Tổng quan: Não nhân tạo vừa đủ

TL;DR: Module 1 dựng bản đồ AI/ML/DL và cố ý không mở hộp đen bên trong mạng nơ-ron. Module này mở hộp đen từ đơn vị nhỏ nhất — một neuron là gì — qua vòng lặp huấn luyện thực sự xảy ra thế nào, đến tầng ẩn tự học ra đặc trưng như thế nào. Toàn bộ được xây từ trực giác và pseudocode: không backprop tay, không chứng minh toán, không PyTorch. Vừa đủ để module LLM và transformer tiếp theo có chỗ đứng vững.

1. Vì sao module này tồn tại

Cuối module 1, bạn đã biết: machine learning là học luật từ dữ liệu thay vì viết luật tay; deep learning xếp nhiều lớp học được; LLM nằm ở vùng "generative AI" trên bản đồ. Module 1 kết bằng một câu hỏi ngỏ: cơ chế bên trong mạng nơ-ron học thế nào?

Module 2 trả lời câu hỏi đó theo đúng thứ tự cần thiết để hiểu transformer: neuron tính gì, tại sao nhiều lớp cần phi tuyến, loss đo thế nào, vòng lặp chỉnh trọng số hoạt động ra sao, và tầng ẩn tự học ra đặc trưng như thế nào.

Mục đích là trực giác, không phải kỹ thuật ML. Sau module này bạn có đủ nền để hiểu tại sao transformer có attention, tại sao fine-tune thay đổi trọng số chứ không thay đổi code, và tại sao model lớn hơn không tự động tốt hơn nếu dữ liệu không đủ.

2. Sau module này bạn sẽ

• Explain neural net như chuỗi biến đổi có tham số: neuron tính tổng có trọng số, hàm phi tuyến làm nhiều lớp khác hẳn một lớp
• Explain loss quy toàn bộ sai lệch của model về một con số duy nhất, và vì sao chọn loss là quyết định thiết kế
• Trace vòng lặp huấn luyện: forward → loss → gradient → cập nhật trọng số, và vai trò của learning rate
• Distinguish tham số model học được với siêu tham số do người chọn, kể cả hệ quả bộ nhớ đọc ra từ số tham số
• Explain representation học được ở tầng ẩn và vì sao nó là nền chung của embedding lẫn attention
• Diagnose ba kiểu huấn luyện hỏng từ đường cong loss: learning rate sai, model thiếu sức chứa, overfit

3. Lộ trình module

Thứ tự có chủ ý: bài 01–02 xây khối cơ bản (neuron và lớp), bài 03–04 xây vòng lặp học (loss và gradient), bài 05–06 mở rộng hiểu biết thực dụng (bộ nhớ và representation). Bài 07 là mini-challenge tổng hợp — đọc sau khi hoàn thành bài 04.

4. Ngoài phạm vi module này

Module dừng lại có chủ ý, để giữ đúng mục đích "vừa đủ cho transformer":

• Không đạo hàm tay hay chứng minh chain rule
• Không thuật toán tối ưu nâng cao (Adam, momentum, lr scheduler)
• Không PyTorch, TensorFlow, hay bất kỳ framework ML nào
• Không lịch sử CNN hay RNN
• Kiến trúc transformer (attention, multi-head) thuộc Module 4 — module này chỉ dựng nền

5. Yêu cầu trước khi bắt đầu

• Hoàn thành Module 1 — Bản đồ AI — đặc biệt phân biệt train vs inference và khái niệm overfitting
• Biết đọc pseudocode cơ bản (không gắn ngôn ngữ)
• Không cần nền toán hay kinh nghiệm ML

Bài tiếp theo: Neuron nhân tạo — trọng số mới là thứ model học được