Tại sao ý nghĩa luôn là phần khó nhất của AI // Ontology, Ngữ nghĩa và NLP
Tại sao ý nghĩa luôn là phần khó nhất của AI // Ontology, Ngữ nghĩa và NLP
Tại sao ý nghĩa luôn là phần khó nhất của AI, và chúng ta đã đến đây như thế nào.
Mỗi làn sóng AI cuối cùng đều gặp phải cùng một vấn đề.
Không phải quy mô. Không phải tính toán. Không phải mô hình.
Mà là ý nghĩa.
Rất lâu trước các mô hình ngôn ngữ lớn, các đường ống truy xuất hay "AI tác tử", thách thức khó nhất trong các hệ thống thông minh luôn giống nhau:
Làm thế nào để biểu diễn ý nghĩa của mọi thứ — một cách nhất quán, tường minh và hữu ích?
Câu hỏi đó nằm ở giao điểm của ontology, ngữ nghĩa và xử lý ngôn ngữ tự nhiên. Hiểu được mối quan hệ giữa chúng giải thích cả vì sao AI đã tiến xa đến vậy — lẫn vì sao nó vẫn thất bại theo những cách có thể đoán trước.
Ontology: Những gì tồn tại (Theo hệ thống)
Ontology không phải là một từ thông dụng. Nó là một cam kết.
Về bản chất, ontology định nghĩa:
- Những thực thể nào tồn tại
- Chúng được phân loại như thế nào
- Chúng liên hệ với nhau ra sao
- Những ràng buộc nào được áp dụng
Nói cách khác, ontology trả lời:
Thứ này là gì, và nó liên hệ với mọi thứ khác như thế nào?
Trong các hệ thống doanh nghiệp, ontology xuất hiện ở khắp mọi nơi:
- Khách hàng vs tài khoản vs bên liên quan
- Sản phẩm vs SKU vs mặt hàng vs cấu hình
- Đơn hàng vs lô hàng vs hóa đơn
Ngay cả khi không ai gọi chúng là ontology, chúng vẫn tồn tại — ngầm ẩn hoặc tường minh. Khi ngầm ẩn, hệ thống sẽ trôi dạt. Khi tường minh, hệ thống mới có thể mở rộng.
Ngữ nghĩa: Mọi thứ có nghĩa là gì
Nếu ontology định nghĩa những gì tồn tại, thì ngữ nghĩa định nghĩa những thứ đó có nghĩa là gì.
Ngữ nghĩa liên quan đến:
- Diễn giải
- Ngữ cảnh
- Ý định
- Tính nhất quán giữa các hệ thống
Hai hệ thống có thể chia sẻ cùng một ontology nhưng vẫn bất đồng về ngữ nghĩa.
Ví dụ:
- "Ngày đặt hàng"
- "Hàng tồn kho khả dụng"
- "Trạng thái khách hàng"
Những điều này nghe có vẻ đơn giản — cho đến khi các đội khác nhau diễn giải chúng khác nhau. Ngữ nghĩa chính là nơi hầu hết các dự án tích hợp thất bại một cách lặng lẽ. Không phải vì thiếu dữ liệu — mà vì ý nghĩa không được thống nhất.
NLP thời kỳ đầu: Quy tắc, ngữ pháp và ý nghĩa tường minh
Các hệ thống NLP thời kỳ đầu được xây dựng trên giả định rằng ý nghĩa có thể được kỹ nghệ hóa.
Chúng dựa vào:
- Ngữ pháp
- Từ điển
- Biểu diễn ký hiệu
- Ontology được xây dựng thủ công
Những hệ thống này giòn, đắt đỏ và chậm — nhưng chúng có một lợi thế:
Ý nghĩa là tường minh.
Nếu có điều gì đó thất bại, bạn có thể truy ra nguyên nhân.
Vấn đề không phải là cách tiếp cận sai. Mà là ngôn ngữ hỗn loạn hơn nhiều so với chúng ta kỳ vọng.
NLP thống kê và sự rời xa ý nghĩa
Khi dữ liệu và sức mạnh tính toán tăng lên, NLP chuyển từ hệ thống ký hiệu sang hệ thống thống kê. Từ ngữ trở thành vector. Ý nghĩa trở thành xác suất. Cấu trúc nhường chỗ cho quy mô. Điều này hiệu quả một cách ngoạn mục. Tìm kiếm cải thiện. Dịch thuật cải thiện. Nhận dạng giọng nói cải thiện. Nhưng một điều quan trọng đã bị đánh mất trên đường đi:
Ngữ nghĩa tường minh.
Các mô hình học được các mẫu hình, không phải ý nghĩa. Tương quan thay thế biểu diễn. Với nhiều tác vụ, điều đó là đủ. Với các hệ thống cần suy luận, hành động hoặc tích hợp sâu — thì không.
LLM: Sự trở lại với ngữ nghĩa — nhưng không có ontology
Các mô hình ngôn ngữ lớn lại thay đổi cuộc chơi. Chúng:
- Mã hóa một lượng lớn tri thức ngữ nghĩa ngầm ẩn
- Nắm bắt các mối quan hệ xuyên lĩnh vực
- Tạo ra ngôn ngữ có vẻ có ý nghĩa
Nhưng LLM không có ontology.
Chúng không biết cái gì tồn tại. Chúng không thực thi các ràng buộc. Chúng không phân biệt giữa "đúng", "được phép" và "hợp lý".
Chúng xấp xỉ ý nghĩa — nhưng không sở hữu nó.
Đây là lý do LLM:
- Ảo giác
- Trôi dạt
- Tự mâu thuẫn
- Vật lộn với tính nhất quán ở cấp hệ thống
Chúng là những động cơ ngữ nghĩa mạnh mẽ vận hành mà không có nền tảng ontology tường minh.
Tại sao ontology giờ đây quan trọng hơn, chứ không kém đi
AI hiện đại không loại bỏ nhu cầu về ontology và ngữ nghĩa.
Nó khiến chúng trở nên không thể tránh khỏi.
Khi các hệ thống AI chuyển từ:
- Trả lời câu hỏi
- Sang đưa ra khuyến nghị
- Sang kích hoạt hành động
- Sang điều phối các quy trình làm việc
Chúng phải tương tác với:
- Quy tắc kinh doanh
- Các ràng buộc
- Thẩm quyền
- Trách nhiệm giải trình
Và những thứ đó nằm trọn trong ontology và ngữ nghĩa — không phải trong các embedding. Hệ thống càng tự chủ, ý nghĩa ngầm ẩn càng trở nên nguy hiểm.
Mô hình thực sự đang nổi lên
Các hệ thống AI hiệu quả nhất ngày nay kết hợp:
- Trí tuệ thống kê (LLM, embedding, mô hình)
- Cấu trúc tường minh (ontology, lược đồ, quy tắc)
- Sự rõ ràng về ngữ nghĩa (các định nghĩa mà con người đồng thuận)
Đây không phải là một bước lùi. Nó là sự tổng hợp. Chúng ta đang tái khám phá rằng trí tuệ thiếu cấu trúc thì không thể mở rộng — và cấu trúc thiếu trí tuệ thì không thể thích ứng.
Suy nghĩ cuối cùng
AI không thất bại trong việc hiểu ngôn ngữ vì thiếu mô hình.
Nó vật lộn vì ý nghĩa mang tính xã hội, ngữ cảnh và bị ràng buộc.
Ontology định nghĩa thế giới. Ngữ nghĩa định nghĩa ý nghĩa. NLP là cầu nối ngôn ngữ con người với cả hai.
Tương lai của AI sẽ không thuộc về những hệ thống tạo ra nhiều văn bản nhất — mà thuộc về những hệ thống biết mình đang nói về điều gì.
Và điều đó bắt đầu từ ý nghĩa.
Câu hỏi kết thúc:
- Nếu các hệ thống AI của bạn có thể tạo ra ngôn ngữ, đưa ra khuyến nghị và kích hoạt hành động — thì ngày nay ý nghĩa có thẩm quyền của doanh nghiệp bạn thực sự nằm ở đâu: trong đầu con người, trong code, hay không ở đâu cả?
- Liệu "ý nghĩa" trong tổ chức nên thuộc về bộ phận kinh doanh (vì nó định nghĩa thực tế), thuộc về IT (vì hệ thống thực thi nó), hay vấn đề thực sự là hầu hết công ty chưa bao giờ làm rõ quyền sở hữu đó?
Nghĩ rằng lập luận này phù hợp với sự kiện của bạn? Hãy kể cho tôi về khán phòng — lịch trình có chọn lọc.
Bắt đầu trò chuyện