jvinhit//lab

Search posts

Type to search across journal entries.

↑ ↓ navigate ↵ open esc close

Lịch sử AI — Từ Perceptron 1958 đến Coding Agents 2026

Hành trình 70 năm của AI qua 7 era: symbolic AI, expert systems, statistical learning, deep learning, transformer, LLM, đến reasoning + agentic. Mỗi era có winter và breakthrough — bài học cho dev hôm nay.

11 MIN READ

Bạn đang dùng Cursor để viết code, ChatGPT để trả lời mọi câu hỏi. Cảm giác AI là chuyện vài năm gần đây. Sự thật: lĩnh vực AI đã 70 tuổi. Trước khi LLM “bùng nổ” 2022, đã có 6 era thăng trầm — bao gồm 2 đợt “winter” gần như giết chết toàn ngành.

Hiểu lịch sử AI quan trọng vì 3 lý do:

  1. Pattern lặp lại — hype, bubble, winter có thể đến lần nữa.
  2. Concept tái sinh — “neural net” 1958, 1986, 2012 là cùng ý tưởng, khác hardware.
  3. Tránh lặp sai lầm — symbolic AI thất bại có lý do; LLM cũng có giới hạn tương tự.

Bài này không phải timeline khô khan. Nó là diễn giải dev-friendly về vì sao AI đến hôm nay theo đúng con đường này.

Era 1 (1950s-1960s): Birth & Symbolic AI

1950 — Turing Test

Alan Turing đặt câu hỏi: “Máy có thể nghĩ không?” Vì câu hỏi quá trừu tượng, ông đề xuất test thực tế: nếu máy chat với người mà người không phân biệt được → máy “thông minh”.

Note: ChatGPT 2023 đã pass Turing Test phiên bản gốc — sự kiện này ít người chú ý.

1956 — Dartmouth Workshop

Hội thảo 8 tuần tại Dartmouth College. John McCarthy đặt thuật ngữ “Artificial Intelligence”. Đây là cột mốc khai sinh ngành.

Tham vọng ban đầu: “build a machine that can do any intellectual task a human can do” trong 20 năm. Đã 70 năm vẫn chưa.

1958 — Perceptron

Frank Rosenblatt build Perceptron — neural network đơn giản nhất chỉ có 1 layer. Train được nhận diện hình ảnh đơn giản. Báo NYT viết: “electronic computer expected to walk, talk, see, write, reproduce itself”.

Hype đầu tiên. Phản ứng: hype quá đà.

1969 — “Perceptrons” book

Marvin Minsky và Seymour Papert xuất bản sách chứng minh perceptron 1 layer không học được hàm XOR. Ngành neural net chết đứng.

Bài học: limitation đơn giản đôi khi giết cả era.

Era 2 (1970s-1980s): Symbolic AI & Expert Systems

Sau “winter” của neural net, ngành chuyển sang symbolic AI — biểu diễn tri thức bằng logic và rule.

Expert systems

Các hệ thống “expert system” như MYCIN (chẩn đoán bệnh nhiễm trùng), DENDRAL (phân tích hóa học) hoạt động bằng:

IF (sốt > 38°C) AND (bạch_cầu > 10000) THEN suspicion = "infection"
IF suspicion = "infection" AND (gram_stain = positive) THEN ...

Hàng nghìn rule do chuyên gia viết tay. Hoạt động trong domain hẹp, nhưng:

  • Knowledge bottleneck: chuyên gia nói được “tôi đoán” nhưng không formalize thành rule.
  • Brittleness: khác domain 1 chút → fail hoàn toàn.
  • Scaling cost: thêm rule → conflict + bảo trì khủng khiếp.

1980s boom

Nhật Bản đổ $850M vào “Fifth Generation Computer Systems Project”. Mỹ và châu Âu phản ứng. Hype lên đỉnh.

Late 1980s — AI Winter 2

Expert systems quá đắt để bảo trì, không scale. Thị trường sụp. Các công ty AI phá sản. Ngành “AI” bị stigma đến mức researcher đổi tên thành “machine learning” để xin tài trợ.

Bài học: technology không kèm scaling path → bubble nổ.

Era 3 (1990s-2000s): Statistical Learning

Symbolic chết, nhưng ngành không chết. Thế hệ mới chuyển sang statistical method — học từ data, không phải rule do người viết.

Neural net hồi sinh (limited)

1986: Backpropagation được phổ biến (Rumelhart, Hinton, Williams). Cho phép train neural net nhiều layer. Lý thuyết tốt, nhưng hardware 1990s không đủ.

1990s — SVM & Decision Trees thống trị

Support Vector Machine (Vapnik 1995), Random Forest (Breiman 2001) hiệu quả với data size nhỏ-vừa, không cần GPU. Thống trị benchmark suốt 15 năm.

Web 2.0 + Big Data

Cuối 1990s, internet bùng nổ. Dữ liệu trở nên dồi dào. Data > algorithm trở thành mantra.

1997 — Deep Blue đánh bại Kasparov

IBM Deep Blue thắng kỳ thủ cờ vua số 1 thế giới. Truyền thông gọi là “AI thắng người”. Thực tế: Deep Blue là brute force search với custom hardware, không phải learning.

Một lần nữa, hype và sự thật khác xa.

2006 — “Deep Learning” được đặt tên

Geoffrey Hinton xuất bản paper về deep belief network — train được neural net 5+ layer. Thuật ngữ “deep learning” lan rộng.

Nhưng thị trường vẫn chưa quan tâm.

Era 4 (2012-2017): Deep Learning Revolution

2012 — AlexNet bùng nổ

Cuộc thi ImageNet — 1.2 triệu ảnh, 1000 class. Trước 2012, lỗi top-5 ~ 25%. Tháng 9/2012, AlexNet (Krizhevsky, Sutskever, Hinton) đạt 15.3% — hơn ngạch nhì 10 điểm phần trăm.

3 yếu tố làm nên kỳ tích:

  1. GPU — train trên 2 GTX 580 thay vì CPU.
  2. Big data — ImageNet đủ lớn (1M ảnh).
  3. CNN architecture — Convolutional Neural Network của Yann LeCun (1998!) cuối cùng được tận dụng đúng.

Toàn ngành xoay 180°. Mọi research lab chuyển sang deep learning.

2014 — GANs

Ian Goodfellow, ý tưởng phát sinh trong quán bar: 2 mạng cạnh nhau, 1 generate ảnh, 1 phán đoán thật/giả. Generative Adversarial Networks mở ra generative AI đầu tiên — fake face, deepfake.

2015 — ResNet & batch normalization

ResNet (Kaiming He) giải quyết vấn đề “vanishing gradient” cho mạng sâu, train được 152 layer. Computer vision đạt ngang/hơn người ở ImageNet.

2016 — AlphaGo

DeepMind đánh bại Lee Sedol (cờ vây). Cờ vây từng được coi là “unsolvable” do số state lớn hơn nguyên tử trong vũ trụ. AlphaGo dùng deep RL + Monte Carlo Tree Search.

2017 — Attention is All You Need

Tháng 6/2017, paper “Attention is All You Need” của Google. Giới thiệu kiến trúc Transformer. Bỏ recurrence (LSTM/RNN) hoàn toàn, chỉ dùng cơ chế attention.

Đây là paper quan trọng nhất 50 năm gần đây của AI. Mọi LLM hiện tại dựa trên Transformer.

Era 5 (2018-2021): The Foundation Model Era

2018 — BERT & GPT-1

  • BERT (Google): Bidirectional encoder, cho task classification, Q&A.
  • GPT-1 (OpenAI): Decoder-only, tập trung text generation.

Cả hai dùng pattern pre-train + fine-tune: train 1 lần trên dữ liệu khổng lồ → fine-tune nhỏ cho task riêng.

2019 — GPT-2 và “too dangerous to release”

OpenAI delay release GPT-2 vì “lo ngại fake news”. Công chúng được nhìn thấy giới hạn chất lượng — coherent đoạn vài câu, nhưng vẫn lạc chuyện sau.

2020 — GPT-3 & Scaling Laws

GPT-3 (175B parameters) ra mắt tháng 6/2020. Khả năng:

  • Few-shot learning — không cần fine-tune, chỉ cho ví dụ trong prompt.
  • Code generation đơn giản.
  • Translation, summarization, Q&A.

Quan trọng hơn paper: Scaling Laws for Neural Language Models của Kaplan et al. (2020) — chứng minh **performance scale với data + compute

  • parameter** theo công thức power law có thể dự đoán được.

Lần đầu tiên ngành biết: “to lên thì sẽ giỏi hơn” — không cần breakthrough algorithm.

2021 — Codex & GitHub Copilot

OpenAI release Codex (GPT-3 fine-tune trên code GitHub). GitHub launch Copilot tháng 6/2021 — autocomplete bằng AI.

Đây là sản phẩm AI đầu tiên dev xài hàng ngày.

Tổng kết era 5

Trước GPT-3: AI = task-specific model. Sau GPT-3: AI = foundation model một model chung, fine-tune/prompt cho task. Paradigm shift.

Era 6 (2022-2023): The ChatGPT Moment

30/11/2022 — ChatGPT release

OpenAI launch ChatGPT (GPT-3.5 với RLHF). Thiết kế UI cực kỳ đơn giản: 1 ô input, 1 output stream.

Trong 5 ngày đạt 1 triệu user. 2 tháng đạt 100 triệu — sản phẩm tiêu dùng tăng trưởng nhanh nhất lịch sử.

Vì sao ChatGPT bùng nổ?

3 yếu tố:

  1. RLHF (Reinforcement Learning from Human Feedback) — model học “đáp như người mong đợi”, không chỉ “predict next token”.
  2. Conversational UI — giao diện chat ai cũng dùng được, không cần API key.
  3. Free — không paywall.

Trước ChatGPT, AI là chuyện researcher + dev. Sau ChatGPT, mọi người dùng AI — kể cả bà ngoại bạn.

2023 — Năm “everything LLM”

  • GPT-4 (3/2023) — multimodal, đáng tin hơn nhiều.
  • Claude (Anthropic) — đối thủ chính.
  • LLaMA (Meta, 2/2023) — leak version, sau đó release chính thức → mở đường open-source LLM.
  • Mistral, Falcon, Yi, Qwen… — vô số model open source.
  • LangChain, LlamaIndex boom — framework để build AI app.
  • Vector database — Pinecone, Weaviate, Chroma trở nên phổ biến.

Hype lên đỉnh điểm. Mọi startup gắn “AI” vào pitch deck.

Era 7 (2024-2026): Reasoning & Agentic AI

2024 — Reasoning models

Đầu 2024, ngành nhận ra giới hạn của “scale parameters”. Phép màu của GPT-3 → GPT-4 không lặp lại với GPT-5 đơn thuần scale.

Hướng mới: scale “thinking” thay vì scale parameter.

  • OpenAI o1 (9/2024) — reasoning model đầu tiên, train để sinh chain-of-thought dài trước khi output.
  • Claude 3.5 Sonnet (thinking) — Anthropic release thinking mode.
  • DeepSeek-R1 (12/2024) — open source reasoning, gây sốc cộng đồng.

Reasoning model có thể giải Olympiad math, code competitive programming ở mức Codeforces 2200+ — mức Grandmaster.

Đổi lại: chậm hơn 10-50x, đắt hơn 5-50x. Không phải task nào cũng cần.

2024-2025 — Agentic AI

Đầu 2024: Cursor, Devin (Cognition), GitHub Copilot Workspace, Claude Computer Use. Bắt đầu era AI làm task end-to-end, không chỉ trả lời câu hỏi.

Pattern chung: agent loop (observe → think → act → loop) với tools (file edit, terminal, browser, MCP servers).

2025 — MCP standardization

Model Context Protocol (Anthropic, 11/2024) trở thành standard de facto cho AI tool integration. Giảm phân mảnh giữa các framework.

2025-2026 — Multimodal native

GPT-4o, Gemini 2.0+ xử lý image/audio/video natively. Không phải “AI nhận diện ảnh” mà “AI hiểu video như con người xem”.

Apple Intelligence, Google Pixel AI, Samsung Galaxy AI — AI tích hợp sâu vào device. Không còn là “tính năng” mà là “OS layer”.

Pattern lịch sử cho dev 2026

Nhìn 7 era, ta thấy 5 pattern lặp:

1. Hype → Winter → Breakthrough → Lặp lại

EraHype peakWinterBreakthrough
1Perceptron 1958XOR proof 1969Backprop 1986
2Expert system 1985LISP machine fail 1989Statistical 1990s
3Big Data 2005(overlap)AlexNet 2012
4Deep learning 2017(no winter, smooth)Transformer 2017
5GPT-3 2020”GPT-4 already?”RLHF + ChatGPT
7LLM scale 2023”scaling wall”Reasoning 2024

Có thể có winter mới khi reasoning + agent gặp bottleneck. Đừng all-in 1 hướng.

2. Hardware mới mở khóa idea cũ

Backprop 1986 chỉ scale được 2012 nhờ GPU. Transformer 2017 chỉ scale được 2020 nhờ TPU. Algorithmic breakthrough thường đi sau hardware breakthrough.

3. Data > Algorithm

Mỗi lần ngành đổ tiền vào “thuật toán mới hơn”, kết quả thua đối thủ “data nhiều hơn”. Bài học: nếu bạn build AI app, data quality quan trọng hơn model choice.

4. UI quan trọng hơn capability

GPT-3 đã có 2020. Capability tương đương ChatGPT. Nhưng chỉ ChatGPT bùng nổ vì UI conversational. Build AI product → UI/UX là moat thực sự.

5. Open source bắt kịp 6-12 tháng

Mỗi proprietary model mới ra, open source sẽ có equivalent trong 6-12 tháng. Đừng build dependency cứng vào 1 provider — model thay được.

Bài học thực tế cho dev hôm nay

1. Đừng tin “this changes everything”

Mỗi đợt breakthrough đều được gắn nhãn “this changes everything”. Phần lớn không thay đổi nhiều như hứa hẹn.

GPT-4 không “thay thế programmer” như predict 2023. ChatGPT không “giết Google” như predict 2023. Reality nuanced hơn hype.

2. Đừng dismiss “this is just hype”

Ngược lại, có người dismiss AI mỗi đợt boom — “expert system thôi”, “chatbot thôi”, “tool autocomplete thôi”. Cuối cùng họ bị bỏ lại.

Cân bằng: thử, đánh giá thực tế, không max hype, không max dismiss.

3. Hiểu giới hạn của thế hệ hiện tại

LLM 2026 vẫn:

  • Hallucinate (sinh thông tin sai tự tin)
  • Limited reasoning (không phải mọi task)
  • Context window finite
  • Phụ thuộc training data cutoff

Đừng giả định “AI sẽ solve mọi thứ trong 6 tháng”. Lịch sử bảo: 6 tháng = vài cải tiến nhỏ, không phải breakthrough.

4. Học fundamental hơn tool

Tool thay đổi: Cursor → Cursor 2 → cái khác. LangChain → MCP → cái khác. Nhưng Transformer architecture, attention mechanism, scaling laws, RLHF — concept bền 5-10 năm.

Đầu tư học fundamental, sẽ pivot dễ hơn khi tool đổi.

5. AI không thay thế dev có hiểu biết hệ thống

Lịch sử cho thấy: AI nâng cao năng suất ở task narrow, không ở hệ thống phức tạp. Dev hiểu architecture, business logic, user need — chưa bị thay thế.

Dev chỉ “stack overflow + paste” → đang bị thay thế. Vai trò dịch chuyển từ “code typist” sang “system designer” + “AI conductor”.

Tóm tắt 7 era

1956 ─ Dartmouth Workshop (AI ra đời)
1958 ─ Perceptron
1969 ─ AI Winter 1 (Perceptron limitation)
1980s ─ Expert Systems boom
1990s ─ AI Winter 2 (Expert system collapse)
1997 ─ Deep Blue thắng cờ vua
2006 ─ Deep Learning được đặt tên
2012 ─ AlexNet (ImageNet revolution)
2014 ─ GANs
2016 ─ AlphaGo
2017 ─ Transformer (Attention is All You Need)
2020 ─ GPT-3 + Scaling Laws
2022 ─ ChatGPT (Nov 30) — AI everywhere
2023 ─ GPT-4, Claude, LLaMA, AI hype peak
2024 ─ Reasoning models (o1, DeepSeek-R1)
2025 ─ Agentic AI + MCP standard
2026 ─ Multimodal native + AI in OS

Mỗi mốc là 1 lần ngành “tưởng đã đến đỉnh”. Chưa bao giờ đúng.

Đọc thêm

Reference

  • “Attention is All You Need” — Vaswani et al. 2017 (arxiv.org/abs/1706.03762)
  • “Scaling Laws for Neural Language Models” — Kaplan et al. 2020
  • “Deep Learning” textbook — Goodfellow, Bengio, Courville (free online)
  • “AI: A Modern Approach” — Russell & Norvig (textbook chuẩn 30 năm)