AI, Generative AI và LLM Là Gì?
AI, Generative AI và LLM Là Gì?
Phân biệt chính xác AI, Generative AI, và LLM — quan hệ bao hàm AI ⊃ GenAI ⊃ LLM, và vì sao Claude/ChatGPT/Gemini đều là LLM.
Nắm vững nguyên lý và khái niệm nền tảng trước khi đi vào công cụ thực tế.
Áp dụng quy trình từng bước, case study thực chiến và template mẫu có sẵn.
Kiểm tra checklist hoàn thành, né tránh các sai lầm kinh điển để vận hành bền vững.
Nắm vững các khái niệm nền tảng, cơ chế hoạt động và mô hình tư duy cốt lõi.
1. Mục tiêu học tập
Sau bài này, bạn có thể:
2. Khái niệm cốt lõi
Ba khái niệm này có quan hệ bao hàm lồng nhau, không phải ba thứ ngang hàng:
- Artificial Intelligence (AI) — khái niệm rộng nhất: bất kỳ hệ thống nào được thiết kế để thực hiện tác vụ thường đòi hỏi trí tuệ con người (nhận dạng ảnh, chơi cờ, dịch thuật, lái xe tự động…). AI không nhất thiết phải “sinh” ra nội dung mới — một hệ thống AI có thể chỉ phân loại hoặc dự đoán.
- Generative AI (GenAI) — một nhóm con của AI: theo định nghĩa chính thức của NIST, đây là “the class of AI models that emulate the structure and characteristics of input data in order to generate derived synthetic content” — tức các model học cấu trúc/đặc điểm của dữ liệu đầu vào để tạo ra nội dung tổng hợp mới. Điểm khác biệt cốt lõi với AI nói chung: GenAI tạo ra cái mới, không chỉ phân loại/dự đoán trên cái đã có.
- Large Language Model (LLM) — một nhóm con của GenAI, chuyên cho ngôn ngữ: theo định nghĩa của NIST, LLM là model được huấn luyện trên lượng văn bản khổng lồ để học quan hệ giữa các từ, áp dụng để dự đoán/sinh phản hồi ngôn ngữ tự nhiên. Anthropic mô tả tương tự: “AI language models with many parameters… trained on vast amounts of text data”.
Quan hệ bao hàm: AI ⊃ GenAI ⊃ LLM. Một LLM luôn là GenAI, và GenAI luôn là AI — nhưng chiều ngược lại không đúng: không phải AI nào cũng là GenAI (bộ lọc spam email là AI nhưng không “sinh” nội dung), và không phải GenAI nào cũng là LLM (model tạo ảnh là GenAI nhưng không phải LLM).
Claude, ChatGPT, và Gemini đều là sản phẩm/trợ lý được xây trên nền một LLM (cộng thêm fine-tuning, RLHF, giao diện, tool integration — xem bài 6-7).
3. Tại sao nội dung này quan trọng
Ba khái niệm này thường bị dùng thay thế nhau trong truyền thông đại chúng, khiến người mới học AI dễ hiểu sai phạm vi thực sự của công cụ mình đang dùng:
- Nếu bạn tưởng “AI” và “LLM” là một, bạn sẽ ngạc nhiên khi gặp một tính năng “AI” không hoạt động như chatbot.
- Nếu bạn không hiểu LLM là một loại mô hình dự đoán ngôn ngữ dựa trên xác suất thống kê (chi tiết ở bài 3), bạn sẽ khó hiểu vì sao AI đôi khi “bịa” thông tin sai (bài 4).
4. Cơ chế hoạt động
Ở mức khái niệm, một LLM hoạt động qua 2 giai đoạn chính:
- Pretraining — model học dự đoán từ/token tiếp theo từ lượng văn bản khổng lồ. Đây là bản chất “autoregressive” của LLM. Model ở giai đoạn này chưa giỏi trả lời câu hỏi hay làm theo hướng dẫn.
- Fine-tuning + RLHF — sau pretraining, model được huấn luyện thêm để trở thành trợ lý hữu ích, biết trả lời câu hỏi và tránh nội dung có hại.
Điểm quan trọng: “generative” trong GenAI không có nghĩa là “sáng tạo” theo nghĩa con người — nó chỉ là quá trình tạo ra output mới dựa trên mẫu đã học từ dữ liệu huấn luyện.
5. Mental model
Hãy hình dung ba khái niệm như ba vòng tròn đồng tâm. Vòng ngoài cùng luôn “chứa” vòng trong — nhưng không đảo ngược lại được. Khi gặp một khái niệm/công cụ AI mới, câu hỏi hữu ích nhất là: “Nó nằm ở vòng nào?”
Quy trình thực thi từng bước, case study cụ thể và bộ prompt/template áp dụng ngay.
6. Hướng dẫn từng bước
Áp dụng khung khái niệm để tự phân loại một công cụ/tính năng AI bất kỳ bạn gặp:
7. Ví dụ thực tế
- Một bộ lọc email spam — đây là AI, nhưng không phải GenAI: nó không tạo ra nội dung mới, chỉ gán nhãn.
- Một công cụ tạo ảnh từ mô tả văn bản — đây là GenAI, nhưng không phải LLM (không chuyên xử lý/sinh ngôn ngữ).
- Claude, ChatGPT, Gemini — cả ba đều là sản phẩm trợ lý xây trên nền LLM, đã qua fine-tuning để hữu ích và an toàn hơn model thô.
8. Prompt/template/workflow
Một khung câu hỏi ngắn để bạn tự kiểm tra hiểu biết khi gặp thuật ngữ AI mới:
Khi gặp một thuật ngữ/công cụ "AI" mới, tự hỏi:1. Nó tạo ra nội dung mới, hay chỉ phân loại/dự đoán? → xác định có phải GenAI không.2. Nếu là GenAI: nội dung tạo ra chủ yếu là ngôn ngữ tự nhiên? → xác định có phải LLM không.3. Nếu là LLM: đây là model thô, hay đã qua fine-tuning/RLHF thành trợ lý (như Claude/ChatGPT/Gemini)? → xác định kỳ vọng hợp lý về hành vi.9. Visual hoặc diagram cần thiết
10. Bài tập thực hành
Liệt kê 3 công cụ/tính năng “AI” bạn gặp trong tuần qua (ứng dụng điện thoại, website, phần mềm công việc…). Với mỗi công cụ, áp dụng quy trình ở mục 6 để trả lời:
- Đây là AI, GenAI, hay LLM? Giải thích bằng 1 câu vì sao.
- Nếu là LLM, bạn có biết nó xây trên nền model nào không? Nếu không chắc, ghi “không rõ” — đây cũng là một kết luận hợp lệ.
Checklist kiểm tra mức độ sẵn sàng, nhận diện các bẫy sai lầm và nguyên tắc vàng vận hành.
11. Checklist
12. Lỗi thường gặp
(Suy luận từ định nghĩa chính thức ở [S41, S42, S43], không phải khảo sát lỗi người học đã ghi nhận.)
15. Best practices
16. Nội dung nâng cao (không bắt buộc)
Với người muốn tìm hiểu sâu hơn:
- Kiến trúc Transformer — nền tảng kỹ thuật giúp LLM xử lý ngữ cảnh hiệu quả.
- Sự khác biệt giữa các dòng model trong cùng 1 vendor (ví dụ Claude Opus/Sonnet/Haiku) — sẽ chạm tới ở bài 5.
⚠️ 13. Giới hạn & khi nào KHÔNG nên áp dụng
- Không dùng khung này để đánh giá chất lượng/năng lực của một công cụ cụ thể. Biết một sản phẩm “là LLM” không nói gì về việc nó tốt hay dở cho công việc của bạn (xem bài 5).
- Không phải mọi hệ thống thương mại chỉ thuộc đúng 1 vòng tròn. Nhiều sản phẩm thực tế kết hợp LLM với các thành phần AI khác — ranh giới phân loại mang tính khái niệm, không phải mô tả kỹ thuật đầy đủ.
- Khung này không giải thích cơ chế “suy nghĩ” chi tiết của LLM — đó là nội dung của bài 3.
🔐 14. An toàn & quản trị (Safety/Governance)
Bài này chủ yếu mang tính khái niệm nền tảng. Một lưu ý nền tảng duy nhất đáng nêu ở đây: vì LLM tạo ra output dựa trên dự đoán thống kê (không phải tra cứu sự thật), không nên mặc định mọi nội dung một LLM tạo ra là đúng chỉ vì nó “nghe có vẻ đúng” — sẽ được khai triển đầy đủ ở bài 4.
📚 17. Nguồn tham khảo
large language model — Glossary, NIST CSRC · generative artificial intelligence — Glossary, NIST CSRC · Glossary, Claude Platform Docs (Anthropic).