1. Nguồn gốc triết học và toán học
Trước khi AI trở thành một ngành khoa học chính thức, những ý tưởng nền tảng đã được hun đúc qua nhiều thế kỷ.
- Thế kỷ 17: René Descartes và Gottfried Wilhelm Leibniz đặt câu hỏi liệu tư duy con người có thể được mô phỏng bằng máy móc. Leibniz còn phát triển hệ thống số nhị phân, nền tảng của mọi máy tính hiện đại.
- Thế kỷ 19: George Boole phát triển đại số Boolean, cho phép biểu diễn logic bằng toán học. Charles Babbage thiết kế máy Analytical Engine - tiền thân của máy tính lập trình được.
- Đầu thế kỷ 20: Alan Turing công bố bài báo về máy Turing (1936), đặt nền móng cho lý thuyết tính toán. Năm 1950, ông xuất bản bài báo nổi tiếng "Computing Machinery and Intelligence" và đề xuất phép thử Turing.
2. Sự ra đời của thuật ngữ "Artificial Intelligence" (1956)
Năm 1956 được xem là năm khai sinh chính thức của AI với Hội nghị Dartmouth, do John McCarthy, Marvin Minsky, Nathaniel Rochester và Claude Shannon tổ chức. Tại đây, thuật ngữ "Artificial Intelligence" lần đầu tiên được sử dụng.
Hội nghị Dartmouth (1956)
- Thời gian: Mùa hè năm 1956
- Địa điểm: Dartmouth College, Hanover, New Hampshire, Mỹ
- Mục tiêu: Khám phá khả năng mô phỏng trí tuệ con người bằng máy móc
- Kết quả: Đặt nền móng cho ngành AI hiện đại
Ngay sau hội nghị, nhiều chương trình AI đầu tiên ra đời như Logic Theorist (1956) của Allen Newell và Herbert Simon, có thể chứng minh các định lý toán học.
3. Giai đoạn hoàng kim đầu tiên (1956 - 1974)
Đây là thời kỳ lạc quan tràn đầy hy vọng. Các nhà nghiên cứu tin rằng AI sẽ sớm đạt được trí tuệ ngang bằng con người.
- 1957: Frank Rosenblatt phát triển Perceptron - mạng nơ-ron nhân tạo đầu tiên có khả năng học.
- 1958: John McCarthy tạo ra ngôn ngữ lập trình LISP, trở thành ngôn ngữ chủ đạo cho nghiên cứu AI trong nhiều thập kỷ.
- 1965: Joseph Weizenbaum tạo ra ELIZA - chatbot đầu tiên có thể trò chuyện đơn giản.
- 1966: Chương trình Shakey của SRI International là robot di động đầu tiên có khả năng suy luận về hành động của mình.
- 1972: Ngôn ngữ Prolog ra đời, hỗ trợ lập trình logic cho AI.
4. Mùa đông AI lần thứ nhất (1974 - 1980)
Do kỳ vọng quá cao nhưng kết quả không đạt được, nguồn tài trợ cho AI bị cắt giảm mạnh. Báo cáo của James Lighthill (1973) tại Anh đã chỉ trích gay gắt ngành AI, dẫn đến việc chính phủ Anh ngừng tài trợ cho hầu hết các dự án.
Các nguyên nhân chính dẫn đến mùa đông AI lần thứ nhất:
- Giới hạn tính toán của phần cứng thời đó.
- Không gian tìm kiếm tổ hợp bùng nổ khi bài toán lớn hơn.
- Khó khăn trong việc biểu diễn tri thức thực tế.
- Thiếu dữ liệu để huấn luyện.
5. Hệ chuyên gia và giai đoạn phục hưng (1980 - 1987)
AI hồi sinh nhờ sự ra đời của các hệ chuyên gia (Expert Systems) - chương trình mô phỏng khả năng ra quyết định của chuyên gia con người trong một lĩnh vực hẹp.
- 1980: XCON - hệ chuyên gia cấu hình máy tính của DEC, tiết kiệm hàng chục triệu USD mỗi năm.
- 1982: Nhật Bản khởi động dự án máy tính thế hệ thứ 5 với ngân sách 400 triệu USD.
- 1986: Geoffrey Hinton, David Rumelhart và Ronald Williams phổ biến thuật toán lan truyền ngược (Backpropagation) cho mạng nơ-ron đa lớp.
- 1987: Hội nghị AAAI tại Seattle thu hút hơn 6.000 người tham dự.
6. Mùa đông AI lần thứ hai (1987 - 1993)
Sự sụp đổ của thị trường máy LISP và sự trỗi dậy của máy tính cá nhân giá rẻ khiến các hệ chuyên gia trở nên kém cạnh tranh. Nhiều công ty AI phá sản, các dự án nghiên cứu bị cắt giảm.
Tuy nhiên, đây cũng là giai đoạn chuyển mình quan trọng: AI chuyển từ tiếp cận dựa trên tri thức sang tiếp cận dựa trên dữ liệu và xác suất.
7. Sự trỗi dậy của học máy (1993 - 2011)
Giai đoạn này chứng kiến nhiều bước tiến vượt bậc nhờ sự phát triển của internet, dữ liệu lớn và sức mạnh tính toán.
- 1997: Deep Blue của IBM đánh bại nhà vô địch cờ vua thế giới Garry Kasparov.
- 1998: Yann LeCun phát triển mạng nơ-ron tích chập (CNN) cho nhận dạng chữ viết tay.
- 2006: Geoffrey Hinton giới thiệu thuật ngữ "Deep Learning" và phương pháp huấn luyện mạng sâu hiệu quả.
- 2009: ImageNet - bộ dữ liệu ảnh khổng lồ được công bố, tạo nền tảng cho các cuộc thi nhận dạng ảnh.
- 2011: IBM Watson đánh bại hai nhà vô địch Jeopardy! là Brad Rutter và Ken Jennings.
- 2011: Apple ra mắt Siri, đưa trợ lý ảo vào cuộc sống hàng ngày.
8. Kỷ nguyên học sâu (2012 - 2017)
Năm 2012 được xem là bước ngoặt khi AlexNet - mạng nơ-ron tích chập sâu của Alex Krizhevsky, Ilya Sutskever và Geoffrey Hinton - giành chiến thắng áp đảo tại cuộc thi ImageNet, giảm tỷ lệ lỗi từ 26% xuống còn 15%.
Các cột mốc quan trọng giai đoạn 2012 - 2017
2014: Facebook ra mắt DeepFace, nhận dạng khuôn mặt với độ chính xác 97%
2014: Ian Goodfellow giới thiệu GAN (Generative Adversarial Network)
2015: Google phát hành TensorFlow - framework học sâu mã nguồn mở
2016: AlphaGo của DeepMind đánh bại Lee Sedol - kỳ thủ cờ vây hàng đầu thế giới
2017: Bài báo "Attention Is All You Need" giới thiệu kiến trúc Transformer
Kiến trúc Transformer (2017) là một trong những phát minh quan trọng nhất của AI hiện đại, đặt nền móng cho các mô hình ngôn ngữ lớn sau này.
9. Kỷ nguyên mô hình ngôn ngữ lớn (2018 - nay)
Từ năm 2018, AI bước vào giai đoạn bùng nổ với các mô hình ngôn ngữ lớn (LLM) dựa trên kiến trúc Transformer.
- 2018: Google ra mắt BERT, OpenAI ra mắt GPT-1.
- 2019: OpenAI phát hành GPT-2 với 1,5 tỷ tham số.
- 2020: GPT-3 với 175 tỷ tham số gây chấn động cộng đồng.
- 2021: DALL-E và CLIP của OpenAI mở ra kỷ nguyên sinh ảnh từ văn bản.
- 2022: ChatGPT ra mắt (30/11/2022), đạt 100 triệu người dùng chỉ sau 2 tháng.
- 2023: GPT-4, Claude, Gemini, Llama 2 và hàng loạt mô hình lớn khác ra đời.
- 2024: Sora, GPT-4o, Claude 3.5, Gemini 1.5 và cuộc đua AI đa phương thức bùng nổ.
- 2025: Các mô hình AI thế hệ mới tiếp tục mở rộng khả năng suy luận, lập trình và xử lý đa phương thức.
10. Các nhánh chính của AI hiện đại
Ngày nay, AI được chia thành nhiều nhánh nghiên cứu và ứng dụng khác nhau:
- Học máy (Machine Learning): Máy học từ dữ liệu để đưa ra dự đoán.
- Học sâu (Deep Learning): Sử dụng mạng nơ-ron nhiều lớp để học biểu diễn phức tạp.
- Xử lý ngôn ngữ tự nhiên (NLP): Giúp máy hiểu và sinh ngôn ngữ con người.
- Thị giác máy tính (Computer Vision): Giúp máy "nhìn" và hiểu hình ảnh.
- Robotics: Kết hợp AI với robot để tương tác với thế giới vật lý.
- Hệ chuyên gia: Mô phỏng quyết định của chuyên gia trong lĩnh vực hẹp.
- AI tạo sinh (Generative AI): Sinh văn bản, ảnh, video, âm thanh.
11. Những bài học từ lịch sử AI
- Kỳ vọng quá cao so với năng lực thực tế có thể dẫn đến "mùa đông AI".
- Sự tiến bộ của AI gắn chặt với ba yếu tố: dữ liệu, thuật toán và sức mạnh tính toán.
- Những ý tưởng bị lãng quên có thể trở lại khi công nghệ đủ chín muồi (như mạng nơ-ron).
- AI không phải là một đích đến mà là một quá trình tiến hóa không ngừng.
- Đạo đức và trách nhiệm xã hội ngày càng trở thành yếu tố trung tâm trong phát triển AI.
12. Kết luận
Lịch sử của trí tuệ nhân tạo là câu chuyện về những giấc mơ lớn, những thất vọng cay đắng và những đột phá ngoạn mục. Từ phép thử Turing năm 1950 đến ChatGPT năm 2022, AI đã đi một chặng đường dài hơn 70 năm. Hiện tại, chúng ta đang sống trong thời kỳ bùng nổ mạnh mẽ nhất của AI, khi các mô hình ngôn ngữ lớn và AI tạo sinh đang thay đổi cách con người làm việc, học tập và sáng tạo. Hiểu rõ lịch sử AI không chỉ giúp chúng ta trân trọng những thành tựu đã đạt được, mà còn giúp định hướng tốt hơn cho tương lai của công nghệ này.
Hành trình của AI vẫn đang tiếp diễn, và chúng ta - những người chứng kiến và tham gia vào cuộc cách mạng này - đang đứng trước những cơ hội và thách thức chưa từng có.
