AI sinh tạo và agents: Đột phá thực tiễn trong năm 2024

Nhiều người đang thổi phồng AI agents như một thứ gì đó thay thế được hoàn toàn trợ lý con người, nhưng dùng thực tế mới thấy còn cả đống hạt sạn. Nói công bằng trước, AI sinh tạo văn bản và mô hình ngôn ngữ lớn như GPT-4 hay Gemini 1.5 đã làm rất tốt việc xử lý tiếng Việt. Không còn kiểu câu cú lủng củng như mấy năm trước, đọc tự nhiên hơn hẳn. Hôm trước mình có chạy thử một agent tóm tắt bài viết trên diễn đàn ZolaChat, kết quả trả về trong tầm 30 giây, ngắn gọn và nắm khá đúng các ý chính. Khả năng đọc dữ liệu đa phương thức cũng ấn tượng: ném thử tấm ảnh một trạm sạc ở Đà Nẵng, mô hình nhận diện được ngay bối cảnh xung quanh và đưa ra thông tin liên quan khá chuẩn. Nhưng bắt đầu chuyển sang việc thực thi tác vụ phức tạp thì vấn đề lộ ra rõ rệt. Thứ nhất là tính tự chủ của AI agents. Lý thuyết thì bảo nó tự động lên lịch, tự lọc email và gợi ý hành động, nhưng thực tế nó chỉ hoạt động tốt nếu yêu cầu của bạn cực kỳ cụ thể và đóng khung trong một luồng cố định. Chỉ cần bạn nhờ nó lên kế hoạch chuyến đi hay tìm kiếm cộng đồng theo sở thích riêng, câu trả lời nhận về lại trở về dạng văn mẫu quen thuộc của chatbot: chung chung, thiếu cập nhật thực địa và rất rập khuôn. Thứ hai là mảng tạo ảnh bằng Stable Diffusion hay DALL-E 3. Làm banner minh họa thì nhanh, nhìn thoáng qua thấy bắt mắt, nhưng hễ dính đến chi tiết nhỏ, góc phối cảnh phức tạp hoặc chữ viết tiếng Việt lồng trong ảnh là hỏng ngay. Bạn sẽ phải tốn hàng đống thời gian sửa prompt, chọn lại mẫu chứ chẳng có chuyện gõ một dòng là ra sản phẩm hoàn chỉnh đem dùng được liền. AI sinh tạo hỗ trợ nháp việc rất ổn, nhưng để gọi các agents là bước ngoặt thay thế con người giải quyết các việc đa bước thì hiện tại vẫn chưa tới tầm. Thật ra nói vậy cũng có thể do mình chưa biết cách viết prompt chuỗi (chain-of-thought) tối ưu cho agents, hoặc do mình kỳ vọng hơi quá cao chăng?