AI đã tiến hóa như thế nào: Từ chương trình theo luật đến tác nhân biết hành động
Kể từ khi thuật ngữ “trí tuệ nhân tạo” được đặt ra vào năm 1955, AI đã mở rộng từ dự đoán và phân loại sang tạo nội dung, rồi lập kế hoạch và hành động thông qua các công cụ. AI truyền thống phù hợp với những nhiệm vụ có giới hạn như phát hiện gian lận và chấm điểm rủi ro; AI tạo sinh có thể viết, vẽ và lập trình nh...
Kể từ khi thuật ngữ “trí tuệ nhân tạo” được đặt ra vào năm 1955, AI đã mở rộng từ dự đoán và phân loại sang tạo nội dung, rồi lập kế hoạch và hành động thông qua các công cụ.
AI truyền thống phù hợp với những nhiệm vụ có giới hạn như phát hiện gian lận và chấm điểm rủi ro; AI tạo sinh có thể viết, vẽ và lập trình nhưng dễ tạo ra thông tin bịa đặt; AI tác nhân có thể thực hiện quy trình nhi...
Khung quản trị AI tác nhân của Singapore năm 2026 nhấn mạnh việc giới hạn quyền tự chủ, cấp quyền tối thiểu, giám sát hoạt động và yêu cầu con người phê duyệt trước các hành động nhạy cảm.
How has artificial intelligence evolved over the past seven decades from traditional rule-based systems that classify data and predict outcoAI’s evolution can be understood as a progression from prediction to generation and autonomous action.
Prompt AI
Create a landscape editorial hero image for this Studio Global article: How has artificial intelligence evolved over the past seven decades from traditional rule-based systems that classify data and predict outco. Article summary: Artificial intelligence has shifted from systems that followed human-written rules or learned narrow prediction patterns, to models that generate new content, and now to agents that can plan and act through software tool. Topic tags: general, government, education, academic, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, waterma
openai.com
AI không tiến hóa theo kiểu công nghệ cũ biến mất hoàn toàn để nhường chỗ cho công nghệ mới. Năng lực của các hệ thống được tích lũy qua thời gian: từ những chương trình chỉ làm theo luật hoặc đưa ra dự đoán trong phạm vi hẹp, AI đã chuyển sang tạo văn bản, hình ảnh, âm thanh và mã nguồn; mới hơn là các tác nhân có thể lập kế hoạch, sử dụng phần mềm và thực hiện nhiệm vụ thay người dùng.
Có thể hình dung tiến trình này bằng công thức ngắn gọn: dự đoán → tạo sinh → lập kế hoạch và hành động. Mỗi bước mở rộng những gì AI có thể làm, đồng thời khiến hậu quả của một sai lầm trở nên lớn hơn.
1. AI truyền thống: luật lệ, phân loại và dự đoán
Những nghiên cứu AI ban đầu tập trung nhiều vào suy luận biểu tượng. Lập trình viên biểu diễn tri thức bằng các quy tắc, sau đó thiết kế hệ thống để tìm kiếm trong những lời giải có thể có. Các chương trình chơi cờ là ví dụ dễ hình dung: chúng đánh giá các nước đi trong một tập luật được xác định trước. Chính thuật ngữ “trí tuệ nhân tạo” cũng được nhà khoa học máy tính John McCarthy đặt ra vào năm 1955, với định nghĩa là “khoa học và kỹ thuật chế tạo những cỗ máy thông minh”.
Về sau, học máy thống kê chuyển một phần công việc từ các quy tắc do con người viết sẵn sang những mẫu hình được học từ dữ liệu lịch sử. Những hệ thống này thường nhận đầu vào và trả về một kết quả có giới hạn, chẳng hạn:
phát hiện giao dịch đáng ngờ;
ước tính rủi ro tín dụng;
dự đoán một kết quả trong chăm sóc sức khỏe;
xếp hạng sản phẩm hoặc video để đề xuất; hoặc
nhận diện ý định có khả năng cao trong lời nói.
Trên thực tế, các ứng dụng này không nhất thiết chỉ dựa vào luật. Chúng thường kết hợp quy tắc, mô hình thống kê và học máy.
Vì sao AI truyền thống vẫn hữu ích?
Các hệ thống dự đoán thường hoạt động tốt khi mục tiêu rõ ràng, dữ liệu phù hợp và chi phí của những loại sai sót khác nhau có thể đo lường. Chúng xử lý khối lượng thông tin lớn với tốc độ cao, áp dụng một quy trình nhất quán và nhận ra những mẫu hình mà con người có thể bỏ qua.
Giới hạn của chúng cũng xuất phát từ đặc điểm khiến chúng dễ quản lý: phần lớn được thiết kế cho một nhiệm vụ cụ thể. Một mô hình phát hiện gian lận có thể chấm điểm giao dịch nhưng không thể tự nhiên đọc hiểu một văn bản chính sách, viết báo cáo hoặc linh hoạt xử lý tình huống xa lạ. Hiệu quả của hệ thống cũng phụ thuộc vào chất lượng dữ liệu huấn luyện và điều mà nó được tối ưu để dự đoán.
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Câu trả lời ngắn gọn cho "AI đã tiến hóa như thế nào: Từ chương trình theo luật đến tác nhân biết hành động" là gì?
Kể từ khi thuật ngữ “trí tuệ nhân tạo” được đặt ra vào năm 1955, AI đã mở rộng từ dự đoán và phân loại sang tạo nội dung, rồi lập kế hoạch và hành động thông qua các công cụ.
Những điểm chính cần xác nhận đầu tiên là gì?
Kể từ khi thuật ngữ “trí tuệ nhân tạo” được đặt ra vào năm 1955, AI đã mở rộng từ dự đoán và phân loại sang tạo nội dung, rồi lập kế hoạch và hành động thông qua các công cụ. AI truyền thống phù hợp với những nhiệm vụ có giới hạn như phát hiện gian lận và chấm điểm rủi ro; AI tạo sinh có thể viết, vẽ và lập trình nhưng dễ tạo ra thông tin bịa đặt; AI tác nhân có thể thực hiện quy trình nhi...
Tôi nên làm gì tiếp theo trong thực tế?
Khung quản trị AI tác nhân của Singapore năm 2026 nhấn mạnh việc giới hạn quyền tự chủ, cấp quyền tối thiểu, giám sát hoạt động và yêu cầu con người phê duyệt trước các hành động nhạy cảm.
Điều này tạo ra những vấn đề đạo đức đáng chú ý trong tín dụng, tuyển dụng, bảo hiểm và chăm sóc sức khỏe. Dữ liệu lịch sử có thể tái tạo thiên lệch xã hội, còn các hệ thống chấm điểm thiếu minh bạch khiến quyết định khó bị chất vấn. Vì vậy, quản trị cần bao gồm mục đích sử dụng rõ ràng, kiểm tra độ chính xác và tính công bằng giữa các nhóm liên quan, bảo vệ quyền riêng tư, giải thích quyết định và cho phép con người xem xét trong những trường hợp có tác động lớn. Các lo ngại về thiên lệch, thông tin sai lệch và lạm dụng không chỉ xuất hiện ở chatbot mà là những vấn đề rộng hơn của chính sách AI.
2. AI tạo sinh: từ dự đoán nhãn sang tạo nội dung
AI tạo sinh thay đổi trải nghiệm của người dùng từ câu hỏi “Nội dung này thuộc nhóm nào?” sang “Hãy tạo hoặc biến đổi một sản phẩm theo yêu cầu này”. Những mô hình lớn có thể tạo ra văn bản, hình ảnh, âm thanh và mã nguồn có vẻ hợp lý, hỗ trợ soạn thảo phản hồi chăm sóc khách hàng, dịch thuật, gia sư, tóm tắt tài liệu pháp lý, hỗ trợ phần mềm và công việc sáng tạo.
AI tạo sinh có thể rút ngắn thời gian và giảm chi phí để tạo bản nháp đầu tiên, cung cấp giao diện hội thoại cho những kho thông tin phức tạp và giúp con người làm việc với nội dung theo các định dạng mới. Nó cũng có thể hỗ trợ chuyên gia, thay vì chỉ tự động hóa một quyết định cố định.
Điểm yếu cốt lõi: nghe có vẻ đúng không có nghĩa là đúng
Mô hình tạo sinh có thể đưa ra một phát biểu, nguồn trích dẫn, căn cứ pháp lý, nhận định y khoa hoặc đoạn mã bịa đặt hay không chính xác với giọng điệu đầy tự tin. NIST dùng thuật ngữ confabulation để chỉ “việc tạo ra nội dung sai hoặc không đúng nhưng được khẳng định một cách tự tin”, thường được gọi là hiện tượng “ảo giác” của AI.
Vì vậy, việc kiểm chứng là bắt buộc ở những nơi độ chính xác thực tế có ý nghĩa quan trọng. Các biện pháp hữu ích gồm truy xuất thông tin từ tài liệu đáng tin cậy, cung cấp trích dẫn, đánh giá có cấu trúc, kiểm thử trong từng lĩnh vực và yêu cầu người có chuyên môn xem xét. Một câu trả lời trôi chảy nên được coi là bản nháp hoặc dự đoán, không phải bằng chứng cho thấy nội dung bên dưới chắc chắn đúng.
Những rủi ro rộng hơn của AI tạo sinh
AI tạo sinh còn đặt ra câu hỏi về bảo vệ dữ liệu, sở hữu trí tuệ, thông tin sai lệch và nguồn gốc của sản phẩm đầu ra. Hướng dẫn của Ủy ban châu Âu về việc sử dụng AI tạo sinh trong nghiên cứu nhấn mạnh các rủi ro này, đồng thời nêu rõ con người vẫn chịu trách nhiệm về công trình mình công bố, ngay cả khi AI đã hỗ trợ quá trình thực hiện.
Giáo dục đối mặt với một vấn đề liên quan. Nếu học sinh, sinh viên thường xuyên giao việc viết, suy luận và giải quyết vấn đề cho AI, các em có thể nhận được sản phẩm chỉn chu nhưng ít thực hành những kỹ năng nền tảng hơn. Các hướng dẫn về giáo dục xác định nội dung không chính xác hoặc thiên lệch, nội dung gây hại, rò rỉ dữ liệu, vi phạm sở hữu trí tuệ và thách thức đối với tính trung thực học thuật là những rủi ro mà các cơ sở giáo dục cần quản lý.
Các sự cố an toàn có thể nghiêm trọng hơn trong những cuộc trò chuyện nhạy cảm. Hệ thống tạo sinh có thể tạo nội dung thù ghét, bạo lực, tình dục hoặc mang tính thao túng, cũng như phản hồi không phù hợp khi người dùng bày tỏ ý định tự làm hại bản thân. NIST liệt kê các khuyến nghị nguy hiểm hoặc bạo lực, quyền riêng tư và thiên lệch gây hại trong nhóm rủi ro cần được xử lý. Trong bối cảnh rủi ro cao, AI không nên thay thế dịch vụ chăm sóc chuyên môn hoặc cơ chế bảo vệ con người. Hệ thống cần có khả năng từ chối mạnh mẽ, chuyển tiếp trường hợp cần thiết cho người phụ trách, bảo vệ dữ liệu riêng tư và cung cấp đường kết nối rõ ràng tới hỗ trợ trực tiếp.
3. AI tác nhân: lập kế hoạch, dùng công cụ và thực hiện hành động
AI tác nhân bổ sung một vòng lặp hành động xung quanh mô hình. Thay vì chỉ trả lời một lần cho một câu lệnh, tác nhân có thể diễn giải mục tiêu, chia mục tiêu thành nhiều bước, gọi các công cụ như trình duyệt, trình chạy mã, dịch vụ email hoặc API, kiểm tra kết quả, điều chỉnh kế hoạch rồi tiếp tục.
Stanford mô tả AI tác nhân là những hệ thống tự chủ hoặc bán tự chủ có thể diễn giải mục tiêu, sắp xếp chuỗi hành động, sử dụng công cụ, phản hồi trước thông tin mới và thích ứng để hoàn thành nhiệm vụ trong những giới hạn nhất định.
Khác biệt thực tế có thể được tóm tắt như sau:
hệ thống dự đoán chấm điểm một giao dịch;
hệ thống tạo sinh soạn thảo phản hồi về giao dịch đó; và
một tác nhân, nếu được cấp quyền cần thiết, có thể điều tra giao dịch, cập nhật hồ sơ vụ việc và gửi tin nhắn.
Jules của Google minh họa cho hướng ứng dụng trong phát triển phần mềm. Google mô tả đây là một tác nhân lập trình hoạt động bất đồng bộ, có thể tích hợp với kho mã, sao chép một codebase vào máy ảo trên đám mây và xử lý nhiệm vụ lập trình để con người xem xét sau đó. Các tác nhân nguồn mở có khả năng sử dụng công cụ đại diện cho một hướng tiếp cận khác, trong khi những sản phẩm tuyển dụng như Hiring Assistant của LinkedIn cho thấy quy trình tác nhân có thể mở rộng sang tìm kiếm ứng viên và tuyển dụng.
AI tác nhân hấp dẫn vì có thể hoàn thành công việc nhiều giai đoạn thay vì chỉ gợi ý bước tiếp theo. Một tác nhân lập trình có thể điều tra lỗi, chỉnh sửa nhiều tệp, chạy kiểm thử và chuẩn bị pull request. Một tác nhân quy trình có thể thu thập thông tin, sắp xếp dữ liệu và chuẩn bị nội dung liên lạc để chờ phê duyệt.
Vì sao quyền tự chủ làm rủi ro tăng lên?
Khả năng lập kế hoạch không đồng nghĩa với sự hiểu biết đáng tin cậy. Tác nhân có thể hiểu sai một trang web, chọn kế hoạch kém, làm theo chỉ dẫn độc hại hoặc khiến một lỗi nhỏ tích lũy qua nhiều bước. Báo cáo AI Index 2026 của Stanford cho biết tỷ lệ thành công của tác nhân trên OSWorld—bài kiểm chuẩn các nhiệm vụ máy tính thực tế—đã tăng từ 12% lên khoảng 66%, nhưng chúng vẫn thất bại trong khoảng một trên ba lần thử.
Một câu trả lời ảo giác từ chatbot có thể chỉ dừng ở vấn đề giao tiếp. Nhưng một tác nhân có thông tin đăng nhập, quyền truy cập trình duyệt hoặc quyền thanh toán có thể biến cùng loại sai lầm đó thành hành động bên ngoài hệ thống. Do đó, quản trị AI tác nhân không chỉ phải quan tâm đến chất lượng đầu ra mà còn đến quyền hạn, khả năng hoàn tác và trách nhiệm giải trình.
Những rủi ro an toàn chính của AI tác nhân
Rủi ro đáng chú ý nhất xuất hiện khi tác nhân có thể tác động tới hệ thống, tiền bạc, dữ liệu hoặc người khác:
Thanh toán trái phép: Tác nhân có thể chọn nhầm sản phẩm, vượt ngân sách hoặc bị một trang web độc hại thao túng.
Rò rỉ quyền riêng tư và đánh cắp dữ liệu: Quyền truy cập vào email, tệp tin, hồ sơ khách hàng, mã nguồn hoặc khóa API tạo ra cơ hội để dữ liệu bị tiết lộ, đặc biệt thông qua tấn công chèn chỉ dẫn (prompt injection).
Rủi ro an ninh và hư hại phần mềm: Tác nhân có thể đưa mã không an toàn vào hệ thống, thay đổi cấu hình, xóa tài nguyên hoặc làm lộ bí mật qua nhật ký và các công cụ bên ngoài.
Khoảng trống trách nhiệm: Trách nhiệm có thể không rõ ràng giữa nhà cung cấp mô hình, nhà phát triển ứng dụng, tổ chức triển khai, nhà cung cấp công cụ và người dùng.
Thao túng: Các tác nhân hội thoại hoạt động dai dẳng có thể gây ảnh hưởng quá mức, nhất là với người dùng dễ tổn thương hoặc khi hệ thống tạo cảm giác đáng tin và có năng lực hơn thực tế.
Quản trị có trách nhiệm nên được thực hiện ra sao?
Biện pháp kiểm soát cần tương xứng với năng lực của hệ thống và hậu quả nếu hệ thống thất bại.
Với AI dự đoán, tổ chức cần xác định mục đích, đo lường độ chính xác và tính công bằng, bảo vệ dữ liệu cá nhân, đồng thời cung cấp cách giải thích hoặc phản đối những kết quả có tác động lớn.
Với AI tạo sinh, tổ chức nên kiểm chứng các tuyên bố quan trọng, kiểm thử hiện tượng ảo giác và nội dung gây hại, kiểm soát dữ liệu nhạy cảm, xử lý câu hỏi về nguồn gốc và sở hữu trí tuệ, đồng thời để người có chuyên môn chịu trách nhiệm đối với các quyết định pháp lý, y tế, tài chính và bảo vệ an toàn.
Với AI tác nhân, các biện pháp kỹ thuật và tổ chức cần đi xa hơn:
Giới hạn phạm vi sử dụng. Xác định trước tác nhân được phép và không được phép làm gì.
Hạn chế quyền truy cập. Sử dụng thông tin xác thực theo nguyên tắc cấp quyền tối thiểu, công cụ bị giới hạn, hạn mức giao dịch và môi trường sandbox.
Yêu cầu phê duyệt tại các điểm kiểm soát quan trọng. Những hành động liên quan đến tài chính, pháp lý, quyền riêng tư và an toàn không nên diễn ra nếu chưa có sự cho phép phù hợp của con người.
Bảo đảm khả năng kiểm toán. Lưu nhật ký, giám sát hành vi và phân công rõ trách nhiệm xử lý sự cố.
Kiểm thử theo hướng đối kháng. Đánh giá khả năng chống prompt injection, đánh cắp dữ liệu, hành vi gây hại và phục hồi sau thất bại trước cũng như trong quá trình triển khai.
Duy trì quyền kiểm soát của con người. Con người phải có khả năng dừng, ghi đè và chất vấn những hành động có hậu quả đáng kể.
Cơ quan Phát triển Truyền thông Infocomm Singapore (IMDA) đưa ra cách tiếp cận dựa trên rủi ro này trong Model AI Governance Framework for Agentic AI, một khung hướng dẫn dành cho các tổ chức tự phát triển tác nhân hoặc triển khai giải pháp của bên thứ ba. Bài học cốt lõi là cần tăng dần mức độ tự chủ: bắt đầu với hỗ trợ chỉ đọc, sau đó chuyển sang các hành động rủi ro thấp, và dành những hành động không thể hoàn tác hoặc có tác động lớn cho quy trình phê duyệt rõ ràng.
Hướng phát triển tiếp theo
Sự tiến hóa của AI nên được hiểu là một “ngăn xếp năng lực” ngày càng mở rộng, thay vì ba thời kỳ hoàn toàn tách biệt. Hệ thống truyền thống dự đoán và phân loại. Hệ thống tạo sinh tạo ra và biến đổi nội dung. Hệ thống tác nhân bổ sung khả năng lập kế hoạch, sử dụng công cụ và hành động.
Quản trị cũng phải mở rộng với tốc độ tương ứng. Kiểm soát độ chính xác và tính công bằng vẫn cần thiết, nhưng không còn đủ. Hệ thống tạo sinh đòi hỏi cơ chế kiểm chứng, xác định nguồn gốc và bảo đảm an toàn nội dung. Các tác nhân còn cần ranh giới quyền hạn, điểm phê duyệt hành động, giám sát an ninh và cơ chế quy trách nhiệm rõ ràng.
AI càng có thể tự làm nhiều việc, các tổ chức càng phải thận trọng khi quyết định hệ thống được phép làm gì.
