Trí Tuệ Nhân Tạo (AI) 12 — Khung 12 Tiết Tốt Nghiệp THPT

Tìm hiểu khung đánh giá AGI 5 cấp độ của DeepMind: Cấp 0 (Chưa có), Cấp 1 (Mới bắt đầu - như LLM hiện nay), Cấp 2 (Năng lực tương đương 50% người lớn), Cấp 3 (Chuyên gia - top 10%), Cấp 4 (Bậc thầy - top 1%), Cấp 5 (Siêu phàm - vượt qua mọi con người).

Thảo luận kịch bản: Trong tình huống phanh xe bị hỏng bất ngờ, thuật toán lái tự động của xe ô tô nên được lập trình để ưu tiên cứu tính mạng của hành khách trên xe hay cứu người đi bộ qua đường? Sự khác biệt giữa phán đoán tức thời của con người và quy tắc toán học định sẵn.

Nghiên cứu nguyên lý kiểm soát: Lớp 1 (Ràng buộc an toàn cứng tại tầng phần cứng / ngắt khẩn cấp), Lớp 2 (Hàm mục tiêu có điều kiện đạo đức), Lớp 3 (Giám sát độc lập từ bên ngoài - Red Teaming).

Thực hành bài tập: Đọc mô tả của 4 ứng dụng (Hệ thống phân loại hồ sơ thi tốt nghiệp, Bộ lọc khuôn mặt trên TikTok, Hệ thống nhận diện khuôn mặt tìm tội phạm nơi công cộng, Chatbot hỗ trợ mua vé xe buýt). Xác định cấp độ rủi ro tương ứng theo chuẩn EU AI Act.

Thảo luận về tính bình đẳng giới, phát triển bền vững và giảm thiểu dấu chân carbon (Carbon Footprint) của các siêu trung tâm dữ liệu AI.

Xác định các lĩnh vực Việt Nam có lợi thế ứng dụng AI: Nông nghiệp công nghệ cao, xử lý ngôn ngữ tiếng Việt bản địa, y tế dự phòng và bảo tồn di sản văn hóa.

Kiểm tra 5 điểm mù thường gặp của AI: Vùng viền chân tóc và mang tai bị nhòe; Tần số chớp mắt bất thường; Phản chiếu ánh sáng trong tròng mắt hai bên không đồng nhất; Số ngón tay hoặc chi tiết đồ trang sức bị biến dạng.

Trải nghiệm tra cứu tệp hình ảnh trên nền tảng verify.contentauthenticity.org để xem chữ ký số xuất xứ, thiết bị chụp và công cụ AI đã tham gia chỉnh sửa.

Soạn thảo sổ tay hướng dẫn an toàn cho gia đình: Tuyệt đối không chuyển tiền vội vã; Xác minh qua kênh thứ hai; Báo cáo cơ quan công an phòng chống tội phạm công nghệ cao (A05).

Theo dõi 50 bước lấy mẫu (Sampling Steps) của mô hình Stable Diffusion: Bước 1-10 (hình thành bố cục khối màu lớn); Bước 11-30 (xuất hiện đường nét chi tiết khuôn mặt, cảnh vật); Bước 31-50 (tinh chỉnh kết cấu bề mặt, ánh sáng và đổ bóng).

Hiểu vai trò của chỉ số CFG: Giá trị quá thấp (CFG = 2) khiến ảnh không bám sát prompt; Giá trị chuẩn (CFG = 7 - 9) cho ảnh đẹp và đúng ý; Giá trị quá cao (CFG > 20) khiến màu sắc bị cháy và méo mó chi tiết.

Mở rộng từ không gian 2D (ảnh) sang không gian 3D/4D: Mô hình khuếch tán không-thời gian (Spatiotemporal Diffusion) xử lý đồng thời nhiều khung hình liên tiếp để tạo ra chuỗi video mượt mà và nhất quán.

Nhập một bức ảnh chú chó lạ chưa từng có trong tập huấn luyện. Đưa ra 3 nhãn chữ: "chó", "mèo", "ô tô". Mô hình tính độ tương đồng cosine giữa véc-tơ ảnh và 3 véc-tơ chữ để chọn ra nhãn chính xác nhất mà không cần huấn luyện lại bất kỳ nơ-ron nào.

So sánh: Mô hình cũ (Giọng nói $\rightarrow$ Chuyển thành chữ Text $\rightarrow$ LLM suy nghĩ $\rightarrow$ Chuyển ngược thành giọng nói, mất 2-3 giây và mất ngữ điệu cảm xúc) vs Mô hình Multimodal nguyên bản (Xử lý trực tiếp sóng âm, hiểu được tiếng cười, tiếng thở dài và cảm xúc người nói).

Tải lên hình ảnh một bài tập Vật lý có hình vẽ mạch điện: Mô hình vừa đọc được các ký hiệu điện trở, nguồn điện trong hình, vừa giải thích định luật Ôm và viết phương trình giải bài toán.

Quan sát: Đi vào ô bẫy nhận thưởng -10; Đi vào ô trống nhận thưởng -0.1 (khuyến khích tìm đường ngắn nhất); Đi đến ô pho-mát nhận thưởng +100. Theo dõi bảng giá trị $Q(s, a)$ cập nhật sau mỗi vòng thử nghiệm.

Mô hình RL tính toán điều chỉnh góc nghiêng cánh lái và lực đẩy động cơ phản lực hàng nghìn lần mỗi giây để tên lửa giữ thăng bằng và hạ cánh chính xác xuống sà lan trên biển giữa gió bão.

Khi huấn luyện ChatGPT, con người đóng vai trò là "môi trường" cung cấp phần thưởng: câu trả lời nào an toàn, chính xác và lịch sự sẽ nhận điểm thưởng cao (+1), câu trả lời bạo lực sẽ nhận điểm phạt (-1).

Nắm vững quy tắc vàng:
- Cần định dạng nhanh, chi phí 0 đồng $\rightarrow$ Dùng Prompt Engineering.
- Cần bổ sung dữ liệu tài liệu mới, giảm ảo giác, dẫn nguồn $\rightarrow$ Dùng RAG.
- Cần thay đổi phong cách hành văn chuyên sâu, dạy thuật ngữ y khoa đặc thù hoặc định dạng mã phức tạp $\rightarrow$ Dùng LoRA Fine-Tuning.

Thực hành tính toán: Một mô hình 8B tham số ở định dạng FP16 tốn $8 \times 2 = 16$ GB VRAM. Khi lượng tử hóa về 4-bit (GGUF / AWQ), dung lượng chỉ còn $8 \times 0.5 = 4$ GB. Chiếc máy tính xách tay thông thường 8GB RAM hoàn toàn chạy mượt mà.

Tìm hiểu cách chạy mô hình mở như LLaMA 3, Qwen hay Gemma trực tiếp trên máy tính offline hoàn toàn mà không tốn chi phí thuê bao hàng tháng.

Thiết kế 3 Agent: Agent 1 (Tìm kiếm bài báo khoa học qua Google Scholar) $\rightarrow$ Agent 2 (Đọc tóm tắt và trích xuất số liệu) $\rightarrow$ Agent 3 (Viết bài tổng quan tài liệu và phát hiện các khoảng trống nghiên cứu).

Tìm hiểu cơ chế giải quyết xung đột: Thiết lập một "Lead Agent" (Trưởng nhóm) có quyền biểu quyết cuối cùng hoặc cơ chế bỏ phiếu theo đa số (Majority Voting) để tránh vòng lặp tranh luận vô tận.

Quan sát hệ thống gồm: Agent phân tích kỹ thuật (đọc biểu đồ nến), Agent phân tích tin tức (đọc báo tài chính), và Agent quản trị rủi ro (đánh giá mức độ an toàn vốn trước khi ra quyết định đầu tư).

Theo dõi quy trình: Quản lý phiên bản dữ liệu (DVC) $\rightarrow$ Huấn luyện tự động $\rightarrow$ Lưu trữ mô hình vào Model Registry $\rightarrow$ Đóng gói container Docker $\rightarrow$ Giám sát độ trễ và độ chính xác thời gian thực.

Quan sát chỉ số: Nếu tỷ lệ dự đoán chính xác trên dữ liệu thực tế giảm xuống dưới ngưỡng 85%, hệ thống MLOps tự động kích hoạt đường ống thu thập dữ liệu mới và huấn luyện lại (Retraining Pipeline).

Khi có mô hình AI phiên bản 2.0 mới, không thay thế ngay 100% người dùng mà chỉ điều hướng 5% lượng truy cập sang mô hình mới để theo dõi độ ổn định trước khi nhân rộng.

Truy cập cơ sở dữ liệu mở: Quan sát mô hình 3D xoay chiều của một phân tử protein do AI dự đoán với các vùng độ tin cậy thể hiện qua màu sắc trực quan.

Khảo sát hệ thống kết hợp cảm biến IoT đo độ ẩm đất, dự báo thời tiết khí tượng thủy văn và mô hình AI để quyết định lượng nước tưới chính xác cho từng mét vuông đất trồng.

Tìm hiểu hệ thống camera giao thông AI tại các thành phố lớn: Tự động điều chỉnh thời gian đèn xanh tại các nút giao tắc nghẽn dựa trên mật độ xe cộ thời gian thực.

Khám phá 6 phần cơ bản: Abstract (Tóm tắt) $\rightarrow$ Introduction (Đặt vấn đề) $\rightarrow$ Related Work (Các nghiên cứu trước) $\rightarrow$ Methodology (Phương pháp đề xuất) $\rightarrow$ Experiments & Results (Thực nghiệm & Kết quả) $\rightarrow$ Conclusion & Ethics (Kết luận & Đạo đức).

Năm 1-2 (Vững toán giải tích, đại số tuyến tính, cấu trúc dữ liệu và giải thuật) $\rightarrow$ Năm 3 (Chuyên sâu học máy, học sâu, tham gia lab nghiên cứu) $\rightarrow$ Năm 4 (Thực tập doanh nghiệp công nghệ, hoàn thành đồ án tốt nghiệp).

Xác định bài toán: Sản phẩm của em giải quyết nỗi đau của ai? Khách hàng có sẵn sàng dùng thử bản MVP không? Lợi thế cạnh tranh độc bản của nhóm là gì?

Chuẩn bị máy tính chạy bản demo trực tiếp, poster tóm tắt dự án (A0) thể hiện: Sơ đồ kiến trúc hệ thống, quy trình thu thập dữ liệu, kết quả thực nghiệm và mã QR trải nghiệm ứng dụng.

Cấu trúc bài thuyết trình đỉnh cao: 1.5 phút nêu bài toán và ý nghĩa xã hội $\rightarrow$ 3 phút demo trực tiếp tính năng vượt trội $\rightarrow$ 1.5 phút chứng minh độ tin cậy kỹ thuật và kiểm toán đạo đức $\rightarrow$ 1 phút kết luận định hướng mở rộng.

Nhìn lại hành trình trưởng thành qua 3 năm học: Từ học sinh tò mò làm quen với Teachable Machine lớp 10, đến hiểu sâu về mạng nơ-ron và RAG lớp 11, và làm chủ các hệ thống AI tiên tiến lớp 12.