AI Foundation
Mạng nơ-ron là gì — bộ não nhỏ trong máy tính
Vietnamese onlyThe learning content is available in Vietnamese only. The surrounding interface follows your language.Nhiều nơ-ron đơn giản kết nối lại thành một mạng thông minh. Kéo slider, bấm vào từng nơ-ron, xem tín hiệu lan truyền — bạn sẽ hiểu vì sao ý tưởng này thay đổi cả thế giới AI.
Một nơ-ron đơn lẻ giống cái gì?
Hãy tưởng tượng một thợ cân đồ. Thợ nhận nhiều nguồn hàng, mỗi nguồn có độ “tin cậy” khác nhau. Thợ cân từng nguồn với độ tin cậy tương ứng, cộng lại, rồi quyết định: “Tổng này có đủ lớn để đáng tin không?” Nếu có — gửi tín hiệu đi tiếp. Nếu không — im lặng. Đó là toàn bộ công việc của một nơ-ron nhân tạo.
Ba đầu vào × ba trọng số → cộng lại → qua công tắc ReLU → ra tín hiệu. Tất cả nơ-ron trong mọi mạng lớn đều chỉ làm chuyện này.
| Thành phần | Ý nghĩa |
|---|---|
| Đầu vào (xᵢ) | Nguồn dữ liệu thô. Với bài phân loại hoa: có thể là kích thước cánh và màu sắc. |
| Trọng số (wᵢ) | Con số “nơ-ron tin nguồn này bao nhiêu”. Lớn = tin nhiều. Âm = không thích. Đây là thứ được học. |
| Đầu ra | “Kết luận” của nơ-ron sau khi cân nhắc. Gửi tiếp cho nơ-ron ở lớp sau. |
Khám phá mạng 2–3–2
Đây là một mạng nơ-ron nhỏ: 2 đầu vào → 3 nơ-ron ẩn → 2 đầu ra. Mỗi đầu ra là một xác suất “mạng nghĩ dữ liệu thuộc lớp nào”. Mỗi dây từ đầu vào sang nơ-ron ẩn có một con số gọi là trọng số. Trọng số lớn = ảnh hưởng mạnh. Trọng số dương thúc đẩy, trọng số âm ức chế.
ReLU: giữ nguyên nếu dương, biến về 0 nếu âm. Đầu ra đi qua softmax thành xác suất.
Khoảnh khắc hiểu
Mạng nơ-ron chỉ là phép nhân và phép cộng, xếp thành nhiều lớp, xen kẽ với một vài “công tắc” (như ReLU). Mọi trí tuệ nằm trong các con số trọng số — không nằm trong cấu trúc phức tạp.
Sức mạnh đến từ số lượng và cách kết nối: một nơ-ron yếu, một triệu nơ-ron kết nối khéo thì viết được thơ, dịch được tiếng, chơi được cờ vây.
Tín hiệu đi qua mạng như thế nào? — Năm chặng
Cùng “đi theo” hai con số đầu vào x₁ = 0.6, x₂ = −0.4 xem chúng biến đổi thành hai phần trăm đầu ra thế nào.
Năm chặng
1. Bước 1 — Hai con số đi vào
Mạng nhận hai đặc trưng của dữ liệu — ví dụ kích thước và màu sắc của một bông hoa. Đây là hai cảm giác đầu tiên. Giống như bộ não, cảm giác đến từ các giác quan — ở đây là hai kênh dữ liệu thô.
Thử thách
Giải thích
Bạn đã thấy một mạng nhỏ hoạt động. Giờ gom lại thành hai công thức cốt lõi — đủ để hiểu mọi mạng nơ-ron, từ mạng nhỏ bạn vừa chơi cho đến GPT-4 với cả nghìn tỷ trọng số.
1. Một nơ-ron: cộng có trọng số rồi qua công tắc
Đọc đơn giản: “lấy từng đầu vào nhân với trọng số của nó, cộng tất cả lại, thêm bias b, rồi cho qua một hàm σ”. Hàm σ có thể là ReLU (nếu dương giữ nguyên, âm về 0), sigmoid (ép về khoảng 0–1), hoặc tanh (ép về khoảng −1 đến +1). Trong ba hàm, ReLU là “ngôi sao” vì đơn giản và học nhanh.
2. Cả một lớp cùng lúc: phép nhân ma trận
Đọc đơn giản: “đầu ra của lớp l bằng ma trận trọng số W nhân với đầu ra lớp trước, cộng bias, rồi qua hàm kích hoạt”. Thay vì tính từng nơ-ron một, máy tính làm cả lớp trong một phép nhân ma trận — nhanh gấp nghìn lần trên GPU. Đây cũng là lý do card đồ hoạ NVIDIA bỗng dưng trở thành đế chế AI: chúng giỏi nhân ma trận.
Các loại mạng nơ-ron thường gặp
| Loại | Dùng cho | Ghi chú |
|---|---|---|
| MLP — Multi-Layer Perceptron | Dữ liệu bảng | Kiểu bạn vừa thấy: các lớp “đầy đủ” (mỗi nơ-ron nối với tất cả nơ-ron lớp sau). |
| CNN — Convolutional | Ảnh, video | Thêm phép tích chập, quét “ô vuông nhỏ” trên ảnh. ResNet, YOLO thuộc loại này. |
| RNN | Chuỗi (ngôn ngữ) | Nơ-ron có “trí nhớ”, đọc chuỗi từ trái sang phải. Từng là vua xử lý ngôn ngữ trước Transformer. |
| Transformer | Ngôn ngữ, đa phương thức | Kiến trúc đứng sau GPT, Gemini, Claude. Nơ-ron có thể “chú ý” đến bất kỳ phần nào của đầu vào. |
Mạng học như thế nào? (xem nhanh)
Bài này tập trung vào mạng nơ-ron là gì, không phải cách mạng học. Nhưng tóm tắt một dòng để bạn có bức tranh chung: mạng bắt đầu với trọng số ngẫu nhiên, chạy thử, so với đáp án đúng, rồi tự điều chỉnh trọng số theo hướng giảm sai — lặp hàng triệu lần. Quá trình tính “hướng giảm sai” gọi là lan truyền ngược, và cách bước đi gọi là “gradient descent”.
Vì sao nhiều lớp lại cần hàm kích hoạt?
Toán học: hợp của hai phép tuyến tính vẫn là một phép tuyến tính. W₂ × (W₁ × x + b₁) + b₂ = (W₂W₁) × x + (W₂b₁ + b₂). Dù bạn xếp 100 lớp chồng nhau, kết quả cuối cùng chỉ tương đương một lớp tuyến tính duy nhất. Phi tuyến (ReLU, tanh, sigmoid) phá vỡ tính chất này — giúp mạng có thể “uốn cong” không gian dữ liệu và học quy luật phức tạp.
Mạng nơ-ron không chỉ nằm trong máy học lý thuyết — nó đang chạy mỗi lần bạn hỏi Siri, dùng Google Dịch, mở khoá iPhone bằng khuôn mặt. Bước tiếp theo: đọc perceptron để hiểu nơ-ron đơn lẻ sâu hơn, hoặc hàm kích hoạt để biết ReLU, sigmoid, tanh khác nhau thế nào.
Tóm tắt
5 điều cần nhớ về mạng nơ-ron
- Mạng nơ-ron = nhiều nơ-ron đơn giản xếp thành lớp, kết nối với nhau. Ý tưởng vay từ bộ não, nhưng đơn giản hơn rất nhiều.
- Mỗi nơ-ron chỉ làm một việc: nhân các đầu vào với trọng số, cộng lại, thêm bias, rồi qua một công tắc (hàm kích hoạt).
- Một lớp được tính đồng thời bằng phép nhân ma trận — đó là lý do GPU (giỏi nhân ma trận) chạy AI nhanh hơn CPU nhiều lần.
- Hàm kích hoạt phi tuyến (ReLU, sigmoid, tanh) là bắt buộc — không có nó, dù bao nhiêu lớp cũng chỉ học được đường thẳng.
- Softmax ở đầu ra biến các con số thành xác suất — mạng “chọn” lớp có xác suất cao nhất.