Khi dùng LLM được tối ưu cho trò chuyện để thực hiện phân loại, định tuyến và áp dụng các guardrail, kết quả trả về sẽ là một chuỗi, và bạn phải phân tích cú pháp chuỗi đó một lần nữa. Đi kèm với đó là hiện tượng ảo giác, sai lệch kiểu dữ liệu, độ trễ vài giây và chi phí token đầu ra. Bài giảng này trình bày cấu trúc dựa trên Jev, mô hình System One đầu tiên của TypeSafe: khi đưa vào trạng thái (state), hệ thống trả về các quyết định có kiểu trong schema cùng với các xác suất đã được hiệu chuẩn. Mô hình không tạo ra chuỗi. Nội dung cũng giải thích bằng khái niệm và mã nguồn vì sao lấy mẫu song song và RLCD (Reinforcement Learning for Calibrated Decisions) giúp đưa ra quyết định nhanh hơn, cách kết hợp Choice · Score · Noul trong một yêu cầu duy nhất, cũng như mô hình hybrid trong đó các phán đoán có thể biểu diễn dưới dạng cấu trúc được giao cho Jev, còn phần diễn đạt mở được giao cho LLM.

AI hiểu tiếng Hàn tốt, xử lý được các tài liệu dài và thậm chí thực hiện những công việc thực tế — đó chính là hướng đi mà Solar Open 2 nhắm tới. Lớp học này giải thích một cách dễ hiểu báo cáo kỹ thuật về Solar Open 2 do Upstage công bố theo trình tự “giới thiệu → thiết kế → huấn luyện → đánh giá”. Các thuật ngữ chuyên môn được diễn giải bằng những phép so sánh đời thường và tài liệu trực quan, giúp cả người mới bắt đầu cũng có thể hiểu “điều gì, như thế nào và tại sao” trong cùng một mạch.

Nhiều người sử dụng ChatGPT và thường xuyên đọc tin tức về hệ thống gợi ý, xe tự hành, nhưng khi được hỏi “tại sao chúng lại hoạt động như vậy” thì lại không biết giải thích thế nào. Chỉ học theo các khóa lập trình thì có thể chạy được mã, nhưng nguyên lý vẫn còn bỏ ngỏ; chỉ học các khóa toán thì thấy được công thức, nhưng lại không thể kết nối với AI. Các khóa học nước ngoài gây áp lực vì tiếng Anh, còn các khóa nhập môn trong nước lại dễ thiên về thực hành. Trong quá trình trực tiếp xây dựng mô hình tại các cuộc thi AI và vận hành “AI của mọi người”, tôi đã gặp hàng nghìn học viên và liên tục chứng kiến cùng một vấn đề. Điểm khiến họ bế tắc không phải là cách sử dụng công cụ, mà là khoảnh khắc các khái niệm hàm số, vi phân, vector và lan truyền ngược bị tách rời khỏi nhau. Khóa học này sẽ nối liền những khoảng cách đó. Từ nền tảng toán học đến mạng nơ-ron và softmax, khóa học giải thích trong một mạch thống nhất: hàm số định nghĩa đầu vào và đầu ra như thế nào, vi phân xác định hướng học ra sao, và lan truyền ngược truyền lỗi như thế nào. Đây không phải là lớp học yêu cầu ghi nhớ công thức hay chỉ gõ lại mã theo hướng dẫn, mà giúp bạn hiểu “tại sao” thông qua công thức và những hình minh họa trực quan. Đối với những ai muốn thực sự hiểu AI, đây sẽ là bước khởi đầu vững chắc để tiến tới học sâu hơn về deep learning.