Từ một câu hỏi đến cuộc trò chuyện: Lịch sử AI đã đưa chúng ta đến đâu?

Trước khi AI có thể trả lời một câu hỏi bằng tiếng Việt, nhiều thế hệ nhà nghiên cứu đã thử những con đường rất khác nhau để khiến máy móc làm được những việc từng gắn với trí thông minh. Thành tựu của họ cũng để lại những câu hỏi chưa dễ trả lời.

Một câu trả lời trôi chảy có nghĩa là gì?

Hãy tưởng tượng bạn mở một chương trình AI và hỏi: “Tại sao người ta nhớ một bài hát từ thời thơ ấu?”

Chương trình trả lời bằng tiếng Việt. Nó nói về ký ức, cảm xúc và những giai điệu quen thuộc. Bạn hỏi tiếp, nó tiếp tục giải thích.

Đây là một tình huống minh họa, không phải kết quả của một cuộc thử nghiệm cụ thể. Nhưng nó gợi ra một cảm giác quen thuộc: mình vừa có một cuộc trò chuyện.

Rồi một câu hỏi xuất hiện. Nếu câu trả lời nghe hợp lý, liệu cỗ máy có hiểu điều nó nói? Và nếu câu trả lời sai mà vẫn rất tự tin, chúng ta nên tin vào điều gì?

Đằng sau màn hình không chỉ có một câu trả lời. Còn có một hành trình dài của những người đặt câu hỏi, thử những ý tưởng khác nhau, gặp giới hạn và tiếp tục tìm cách khác. Câu chuyện ấy bắt đầu từ sự tò mò về chính trí thông minh của chúng ta.

Những câu hỏi ấy không bắt đầu với ChatGPT. Lịch sử AI chứa đầy những lần con người tìm cách tạo ra hành vi có vẻ thông minh—và phải suy nghĩ lại về ý nghĩa của thành công đó.

Có một câu hỏi khác gần gũi với chúng ta: làm sao một cỗ máy xử lý tiếng Việt? Với người đọc, cụm “nghiên cứu viên” có thể là một đơn vị có nghĩa. Nhưng các tiếng của cụm ấy lại được viết cách nhau. Làm thế nào để một chương trình xác định ranh giới từ khi xử lý câu văn? Đây là một trong những vấn đề mà các nhà nghiên cứu ngôn ngữ tiếng Việt đã phải quan tâm.

Để hiểu những cuộc trò chuyện hôm nay, hãy lần theo một hành trình không đi theo đường thẳng: từ câu hỏi triết học, qua những chương trình chuyên biệt, đến dữ liệu, ngôn ngữ và bàn tay của những người tạo ra hệ thống.

Khi câu hỏi trở thành một chương trình nghiên cứu

Trước cả khi lĩnh vực này có tên, đã có những câu hỏi về điều máy móc có thể tính toán. Năm 1936, Alan Turing mô tả một mô hình máy trừu tượng thực hiện các thao tác theo quy tắc. Năm 1943, Warren McCulloch và Walter Pitts trình bày một mô hình logic lấy cảm hứng từ tế bào thần kinh—một mô hình đơn giản, không phải bản sao của bộ não. [16] [17]

Năm 1950, nhà toán học Alan Turing công bố bài Computing Machinery and Intelligence. Ông mở đầu bằng câu hỏi: “Máy móc có thể suy nghĩ không?”

Nhưng làm thế nào để bắt đầu tìm câu trả lời, khi chính từ “suy nghĩ” đã khó định nghĩa? Turing bàn về một trò chơi bắt chước. Trong cách trình bày ban đầu, có ba người tham gia; sau đó ông xem xét điều gì xảy ra khi một máy tính thay thế một vai trong trò chơi. Những phiên bản phổ biến về sau thường được kể theo cách đơn giản hơn: người hỏi trò chuyện và cố phân biệt máy với người. [1]

Điểm thú vị không phải là Turing đã chứng minh máy móc biết suy nghĩ. Ông đưa ra một cách để nghiên cứu câu hỏi thông qua hành vi quan sát được. Nhưng hành vi giống con người đến đâu thì đủ để kết luận về sự hiểu biết bên trong? Câu hỏi ấy vẫn gây tranh luận.

Năm 1955, John McCarthy, Marvin Minsky, Nathaniel Rochester và Claude Shannon đề xuất một chương trình nghiên cứu mùa hè tại Dartmouth. Bản đề xuất sử dụng tên gọi artificial intelligence—trí tuệ nhân tạo—và nêu tham vọng nghiên cứu ngôn ngữ, giải quyết vấn đề và khả năng cải thiện của máy. Chương trình diễn ra vào năm 1956. [2]

Những người viết đề xuất tin rằng có thể nghiên cứu các khía cạnh của học hỏi và trí thông minh bằng cách mô tả chúng đủ chính xác để máy mô phỏng. Đó là một giả thuyết đầy tham vọng của họ, không phải điều đã được chứng minh. [2]

Dartmouth là một dấu mốc quan trọng trong việc hình thành AI như một lĩnh vực. Nó không có nghĩa là trước đó chưa ai nghiên cứu tính toán, logic hay những mô hình lấy cảm hứng từ hệ thần kinh. Các ý tưởng có nhiều nguồn gốc; một cái tên chung giúp tập hợp một phần những câu hỏi đó.

Nếu viết kiến thức thành quy tắc thì sao?

Hãy hình dung một người thợ sửa xe nghe tiếng động cơ và lần lượt kiểm tra những khả năng khác nhau. Một người thiết kế chương trình có thể thử chuyển một phần kinh nghiệm ấy thành quy tắc: nếu có dấu hiệu A, hãy kiểm tra B.

Đó là một ví dụ minh họa cho tinh thần của AI biểu tượng: biểu diễn tri thức và sử dụng những quy tắc để xử lý nó.

Trong nghiên cứu y học, MYCIN sử dụng những quy tắc và tri thức chuyên môn để đưa ra khuyến nghị liên quan đến một số bệnh nhiễm trùng và điều trị. Đây là một chương trình nghiên cứu trong phạm vi cụ thể, không phải bằng chứng rằng máy tính đã thay thế bác sĩ trong thực hành thường ngày. [3]

MYCIN gợi ra một khả năng hấp dẫn: nếu tri thức của chuyên gia có thể được biểu diễn, một chương trình có thể dùng nó để hỗ trợ một bài toán chuyên môn. Nhưng chính tham vọng ấy dẫn đến câu hỏi tiếp theo: phải làm gì với những điều chuyên gia biết mà khó viết ra thành quy tắc?

Cách tiếp cận này đặt ra một khó khăn: kiến thức của chuyên gia không phải lúc nào cũng dễ viết thành quy tắc đầy đủ. Khi tình huống thay đổi hoặc thông tin thiếu, việc thu thập, cập nhật và kiểm tra tri thức trở nên quan trọng.

Một chương trình khác cho thấy ngôn ngữ có thể tạo ra ấn tượng mạnh đến thế nào. Năm 1966, Joseph Weizenbaum giới thiệu ELIZA. Trong một kịch bản nổi tiếng, chương trình nhận diện từ khóa, phân tích câu theo quy tắc và sắp xếp lại các phần để tạo phản hồi. [4]

Hãy thử tưởng tượng một câu hỏi của bạn được phản hồi bằng một câu hỏi khác. Chỉ vài lượt trao đổi cũng có thể tạo cảm giác có một cuộc trò chuyện đang diễn ra. Đây là tình huống minh họa, không phải bản chép một cuộc đối thoại thực tế.

Một câu trả lời tiếp nối có thể khiến cuộc đối thoại nghe tự nhiên. Nhưng điều đó không tự nó cho chúng ta biết một hệ thống có hiểu theo nghĩa con người vẫn tranh luận hay không. Và cơ chế dựa vào mẫu, quy tắc của ELIZA khác với mô hình ngôn ngữ lớn ngày nay.

Cũng đừng hình dung giai đoạn đầu chỉ có các quy tắc viết sẵn. Ngay từ năm 1959, Arthur Samuel đã công bố nghiên cứu về những phương pháp giúp một chương trình cải thiện khả năng chơi cờ đam. Các hướng dựa vào quy tắc và học từ kinh nghiệm đã tồn tại song song, không đơn giản lần lượt thay thế nhau. [5]

Khi kỳ vọng gặp giới hạn

Khi một ý tưởng hoạt động trong một bài toán cụ thể, người ta có lý do để tò mò về điều nó có thể làm tiếp theo. Nhưng liệu kết quả trong điều kiện được thiết kế có dễ dàng mở rộng sang cuộc sống thường ngày?

Một chương trình có thể làm tốt một nhiệm vụ được xác định, nhưng thế giới bên ngoài thường ít gọn gàng hơn. Dữ liệu có thể thiếu, hoàn cảnh có thể thay đổi, và một lời hứa về tương lai có thể rộng hơn khả năng thực tế.

Năm 1966, một ủy ban tại Hoa Kỳ công bố báo cáo ALPAC về dịch máy và ngôn ngữ học. Những đánh giá như thế diễn ra trong một lịch sử phức tạp của kỳ vọng, nghiên cứu và tài trợ. [6]

Người ta thường dùng hình ảnh “mùa đông AI” để nói về các giai đoạn kỳ vọng hoặc nguồn lực suy giảm. Đó là cách gọi dễ nhớ, nhưng không nên hiểu rằng toàn bộ nghiên cứu AI khắp nơi cùng dừng lại. Trong một bài phân tích xuất bản năm 2023, sử gia công nghệ Thomas Haigh đặt lại vấn đề về cách kể coi “mùa đông AI đầu tiên” là một sự sụp đổ thống nhất của cả lĩnh vực. Đây là một diễn giải lịch sử có tranh luận, không phải kết luận mà mọi nhà nghiên cứu đều chấp nhận. [7]

Đồng thời, câu hỏi về hiểu biết vẫn chưa biến mất. Năm 1980, triết gia John Searle đưa ra thí nghiệm tưởng tượng thường được gọi là “Căn phòng tiếng Trung”. Ông hình dung một người không biết tiếng Trung làm theo quy tắc để xử lý ký hiệu và tạo ra câu trả lời phù hợp. Theo Searle, thao tác ký hiệu theo chương trình chưa đủ để tạo ra sự hiểu biết. Các triết gia đã đưa ra nhiều phản biện, trong đó có quan điểm cho rằng cần xem xét toàn bộ hệ thống, không chỉ người trong phòng. [8]

Đây là một cuộc tranh luận triết học, không phải thí nghiệm chứng minh mọi hệ thống AI đều không thể hiểu. Điều nó giúp chúng ta thấy là một câu trả lời có vẻ đúng và lời giải thích về điều đang diễn ra bên trong là hai câu hỏi khác nhau.

Khi máy học từ dữ liệu và kinh nghiệm

Hãy tưởng tượng bạn muốn xây dựng một chương trình nhận biết ảnh mèo. Bạn có thể bắt đầu bằng những quy tắc như “có tai nhọn” hoặc “có đuôi”. Nhưng một con mèo cuộn tròn, bị che khuất hoặc chụp từ góc lạ có thể không phù hợp với danh sách đơn giản đó.

Câu hỏi đổi hướng: thay vì cố mô tả trước mọi đặc điểm của con mèo, liệu ta có thể cho máy thấy nhiều ví dụ và để nó điều chỉnh cách phân loại?

Một cách khác là cung cấp nhiều hình ảnh có nhãn và điều chỉnh mô hình dựa trên kết quả của nó. Đây là một ví dụ minh họa về học máy. Con người vẫn lựa chọn dữ liệu, thiết kế phương pháp và đánh giá kết quả; “máy học” không có nghĩa là máy học giống hệt một đứa trẻ.

Những ý tưởng về mạng nơ-ron cũng tiếp tục được nghiên cứu qua nhiều thập kỷ. Năm 1989, Yann LeCun và các cộng sự công bố nghiên cứu dùng mạng nơ-ron để nhận dạng chữ số viết tay trên mã bưu chính. Bài toán nhỏ ấy cho thấy một ứng dụng cụ thể, không phải lời giải cho mọi vấn đề nhận dạng. [18]

Cờ vua mang đến một câu hỏi khác: liệu một cỗ máy có thể vượt qua người giỏi nhất trong một hoạt động vốn gắn với chiến lược? Năm 1997, Deep Blue của IBM đánh bại nhà vô địch cờ vua thế giới Garry Kasparov trong trận đấu sáu ván. Hệ thống kết hợp khả năng tìm kiếm nhanh và cách đánh giá được thiết kế cho cờ vua. [19]

Chiến thắng là một thành tựu trong cờ vua. Nó không cho thấy Deep Blue suy nghĩ giống Kasparov, cũng không chứng minh máy đã có thể làm mọi việc trí óc của con người.

Năm 2012, Alex Krizhevsky, Ilya Sutskever và Geoffrey Hinton công bố nghiên cứu dùng mạng nơ-ron sâu để phân loại hình ảnh trong bộ dữ liệu ImageNet. Nhóm báo cáo kết quả tốt hơn các kết quả trước đó trong bài đánh giá được mô tả. Kết quả ấy thuộc về một nhiệm vụ và cách kiểm tra cụ thể; nó không chứng minh hệ thống nhìn và hiểu thế giới như con người. [9]

Gần hai thập kỷ sau chiến thắng của Deep Blue trước Kasparov, cờ vây đặt ra một thử thách khác. Năm 2016, AlphaGo đánh bại kỳ thủ Lee Sedol với tỷ số 4–1 trong một cuộc đấu tại Seoul. [10] Thành tích gây chú ý vì cờ vây là một trò chơi có không gian lựa chọn rất lớn. Nhưng thắng một trò chơi—dù khó đến đâu—không đủ để chứng minh một hệ thống có trí thông minh tổng quát.

Từ nhận dạng hình ảnh đến hai trò chơi, các ví dụ cũng không nên bị trộn thành một câu chuyện đơn giản rằng “một thuật toán đã giải quyết mọi thứ”. Nhiều yếu tố như dữ liệu, phương pháp, sức tính toán và cách đánh giá đều quan trọng; các hệ thống được xây dựng cho những nhiệm vụ khác nhau.

Khi cỗ máy cần xử lý tiếng Việt

Trở lại câu “Tôi là một nghiên cứu viên.” Trong ví dụ của bài báo PhoBERT, câu gồm sáu âm tiết viết cách nhau, nhưng có thể được phân tích thành bốn đơn vị từ: “Tôi”, “là”, “một”, “nghiên cứu viên”. [11]

Với chúng ta, điều đó có thể rất tự nhiên. Với một hệ thống xử lý ngôn ngữ, việc xác định ranh giới từ cần những lựa chọn về phương pháp và dữ liệu. Câu hỏi lúc này không còn chỉ là “máy có thể dùng ngôn ngữ không?”, mà còn là “máy có thể xử lý ngôn ngữ của chúng ta theo những cách nào?” Một bộ công cụ phù hợp với một ngôn ngữ không tự động giải quyết mọi đặc điểm của ngôn ngữ khác.

Nhưng câu chuyện tiếng Việt không bắt đầu khi một mô hình hội thoại xuất hiện. Theo lịch sử do chính cộng đồng Xử lý ngôn ngữ và tiếng nói tiếng Việt (VLSP) công bố, một cuộc gặp khởi đầu của cộng đồng được tổ chức năm 2005. Đây là lời kể của cộng đồng về một dấu mốc của mình, không phải điểm khởi đầu của toàn bộ nghiên cứu AI ở Việt Nam. [20]

Năm 2020, đại hội thành lập Câu lạc bộ Xử lí ngôn ngữ và tiếng nói Việt được tổ chức. Sau đó, Hội Tin học Việt Nam ban hành quyết định phê duyệt điều lệ chi hội. Cộng đồng nghiên cứu đã có hoạt động trước khi câu lạc bộ được tổ chức chính thức. [21]

Đằng sau một câu tiếng Việt dễ đọc là những quyết định về cách biểu diễn từ, tên người và quan hệ ngữ pháp. Các nhà nghiên cứu cần công cụ và dữ liệu để có thể kiểm tra, so sánh rồi tiếp tục xây dựng trên công việc của nhau.

Cùng với việc xây dựng cộng đồng là công việc tạo ra những công cụ mà các nhóm khác có thể tiếp tục sử dụng. Năm 2018, Thanh Vu, Dat Quoc Nguyen, Dai Quoc Nguyen, Mark Dras và Mark Johnson công bố VnCoreNLP, một bộ công cụ mã nguồn mở cho xử lý ngôn ngữ tự nhiên tiếng Việt. Bài báo mô tả những nhiệm vụ như tách từ và nhận diện thực thể có tên. [12]

Năm 2020, Dat Quoc Nguyen và Anh Tuan Nguyen công bố PhoBERT, các mô hình ngôn ngữ được huấn luyện trước cho tiếng Việt. Theo bài báo, các mô hình đạt kết quả cải thiện so với những hệ thống đối chứng trong một số bài đánh giá cụ thể. Đó là kết quả do nhóm tác giả báo cáo, không phải bằng chứng rằng mô hình tốt nhất trong mọi tình huống hay đã được sử dụng rộng rãi ở mọi nơi. [11]

PhoBERT không phải “ChatGPT tiếng Việt”. Những công trình này có mục tiêu và cách sử dụng khác nhau. Chúng cũng không đại diện cho toàn bộ lịch sử AI tại Việt Nam.

Năm 2021, Thủ tướng Chính phủ ban hành quyết định phê duyệt chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng AI đến năm 2030. Đó là dấu mốc về định hướng chính sách; bản thân một chiến lược không cho biết các mục tiêu đã được thực hiện đến đâu. [22]

Điều đáng chú ý là phía sau trải nghiệm dùng ngôn ngữ quen thuộc có thể là công sức xây dựng dữ liệu, công cụ và phương pháp. Khi hỏi AI có ích cho người Việt không, ta có thêm những câu hỏi cụ thể hơn: nó xử lý tiếng Việt trong tình huống nào, được đánh giá ra sao, và ai có điều kiện tiếp cận nó?

Từ những mô hình ngôn ngữ đến một cuộc trò chuyện

Năm 2017, một nhóm nghiên cứu công bố bài Attention Is All You Need, giới thiệu kiến trúc Transformer. Kiến trúc này sử dụng cơ chế attention để xử lý mối quan hệ giữa các thành phần trong dữ liệu. Nó trở thành một thành phần quan trọng trong nhiều hướng phát triển mô hình ngôn ngữ sau đó; không nên xem một bài báo là nguyên nhân duy nhất của mọi tiến bộ. [13]

Năm 2020, OpenAI công bố nghiên cứu về GPT-3. Trong các bài đánh giá của nhóm, một mô hình có thể thực hiện nhiều nhiệm vụ khi nhận được chỉ dẫn hoặc ví dụ trong văn bản đầu vào, dù kết quả và giới hạn khác nhau theo từng nhiệm vụ. Đây là kết quả nghiên cứu do nhóm tác giả báo cáo, không phải bảo đảm rằng câu trả lời luôn đúng. [23]

Tưởng tượng một người muốn nhờ máy tóm tắt một đoạn văn, rồi giải thích một khái niệm: khả năng diễn đạt yêu cầu bằng ngôn ngữ mở ra một cách tương tác đáng chú ý. Người dùng không cần bắt đầu bằng cách tìm tên của từng phương pháp nghiên cứu; họ có thể bắt đầu bằng câu hỏi của mình. Nhưng giữa việc tạo ra văn bản và đáp ứng điều người dùng thực sự muốn vẫn còn một khoảng cách.

Việc tạo ra văn bản cũng không tự động có nghĩa là một hệ thống làm theo ý người dùng tốt. Trong nghiên cứu InstructGPT công bố năm 2022, các nhà nghiên cứu sử dụng ví dụ và thứ hạng câu trả lời do người đánh giá cung cấp để điều chỉnh mô hình. Họ báo cáo kết quả trong những điều kiện đánh giá cụ thể; câu trả lời được người đánh giá ưa thích không đồng nghĩa luôn đúng. [14]

Ngày 30 tháng 11 năm 2022, OpenAI giới thiệu ChatGPT dưới dạng bản dùng thử nghiên cứu miễn phí. Trong thông báo của mình, công ty mô tả một hệ thống đối thoại có thể trả lời câu hỏi tiếp nối. OpenAI cũng nêu những hạn chế, bao gồm khả năng tạo ra câu trả lời nghe hợp lý nhưng sai. Đây là thông tin từ chính nhà phát triển. [15]

Đối với nhiều người, việc đặt câu hỏi bằng ngôn ngữ thông thường tạo ra một cách tiếp cận AI gần gũi. Nhưng ChatGPT không phải đích đến tất yếu của toàn bộ lịch sử này. Nghiên cứu về robot, thị giác máy tính và nhiều hướng khác có những mục tiêu và con đường riêng.

Câu chuyện chưa kết thúc

Nhìn lại, câu chuyện không chỉ gồm những chiếc máy. Nó còn gồm những người tự hỏi liệu tư duy có thể được nghiên cứu qua hành vi, liệu kiến thức có thể viết thành quy tắc, liệu máy có thể học từ ví dụ, và làm thế nào để tiếng Việt được xử lý tốt hơn. Đó là cách Dòng Chảy AI chọn nhìn một lịch sử rộng lớn và còn nhiều điều chưa được kể.

Từ một trò chơi bắt chước đến các hệ thống học từ dữ liệu, lịch sử AI cho thấy con người đã tìm ra nhiều cách để máy thực hiện những nhiệm vụ từng gắn với trí thông minh. Mỗi kết quả mở ra cơ hội, nhưng không tự giải quyết mọi câu hỏi về năng lực, giới hạn hay sự hiểu biết.

Góc nhìn của Dòng Chảy AI: Khi một hệ thống làm được việc từng cần kiến thức chuyên môn hoặc nhiều giờ chuẩn bị, câu hỏi về tương lai công việc trở nên rất gần. Một giáo viên có thể thử nhờ AI gợi ý cách giải thích một bài học; một người bán hàng có thể thử dùng nó để phác thảo nội dung giới thiệu sản phẩm. Đây là những ví dụ giả định, không phải kết quả đã được đo lường. Trong cả hai trường hợp, người dùng vẫn cần xem lại nội dung và tự quyết định có nên sử dụng hay không.

Lịch sử không cho phép chúng ta dự đoán chính xác nghề nào sẽ thay đổi hay công việc nào sẽ biến mất. Nhưng nó khuyến khích một thói quen hữu ích: hỏi hệ thống thực sự làm được gì, trong điều kiện nào, ai tạo ra và đánh giá nó, ai có thể tiếp cận nó, và điều gì vẫn cần con người quyết định.

Với người Việt, những câu hỏi ấy còn gắn với ngôn ngữ, giáo dục và điều kiện sống của chính mình. Một cuộc trò chuyện có thể là điểm bắt đầu để khám phá. Để hiểu nó có ý nghĩa gì, chúng ta vẫn cần tìm hiểu câu chuyện phía sau câu trả lời.

AI toàn cầu. Góc nhìn Việt Nam.

---

Tài liệu tham khảo

[1] Turing, Computing Machinery and Intelligence (1950) — bản lưu bài gốc.

[2] Đề xuất Dartmouth (1955); lịch sử Dartmouth — đề xuất gốc và lịch sử của tổ chức.

[3] Buchanan & Shortliffe, bối cảnh MYCIN — lịch sử của nhóm nghiên cứu.

[4] Weizenbaum, ELIZA (1966) — bản lưu bài gốc; trang ghi khoảng trang thư mục có vẻ sai.

[5] Samuel, nghiên cứu học máy và cờ đam (1959) — bản lưu bài gốc.

[6] Báo cáo ALPAC (1966) — bản số hóa báo cáo gốc.

[7] Haigh, There Was No ‘First AI Winter’ (2023) — phân tích lịch sử hồi cứu; có tranh luận.

[8] Stanford Encyclopedia of Philosophy, Chinese Room — tổng quan triết học và các phản biện, cập nhật sau giai đoạn lịch sử.

[9] Krizhevsky và cộng sự, ImageNet (2012) — tóm tắt công trình gốc; kết quả do nhóm tác giả báo cáo.

[10] British Go Association, tường thuật trận AlphaGo–Lee Sedol — nguồn tường thuật trận đấu.

[11] Nguyen & Nguyen, PhoBERT (2020) — bài nghiên cứu gốc; kết quả do tác giả báo cáo.

[12] Vu và cộng sự, VnCoreNLP (2018) — trang công bố và tóm tắt bài gốc.

[13] Vaswani và cộng sự, Attention Is All You Need (2017) — trang công bố của nhóm nghiên cứu.

[14] Ouyang và cộng sự, InstructGPT (2022) — tóm tắt công trình gốc.

[15] OpenAI, Introducing ChatGPT (30/11/2022) — thông báo của nhà phát triển.

---

[16] Turing, On Computable Numbers (1936) — bài nghiên cứu gốc.

[17] McCulloch & Pitts (1943) — tóm tắt của nhà xuất bản; tiếp cận toàn văn có giới hạn.

[18] LeCun và cộng sự (1989) — tóm tắt bài nghiên cứu gốc.

[19] IBM, Deep Blue — tường thuật của tổ chức phát triển hệ thống.

[20] Lịch sử cộng đồng VLSP — lịch sử hồi cứu do cộng đồng công bố; truy cập có thể không ổn định.

[21] Tường thuật đại hội VLSP (2020); Quyết định phê duyệt điều lệ — quyết định phê duyệt điều lệ, không phải một văn bản công nhận thành lập riêng; khả năng mở PDF cần kiểm tra.

[22] Quyết định 127/QĐ-TTg (2021) — văn bản chính sách của Chính phủ.

[23] Brown và cộng sự, GPT-3 (2020) — tóm tắt nghiên cứu gốc; kết quả do nhóm tác giả báo cáo.

---