1. Từ Hệ thống phản ứng (Reactive System) đến Hệ thống chủ đích (Intentional System)
Để hiểu được cách một AI Agent hoạt động, chúng ta cần phân biệt rõ hai tầng mức kiến trúc nhận thức cơ bản trong khoa học máy tính và trí tuệ nhân tạo.
1.1. Hệ thống phản ứng (Reactive Systems)
Hệ thống phản ứng hoạt động dựa trên cơ chế kích thích – phản hồi (Stimulus – Response). Agent ở tầng này không duy trì trạng thái nội tâm hay mô hình thế giới phức tạp. Chúng quan sát môi trường trực tiếp thông qua cảm biến (sensors) và ánh xạ chúng thành hành động thông qua các quy luật cứng nhắc (if-else rules) hoặc mạng neural trực tiếp.
- Đặc điểm: Tốc độ xử lý nhanh, ít tốn tài nguyên tính toán.
- Hạn chế: Thiếu tầm nhìn dài hạn, không có khả năng lập kế hoạch hoặc tự suy luận về mục tiêu ẩn sau dữ liệu.
1.2. Hệ thống chủ đích (Intentional Systems)
Ngược lại, hệ thống chủ đích coi AI Agent như một thực thể có “tâm trí” (intentional stance) theo quan điểm triết học của Daniel Dennett. Agent sở hữu các trạng thái tinh thần giả định như niềm tin, mong muốn và ý định để chủ động điều hướng hành vi nhằm đạt được mục tiêu lớn hơn.
[Môi trường] ---> (Cảm nhận / Perception) ---> [Trạng thái nội tâm: BDI] ---> (Hành động / Action)Điểm cốt lõi: Sự chuyển dịch từ hệ thống phản ứng sang hệ thống chủ đích đánh dấu cột mốc AI chuyển từ việc “chờ lệnh thực thi” sang chủ động “thiết lập mục tiêu và tự lập kế hoạch”.
2. Phân tích lý thuyết BDI (Belief-Desire-Intention)
Lý thuyết BDI là mô hình kinh điển trong hệ thống đa tác nhân (Multi-Agent Systems), mô phỏng cách con người ra quyết định và hành động trong một thế giới bất định.
- Belief (Niềm tin): Thông tin hiện tại mà Agent nắm giữ về môi trường xung quanh và chính bản thân nó. Niềm tin này có thể thay đổi và cập nhật liên tục qua quá trình quan sát.
- Desire (Mong muốn): Các trạng thái mục tiêu hoặc kết quả mà Agent muốn đạt được. Mong muốn thể hiện định hướng ưu tiên nhưng chưa chắc đã loại trừ lẫn nhau.
- Intention (Ý định): Những mong muốn đã được Agent lựa chọn và cam kết thực hiện thông qua một kế hoạch hành động cụ thể. Ý định là cầu nối định hình hành vi thực tế.
| Thành phần BDI | Bản chất kỹ thuật | Ví dụ trong thực tế |
|---|---|---|
| Belief | Dữ liệu ngữ cảnh, cơ sở tri thức (Knowledge Base). | Hệ thống biết kho hàng hiện còn 10 sản phẩm SKU-A. |
| Desire | Tập hợp các mục tiêu tối ưu hóa. | Muốn tối ưu chi phí vận chuyển và tăng độ hài lòng khách hàng. |
| Intention | Kế hoạch hành động đang thực thi (Active Plan). | Quyết định tạo đơn hàng bổ sung kho ngay lập tức. |
Lưu ý quan trọng: Ba yếu tố Belief, Desire và Intention phải luôn đồng bộ với nhau; bất kỳ sự lệch pha nào giữa niềm tin và môi trường thực tế cũng sẽ khiến ý định của Agent đi chệch hướng.
3. Mô hình hóa ý chí nhân tạo trong Large Language Models (LLMs)
Sự bùng nổ của các mô hình ngôn ngữ lớn (LLMs) đã tạo ra bước ngoặt lớn trong việc hiện thực hóa kiến trúc BDI. Thay vì lập trình thủ công từng trạng thái logic, LLM đóng vai trò là “bộ não” trung tâm xử lý ngôn ngữ tự nhiên và suy luận bậc cao.
3.1. LLM như một bộ máy suy luận ý định
Trong các kiến trúc Agent hiện đại (như AutoGPT, LangChain Agents), LLM thực hiện chu trình Reasoning and Acting (ReAct):
- Thought (Suy nghĩ): LLM phân tích prompt và trạng thái hiện tại để hình thành Belief và Desire.
- Action (Hành động): Lựa chọn công cụ (Tool Use) hoặc API phù hợp.
- Observation (Quan sát): Nhận kết quả từ môi trường để cập nhật lại tri thức.
“Ý chí nhân tạo trong LLM không đến từ cảm xúc sinh học, mà đến từ khả năng lập kế hoạch tuần tự (Chain-of-Thought) và duy trì ngữ cảnh mục tiêu qua hàng loạt vòng lặp phản hồi.”
4. Chương trình đào tạo tại MCNA Technology School
Nếu bạn muốn làm chủ công nghệ AI Agent, lập trình Python chuyên sâu và ứng dụng trí tuệ nhân tạo vào thực tiễn doanh nghiệp, hãy tham khảo các chương trình đào tạo chuẩn quốc tế của chúng tôi:
- Combo 5 khóa AI & Power BI: https://mcna.vn/khoa-hoc/khoa-hoc-combo-5-khoa-ai-va-power-bi/
- Combo Python: https://mcna.vn/khoa-hoc/combo-python/
Tác giả: Đàm Thị Thu Hiền – Marketer tại MCNA Technology School
