20 thuật ngữ AI người mới cần biết: giải thích bằng tiếng Việt dễ hiểu

Tôi dùng AI vào việc thật mỗi ngày: viết bài, dựng web, xử lý dữ liệu khách hàng. Và tôi để ý một chuyện — người mới bắt đầu thường không vướng ở chỗ khó. Họ vướng ở chỗ đọc một bài hướng dẫn, thấy câu "nhớ để ý cửa sổ ngữ cảnh và đừng tin token đầu ra nếu mô hình bịa", rồi đóng tab.

Không phải vì họ kém. Vì cả câu đó có bốn thuật ngữ chẳng ai giải thích.

Bài này gom lại những từ bạn chắc chắn sẽ gặp trong tuần đầu tiên dùng AI, giải thích bằng tiếng Việt bình thường, kèm ví dụ thật. Không công thức, không toán. Đọc hết khoảng mười lăm phút và sau đó bạn đọc tài liệu nào cũng trôi.

Nhóm 1: Sáu từ bạn gặp ngay ngày đầu

1. Prompt — câu lệnh bạn gõ cho AI

Prompt đơn giản là toàn bộ những gì bạn gõ vào ô chat. Câu hỏi, yêu cầu, đoạn văn bản dán vào, tất cả gộp lại là một prompt.

Nghe tầm thường nhưng đây là thứ quyết định 80% chất lượng kết quả. So sánh hai prompt cùng mục đích:

• "Viết bài giới thiệu sản phẩm" — bạn sẽ nhận về một bài chung chung, nhạt, dùng được cho bất kỳ sản phẩm nào trên đời.
• "Viết bài 400 chữ giới thiệu bình giữ nhiệt 500ml cho dân văn phòng ở Việt Nam. Giọng thân mật, xưng 'mình'. Nêu ba điểm: giữ nóng 8 tiếng, nắp chống rò khi để trong balo, giá 320.000đ. Đừng dùng từ 'đẳng cấp', 'hoàn hảo'." — bạn nhận về thứ gần như dùng được ngay.

Khác biệt không nằm ở AI. Nằm ở lượng thông tin bạn chịu đưa vào. "Prompt engineering" mà người ta hay nói đến chỉ là nghệ thuật viết cái đoạn thứ hai đó cho gọn và đủ.

2. Token — đơn vị máy đếm

Máy không đọc theo từ như chúng ta. Nó cắt chữ thành những mảnh nhỏ gọi là token, rồi làm việc trên các mảnh đó.

Vì sao bạn cần quan tâm? Vì token là thứ người ta dùng để tính tiền và tính giới hạn. Mọi bảng giá API đều ghi kiểu "x đồng cho một triệu token đầu vào". Mọi giới hạn độ dài đều tính bằng token.

Con số cần nhớ, ước lượng thô thôi: tiếng Anh khoảng 1 từ ≈ 1,3 token. Tiếng Việt có dấu tốn hơn nhiều, thường gấp 2 đến 3 lần tiếng Anh cho cùng một nội dung. Nghĩa là khi bạn xài API tính tiền, làm việc bằng tiếng Việt đắt hơn tiếng Anh — đó là sự thật hơi phũ mà ít ai nói ra.

3. Cửa sổ ngữ cảnh (context window) — trí nhớ của một cuộc trò chuyện

Đây là thuật ngữ gây hiểu nhầm nhiều nhất. Cửa sổ ngữ cảnh là sức chứa tối đa của một cuộc trò chuyện, tính bằng token. Mọi thứ đều nằm chung trong đó: chỉ dẫn hệ thống, tệp bạn đính kèm, toàn bộ lịch sử chat, và cả câu trả lời AI đang viết.

Hệ quả thực tế bạn sẽ gặp: trò chuyện quá dài thì AI "quên" đoạn đầu. Bạn dặn ở tin nhắn số 3 là "đừng dùng từ đẳng cấp", đến tin nhắn số 60 nó dùng lại. Không phải nó cãi bạn. Là câu dặn đó đã rơi ra khỏi cửa sổ.

Cách xử lý: việc mới thì mở cuộc trò chuyện mới. Yêu cầu quan trọng thì nhắc lại, đừng tin nó nhớ mãi.

4. Hallucination — AI bịa

Tiếng Việt hay dịch là "ảo giác", tôi thấy chữ "bịa" đúng hơn. Đây là hiện tượng AI nói ra thứ sai hoàn toàn nhưng bằng giọng điệu rất chắc chắn.

Bịa nhiều nhất ở: số liệu cụ thể, ngày tháng, tên người, trích dẫn, link, điều luật, tên hàm trong thư viện lập trình. Tôi từng nhận về một danh sách "năm nghiên cứu chứng minh…" với tên tác giả và năm xuất bản đầy đủ — tra ra thì không có nghiên cứu nào tồn tại.

Đây không phải lỗi có thể vá. Nó là hệ quả của cách mô hình hoạt động: nó đoán chữ tiếp theo sao cho nghe hợp lý, chứ không tra cứu sự thật. Cách sống chung: bất cứ con số, cái tên, đường link nào bạn định dùng thật, hãy tự kiểm tra lại.

5. System prompt — chỉ dẫn hệ thống

Là đoạn chỉ dẫn đặt trước cuộc trò chuyện, quy định AI đóng vai gì và tuân theo luật nào. Bạn không thấy nó, nhưng nó luôn ở đó.

Chatbot tư vấn của một cửa hàng có system prompt kiểu: "Bạn là nhân viên tư vấn của shop X. Chỉ trả lời về sản phẩm của shop. Không hứa giảm giá. Không nói xấu đối thủ." Nếu bạn tự dựng công cụ AI, đây là chỗ bạn đặt luật chơi. Trong các công cụ như ChatGPT, phần "Custom instructions" chính là một dạng system prompt.

6. Temperature — độ ngẫu nhiên

Một nút chỉnh, thường từ 0 đến 1 (có nơi tới 2). Thấp thì trả lời an toàn và đều đặn; cao thì bay bổng và khó đoán.

Cùng một câu hỏi, temperature 0 hỏi mười lần trả lời gần như y nhau. Temperature 1 thì mười lần mười kiểu. Dịch thuật, trích xuất dữ liệu, viết code — để thấp. Nghĩ tên thương hiệu, brainstorm ý tưởng — để cao. Trong giao diện chat thông thường bạn không thấy nút này; nó xuất hiện khi bạn gọi qua API.

Nhóm 2: Nói về bản thân mô hình

7. LLM — mô hình ngôn ngữ lớn

Viết tắt của Large Language Model. Là loại AI đứng sau ChatGPT, Claude, Gemini và gần như mọi thứ bạn gọi là "AI" hiện nay.

Cốt lõi của nó, nói thật gọn: một cái máy đoán chữ tiếp theo, được huấn luyện trên khối lượng văn bản khổng lồ. Nghe tầm thường, nhưng khi làm ở quy mô đủ lớn thì việc đoán chữ đó đủ để nó viết được bài, giải được toán, viết được code.

Nhớ bản chất này giúp bạn hiểu vì sao nó bịa: nó luôn chọn thứ nghe hợp lý nhất, chứ không phải thứ đúng nhất. Phần lớn thời gian hai thứ đó trùng nhau. Phần còn lại là lúc bạn gặp rắc rối.

8. Knowledge cutoff — mốc dữ liệu

Thời điểm mô hình ngừng học. Sau mốc đó nó không biết gì — trừ khi bạn tự đưa thông tin vào, hoặc công cụ đó có bật tìm kiếm web.

Nên nếu bạn hỏi về một sự kiện mới xảy ra tháng trước mà không bật tìm kiếm, khả năng cao bạn nhận về câu trả lời sai một cách tự tin. Đây là nguồn gây bịa phổ biến nhất mà người mới không ngờ tới.

9. Multimodal — đa phương thức

Mô hình hiểu được nhiều loại dữ liệu chứ không riêng chữ: ảnh, âm thanh, video, PDF. Nghĩa là bạn chụp màn hình lỗi rồi hỏi "sao thế này", chụp hoá đơn rồi bảo "gõ lại thành bảng" — đều được.

Riêng khoản đọc ảnh này tôi dùng nhiều nhất khi làm web: chụp giao diện bị vỡ, đưa vào, hỏi thẳng vì sao.

10. Reasoning — mô hình biết nghĩ lâu

Một dòng mô hình mới: trước khi trả lời, nó tự viết ra các bước suy nghĩ trong đầu, tự kiểm tra, rồi mới đưa kết quả. Bạn thấy chữ "đang suy nghĩ…" chạy vài giây đến vài phút.

Đổi lại: chậm hơn và đắt hơn nhiều. Đáng dùng cho toán, logic, code khó, phân tích nhiều bước. Không đáng dùng để viết caption Facebook — như lái xe tải đi mua rau.

11. Fine-tuning — tinh chỉnh

Dạy thêm cho một mô hình có sẵn bằng dữ liệu riêng của bạn, để nó quen giọng văn hoặc quen định dạng đặc thù.

Tôi để từ này ở đây chủ yếu để nói một điều: hầu hết mọi người không cần nó. Tốn tiền, tốn dữ liệu, và mỗi lần có mô hình mới lại phải làm lại. 90% trường hợp mà người ta nghĩ "chắc phải fine-tune" thì thực ra chỉ cần viết prompt tử tế hơn, hoặc dùng RAG ở dưới đây.

Nhóm 3: Khi bạn bắt đầu làm thật

12. API — cách phần mềm gọi thẳng AI

Thay vì mở trình duyệt gõ chat, phần mềm của bạn gửi thẳng yêu cầu tới AI và nhận kết quả về. Đó là API.

Khác biệt lớn nhất với bản chat: API tính tiền theo token thực dùng, không phải thuê bao tháng. Và bạn tự động hoá được — ví dụ cứ có khách điền form là tự động sinh email trả lời. Trên chính blog này, các thư gửi cho hội viên đi qua API kiểu vậy.

13. RAG — cho AI đọc tài liệu của bạn

Viết tắt của Retrieval-Augmented Generation. Tên đáng sợ, ý tưởng thì đơn giản.

Đây là cách chuẩn để làm chatbot trả lời đúng theo tài liệu công ty: bảng giá, chính sách bảo hành, quy trình nội bộ. Và nó là vũ khí chống bịa hiệu quả nhất, vì bạn bắt AI dựa vào tài liệu thật thay vì trí nhớ mơ hồ.

14. Embedding — biến chữ thành số để so sánh nghĩa

Bước nằm bên trong RAG. Mỗi đoạn văn bản được chuyển thành một dãy số, sao cho hai đoạn cùng nghĩa thì hai dãy số nằm gần nhau.

Nhờ đó máy tìm được theo nghĩa chứ không phải theo từ khoá. Khách gõ "hàng bị lỗi thì sao", hệ thống vẫn lôi ra đúng trang "chính sách đổi trả" dù trong câu hỏi không có chữ nào trùng.

15. Agent — AI tự làm nhiều bước

Chat thường là hỏi một câu, đáp một câu. Agent thì nhận một mục tiêu rồi tự chia việc, tự làm từng bước, tự kiểm tra kết quả và làm tiếp.

Ví dụ dễ hình dung: bạn bảo "tìm lỗi làm trang chủ tải chậm rồi sửa". Một agent sẽ tự mở mã nguồn, đọc, sửa, chạy thử, thấy còn lỗi thì sửa tiếp — không cần bạn giục từng bước.

Lưu ý: agent càng tự chủ thì càng phải kiểm soát chặt. Nó tự chạy nhiều bước nghĩa là nó cũng tự sai nhiều bước trước khi bạn kịp nhìn.

16. Tool calling — AI gọi công cụ

Khả năng cho phép mô hình tự dùng công cụ bên ngoài: tra web, chạy code, đọc cơ sở dữ liệu, gửi mail.

Đây là cách bù cho hai điểm yếu lớn nhất của LLM. Không biết chuyện mới? Cho nó tra web. Tính toán hay sai? Cho nó chạy code thay vì nhẩm trong đầu.

17. MCP — chuẩn cắm công cụ vào AI

Model Context Protocol, một chuẩn mở do Anthropic đưa ra, giờ được khá nhiều bên dùng chung. Hiểu nôm na nó là cổng USB cho AI: thay vì mỗi công cụ viết một kiểu kết nối riêng, tất cả dùng chung một chuẩn.

Bạn sẽ gặp từ này khi muốn cho AI đọc Google Drive, kết nối cơ sở dữ liệu hay quản lý dự án. Không cần hiểu sâu, chỉ cần biết nó là chuẩn cắm nối.

Nhóm 4: Ba từ hay bị dùng sai

18. "AI tự học" — phần lớn là nói sai

Nhiều người tưởng dùng ChatGPT nhiều thì nó dần dần học được cách làm việc của mình. Không. Mô hình đã đóng băng từ lúc huấn luyện xong. Cuộc trò chuyện hôm nay không làm nó thông minh hơn cho ngày mai.

Cái giống "nhớ" mà bạn thấy chỉ là công cụ ghi chú vài dòng về bạn rồi tự chèn lại vào đầu mỗi cuộc trò chuyện. Hữu ích, nhưng khác hoàn toàn với việc mô hình học thêm.

19. AGI — trí tuệ nhân tạo tổng quát

Khái niệm chỉ một AI làm được mọi việc trí óc ngang con người. Hiện chưa có, và chưa ai định nghĩa được rõ ràng nó là gì. Khi thấy quảng cáo dùng từ này, đó là marketing chứ không phải mô tả sản phẩm.

20. "Mô hình mở" — mở tới đâu?

Nhiều mô hình được gọi là "mã nguồn mở" nhưng thực ra chỉ công khai trọng số — bạn tải về chạy trên máy mình được, thế thôi. Dữ liệu huấn luyện và quy trình huấn luyện thường vẫn kín, và giấy phép có thể cấm dùng thương mại.

Nên trước khi định dùng một mô hình "mở" cho việc kinh doanh, đọc giấy phép trước. Đây là chỗ dễ vấp.

Nếu chỉ nhớ được năm điều

Đọc hai mươi mục xong dễ quên. Vậy giữ lại năm câu này thôi:

• Prompt càng cụ thể, kết quả càng dùng được. Đây là đòn bẩy lớn nhất và cũng miễn phí nhất.
• Chat dài thì AI quên đoạn đầu. Việc mới, mở cuộc mới.
• Mọi con số, cái tên, đường link đều phải tự kiểm tra. Không có ngoại lệ.
• Nó không biết chuyện sau mốc dữ liệu. Cần thông tin mới thì bật tìm kiếm hoặc tự đưa tài liệu vào.
• Muốn AI trả lời đúng theo tài liệu của bạn, dùng RAG — đừng nghĩ tới fine-tuning.

Còn lại thì cứ dùng. Thuật ngữ ngấm dần theo việc, nhanh hơn học thuộc nhiều. Điều tôi tiếc nhất khi mới bắt đầu là đã mất quá nhiều thời gian đọc lý thuyết trước khi mở ra gõ thử câu đầu tiên.

Tôi sẽ viết tiếp về AI trong chuyên mục này — thiên về chuyện dùng thật vào công việc: được gì, chưa được gì, tốn bao nhiêu. Bạn muốn đọc phần nào trước thì cứ nhắn cho tôi.