Name: Khóa học Trí tuệ nhân tạo (AI) cho người mới bắt đầu của Google (chỉ trong 10 phút)! (Google’s AI Course for Beginners (in 10 minutes)!)
Uploaded: 2025-09-20T00:49:49.000Z
Duration: 9 min 18 s
Description: Thousands of YouTube videos with English-Chinese subtitles! Now you can learn to understand native speakers, expand your vocabulary, and improve your pronunciation...

If you don't have a technical background,

Nếu bạn không có nền tảng kỹ thuật, nhưng vẫn muốn tìm hiểu những kiến thức cơ bản về trí tuệ nhân tạo, hãy ở lại vì chúng tôi sẽ tóm tắt khóa học AI 4 giờ dành cho người mới bắt đầu của Google thành chỉ 10 phút.

but you still want to learn the basics of artificial intelligence, stick around.

Ban đầu, tôi rất hoài nghi vì tôi nghĩ khóa học sẽ quá trừu tượng.

Because we're distilling Google's 4 hour AI course for beginners into just 10 minutes.

Chúng tôi tập trung vào những mẹo thực tế trên kênh này.

I was initially very skeptical because I thought the course would be too conceptual.

Và biết Google, khóa học có thể biến mất sau một giờ.

We're all about practical tips on this channel, and

Nhưng tôi nhận ra rằng những khái niệm cơ bản thực sự đã giúp tôi sử dụng các công cụ như ChatGPT hiệu quả hơn và làm sáng tỏ nhiều hiểu lầm mà tôi không hề biết mình có về trí tuệ nhân tạo (AI), học máy (machine learning) và các mô hình ngôn ngữ lớn (lar

knowing Google, the course might just disappear after one hour.

Vậy, bắt đầu với câu hỏi rộng nhất có thể, trí tuệ nhân tạo là gì?

But I found the underlying concepts actually made me better at using tools like ChatGPT and Google Bard, and

Hóa ra, và tôi thật sự xấu hổ khi phải thừa nhận rằng mình không biết điều này, Trí tuệ nhân tạo (AI) là một lĩnh vực nghiên cứu hoàn toàn riêng biệt, giống như vật lý.

cleared up a bunch of misconceptions I didn't know I had about AI, machine learning and large language models.

Và học máy là một nhánh của trí tuệ nhân tạo (AI), tương tự như cách nhiệt động lực học là một nhánh của vật lý.

So, starting with the broadest possible question, what is artificial intelligence?

Xuống một cấp độ nữa, học sâu là một phân nhánh của học máy.

Và các mô hình học sâu có thể được chia nhỏ thành hai loại gọi là mô hình phân biệt và mô hình sinh thành.

I'm so embarrassed to admit I didn't know this, AI is an entire field of study like physics, and

Các mô hình ngôn ngữ lớn (LLMs) cũng thuộc lĩnh vực học sâu.

machine learning is a subfield of AI, much like how thermodynamics is a subfield of physics.

Và ngay tại điểm giao thoa giữa công nghệ tạo sinh và mô hình ngôn ngữ lớn (LLMs) chính là công nghệ hỗ trợ cho các ứng dụng mà chúng ta đều quen thuộc, như ChatGPT và Google Bard.

Going down another level, deep learning is a subset of machine learning, and

Hãy cho tôi biết trong phần bình luận nếu điều này cũng là tin mới đối với bạn.

deep learning models can be further broken down into something called discriminative models and and generative models, large language models.

Bây giờ khi chúng ta đã có cái nhìn tổng quan về bức tranh chung và bạn đã hiểu cách các lĩnh vực khác nhau tương tác với nhau, hãy cùng điểm qua những điểm chính mà bạn cần nắm vững cho từng cấp độ.

Tóm lại, học máy là một chương trình sử dụng dữ liệu đầu vào để đào tạo mô hình.

right at the intersection between generative and LLMs is the technology that powers the applications.

Mô hình đã được huấn luyện đó có thể đưa ra dự đoán dựa trên dữ liệu mà nó chưa từng gặp trước đây.

We're all familiar with ChatGPT and Google Bard.

Ví dụ, nếu bạn huấn luyện một mô hình dựa trên dữ liệu bán hàng của Nike, bạn có thể sử dụng mô hình đó để dự đoán mức độ thành công của một đôi giày mới từ Adidas dựa trên dữ liệu bán hàng của Adidas.

Let me know in the comments if this was news to you as well.

Hai loại mô hình học máy phổ biến nhất là mô hình học có giám sát và mô hình học không giám sát.

Now that we have an understanding of the overall landscape and you see how the different disciplines sit in relation to each other, let's go over the key takeaways you should know for each level.

Sự khác biệt chính giữa hai loại mô hình này là mô hình có giám sát sử dụng dữ liệu có nhãn, trong khi mô hình không giám sát sử dụng dữ liệu không có nhãn.

In a nutshell, machine learning is a program that uses input data to train a model.

Trong ví dụ có giám sát này, chúng ta có các điểm dữ liệu lịch sử thể hiện mối quan hệ giữa tổng số tiền hóa đơn tại nhà hàng và số tiền tip.

That trained model can then make predictions based on data it has never seen before.

Và ở đây, dữ liệu được gắn nhãn.

For example, if you train a model based on Nike sales data, you can then use that model to predict how well a new shoe from Adidas would sell based on Adidas sales data.

Điểm xanh lá cây có nghĩa là đơn hàng đã được nhận và điểm vàng có nghĩa là đơn hàng đã được giao.

Two of the most common types of machine learning models are supervised and unsupervised learning models.

Sử dụng mô hình học có giám sát, chúng ta có thể dự đoán số tiền tip dự kiến cho đơn hàng tiếp theo dựa trên tổng hóa đơn và liệu đơn hàng đó được nhận trực tiếp hay giao hàng.

The key difference between the two is supervised models use labeled data and unsupervised models use unlabeled data.

Đối với các mô hình học máy không giám sát, chúng ta xem xét dữ liệu thô và xem liệu nó có tự nhiên chia thành các nhóm hay không.

In this supervised example, we have historical data points that plot the total bill amount at a restaurant against the tip amount and here the data is labeled.

Trong ví dụ này, chúng tôi đã vẽ biểu đồ thời gian làm việc của nhân viên tại một công ty so với thu nhập của họ.

Blue dot equals the order was picked up and yellow dot equals the order was delivered.

Chúng tôi nhận thấy nhóm nhân viên này có tỷ lệ thu nhập trên số năm làm việc cao hơn so với nhóm kia.

Using a supervised learning model, we can now predict how much tip we can expect for the next order given the bill amount and whether it's picked up or delivered.

Chúng ta cũng có thể thấy rằng tất cả những dữ liệu này đều không được gắn nhãn.

For unsupervised learning models, we look at the raw data and see if it naturally falls into groups.

Nếu chúng được gắn nhãn, chúng ta sẽ thấy các thông tin như giới tính nam, giới tính nữ, số năm làm việc, chức năng của công ty, v.v.

In this example, we plotted the employee tenure at a company against their income.

Chúng ta có thể yêu cầu mô hình học máy không giám sát này giải quyết một vấn đề như sau: Nếu một nhân viên mới gia nhập, liệu họ có nằm trong danh sách ưu tiên hay không?

We see this group of employees have a relatively high income to years worked ratio versus this group.

Nếu chúng xuất hiện ở bên trái, thì đúng.

We can also see all these are unlabeled data.

Nếu chúng xuất hiện ở bên phải, thì không.

If they were labeled, we would see male, female, years worked, company function, etc.

Một điểm khác biệt lớn khác giữa hai mô hình là sau khi mô hình học có giám sát đưa ra dự đoán, nó sẽ so sánh dự đoán đó với dữ liệu đào tạo được sử dụng để đào tạo mô hình đó.

We can now ask this unsupervised learning model to solve a problem like if a new employee joins, are they on the fast track or not?

Và nếu có sự khác biệt, nó cố gắng thu hẹp khoảng cách đó.

Các mô hình học máy không giám sát không thực hiện điều này.

If they appear on the right then no Pro tip.

Thêm một điều nữa, video này không được tài trợ, nhưng nó được hỗ trợ bởi những người trong số các bạn đã đăng ký nhận bản tin sản xuất hiệu quả có trả phí của tôi về các mẹo sử dụng Google.

Another big difference between the two models is that after a supervised learning model makes a prediction, it will compare that prediction to the training data used to train that model and if there's a difference, it tries to close that gap.

Liên kết trong phần mô tả nếu bạn muốn tìm hiểu thêm.

Unsupervised learning models do not do this.

Bây giờ chúng ta đã có một hiểu biết cơ bản về học máy.

By the way, this video is not sponsored, but

Đây là thời điểm thích hợp để nói về học sâu, một loại học máy sử dụng mạng thần kinh nhân tạo.

it is supported by those of you who subscribe to my paid productivity newsletter on Google Tips.

Link in the description if you want to learn more now we have a basic grasp of machine learning and it's a good time to talk about deep learning, which is just a type of machine learning that uses something called artificial neural networks.

Tất cả những gì bạn cần biết hiện tại là mạng thần kinh nhân tạo được lấy cảm hứng từ não người và trông giống như thế này.

Don't worry, all you have to know for now is that artificial neural networks are inspired by the human brain and looks something like this layers of nodes and neurons and the more layers there are, the more powerful the model.

And because we have these neural networks, we can now do something called semi supervised learning whereby a deep learning model is trained on a small amount of labeled data and a large amount of unlabeled data.

Và càng có nhiều lớp, mô hình càng mạnh mẽ.

For example, a bank might use deep learning models to detect fraud.

Và vì chúng ta có các mạng thần kinh này, chúng ta hiện có thể thực hiện một phương pháp gọi là học bán giám sát, trong đó mô hình học sâu được đào tạo trên một lượng nhỏ dữ liệu có nhãn và một lượng lớn dữ liệu không có nhãn.

The bank spends a bit of time to Tag or label 5% of transactions as either fraudulent or not fraudulent, and

Ví dụ, một ngân hàng có thể sử dụng các mô hình học sâu để phát hiện gian lận.

they leave the remaining 95% of transactions unlabeled because they don't have the time or resources to label every transaction.

Ngân hàng dành một chút thời gian để gắn nhãn hoặc phân loại 5% giao dịch là gian lận hoặc không gian lận.

The magic happens when the deep learning model uses the 5% of labeled data to learn the basic concepts of the task.

Và họ để lại 95% giao dịch còn lại không được gắn nhãn vì họ không có đủ thời gian hoặc nguồn lực để gắn nhãn cho từng giao dịch.

Okay, these transactions are good and these are bad.

Phép màu xảy ra khi mô hình học sâu sử dụng 5% dữ liệu có nhãn để học các khái niệm cơ bản của tác vụ.

Okay, apply those learnings to the remaining 95% of unlabeled data and using this new aggregate data set, the model makes predictions for future transactions.

Các giao dịch này là tốt và các giao dịch này là xấu.

And we're not done because deep learning can be divided into two types, discriminative and generative models.

Discriminative models learn from the relationship between labels of data points and only has the ability to classify those data points.

Áp dụng những kiến thức đã học vào 95% dữ liệu còn lại chưa được gắn nhãn.

Fraud, not fraud for example, you have a bunch of pictures or data points.

Và bằng cách sử dụng bộ dữ liệu tổng hợp mới này, mô hình đưa ra dự đoán cho các giao dịch trong tương lai.

You purposely label some of them as cats and some of them as dogs.

A discriminative model will learn from the label cat or dog, and

Và chúng ta chưa dừng lại ở đây vì học sâu có thể được chia thành hai loại: mô hình phân biệt và mô hình sinh thành.

if you submit a picture of a dog, it will predict the label for that new data point.

Các mô hình phân biệt học từ mối quan hệ giữa nhãn của các điểm dữ liệu và chỉ có khả năng phân loại các điểm dữ liệu đó.

Lừa đảo, không phải lừa đảo.

Ví dụ, bạn có một loạt hình ảnh hoặc điểm dữ liệu.

Unlike discriminative models, generative models learn about the patterns in the training data.

Bạn cố ý gắn nhãn một số con là mèo và một số con là chó.

Then after they receive some input, for example a text prompt from us, they generate something new based on the patterns they just learned.

Mô hình phân biệt sẽ học từ nhãn, mèo hoặc chó.

Going back to the animal example, the pictures or data points are not labeled as cat or dog.

Và nếu bạn tải lên một hình ảnh của một con chó, nó sẽ dự đoán nhãn cho điểm dữ liệu mới đó, một con chó.

So a generative model will look for patterns.

Cuối cùng, chúng ta cũng đến với trí tuệ nhân tạo tạo sinh.

Oh, these data points all have two ears, four legs, a tail, likes dog food, and barks.

Khác với các mô hình phân biệt, các mô hình sinh ra học về các mẫu trong dữ liệu đào tạo.

When asked to generate something called a dog, the generative model generates a completely new image based on the patterns it just learned.

Sau khi nhận được một số đầu vào, ví dụ như một lời nhắc văn bản từ chúng tôi, chúng sẽ tạo ra một thứ mới dựa trên các mẫu mà chúng vừa học được.

There's a super simple way to determine if something is generative AI or not.

Quay trở lại ví dụ về động vật, các hình ảnh hoặc điểm dữ liệu không được gắn nhãn là mèo hay chó.

If the output is a number, a classification, spam, not spam, or a probability, it is not generative AI.

Vì vậy, mô hình sinh thành sẽ tìm kiếm các mẫu.

It is genai when the output is natural language, text or speech, an image or audio.

Ồ, tất cả các điểm dữ liệu này đều có hai tai, bốn chân, một cái đuôi, thích thức ăn cho chó và sủa.

Basically, generative AI generates new samples that are similar to the data it was trained on.

Khi được yêu cầu tạo ra một hình ảnh được gọi là "chó", mô hình sinh thành sẽ tạo ra một hình ảnh hoàn toàn mới dựa trên các mẫu mà nó vừa học được.

Moving on to different generative AI model types, Most of us are familiar with text to text models like ChatGPT and Google Bard.

Có một cách cực kỳ đơn giản để xác định xem một thứ gì đó có phải là trí tuệ nhân tạo tạo sinh (generative AI) hay không.

Other common model types include text to image models like Midjourney, Dall E and Stable Diffusion.

Nếu đầu ra là một số, một phân loại, spam, không phải spam hoặc một xác suất, thì đó không phải là trí tuệ nhân tạo tạo sinh.

These can not only generate images, but edit images as well.

Đó là trí tuệ nhân tạo tổng quát (gen AI) khi đầu ra là ngôn ngữ tự nhiên, văn bản hoặc giọng nói, hình ảnh hoặc âm thanh.

Text to video models, surprise surprise can generate and edit video footage.

Nói chung, trí tuệ nhân tạo tạo sinh (generative AI) tạo ra các mẫu mới tương tự như dữ liệu mà nó được đào tạo trên.

Examples include Google's imagen Video, COG Video, and the very creatively named Make a video.

Tiếp theo, khi nói đến các loại mô hình AI tạo sinh khác nhau, hầu hết chúng ta đều quen thuộc với các mô hình chuyển đổi văn bản sang văn bản như ChachiBT và Google BARD.

Text to 3D models are used to create game assets and a little known example would be OpenAI's shapee model.

Các loại mô hình phổ biến khác bao gồm các mô hình chuyển văn bản thành hình ảnh như Midjourney, DALI và Stable Diffusion.

And finally, text to task models are trained to perform a specific task.

Những công cụ này không chỉ có thể tạo ra hình ảnh mà còn có thể chỉnh sửa hình ảnh.

For example, if you type Gmail, summarize my unread emails, Google Bard will look through your inbox and summarize your unread emails.

Các mô hình chuyển văn bản thành video, thật bất ngờ, có thể tạo ra và chỉnh sửa video.

Moving over to large language models, don't forget that LLMs are also a subset of deep learning.

Các ví dụ bao gồm Google Hình ảnh và Video, Cog Video và ứng dụng có tên rất sáng tạo là Make a Video.

And although there is some overlap, LLMs and Genai are not the same thing.

Công nghệ chuyển đổi văn bản thành mô hình 3D được sử dụng để tạo tài nguyên cho trò chơi, và một ví dụ ít được biết đến là mô hình Shape-E của OpenAI.

An important distinction is that large language models are generally pre trained with a very large set of data and then fine tuned for specific purposes.

Cuối cùng, các mô hình text-to-task được đào tạo để thực hiện một tác vụ cụ thể.

Ví dụ: Nếu bạn nhập "Thêm Gmail, tóm tắt các email chưa đọc của tôi", Google BARD sẽ kiểm tra hộp thư đến của bạn và tóm tắt các email chưa đọc.

Khi chuyển sang các mô hình ngôn ngữ lớn (LLMs), đừng quên rằng LLMs cũng là một phần của học sâu (deep learning).

It can be pre trained with basic commands like sit, come down and stay.

Mặc dù có một số điểm tương đồng, nhưng LLMs và GenAI không phải là cùng một thứ.

Một điểm khác biệt quan trọng là các mô hình ngôn ngữ lớn thường được huấn luyện trước với một tập dữ liệu rất lớn và sau đó được tinh chỉnh cho các mục đích cụ thể.

But if that same good boy goes on to become a police dog, a guide dog or a hunting dog.

They need to receive specific training so they're fine tuned for that specialist role.

Hãy tưởng tượng bạn có một con chó cưng.

A similar idea applies to large language models.

Nó có thể được huấn luyện trước với các lệnh cơ bản như ngồi, đến, nằm xuống và ở lại.

They're first pre trained to solve common language problems like text classification, question answering, document summarization and text generation, then using smaller industry specific Data sets.

Đó là một cậu bé ngoan và là một người đa năng.

These LLMs are fine tuned to solve specific problems in retail for finance, healthcare, entertainment and other fields.

Nhưng nếu chú chó ngoan đó sau này trở thành chó cảnh sát, chó dẫn đường hoặc chó săn, chúng cần được huấn luyện chuyên biệt để phù hợp với vai trò chuyên môn đó.

In the real world, this might mean a hospital uses a pre trained large language model from one of the big tech companies and fine tunes that model with its own first party medical data to improve diagnostic accuracy from x rays and other medical tests.

Một ý tưởng tương tự cũng áp dụng cho các mô hình ngôn ngữ lớn.

This is a win win scenario because large companies can spend billions developing general purpose large language models, then sell those LLMs to smaller institutions like retail companies, banks, hospitals who don't have the resources to develop their own large language models, but

Chúng được huấn luyện trước để giải quyết các vấn đề ngôn ngữ phổ biến như phân loại văn bản, trả lời câu hỏi, tóm tắt tài liệu và tạo văn bản.

they have the domain specific data sets to fine tune those models.

Sau đó, bằng cách sử dụng các bộ dữ liệu chuyên ngành có quy mô nhỏ hơn, các mô hình ngôn ngữ lớn (LLMs) này được tinh chỉnh để giải quyết các vấn đề cụ thể trong các lĩnh vực như bán lẻ, tài chính, y tế, giải trí và các lĩnh vực khác.

Pro tip if you do end up taking the full course, I'll link it down below.

Trong thực tế, điều này có thể có nghĩa là một bệnh viện sử dụng mô hình ngôn ngữ lớn đã được huấn luyện sẵn từ một trong các công ty công nghệ lớn và tinh chỉnh mô hình đó bằng dữ liệu y tế riêng của mình để nâng cao độ chính xác trong chẩn đoán từ các h

Đây là một tình huống đôi bên cùng có lợi vì các công ty lớn có thể đầu tư hàng tỷ đô la để phát triển các mô hình ngôn ngữ lớn (LLMs) đa năng, sau đó bán những mô hình này cho các tổ chức nhỏ hơn như các công ty bán lẻ, ngân hàng, bệnh viện - những đơn v

When you're taking notes you can right click on the video player and copy video URL at the current time so can quickly navigate back to that specific part of the video.

Mẹo hay: Nếu bạn quyết định tham gia toàn bộ khóa học, tôi sẽ đính kèm liên kết bên dưới, hoàn toàn miễn phí. Khi ghi chú, bạn có thể nhấp chuột phải vào trình phát video và sao chép URL video tại thời điểm hiện tại để có thể nhanh chóng quay lại phần cụ 

There are five modules total and get a badge after completing each module.

Tổng cộng có 5 mô-đun, và bạn sẽ nhận được một huy hiệu sau khi hoàn thành mỗi mô-đun.

The content overall is a bit more on the theoretical side, so you definitely want to check out this video on how to master prompting next.

Nội dung tổng thể có phần thiên về lý thuyết, vì vậy bạn nên xem video này để nắm vững kỹ năng tạo prompt tiếp theo.

Hẹn gặp lại các bạn trong video tiếp theo, trong thời gian chờ đợi, chúc các bạn có một ngày tuyệt vời!