Muốn tự học an toàn AI từ con số không, cách chắc nhất là đi ba chặng theo thứ tự: nắm nền tảng học máy, hiểu một mô hình ngôn ngữ lớn được huấn luyện và tinh chỉnh ra sao, rồi mới chọn một nhánh an toàn cụ thể như đánh giá, diễn giải hay căn chỉnh và làm một dự án nhỏ trong nhánh đó. Bỏ chặng đầu thì đọc gì về an toàn cũng chỉ hiểu nửa vời.
Bài này viết cho sinh viên năm hai, năm ba ngành công nghệ thông tin, toán tin, điện tử, hoặc bạn học ngành khác nhưng đã quen lập trình. Mình không hứa số tháng, vì tốc độ phụ thuộc nền cũ và số giờ mỗi tuần của từng người. Mình chỉ nói thứ tự, lý do của thứ tự đó, và những chỗ người tự học hay vấp.
Một điều nên nói trước: an toàn AI là lĩnh vực còn non, chưa có giáo trình chuẩn được mọi người công nhận. Lộ trình dưới đây là một cách đi hợp lý, không phải cách duy nhất.
Vì sao đừng bắt đầu bằng những bài viết về siêu trí tuệ
Phần lớn người tò mò về an toàn AI bước vào qua cửa triết học: đọc các bài tranh luận về siêu trí tuệ, về chuyện máy có thể vượt người, về kịch bản mất kiểm soát. Những bài đó hấp dẫn và đáng đọc, nhưng nếu đọc khi chưa biết một mô hình học như thế nào thì mình chỉ có thể đồng ý hoặc phản đối theo cảm giác.
Giống như học lái xe máy. Bạn có thể đọc rất nhiều về tai nạn giao thông, nhưng phải tự ngồi lên xe, bóp phanh trên đường đất ở quê vài lần mới hiểu vì sao người ta dặn đừng phanh trước khi vào cua. An toàn AI cũng vậy: các khái niệm như mô hình "lách luật", tối ưu nhầm mục tiêu, hay mô hình nói một đằng làm một nẻo chỉ thật sự có nghĩa khi bạn đã thấy một hàm mất mát giảm dần trên màn hình và hiểu nó đang ép mô hình làm gì.
Lý do thứ hai là động lực. Đọc tranh luận trừu tượng rất dễ sinh cảm giác "chuyện này quá lớn, mình làm được gì". Còn khi bạn tự huấn luyện một mạng nhỏ phân loại ảnh lá lúa bệnh rồi thấy nó đoán đúng vì nhìn nền đất chứ không nhìn vết bệnh, bạn vừa chạm vào một bài toán an toàn thật, ở quy mô vừa tay.
Vậy nên hãy để các bài viết về siêu trí tuệ làm món đọc thêm buổi tối, còn giờ học chính dành cho thứ bạn có thể chạy được trên máy của mình.
Chặng một: nền tảng học máy cần nắm trước
Python đủ dùng. Viết được hàm, lớp, đọc tệp, xử lý mảng số. Không cần thành thạo mọi thư viện, chỉ cần không sợ đọc mã người khác.
Đại số tuyến tính ở mức làm việc. Vectơ, ma trận, phép nhân ma trận, ý nghĩa hình học của tích vô hướng. Phần lớn những gì xảy ra bên trong mô hình là các phép này lặp lại rất nhiều lần.
Xác suất và thống kê cơ bản. Phân phối, kỳ vọng, phương sai, khái niệm mẫu và tổng thể. Đánh giá mô hình mà không hiểu sai số là kết luận vội.
Đạo hàm và ý tưởng của gradient. Hiểu vì sao đi ngược hướng đạo hàm thì hàm mất mát giảm. Không cần giải tích nặng, cần trực giác.
Tự viết một mạng nơ-ron nhỏ bằng tay. Một lần viết lan truyền ngược bằng mảng số thuần giúp bạn hiểu thư viện đang làm gì thay mình.
Dùng một thư viện học sâu phổ biến. Sau khi tự viết được một lần thì chuyển sang thư viện, tập huấn luyện, lưu, tải lại mô hình.
Hiểu chuyện chia dữ liệu huấn luyện, kiểm định, kiểm tra. Đây là bài học an toàn đầu tiên: điểm cao trên dữ liệu đã thấy không nói lên gì về dữ liệu chưa thấy.
Quá khớp và rò rỉ dữ liệu. Tự gây ra một lần rò rỉ, ví dụ để ảnh trùng lặp nằm ở cả hai tập, rồi xem điểm số đẹp giả tạo đến mức nào.
Đọc đường cong huấn luyện. Nhìn đồ thị mất mát biết được mô hình đang học, đang nhớ vẹt hay đang chững lại.
Làm quen với môi trường tính toán miễn phí. Các sổ tay chạy trên đám mây có cấp GPU giới hạn là đủ cho mọi bài tập ở chặng này, không cần mua máy đắt.
Ghi chép mỗi lần chạy. Tập thói quen ghi cấu hình, kết quả, điều bất ngờ. Nghề đánh giá và an toàn sống nhờ ghi chép cẩn thận.
Chặng hai và ba: từ mô hình ngôn ngữ tới bài toán an toàn
Hiểu kiến trúc transformer ở mức khái niệm. Cơ chế chú ý cho phép mỗi từ "nhìn" các từ khác trong câu để quyết định nghĩa của mình. Tự cài một bản rất nhỏ là bài tập đáng giá nhất của chặng hai.
Biết mô hình được huấn luyện qua mấy giai đoạn. Học trước trên khối văn bản lớn để đoán từ kế tiếp, rồi tinh chỉnh theo hướng dẫn, rồi tinh chỉnh theo phản hồi của người chấm. Mỗi giai đoạn sinh ra một kiểu rủi ro riêng.
Hiểu học tăng cường từ phản hồi của người. Mô hình được thưởng khi người chấm thích câu trả lời. Từ đây sinh ra vấn đề nịnh người dùng: được thưởng vì làm người chấm hài lòng chứ không vì đúng.
Chạy một mô hình mở cỡ nhỏ trên máy. Hỏi nó những câu dễ gây sai, quan sát nó bịa ra sao. Đây là cách rẻ nhất để có trực giác về lỗi của mô hình.
Chọn một nhánh: đánh giá. Hợp với người thích thiết kế bài kiểm tra, cẩn thận với số liệu. Điểm vào dễ nhất cho sinh viên.
Chọn một nhánh: diễn giải. Hợp với người thích mổ xẻ, thích toán tuyến tính, kiên nhẫn nhìn từng lớp, từng nơ-ron của mô hình nhỏ.
Chọn một nhánh: căn chỉnh. Hợp với người thích học tăng cường, thích hỏi "mô hình học được mục tiêu gì thật". Khó hơn để bắt đầu một mình.
Đọc bài tổng quan trước bài chuyên sâu. Mỗi nhánh đều có các bài tổng quan liệt kê vấn đề mở. Đọc một bài như vậy cho mỗi nhánh trước khi quyết.
Tái lập một kết quả nhỏ. Chọn một thí nghiệm đơn giản trong bài báo, làm lại trên mô hình nhỏ hơn. Không cần ra đúng con số, cần hiểu vì sao lệch.
Viết lại điều mình học bằng tiếng Việt. Một bài blog giải thích cho bạn cùng lớp là bài kiểm tra hiểu bài tốt nhất, và cũng là hồ sơ năng lực sau này.
Tìm một người để trao đổi đều đặn. Một bạn cùng khoá, một anh chị đi làm, một nhóm trực tuyến. Tự học không có nghĩa là học một mình hoàn toàn.
Giữ nhịp thay vì giữ tốc độ. Mỗi tuần vài buổi đều đặn hơn hẳn một tuần thức trắng rồi bỏ cả tháng.
Học ở Cần Thơ, Vinh hay Nha Trang thì có thiệt không?
Về tài liệu thì gần như không. Bài giảng, bài báo, mã nguồn mở, môi trường tính toán miễn phí đều lên mạng như nhau cho người ở quận Ninh Kiều hay quận một. Thứ thiếu thật sự là người xung quanh: ở các thành phố lớn có buổi gặp mặt, có công ty để hỏi, có đàn anh đang làm đúng nghề này.
Cách bù hợp lý là tự tạo một nhóm nhỏ ngay trong trường. Ba, bốn bạn cùng khoa, mỗi tuần gặp một buổi ở thư viện, mỗi người trình bày một phần mình đọc. Nhóm nhỏ ở trường tỉnh có lợi thế là ít bị phân tán, gặp nhau dễ, và giảng viên thường sẵn lòng cho mượn phòng hơn bạn nghĩ.
Tiếng Anh là rào cản lớn hơn khoảng cách địa lý. Hầu hết tài liệu an toàn AI viết bằng tiếng Anh, thuật ngữ còn mới nên chưa có cách dịch thống nhất. Đừng chờ tiếng Anh giỏi mới bắt đầu, hãy học hai thứ song song: mỗi bài đọc là một buổi luyện đọc hiểu chuyên ngành.
Còn chuyện máy tính, một chiếc laptop tầm trung cộng môi trường đám mây miễn phí là đủ cho cả chặng một và phần lớn chặng hai. Thứ đắt nhất trong lộ trình này là thời gian và sự đều đặn, không phải phần cứng.
Những sai lầm làm người tự học bỏ dở, và cách sửa
Gom tài liệu thay vì học. Lưu hàng trăm đường dẫn tạo cảm giác tiến bộ. Sửa: mỗi tuần chỉ được mở tối đa hai tài liệu mới.
Học toán quá lâu trước khi chạm mã. Có người dành cả học kỳ ôn đại số mà chưa chạy mô hình nào. Sửa: học toán vừa đủ cho bài đang làm.
Chạm mã mà bỏ toán hoàn toàn. Chỉ gọi thư viện thì không hiểu vì sao kết quả kỳ lạ. Sửa: mỗi khi thấy điều bất ngờ, quay về giải thích bằng toán.
Chọn nhánh theo độ "ngầu". Nghe diễn giải hay căn chỉnh có vẻ cao siêu nên chọn, rồi thấy không hợp. Sửa: thử mỗi nhánh một bài tập nhỏ rồi mới chọn.
Đọc bài báo mới nhất trước bài nền. Bài mới thường giả định người đọc đã biết các bài trước. Sửa: lần theo phần trích dẫn về những bài cũ hơn.
Nhầm tranh luận với kiến thức. Ý kiến của một người nổi tiếng trên mạng không phải kết quả nghiên cứu. Sửa: luôn hỏi "điều này đã được đo chưa".
Học một mình hoàn toàn. Không ai hỏi thì không biết mình hiểu sai. Sửa: tìm một người cùng học, dù chỉ trò chuyện mỗi tuần một lần.
Không ghi lại gì. Ba tháng sau không nhớ mình đã thử những gì. Sửa: một sổ ghi chép đơn giản, mỗi buổi vài dòng.
So mình với người đã làm nghề nhiều năm. Dễ nản. Sửa: so mình của tháng này với mình của tháng trước.
Bỏ qua tiếng Việt. Chỉ học bằng tiếng Anh thì khó giải thích lại cho người xung quanh. Sửa: viết tóm tắt bằng tiếng Việt cho từng bài.
Chờ có điều kiện hoàn hảo. Chờ máy mạnh, chờ khoá học, chờ hè. Sửa: bắt đầu bằng bài tập nhỏ nhất ngay tuần này.
Một tuần học trông như thế nào
Với sinh viên còn lịch học chính khoá, khoảng sáu đến tám giờ mỗi tuần là con số nhiều bạn giữ được lâu. Ít hơn thì khó tiến, nhiều hơn thì dễ đuối giữa kỳ thi. Bạn tự điều chỉnh theo sức mình.
Một cách chia đơn giản: hai buổi tối trong tuần đọc và ghi chép, mỗi buổi chừng một tiếng rưỡi. Sáng cuối tuần dành một buổi dài để code, vì viết mã cần khoảng thời gian liền mạch, bị ngắt giữa chừng là mất đà. Cuối tuần viết vài đoạn tóm tắt những gì đã học.
Mỗi tháng nên có một sản phẩm nhìn thấy được: một sổ tay chạy được, một bài blog, một bảng kết quả thí nghiệm nhỏ. Sản phẩm không cần hay, chỉ cần tồn tại. Sau một năm, những sản phẩm đó ghép lại chính là hồ sơ năng lực khi bạn xin thực tập hay ứng tuyển chương trình nghiên cứu.
Đến mùa thi thì cứ giảm nhịp xuống, chỉ giữ một buổi đọc nhẹ mỗi tuần để không đứt mạch. Đứt hẳn một tháng thì quay lại rất mệt, còn giữ nhịp mỏng thì quay lại gần như không tốn sức.
Câu hỏi thường gặp
Không học ngành công nghệ thông tin có tự học an toàn AI được không?
Được, nhưng bạn cần bù phần lập trình và toán nền trước. Người học kinh tế, ngôn ngữ, triết học có lợi thế riêng ở các nhánh đánh giá hành vi mô hình hoặc nghiên cứu xã hội về AI, miễn là không né phần kỹ thuật cơ bản.
Cần máy tính cấu hình mạnh để học an toàn AI không?
Không cần cho giai đoạn đầu. Một laptop tầm trung và môi trường sổ tay trên đám mây có GPU miễn phí giới hạn là đủ để học nền tảng và chạy mô hình mở cỡ nhỏ.
Nên học an toàn AI bằng tiếng Việt hay tiếng Anh?
Tài liệu chính hiện chủ yếu bằng tiếng Anh nên khó tránh. Cách hiệu quả là đọc bằng tiếng Anh, ghi chép và giải thích lại bằng tiếng Việt, vừa luyện ngoại ngữ vừa kiểm tra mình hiểu thật chưa.
Tự học xong có xin được việc về an toàn AI ở Việt Nam không?
Vị trí mang đúng tên an toàn AI trong nước còn ít. Nhưng kỹ năng đánh giá mô hình, kiểm thử và phân tích lỗi đang được các đội làm sản phẩm AI cần, và đó là cửa vào thực tế nhất hiện nay.
Học an toàn AI có cần giỏi triết học không?
Không bắt buộc. Phần lớn công việc hằng ngày là kỹ thuật: thiết kế thí nghiệm, đo, phân tích. Triết học giúp đặt câu hỏi tốt hơn, nên đọc thêm khi đã vững nền.
