Robot hiểu ngôn ngữ đã tiến xa đến đâu?

Kỷ nguyên “có thể trò chuyện với Robot” ―― từng là cụm từ chỉ có trong Khoa học viễn tưởng (Science Fiction / SF), nay đang dần trở thành hiện thực. Việc nói chuyện với Loa thông minh (Smart speaker / スマートスピーカー) trong gia đình để phát nhạc, hay đặt câu hỏi cho Chatbot (Chatbot / チャットボット) của doanh nghiệp đã trở thành một phần trong cuộc sống của chúng ta. Nhưng đã bao giờ bạn chợt tự hỏi, liệu điều đó có thực sự được gọi là “Hội thoại (Conversation / 会話)” hay không?

Trong cuộc hội thoại giữa người với người, tồn tại “bầu không khí” và “sự thấu hiểu ý định” vượt ra ngoài việc trao đổi ngôn từ đơn thuần. Ngữ cảnh (Context / 文脈) của cuộc trò chuyện, Cảm xúc (Emotion / 感情) của đối phương, tốc độ và Giọng điệu (Tone / トーン) khi nói ―― tất cả những yếu tố này đan xen phức tạp để cuối cùng tạo ra trạng thái “hiểu nhau”.

Vậy, Robot có thể hiểu những điều đó đến mức nào? Chìa khóa để AI xử lý ngôn ngữ chính là công nghệ mang tên “Xử lý ngôn ngữ tự nhiên (Natural Language Processing: NLP / 自然言語処理)“. Trong chương này, chúng ta hãy cùng khám phá cơ chế xem Robot đang Nhận diện (Recognition / 認識), hiểu và phản hồi lại ngôn ngữ như thế nào.

Từ Nhận diện giọng nói đến Hiểu ý nghĩa

Bước đầu tiên của Giao tiếp (Communication / コミュニケーション) bằng ngôn từ nằm ở việc “nghe hiểu” lời nói của đối phương. Nếu là con người, việc nghe giọng nói của đối phương, nhận diện từ ngữ và hiểu ý nghĩa là điều tự nhiên, nhưng đối với Robot, đây là một Tác vụ (Task / タスク) vô cùng cao cấp.

Điều cần thiết đầu tiên là Nhận diện giọng nói (Speech Recognition / 音声認識). Đây là công nghệ phân tích Dạng sóng âm thanh (Sound waveform / 音の波形) thu được từ micro và chuyển đổi nó thành Văn bản (Text / テキスト). Xuất hiện ở đây chính là các Mô hình âm thanh (Acoustic model / 音響モデル) và Mô hình ngôn ngữ (Language model / 言語モデル) sử dụng Học sâu (Deep Learning / ディープラーニング). Nhờ đó, việc nghe hiểu giọng nói con người với độ chính xác cao ngay cả trong môi trường nhiều Tiếng ồn (Noise / ノイズ) đã trở nên khả thi.

Ví dụ, đối với những yếu tố như sự khác biệt tinh tế trong Phát âm (Pronunciation / 発音), phương ngữ, hay sự thay đổi về tốc độ, các AI nhận diện giọng nói (Speech recognition AI / 音声認識AI) hiện tại cũng đã có thể xử lý với độ chính xác khá cao. Điều này là do AI đã học tập từ khối lượng Dữ liệu giọng nói (Speech data / 音声データ) khổng lồ và dự đoán từ các Mẫu (Pattern / パターン) trong quá khứ rằng “âm thanh này chắc hẳn được phát âm là 『Xin chào』”.

Điều quan trọng tiếp theo là Hiểu ý nghĩa (Semantic Understanding / 意味理解). Cho dù có nghe chính xác các từ ngữ dưới dạng văn bản đi chăng nữa thì bấy nhiêu thôi vẫn chưa đủ. Ví dụ, một Robot khi nhận được câu “Thời tiết hôm nay thế nào?”, nó phải diễn giải được rằng “Với câu hỏi này, cần phải tra cứu Dự báo thời tiết (Weather forecast / 天気予報) của địa điểm hiện tại để trả lời”.

Nền tảng hỗ trợ cho việc diễn giải này chính là Mô hình xử lý ngôn ngữ tự nhiên (Natural language processing model / 自然言語処理モデル). Nó phân tích Ngữ cảnh, trích xuất Từ khóa (Keyword / キーワード), phân tích mối quan hệ giữa Chủ ngữ (Subject / 主語) và Vị ngữ (Predicate / 述語), từ đó đưa ra ý nghĩa phù hợp. Sau đó, nó tạo ra câu trả lời từ các Cơ sở dữ liệu (Database / データベース) và nguồn thông tin phù hợp, rồi xuất ra lại dưới dạng giọng nói. Tựa như chuỗi hành động “nghe, suy nghĩ, nói” của con người đang được tái tạo lại vậy.

Quá trình này phức tạp hơn chúng ta tưởng, và nó chỉ có thể được thiết lập khi hàng loạt công nghệ AI liên kết với nhau, từ việc nghe âm thanh, hiểu ngữ cảnh, cho đến việc tạo ra câu trả lời.

Sự dung hợp giữa Robot hội thoại và Chatbot

Nhờ việc AI đã có thể hiểu được ngôn ngữ, việc phát triển “Robot biết nói (Talking robot / 話すロボット)” hay “AI đối thoại (Interactive AI / 対話型AI)” đang thực sự được đẩy mạnh. Những thực thể này được phân loại lớn thành Robot hội thoại (Conversational Robots / 会話ロボット) và Chatbot (Chatbots / チャットボット). Trước tiên, Chatbot chủ yếu là các AI trao đổi thông tin dựa trên văn bản, được ứng dụng nhiều trong Hỗ trợ khách hàng (Customer support / カスタマーサポート) và xử lý thắc mắc. Hiệu suất của chúng rất đa dạng, từ loại “Dựa trên quy tắc (Rule-based / ルールベース型)” trả về câu trả lời rập khuôn cho những câu hỏi đã được định sẵn ở một mức độ nào đó, cho đến “Chatbot tạo sinh (Generative chatbot / 生成型チャットボット)” linh hoạt nắm bắt Ý định (Intent / 意図) của người dùng để tạo ra câu trả lời.

Mặt khác, Robot hội thoại lấy giao tiếp hai chiều bằng giọng nói làm tiền đề, và được thiết kế với mục đích “nói chuyện” với con người. Có loại Hình người (Humanoid / ヒューマノイド型) với vẻ ngoài giống con người, cũng có nhiều loại chú trọng đến sự thân thiện như loại hình động vật hay nhân vật.

Trong những năm gần đây, các lĩnh vực này đang dần dung hợp với nhau. Ví dụ, Robot gia đình (Home robot / 家庭内ロボット) không chỉ có thể trò chuyện bằng giọng nói mà còn có thể trao đổi qua khung chat trên Điện thoại thông minh (Smartphone / スマートフォン), hay cùng một Động cơ AI (AI engine / AIエンジン) nay đã có thể xử lý cả văn bản lẫn giọng nói.

Đằng sau điều đó là sự tiến hóa của Mô hình ngôn ngữ lớn (Large Language Model: LLM / 大規模言語モデル). Các mô hình như GPT được tích hợp không chỉ văn bản mà cả giọng nói, nâng cao đáng kinh ngạc sự tự nhiên và linh hoạt của cuộc đối thoại. Đối với Đầu vào (Input / 入力) của người dùng, chúng đã có thể tạo ra các phản hồi tự nhiên dựa trên ngữ cảnh trước sau theo Thời gian thực (Real-time / リアルタイム).

Nhờ sự tích hợp này, Robot không chỉ “nói một cách đơn thuần”, mà đã có thể hiểu luồng hội thoại và thay đổi hành vi tùy theo cảm xúc và ý định. Qua đó, việc trò chuyện với Robot đang bắt đầu tiến hóa từ một “công việc” trở thành sự “giao lưu”.

Thuật toán tạo ra những phản hồi mang đậm tính con người

Vậy, để Robot trò chuyện giống con người, cần những yếu tố nào? Nếu chỉ đơn thuần trả về câu trả lời đúng, người dùng sẽ không cảm thấy “tự nhiên”. Điều cần thiết ở đây là những yếu tố tinh tế như cách chọn từ, cách ngắt nhịp, giọng điệu và sự phong phú trong biểu cảm.

Nơi phát huy tác dụng ở đây chính là các công nghệ như Tạo sinh cảm xúc (Affective Computing / 感情生成) và Phản hồi cá nhân hóa (Personalized response / パーソナライズ応答). Dựa trên tuổi tác, cách nói chuyện, Lịch sử hội thoại (Conversation history / 会話履歴) của người dùng, AI sẽ trả lời bằng “cách dùng từ phù hợp với người đó”. Ví dụ, nhẹ nhàng và lịch sự với trẻ em, logic và súc tích với người lớn ―― nhờ khả năng điều chỉnh như vậy, “sự chân thực” của các câu trả lời ngày càng tăng lên.

Ngoài ra, dạo gần đây các nghiên cứu về Thuật toán (Algorithm / アルゴリズム) cho phép “Tán gẫu (Chit-chat / 雑談)” cũng đang tiến triển. Những cuộc trò chuyện vô nghĩa cũng có giá trị riêng ―― điều này là hiển nhiên trong xã hội loài người, nhưng đối với Robot, đây là một tác vụ có độ khó cao. Tuy nhiên, với sự ra đời của AI tạo sinh (Generative AI / 生成AI), những “Phát ngôn phi chức năng (Non-functional utterance / 非機能的発話)” như những câu ừ hử, cảm thán, hay những câu nói đùa cũng đã có thể được chèn vào một cách tự nhiên.

Ví dụ, khi bạn nói “Hôm nay thời tiết đẹp nhỉ”, thay vì đáp “Vâng, xác suất có mưa là 0%”, nếu nó trả lời “Đúng vậy nhỉ, những ngày thế này chỉ muốn đi ra ngoài thôi”, chúng ta sẽ lập tức cảm thấy sự gần gũi với Robot. Chính “tính con người” này có thể được coi là đích đến cho sự tiến hóa của hội thoại AI.

Hơn nữa, Tổng hợp giọng nói (Text-to-Speech / 音声合成) cũng đang tiến hóa, không còn là âm thanh máy móc đơn điệu, mà những giọng nói tự nhiên được kiểm soát từ Ngữ điệu (Intonation / イントネーション), sự trầm bổng cho đến nhịp ngắt quãng đã được hiện thực hóa. Nhờ đó, bản thân cuộc hội thoại đang biến đổi thành một thứ “nghe rất êm tai”.

Robot biết nói sẽ thay đổi xã hội

Như chúng ta đã thấy cho đến nay, nhờ sự tiến hóa của Xử lý ngôn ngữ tự nhiên, Robot đang trải qua quá trình tiến hóa từ một thực thể chỉ biết nghe lệnh và hoạt động, thành một “Đối tác (Partner / パートナー) có thể đối thoại”. Nhận diện giọng nói, Hiểu ý nghĩa, phân tích cảm xúc, và tạo ra phản hồi giống con người ―― sự liên kết của các công nghệ này cuối cùng đã khiến “hội thoại” trở nên khả thi.

Xu hướng này đang mở rộng phạm vi hoạt động của Robot tại nhiều hiện trường khác nhau như ngành chăm sóc y tế, giáo dục, dịch vụ. Thông qua hội thoại, mối quan hệ tin tưởng được xây dựng, và Robot đang bắt đầu thay đổi từ cỗ máy làm việc đơn thuần thành “thực thể kề vai sát cánh”.

Và đích đến tiếp theo của những Robot có thể sử dụng ngôn từ chính là “tự do di chuyển”. Trong chương tiếp theo, chúng ta sẽ tập trung vào các công nghệ AI giúp Robot di chuyển một cách Tự chủ (Autonomous / 自律的), và tiếp cận “trí tuệ” của chuyển động như SLAM (Định vị và lập bản đồ đồng thời / Simultaneous Localization and Mapping / 自己位置推定とマッピング) , Tránh chướng ngại vật (Obstacle avoidance / 障害物回避), và Tối ưu hóa tuyến đường (Route optimization / 経路最適化). Những Robot không chỉ biết nói chuyện mà còn hiểu được không gian và di chuyển sẽ thay đổi xã hội như thế nào? Hãy cùng khám phá bức tranh tương lai đó.