Trần Ngọc Minh

STT	Thuật ngữ tiếng Anh	Dịch tiếng Việt dễ hiểu	Giải thích ngắn
1	Artificial Intelligence / AI	Trí tuệ nhân tạo	Công nghệ giúp máy tính thực hiện các nhiệm vụ thường cần trí thông minh con người.
2	AGI / Artificial General Intelligence	Trí tuệ nhân tạo tổng quát	AI có khả năng học và xử lý nhiều lĩnh vực như con người, hiện vẫn là mục tiêu nghiên cứu.
3	LLM / Large Language Model	Mô hình ngôn ngữ lớn	Mô hình AI được huấn luyện trên lượng dữ liệu văn bản rất lớn để hiểu và sinh ngôn ngữ.
4	Neural Network	Mạng nơ-ron nhân tạo	Mô hình tính toán lấy cảm hứng từ não bộ, gồm nhiều “nơ-ron” xử lý tín hiệu.
5	Deep Learning	Học sâu	Nhánh của AI dùng mạng nơ-ron nhiều lớp để học đặc trưng phức tạp từ dữ liệu.
6	Weights	Trọng số	Các giá trị bên trong mô hình, quyết định cách AI xử lý đầu vào và tạo đầu ra.
7	Training	Huấn luyện	Quá trình cho AI học từ dữ liệu để điều chỉnh trọng số.
8	Inference	Suy luận / chạy mô hình	Giai đoạn AI dùng kiến thức đã học để trả lời câu hỏi hoặc tạo kết quả mới.
9	Token	Đơn vị mã hóa văn bản	Một mẩu văn bản nhỏ mà AI dùng để xử lý ngôn ngữ, có thể là từ, phần của từ hoặc ký tự.
10	Token Throughput	Tốc độ xử lý token	Số lượng token mô hình có thể xử lý hoặc sinh ra trong một khoảng thời gian.
11	Memory Cache	Bộ nhớ đệm	Vùng lưu tạm thông tin để AI xử lý nhanh hơn, giảm tính toán lặp lại.
12	Compute	Năng lực tính toán	Tài nguyên phần cứng như GPU, chip AI, điện năng và máy chủ dùng để chạy hoặc huấn luyện AI.
13	Parallelization	Xử lý song song	Chia công việc thành nhiều phần để nhiều chip hoặc luồng xử lý cùng lúc.
14	API Endpoint	Điểm truy cập API	Địa chỉ hoặc cổng dịch vụ để phần mềm gửi yêu cầu đến hệ thống AI.
15	AI Agent	Tác nhân AI	AI có thể lập kế hoạch, dùng công cụ và thực hiện nhiều bước để hoàn thành nhiệm vụ.
16	Coding Agent	Tác nhân AI lập trình	AI agent chuyên đọc, viết, sửa, kiểm thử và hỗ trợ quản lý mã nguồn.
17	Chain of Thought	Chuỗi suy nghĩ / lập luận từng bước	Cách mô hình giải quyết vấn đề qua nhiều bước trung gian.
18	Fine-tuning	Tinh chỉnh mô hình	Huấn luyện thêm một mô hình có sẵn trên dữ liệu chuyên biệt để phù hợp nhiệm vụ cụ thể.
19	Transfer Learning	Học chuyển giao	Dùng kiến thức mô hình đã học ở một nhiệm vụ để áp dụng sang nhiệm vụ khác.
20	Distillation	Chưng cất mô hình	Tạo mô hình nhỏ hơn học theo mô hình lớn hơn để giảm chi phí nhưng vẫn giữ năng lực tốt.
21	Reinforcement Learning	Học tăng cường	Cách huấn luyện AI bằng phần thưởng và hình phạt để chọn hành động tốt hơn.
22	GAN / Generative Adversarial Network	Mạng sinh đối kháng	Hệ thống gồm hai mô hình cạnh tranh: một bên tạo dữ liệu giả, một bên phân biệt thật – giả.
23	Diffusion Model	Mô hình khuếch tán	Mô hình tạo ảnh/video bằng cách học khử nhiễu dần dần từ dữ liệu hỗn loạn.
24	Hallucination	Ảo giác AI / bịa thông tin	Hiện tượng AI tạo ra thông tin nghe có vẻ đúng nhưng thực tế sai hoặc không có căn cứ.

AI đang tạo ra một “ngôn ngữ mới” với hàng loạt thuật ngữ như LLM, RAG, RLHF, hallucination, token hay AI agent. Bài tổng hợp của TechCrunch giải thích các khái niệm này theo hướng phổ thông, giúp người đọc hiểu AI không chỉ là chatbot, mà là cả một hệ sinh thái gồm mô hình, dữ liệu, phần cứng, kỹ thuật huấn luyện và cơ chế triển khai.

Nhóm thuật ngữ nền tảng gồm AI, AGI, LLM, neural network, deep learning, weights và training. Có thể hiểu đơn giản: mô hình AI học từ dữ liệu trong quá trình training, điều chỉnh các weights để nhận ra quy luật, rồi dùng neural network và deep learning để xử lý tác vụ phức tạp. LLM là loại mô hình ngôn ngữ lớn đứng sau các công cụ như ChatGPT, Claude, Gemini, Copilot hay Llama.

Nhóm thuật ngữ vận hành gồm inference, token, token throughput, memory cache, compute, parallelization và API endpoints. Đây là phần giải thích vì sao AI tốn nhiều chip, điện, RAM và tiền: mỗi câu hỏi của người dùng được chia thành token, xử lý bằng phần cứng mạnh, rồi tối ưu bằng cache và xử lý song song để trả lời nhanh hơn.

Nhóm thuật ngữ ứng dụng và rủi ro gồm AI agent, coding agent, chain of thought, fine-tuning, transfer learning, distillation, reinforcement learning, GAN, diffusion, hallucination, open source và validation loss. Đây là các khái niệm giúp hiểu vì sao AI có thể viết code, tạo ảnh, suy luận nhiều bước, học chuyên sâu cho từng ngành, nhưng vẫn có thể bịa thông tin hoặc học lệch nếu đánh giá không đúng.