng tỷ trang web hàng triệu hình ảnh video email tài liệu dữ liệu giao dịch dữ liệu người dùng

AI cuối cùng đã có thứ mà nó rất cần:

Dữ liệu.

Nhưng dữ liệu lớn vẫn chưa đủ.

Cần thêm một yếu tố quan trọng:

năng lực tính toán.

Và đây là lúc GPU trở thành một phần quan trọng của câu chuyện AI.

9. Năm 2012: Deep Learning bùng nổ

Năm 2012 là một trong những bước ngoặt lớn nhất của AI hiện đại.

Tại cuộc thi ImageNet, nhóm nghiên cứu của Alex Krizhevsky, Ilya Sutskever và Geoffrey Hinton sử dụng mạng neural sâu, sau này được biết đến với tên AlexNet, và đạt kết quả vượt trội so với các phương pháp trước đó.

Sự thành công này cho thấy một công thức rất mạnh:

Big Data + Neural Network + GPU + thuật toán tốt

có thể tạo ra bước tiến rất lớn.

Từ đây, Deep Learning phát triển cực nhanh.

AI bắt đầu đạt những tiến bộ lớn trong:

nhận dạng hình ảnh nhận dạng giọng nói xử lý ngôn ngữ dịch máy phát hiện vật thể xe tự hành

Và GPU dần trở thành một trong những hạ tầng quan trọng nhất của AI.

10. Năm 2017: Transformer – bước ngoặt của AI ngôn ngữ

Nếu phải chọn một công nghệ làm nền móng cho kỷ nguyên ChatGPT, Transformer chắc chắn nằm trong danh sách quan trọng nhất.

Năm 2017, Google công bố bài báo:

Attention Is All You Need

và giới thiệu kiến trúc Transformer.

Một thành phần quan trọng của Transformer là:

Self-Attention.

Nó cho phép mô hình xem xét mối quan hệ giữa các từ hoặc token trong một chuỗi.

Ví dụ:

The animal didn't cross the street because it was tired.

Để hiểu câu này, AI cần xác định "it" đang liên quan đến đối tượng nào.

Self-Attention giúp mô hình xử lý những mối quan hệ như vậy hiệu quả hơn.

Transformer sau đó trở thành nền móng của rất nhiều mô hình AI hiện đại:

BERT GPT T5 PaLM Llama Gemini Claude nhiều mô hình ngôn ngữ lớn khác 11. 2018–2020: BERT, GPT và sự xuất hiện của Large Language Model

Năm 2018, Google giới thiệu BERT.

Cũng trong năm đó, OpenAI giới thiệu GPT – Generative Pre-trained Transformer.

Sau đó là:

GPT ↓ GPT-2 ↓ GPT-3 ↓ GPT-3.5 ↓ GPT-4 ↓ các thế hệ mô hình tiếp theo

Ý tưởng cốt lõi của GPT khá đơn giản nhưng cực kỳ mạnh:

Dự đoán token tiếp theo dựa trên ngữ cảnh trước đó.

Ví dụ:

Hà Nội là thủ đô của ...

Mô hình có xác suất cao dự đoán:

Việt Nam

Khi mô hình được huấn luyện trên lượng dữ liệu khổng lồ và có quy mô ngày càng lớn, nó bắt đầu thể hiện khả năng thực hiện nhiều nhiệm vụ khác nhau:

viết văn bản dịch ngôn ngữ tóm tắt trả lời câu hỏi viết code phân tích suy luận

Đây là sự xuất hiện rõ ràng của khái niệm:

Large Language Model – LLM.

12. Foundation Model: Một AI làm được nhiều việc

AI trước đây thường được thiết kế cho một nhiệm vụ.

Ví dụ:

Model A → nhận diện ảnh Model B → dịch Model C → nhận dạng giọng nói Model D → phát hiện spam

Foundation Model tạo ra một cách tiếp cận khác:

┌── viết ├── dịch Foundation ─────┼── code Model ├── phân tích ├── hỏi đáp └── suy luận

Một mô hình lớn có thể được sử dụng cho rất nhiều nhiệm vụ khác nhau.

Đây là một thay đổi rất quan trọng trong cách xây dựng sản phẩm AI.

13. Năm 2022: ChatGPT đưa AI đến với hàng trăm triệu người

Ngày 30/11/2022, OpenAI phát hành ChatGPT.

Đây là một bước ngoặt lớn về mặt phổ cập AI.

Trước đó, AI đã tồn tại trong nhiều sản phẩm nhưng phần lớn người dùng không trực tiếp tương tác với mô hình.

ChatGPT thay đổi điều đó.

Người dùng chỉ cần viết:

Hãy giải thích cho tôi Docker là gì.

hoặc:

Viết một chương trình Python đọc file CSV.

và nhận được phản hồi ngay lập tức.

Điều đặc biệt không chỉ nằm ở bản thân LLM.

Một hệ thống như ChatGPT kết hợp nhiều thành phần:

mô hình ngôn ngữ instruction tuning human feedback giao diện hội thoại hệ thống inference hạ tầng GPU quy mô lớn

AI từ một lĩnh vực nghiên cứu trở thành một công cụ phổ thông.

14. 2023–2024: AI bước vào kỷ nguyên Multimodal

AI không còn giới hạn trong văn bản.

Các mô hình mới bắt đầu xử lý nhiều loại dữ liệu:

Text Image Audio Video Code Document

Ví dụ, người dùng có thể đưa cho AI một ảnh:

Ảnh hóa đơn ↓ Vision AI ↓ OCR ↓ Hiểu nội dung ↓ Trích xuất dữ liệu ↓ JSON / Database

Điều này mở ra rất nhiều ứng dụng mới:

OCR phân tích tài liệu nhận diện hình ảnh phân tích video trợ lý giọng nói AI coding kiểm tra giao diện phân tích biểu đồ

AI bắt đầu tiến gần hơn tới khả năng nhận thức đa phương thức của con người.

15. AI Reasoning: AI không chỉ trả lời mà còn giải quyết vấn đề

Một hướng phát triển quan trọng tiếp theo là Reasoning AI.

Các mô hình mới được tối ưu cho những bài toán cần nhiều bước xử lý hơn.

Ví dụ:

Bài toán ↓ Phân tích ↓ Lập kế hoạch ↓ Suy luận ↓ Kiểm tra ↓ Kết quả

Điều này đặc biệt quan trọng đối với:

toán học lập trình khoa học phân tích dữ liệu troubleshooting lập kế hoạch các bài toán nhiều bước

Sự khác biệt ngày càng rõ giữa:

AI tạo câu trả lời

và

AI giải quyết một vấn đề.

16. 2025–2026: Kỷ nguyên AI Agent

Nếu LLM là bước tiến từ:

"AI biết nói"

thì AI Agent hướng tới:

"AI biết làm".

Một chatbot truyền thống:

User ↓ LLM ↓ Answer

Một AI Agent có thể hoạt động như:

User ↓ AI Agent ├── Search Web ├── đọc tài liệu ├── gọi API ├── truy vấn Database ├── viết Code ├── chạy chương trình ├── kiểm tra kết quả └── thực hiện hành động

Ví dụ trong môi trường doanh nghiệp:

Developer ↓ Telegram ↓ AI Agent ↓ Kiểm tra Git ↓ Build ↓ Test ↓ Deploy ↓ Health Check ↓ Thông báo kết quả

Lúc này AI không còn đơn thuần là một chatbot.

Nó trở thành một worker kỹ thuật số.

17. Từ AI Model đến AI Infrastructure

Một điều rất thú vị là lịch sử AI không chỉ là lịch sử của thuật toán.

Đó còn là lịch sử của hạ tầng tính toán.

Có thể nhìn quá trình này như sau:

CPU ↓ GPU ↓ CUDA ↓ Distributed GPU ↓ Deep Learning ↓ Transformer ↓ LLM ↓ Multimodal AI ↓ AI Agent

Ngày nay, để huấn luyện hoặc vận hành các mô hình AI lớn cần rất nhiều thành phần:

GPU CPU RAM NVMe network tốc độ cao storage container orchestration model serving monitoring data pipeline

AI vì thế không còn chỉ là câu chuyện của các nhà nghiên cứu thuật toán.

Nó đã trở thành bài toán của cả:

Hardware + Software + Data + Network + Cloud + Security + Operations.

18. Vì sao GPU trở nên quan trọng như vậy?

Neural Network cần thực hiện một lượng khổng lồ các phép toán ma trận.

GPU được thiết kế để thực hiện nhiều phép tính song song.

Ví dụ đơn giản:

CPU

Task 1 Task 2 Task 3 Task 4

Trong khi GPU có thể xử lý:

GPU

Task 1 Task 2 Task 3 Task 4 Task 5 Task 6 Task 7 Task 8 Task 9 Task10 Task11 Task12 ...

Đối với Deep Learning, khả năng tính toán song song này cực kỳ quan trọng.

Đó cũng là lý do hệ sinh thái GPU, đặc biệt là CUDA, trở thành một thành phần quan trọng trong hạ tầng AI hiện đại.

19. AI đang thay đổi cách chúng ta xây dựng phần mềm

Trước đây:

Human ↓ Write Code ↓ Compile ↓ Run

Ngày nay:

Human ↓ Describe Problem ↓ AI ↓ Generate Code ↓ Human Review ↓ Test ↓ Deploy

Trong tương lai, quy trình có thể tiến thêm một bước:

Human ↓ Describe Goal ↓ AI Agent ↓ Plan ↓ Code ↓ Test ↓ Deploy ↓ Monitor ↓ Fix

Con người ngày càng chuyển từ việc viết từng dòng code sang việc:

xác định mục tiêu → kiểm soát AI → kiểm tra kết quả.

20. Tương lai của AI sẽ đi về đâu?

Không ai có thể biết chính xác AI sẽ đạt tới đâu.

Nhưng nếu nhìn theo hướng phát triển của những thập kỷ vừa qua, có thể thấy một xu hướng khá rõ:

Rules ↓ Machine Learning ↓ Deep Learning ↓ Foundation Models ↓ Reasoning ↓ Agents ↓ Autonomous Systems?

AI ngày càng chuyển từ:

"nhận biết"

sang:

"hiểu"

sang:

"suy luận"

và cuối cùng là:

"hành động".

Tuy nhiên, điều đó không có nghĩa AI sẽ tự động trở thành một trí tuệ giống con người. Các vấn đề về độ chính xác, hallucination, bảo mật, quyền riêng tư, chi phí tính toán, bản quyền và kiểm soát hành động vẫn là những bài toán rất lớn.

21. AI và con người

Có một cách nhìn đơn giản về lịch sử AI:

Giai đoạn 1

Con người dạy máy bằng luật.

Giai đoạn 2

Con người cho máy dữ liệu để máy tự học.

Giai đoạn 3

Con người xây dựng các mô hình nền tảng có khả năng xử lý nhiều nhiệm vụ.

Giai đoạn 4

Con người giao cho AI công cụ để AI tự thực hiện công việc.

Đây có thể là thay đổi quan trọng nhất.

AI không nhất thiết thay thế toàn bộ con người.

Nhưng người biết sử dụng AI có thể thay đổi hoàn toàn cách họ làm việc.

Một lập trình viên có AI Agent.

Một nhân viên marketing có AI Agent.

Một kỹ sư hệ thống có AI Agent.

Một doanh nghiệp có thể có hàng trăm hoặc hàng nghìn AI Agent thực hiện các nhiệm vụ khác nhau.

22. Kết luận

Lịch sử AI không phải là câu chuyện của một công nghệ xuất hiện đột ngột vào năm 2022.

Nó là kết quả của hơn 70 năm nghiên cứu, với nhiều lần thất bại và nhiều bước tiến quan trọng:

1950 Turing ↓ 1956 Artificial Intelligence ↓ 1960s Rule-based AI ↓ 1980s Expert Systems ↓ 1990s Machine Learning ↓ 2012 Deep Learning ↓ 2017 Transformer ↓ 2018+ GPT / Foundation Models ↓ 2022 ChatGPT ↓ 2023+ Multimodal AI ↓ 2024+ Reasoning AI ↓ 2025–2026 AI Agents

Nếu Machine Learning giúp máy học, Deep Learning giúp máy học tốt hơn, Transformer giúp máy hiểu và tạo ngôn ngữ ở quy mô lớn, thì AI Agent đang hướng tới việc giúp máy thực hiện công việc.

Và có lẽ đây mới chỉ là phần đầu của một giai đoạn mới.

Từ những cỗ máy chỉ biết làm theo vài dòng luật vào những năm 1950, chúng ta đã đi tới những hệ thống có thể đọc tài liệu, viết phần mềm, nhìn hình ảnh, nghe giọng nói, suy luận và sử dụng công cụ.

Câu hỏi lớn tiếp theo không còn đơn giản là:

"Máy có thể suy nghĩ không?"

Mà có thể sẽ là:

"Con người sẽ giao cho máy bao nhiêu quyền để máy tự suy nghĩ và hành động?"

Đó có lẽ sẽ là một trong những câu hỏi quan trọng nhất của kỷ nguyên AI tiếp theo.