Phân biệt AI và Generative AI theo khả năng tạo nội dung

AI là phạm trù rộng, Generative AI là một nhánh của AI

AI không được xác định chỉ bởi khả năng tạo nội dung. Theo cách định nghĩa của OECD, một hệ thống AI có thể suy luận từ dữ liệu đầu vào để tạo ra nhiều loại kết quả, gồm dự đoán, nội dung, khuyến nghị hoặc quyết định. NIST cũng mô tả AI theo nghĩa rộng, bao gồm những hệ thống thực hiện các nhiệm vụ liên quan đến nhận thức, học, lập kế hoạch, giao tiếp hoặc hành động.

Trong phạm vi đó, Generative AI chuyên về generation — sinh ra đầu ra mới. NIST định nghĩa Generative AI là lớp mô hình mô phỏng cấu trúc và đặc điểm của dữ liệu đầu vào để tạo nội dung tổng hợp, có thể gồm chữ viết, hình ảnh, video, âm thanh và các dạng nội dung số khác.

Có thể hình dung quan hệ này như sau:

AI → Machine Learning → nhiều nhóm mô hình và phương pháp → trong đó có Generative AI

Cách minh họa trên không có nghĩa mọi hệ thống Generative AI đều phải thuộc một kiến trúc duy nhất. Điểm quan trọng là Generative AI nằm bên trong phạm vi AI, thay vì là một công nghệ đối lập với AI.

Điều này cũng giải thích vì sao câu hỏi “AI hay Generative AI tốt hơn?” thường không chính xác về mặt khái niệm. Muốn so sánh có ý nghĩa, cần đặt Generative AI cạnh một nhóm AI có nhiệm vụ cụ thể, chẳng hạn mô hình phân loại, dự báo hoặc phát hiện bất thường.

Mục tiêu xử lý là điểm khác biệt quan trọng nhất

Một hệ thống AI có thể được xây dựng để trả lời những câu hỏi như:

·         Giao dịch này có dấu hiệu gian lận hay không

·         Khách hàng có khả năng rời bỏ dịch vụ hay không

·         Sản phẩm nào nên được đề xuất cho người dùng

·         Hình ảnh này thuộc nhóm nào

·         Máy móc có khả năng gặp sự cố trong thời gian tới hay không

Trong các trường hợp đó, giá trị của hệ thống nằm ở việc suy luận từ dữ liệu để đưa ra một kết quả phục vụ nhiệm vụ xác định. Đầu ra có thể là nhãn phân loại, xác suất, điểm số, dự báo, khuyến nghị hoặc quyết định.

Generative AI giải quyết một loại nhiệm vụ khác: dựa trên yêu cầu và ngữ cảnh được cung cấp để tạo một sản phẩm thông tin mới. Chẳng hạn:

·         Viết một đoạn văn từ yêu cầu

·         Tạo hình ảnh từ mô tả

·         Sinh mã nguồn

·         Tóm tắt tài liệu bằng ngôn ngữ mới

·         Tạo giọng nói hoặc âm thanh

·         Soạn câu trả lời hội thoại

Sự khác biệt vì thế không nằm ở việc một bên “thông minh” hơn bên kia. Chúng được tối ưu cho những loại đầu ra khác nhau.

Một hệ thống phát hiện thư rác có thể thực hiện đúng nhiệm vụ với hai kết quả “spam” và “không spam”. Việc nó không viết được email mới không phải là hạn chế nếu mục tiêu thiết kế chỉ là phân loại. Ngược lại, mô hình ngôn ngữ được dùng để soạn email phải có khả năng tạo ra chuỗi từ mới phù hợp với yêu cầu.

AI và Generative AI sử dụng dữ liệu theo cách khác nhau như thế nào?

Cả AI và Generative AI đều có thể học từ dữ liệu. Vì thế, không nên phân biệt hai nhóm bằng kết luận đơn giản rằng “AI dùng dữ liệu có cấu trúc còn Generative AI dùng dữ liệu phi cấu trúc”. Trong thực tế, loại dữ liệu phụ thuộc vào bài toán và mô hình.

Điểm khác biệt có ý nghĩa hơn nằm ở mục tiêu học từ dữ liệu.

Với nhiều hệ thống AI dự đoán hoặc phân loại, quá trình huấn luyện nhằm học quan hệ giữa đầu vào và một kết quả cần xác định. Ví dụ, một mô hình phát hiện gian lận có thể học từ đặc điểm giao dịch và nhãn lịch sử để ước lượng khả năng giao dịch mới là bất thường.

Generative AI phải học đủ đặc điểm và quan hệ trong dữ liệu để có thể sinh ra một đầu ra mới có cấu trúc tương tự loại dữ liệu mà mô hình đã học. Đây là lý do mô hình tạo văn bản cần nắm được những quan hệ giữa từ, câu và ngữ cảnh, trong khi mô hình tạo ảnh cần học các cấu trúc thị giác để tổng hợp hình ảnh phù hợp với yêu cầu.

NIST mô tả đặc điểm cốt lõi này là việc mô hình Generative AI mô phỏng cấu trúc và đặc tính của dữ liệu đầu vào nhằm tạo ra nội dung tổng hợp dẫn xuất.

Tuy nhiên, “học từ dữ liệu” không đồng nghĩa “sao chép dữ liệu”. Mục tiêu của hệ thống sinh là tạo đầu ra dựa trên những biểu diễn và quan hệ mà mô hình đã học. Chất lượng đầu ra vẫn phụ thuộc vào dữ liệu huấn luyện, thiết kế mô hình, ngữ cảnh đầu vào và cơ chế kiểm soát.

Đồng thời, không phải mọi AI đều cần được huấn luyện theo cùng một cách. AI là phạm trù rộng nên có thể bao gồm những hệ thống sử dụng các phương pháp khác nhau; vì vậy không thể lấy một quy trình huấn luyện duy nhất làm đặc điểm chung của toàn bộ AI.

Đầu ra của Generative AI khác AI dự đoán và phân loại ở đâu?

Đây là cách phân biệt dễ quan sát nhất.

Ranh giới quan trọng nằm ở chữ “tạo” nhưng không nên hiểu một cách tuyệt đối rằng AI thông thường không bao giờ tạo nội dung. Chính định nghĩa AI hiện hành của OECD đã bao gồm “content” trong các dạng đầu ra mà một hệ thống AI có thể tạo ra. Điểm đúng hơn là khả năng sinh nội dung là đặc trưng trung tâm của Generative AI, còn AI nói chung không bị giới hạn vào nhiệm vụ này.

Một hệ thống cũng có thể kết hợp nhiều chức năng. Ví dụ, ứng dụng có thể dùng một mô hình để phân loại yêu cầu của người dùng, một mô hình khác để truy xuất dữ liệu, rồi dùng Generative AI để tạo câu trả lời. Khi đó, sản phẩm tổng thể là một hệ thống AI gồm cả thành phần sinh và không sinh.

Ví dụ giúp nhận biết AI và Generative AI trong thực tế

Xét hệ thống xử lý hồ sơ vay vốn.

Một mô hình AI có thể nhận thông tin tài chính của khách hàng rồi đưa ra điểm rủi ro hoặc xác suất vỡ nợ. Kết quả chính là một dự đoán phục vụ quá trình đánh giá.

Nếu bổ sung Generative AI, hệ thống có thể dùng các dữ liệu phù hợp để soạn phần giải thích bằng ngôn ngữ tự nhiên cho nhân viên xử lý hồ sơ. Hai thành phần cùng thuộc AI nhưng hoàn thành hai Information Task khác nhau.

Trong xử lý hình ảnh cũng tương tự. Một mô hình nhận dạng có thể xác định ảnh chứa mèo hay chó. Mô hình Generative AI lại có thể nhận yêu cầu “tạo hình một con mèo đang ngồi bên cửa sổ” rồi tổng hợp một hình ảnh mới.

Với văn bản, bộ lọc thư rác chủ yếu trả về phân loại. Một mô hình Generative AI có thể soạn thư trả lời. Trong lập trình, một hệ thống phát hiện lỗi có thể xác định đoạn mã có vấn đề, còn mô hình sinh có thể đề xuất hoặc tạo đoạn mã mới.

Những ví dụ này cho thấy tiêu chí hữu ích không phải là “hệ thống có dùng AI không?”, bởi cả hai đều dùng AI. Câu hỏi nên là “AI đang thực hiện nhiệm vụ gì và loại đầu ra cần tạo là gì?”

Khi nào cần AI dự đoán, khi nào cần Generative AI?

Nếu nhiệm vụ cần một kết quả có cấu trúc rõ như phân loại, dự báo, chấm điểm, phát hiện hoặc khuyến nghị, một hệ thống AI được tối ưu trực tiếp cho nhiệm vụ đó thường là lựa chọn phù hợp về mặt chức năng. Không có lý do phải dùng mô hình sinh chỉ vì Generative AI có khả năng tạo đầu ra linh hoạt hơn.

Generative AI phù hợp khi nhiệm vụ thực sự cần tạo ra nội dung có nhiều khả năng biểu đạt, chẳng hạn viết, tóm tắt, hội thoại, tạo hình ảnh hoặc sinh mã.

Có thể lựa chọn theo nguyên tắc:

·         Cần xác định “đây là gì?” → ưu tiên bài toán nhận dạng hoặc phân loại

·         Cần ước lượng “điều gì sẽ xảy ra?” → ưu tiên bài toán dự báo

·         Cần xác định “nên đề xuất gì?” → ưu tiên hệ thống khuyến nghị hoặc ra quyết định phù hợp

·         Cần tạo “một nội dung mới như thế nào?” → Generative AI trở thành lựa chọn đáng xem xét

Ranh giới này không tuyệt đối vì một sản phẩm thực tế có thể kết hợp nhiều mô hình. Generative AI cũng không tự động thay thế các hệ thống AI chuyên biệt: một hệ thống được chọn dựa trên nhiệm vụ, yêu cầu đầu ra và mức độ tin cậy cần thiết, không đơn thuần dựa trên khả năng sinh nội dung.

AI và Generative AI vì thế không phải hai khái niệm tách biệt ở cùng cấp. AI là phạm trù bao quát; Generative AI là một nhánh của AI được thiết kế quanh khả năng tạo nội dung mới. AI có thể phục vụ dự báo, nhận dạng, phân loại, khuyến nghị, quyết định và nhiều nhiệm vụ khác, trong khi Generative AI nổi bật ở việc tổng hợp văn bản, hình ảnh, âm thanh, video hoặc mã từ những cấu trúc đã học.

Khi cần phân biệt một hệ thống cụ thể, ba câu hỏi hữu ích nhất là: mục tiêu của hệ thống là gì, nó học hoặc sử dụng dữ liệu để thực hiện mục tiêu đó như thế nào và đầu ra cuối cùng là dự đoán/quyết định hay nội dung được sinh mới. Ba tiêu chí này giúp tránh nhầm Generative AI với toàn bộ lĩnh vực AI.