TIÊU CHUẨN QUỐC GIA
TCVN 14365:2025
ISO/IEC TR 24372:2021
CÔNG NGHỆ THÔNG TIN - TRÍ TUỆ NHÂN TẠO - TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP TÍNH
TOÁN CHO CÁC HỆ THỐNG TRÍ TUỆ NHÂN TẠO
Information technology - Artificial intelligence (AI) - Overview of computational approaches for Al
systems
Lời nói đầu
TCVN 14365:2025 được xây dựng hoàn toàn tương đương với tiêu chuẩn quốc tế ISO/IEC TR
24372:2021.
TCVN 14365:2025 do Viện Công nghiệp số và Chuyển đổi số quốc gia biên soạn và đề nghị, Ủy ban
Tiêu chuẩn Đo lường Chất lượng Quốc gia thẩm định, Bộ Khoa học và Công nghệ công bố.
Lời giới thiệu
Các sản phẩm, hệ thống và giải pháp dựa trên công nghệ trí tuệ nhân tạo (AI) đã trở nên phổ biến
hơn trong những năm gần đây nhờ những cải tiến nhanh chóng về phần mềm và phần cứng, giúp
tăng cường hiệu năng tính toán, khả năng lưu trữ dữ liệu và băng thông mạng. Mục đích của tiêu
chuẩn này là xem xét các phương pháp và cách tiếp cận tính toán trong các hệ thống AI. Trên cơ sở
các tiêu chuẩn TCVN 13902:2023 (ISO/IEC 22989), TCVN 14364:2025 (ISO/IEC 23053) và ISO/IEC
TR 24030, tiêu chuẩn này cung cấp mô tả các đặc điểm và cách tiếp cận tính toán của hệ thống AI.
Cách tiếp cận tính toán trong hệ thống AI được thể hiện cho cả phương pháp học máy và không phải
học máy. Để phản ánh các phương pháp tiên tiến nhất được sử dụng trong AI, tiêu chuẩn này được
cấu trúc như sau:
- Điều 5 đưa ra mô tả chung về các cách tiếp cận tính toán trong các hệ thống AI;
- Điều 6 đề cập đến các đặc điểm chính của các hệ thống AI;
- Điều 7 đưa ra phân loại chung về các cách tiếp cận tính toán, bao gồm tiếp cận dựa trên tri thức và
tiếp cận dựa trên dữ liệu;
- Điều 8 đề cập đến các thuật toán được lựa chọn sử dụng trong các hệ thống AI, bao gồm cơ sở lý
thuyết và các kỹ thuật cơ bản, các đặc điểm chính và ứng dụng điển hình.
Bằng việc tổng quan các công nghệ khác nhau sử dụng trong hệ thống AI, tiêu chuẩn này giúp các đối
tượng sử dụng hiểu các đặc điểm và phương pháp tiếp cận tính toán trong AI.
CÔNG NGHỆ THÔNG TIN - TRÍ TUỆ NHÂN TẠO - TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP TÍNH
TOÁN CHO CÁC HỆ THỐNG TRÍ TUỆ NHÂN TẠO
Information technology - Artificial intelligence (AI) - Overview of computational approaches for
Al systems
1 Phạm vi áp dụng
Tiêu chuẩn này cung cấp cái nhìn tổng quan về các phương pháp tính toán tiên tiến nhất cho các hệ
thống AI bằng việc mô tả: a) các đặc điểm tính toán chính của các hệ thống AI; b) các thuật toán và
phương pháp tiếp cận chính sử dụng trong các hệ thống AI, tham khảo các trường hợp sử dụng có
trong ISO/IEC TR 24030.
2 Tài liệu viện dẫn
Các tài liệu viện dẫn sau đây rất cần thiết cho việc áp dụng tiêu chuẩn này. Đối với các tài liệu viện
dẫn ghi năm công bố thì áp dụng phiên bản được nêu. Đối với các tài liệu viện dẫn không ghi năm
công bố thì áp dụng phiên bản mới nhất, bao gồm cả các sửa đổi (nếu có).
TCVN 13902:2023 (ISO/IEC 22989), Công nghệ thông tin - Trí tuệ nhân tạo - Các khái niệm và thuật
ngữ trí tuệ nhân tạo.
TCVN 14364:2025 (ISO/IEC 23053), Công nghệ thông tin - Trí tuệ nhân tạo - Khung cho hệ thống trí
tuệ nhân tạo sử dụng học máy (ML).
3 Thuật ngữ và định nghĩa
Trong tiêu chuẩn này sử dụng các thuật: ngữ, định nghĩa trong TCVN 13902:2023 (ISO/IEC 22989),
TCVN 14364:2025 (ISO/IEC 23053) và các thuật ngữ, định nghĩa sau.
3.1
Tìm kiếm heuristic (heuristic search)
Khám phá, dựa trên kinh nghiệm và phán đoán, sử dụng để thu được kết quả chấp nhận được mà
không đảm bảo sự thành công.
[NGUỒN: ISO/IEC 2382:2015, 2123854 sửa đổi - xóa chú thích].
3.2
Logic mờ (fuzzy logic)
Tập mờ logic (fuzzy-set logic)
Logic phi truyền thống, trong đó các dữ kiện, quy tắc suy luận và định lượng là các yếu tố chắc chắn
cho trước.
[NGUỒN: ISO/IEC 2382:2015, 2123795 sửa đổi - xóa chú thích]
3.3
Bộ tạo sinh (generator)
Mạng nơ-ron tạo ra các mẫu thường được phân loại bởi bộ phân biệt.
CHÚ THÍCH 1: Các bộ tạo sinh chủ yếu xuất hiện trong ngữ cảnh của các mạng đối nghịch tạo sinh.
3.4
Bộ phân biệt (discriminator)
mạng nơ-ron phân loại các mẫu thường được tạo bởi một bộ tạo sinh
CHÚ THÍCH 1: Bộ phân biệt chủ yếu xuất hiện trong bối cảnh của các mạng đối nghịch tạo sinh.
3.5
Mạng đối nghịch tạo sinh (generative adversarial network GAN)
Kiến trúc mạng nơ-ron bao gồm một hoặc nhiều bộ tạo sinh và một hoặc nhiều bộ phân biệt có sự
cạnh tranh với nhau để cải thiện hiệu năng mô hình.
3.6
Nền tảng (platform)
Sự kết hợp của một hệ điều hành và phần cứng tạo nên môi trường hoạt động để chạy chương trình.
[NGUỒN: ISO/IEC/IEEE 26513:2017, 3.30]
3.7
Tri giác (perceptron)
Mạng nơ-ron chứa một nơ-ron nhân tạo, có giá trị đầu ra nhị phân hoặc liên tục được xác định bằng
cách áp dụng một hàm đơn điệu cho tổ hợp tuyến tính của các giá trị đầu vào với học sửa lỗi.
CHÚ THÍCH 1: Tri giác tạo thành hai vùng quyết định được tách biệt bằng một siêu phẳng.
CHÚ THÍCH 2: Đối với các giá trị đầu vào nhị phân, tri giác không thể thực hiện phép toán không
tương đương (EXCLUSIVE OR, XOR).
[NGUỒN: ISO/IEC 2382:2015, 2120656 sửa đổi - thuật ngữ được sửa đổi, bổ sung "hoặc liên tục" vào
định nghĩa và xóa Chú thích 3 và 4]
4 Chữ viết tắt
AI Artificial intelligence Trí tuệ nhân tạo
ASIC Application-specific integrated circuit Mạch tích hợp được thiết kế cho các ứng
dụng cụ thể
BERT Bidirectional encoder representations from
transformers
Biểu diễn mã hóa hai chiều từ bộ chuyển
đổi
BPTT Back propagation through time Lan truyền ngược theo thời gian
CNN Convolutional neural network Mạng nơ-ron tích chập
CPU Central processing unit Bộ xử lý trung tâm (đơn vị xử lý trung tâm)
DAG Directed acyclic graph Đồ thị không lặp vòng có hướng
DNN Deep neural network Mạng nơ-ron sâu
ERM Empirical risk minimization Giảm thiểu rủi ro theo kinh nghiệm
FFNN Feedforward neural network Mạng nơ-ron tiến
FPGA Field programmable gate array Mảng cổng lập trình dạng trường
GDM Gradient descent method Phương pháp giảm độ dốc
GPU Graphics processing unit Khối xử lý đồ họa
GPT Generative pre-training Tạo sinh huấn luyện trước
loT Internet of things Internet vạn vật
KG Knowledge graph Đồ thị tri thức
KNN K-nearest neighbour K-láng giềng gần nhất
LSTM Long short-term memory Bộ nhớ ngắn-dài hạn
MFCC Mel-frequency cepstrum coefficient Hệ số phổ tần số Mel
MLM Masked language model Mô hình ngôn ngữ đánh dấu
NER Named entity recognition Nhận dạng thực thể được đặt tên
NLP Natural language processing Xử lý ngôn ngữ tự nhiên
NSP Next sentence prediction Dự đoán câu tiếp theo
OWL Web ontology language Ngôn ngữ bản thể luận Web
QA Question answering Hệ thống trả lời câu hỏi
RDF Resource description framework Khung mô tả tài nguyên
RNN Recurrent neural network Mạng nơ-ron hồi quy
RTRL Real-time recurrent learning Học hồi quy thời gian thực
SPARQL
SPARQL protocol and RDF query language
Giao thức SPARQL và ngôn ngữ truy vấn
RDF
SQL Structured query language Ngôn ngữ truy vấn có cấu trúc
SRM Structure risk minimization Giảm thiểu rủi ro cấu trúc
SVM Support vector machine Máy véc tơ hỗ trợ
URI Uniform resource identifier Bộ định danh tài nguyên thống nhất
XML Extensible markup language Ngôn ngữ đánh dấu mở rộng
5 Tổng quan
Những tiến bộ trong phương pháp tính toán là một động lực quan trọng trong quá trình trưởng thành
của AI để có khả năng xử lý các tác vụ khác nhau. Các phương pháp AI ban đầu chủ yếu dựa trên
quy tắc và tri thức. Gần đây các phương pháp dựa trên dữ liệu như mạng nơ-ron nhân tạo đã trở nên
nổi bật. Các phương pháp tính toán AI đang phát triển trong lĩnh vực công nghiệp và cộng đồng học
thuật và là mối quan tâm lớn trong các hệ thống AI.
Các phương pháp tính toán cho các hệ thống AI thường được phân loại dựa trên các tiêu chí khác
nhau.
Một trong số đó là theo mục đích của hệ thống AI. Phân loại dựa trên mục đích phù hợp với các
nghiên cứu về AI [1] và bao hàm cả một phân loại mẫu cho các dạng phổ biến.
a) Các phương pháp tìm kiếm. Cách tiếp cận này có thể chia thành nhiều loại tìm kiếm khác nhau:
thuật toán tìm kiếm cổ điển, nâng cao, tìm kiếm đối nghịch và tìm kiếm sự thỏa mãn ràng buộc.
1) Thuật toán tìm kiếm cổ điển giải quyết vấn đề bằng cách tìm kiếm trên một vài không gian trạng
thái và có thể được chia thành tìm kiếm đồng dạng và tìm kiếm heuristic, áp dụng quy tắc thông
thường để hướng dẫn và tăng tốc độ tìm kiếm.
2) Thuật toán tìm kiếm nâng cao bao gồm những thuật toán tìm kiếm trong không gian con cục bộ
mang tính bất định, quan sát một phần không gian tìm kiếm bằng các phiên bản trực tuyến của thuật
toán tìm kiếm.
3) Thuật toán tìm kiếm đối nghịch tìm kiếm khi có mặt đối phương và thường được sử dụng trong trò
chơi. Chúng bao gồm các thuật toán đáng chú ý như cắt tỉa alpha-beta và bao hàm các biến đổi ngẫu
nhiên có thể quan sát được từng phần.
4) Các bài toán thỏa mãn ràng buộc được giải quyết khi mỗi một biến trong bài toán có giá trị thỏa
mãn mọi ràng buộc.
b) Logic, lập kế hoạch và tri thức. Cách tiếp cận này có thể được chia thành ba trường hợp: logic, lập
kế hoạch và tìm kiếm không gian trạng thái, biểu diễn tri thức.
1) Logic, chẳng hạn như logic mệnh đề và logic bậc nhất được sử dụng trong AI cổ điển để biểu diễn
tri thức. Giải pháp cho vấn đề trong các hệ thống tính toán như vậy liên quan đến suy luận logic bằng
cách sử dụng các thuật toán có lời giải.
2) Lập kế hoạch trong các hệ thống AI cổ điển liên quan đến việc tìm kiếm trên một vài không gian
trạng thái cũng như phần mở rộng của thuật toán để xử lý lập kế hoạch trong thế giới thực. Các
phương pháp để giải quyết sự phức tạp của việc lập kế hoạch trong thế giới thực liên quan đến các
ràng buộc về thời gian và tài nguyên, lập kế hoạch theo thứ bậc trong đó các vấn đề được giải quyết
ở mức độ trừu tượng trước khi giải quyết ở mức chi tiết, hệ thống đa tác nhân xử lý sự không chắc
chắn và các tác từ khác trong hệ thống.
3) Biểu diễn tri thức là một loại cấu trúc dữ liệu để mô tả tri thức bằng logic vị từ, tạo ra các quy tắc
"nếu-thì" và biểu diễn khung tri thức.
c) Tri thức và lập luận không chắc chắn. Các phương pháp tiếp cận trong lĩnh vực này xử lý tri thức
có khả năng bị thiếu, không chắc chắn hoặc không đầy đủ. Chúng thường sử dụng xác suất hoặc
logic mở để biểu diễn các khái niệm. Các hệ thống tính toán xác suất lập luận bằng cách sử dụng quy
tắc Bayes, mạng Bayes, mô hình Markov ẩn (trong tình huống phụ thuộc vào thời gian) hoặc bộ lọc
Kalman. Các phương pháp tính toán khác được sử dụng để ra quyết định bao gồm phương pháp dựa
trên lý thuyết thực dụng và mạng quyết định.
d) Học trong lĩnh vực này giải quyết vấn đề làm cho máy tính học tương tự như con người. Các
phương pháp tiếp cận có thể nhóm thành: học từ các mẫu, học dựa trên tri thức, học xác suất, học
tăng cường, học sâu, GAN và các phương pháp học khác.
1) Học từ các mẫu liên quan đến các phương pháp học có giám sát để một mô hình học học máy từ
dữ liệu được dán nhãn. Nó bao gồm các phương pháp như cây quyết định, phương pháp hồi quy
tuyến tính và logistic, mạng nơ-ron nhân tạo, phương pháp phi tham số (ví dụ KNN), SVM và phương
pháp học quần thể (ví dụ: đóng gói, tăng tốc và biến thể của rừng ngẫu nhiên).
2) Các phương pháp học dựa trên tri thức bao gồm phương pháp tiếp cận dựa trên logic, học dựa
trên diễn giải và lập trình quy nạp logic.
3) Học xác suất liên quan đến các phương pháp tính toán như phương pháp Bayes và phương pháp
tối đa hóa kỳ vọng.
4) Học tăng cường liên quan đến các hệ thống tính toán nhận phản hồi, đưa ra quyết định và thực
hiện hành động trong môi trường để tối đa hóa phần thưởng tổng thể. Các thuật toán đáng chú ý bao
gồm học khác biệt theo thời gian và Q-learning.
5) Phương pháp tiếp cận mạng nơ-ron học sâu liên quan đến các phương pháp tính toán hiện đại với
nhiều lớp ẩn, bao gồm mạng lan truyền thẳng, chính tắc hóa, phương pháp tối ưu hóa hiện đại, CNN
và phương pháp học tuần tự như mạng LSTM.
6) GAN liên quan đến hai mạng có tính ganh đua với nhau, bộ tạo sinh và bộ phân biệt. Bộ tạo sinh có
nhiệm vụ tạo ra các mẫu và bộ phân biệt phân loại từng mẫu là thật hay giả. Sau quá trình lặp, bộ tạo
sinh được huấn luyện để có thể sử dụng trong các ứng dụng như tạo ra hình ảnh nhân tạo.
7) Các phương pháp học khác bao gồm học không giám sát, liên quan đến xác định bản chất cấu trúc
của bộ dữ liệu; học bán giám sát, liên quan đến các bộ dữ liệu được dán nhãn một phần; thuật toán
học trực tuyến, tiếp tục học khi chúng nhận được dữ liệu; học mạng: lưới và quan hệ, học xếp hạng
và sở thích, học đại diện, học chuyển giao và học tích cực.
e) Suy diễn. Cách tiếp cận này thể hiện ứng dụng của hệ thống AI trong việc ước tính các tham số
hoặc khía cạnh của (hoặc phân loại dữ liệu mới hoặc dữ liệu chưa được quan sát) tham số đã học
được, thu được hoặc xác định được. Suy diễn Bayes là hoạt động suy diễn thống kê theo quan điểm
Bayes. Suy diễn xấp xỉ, chẳng hạn như suy diễn biến phân, giải quyết bài toán suy luận bằng cách lấy
giá trị xấp xỉ tốt nhất theo thống kê. Thuật toán Monte Carlo tạo các mẫu từ một phân phối đã biết
nhưng khó được chuẩn hóa để suy ra số liệu thống kê từ các mẫu đã tạo. Suy diễn nhân quả liên
quan đến suy diễn các kết nối nhân quả của dữ liệu được quan sát.
f) Giảm chiều. Các phương pháp tính toán này liên quan đến việc giảm số lượng kích thước của dữ
liệu bằng thuật toán giảm kích thước (trích xuất đặc trưng), xác định số lượng thuộc tính mới nhỏ hơn
để biểu diễn dữ liệu; hoặc lựa chọn đặc trưng bằng cách chọn một tập hợp con có các thuộc tính phù
hợp nhất.
g) Giao tiếp, nhận thức và hành động. Các phương pháp tính toán trong các lĩnh vực này liên quan tới
NLP (bao gồm các tác vụ như mô hình hóa ngôn ngữ, phân loại văn bản, thu thập thông tin, trích xuất
thông tin, phân tích cú pháp, dịch máy và nhận dạng tiếng nói), thị giác máy tính (bao gồm xử lý hình
ảnh, nhận dạng đối tượng) và người máy .
Các loại hình và loại hình phụ nói trên không loại trừ lẫn nhau. Ví dụ phương pháp học sâu [d)5)] có
thể là học giám sát [d)1)], học không giám sát [d)7)]; học tăng cường [d)4)] có thể đạt được thông qua
học sâu [d)5)]; phương pháp dịch máy hoặc nhận dạng đối tượng [g)] có thể là các cách tiếp cận học
[d)].
TCVN 13902:2023 (ISO/IEC 22989) chỉ định các khái niệm và thuật ngữ liên quan đến các phương
pháp tính toán AI. TCVN 14364:2025 (ISO/IEC 23053) cung cấp khuôn khổ cho các hệ thống AI sử
dụng học máy, bao gồm các thuật toán học máy, thuật toán tối ưu hóa và phương pháp học máy.
ISO/IEC TR 24030 thu thập và phân tích các trường hợp sử dụng AI.
6 Đặc điểm chính của hệ thống AI
6.1 Khái quát chung
Không phải tất cả các hệ thống AI đều dựa trên học máy hoặc mạng nơ-ron. Để chứng minh tính đa
dạng của hệ thống AI, một số đặc điểm thường gặp của hệ thống AI được mô tả trong 6.2 và 6.3.
Những đặc điểm này có tính khái niệm rộng và không gắn với một phương pháp hoặc kiến trúc cụ
thể. Nhìn chung, những đặc điểm này giúp phân biệt hệ thống AI với các hệ thống không phải AI.
Một số đặc điểm của hệ thống AI là phổ biến và được áp dụng rộng rãi cho các trường hợp sử dụng
khác nhau. Một số khác dành riêng cho một số ít trường hợp sử dụng trong một lĩnh vực cụ thể. Nội
dung điều này nêu danh mục các đặc điểm của hệ thống AI, danh mục này chưa đầy đủ nhưng chứa
các thuộc tính nội tại của nhiều hệ thống AI. Mặc dù danh mục này không giới hạn ở một công nghệ
cụ thể nào (chẳng hạn như hệ thống AI được xây dựng bằng mạng nơ-ron), nhưng nó không bao
gồm mọi loại hình hệ thống AI động.
6.2 Đặc điểm chính của hệ thống AI
6.2.1 Có thể thích ứng
Một số hệ thống AI thích ứng với những thay đổi khác nhau của chính nó và môi trường mà nó được
triển khai. Sự thích ứng như vậy phụ thuộc vào nhiều yếu tố, bao gồm dữ liệu bên trong, kiến trúc của
hệ thống hoặc các quyết định kỹ thuật khác được đưa ra khi triển khai.
Các hệ thống AI thường hoạt động trên môi trường điện toán đám mây phía máy chủ với quyền truy
cập vào điện toán hiệu năng cao và các tài nguyên khác. Với sự phát triển của các hệ thống loT có
khả năng tính toán đa năng trên GPU và CPU đa lõi, hoặc xử lý AI trên bộ xử lý và bộ tăng tốc dành
riêng cho ứng dụng, khả năng thích ứng của hệ thống AI hiện mở rộng sang những cân nhắc về triển
khai loT, chẳng hạn như xử lý dữ liệu gần thời gian thực, tối ưu hóa để có độ trễ thấp và hiệu suất tiết
kiệm điện năng cao.
6.2.2 Tính xây dựng
Một số hệ thống AI xây dựng hoặc tạo các đầu ra tĩnh hoặc động dựa trên tiêu chí đầu vào xác định.
Điều này áp dụng cho các phương pháp bao gồm học không giám sát và học tạo sinh.
6.2.3 Tính phối hợp
Một số hệ thống AI phối hợp giữa các tác nhân. Tác nhân cũng có thể là hệ thống AI hiểu theo cách
thức nào đó nhưng không cần thiết phải như vậy. Nhiều ràng buộc đồng thời có thể chi phối hành vi
của tác nhân, bao gồm cả cách thức tĩnh hoặc động. Sự phối hợp có thể được thể hiện rõ ràng thông
qua đàm phán trực tiếp giữa các hệ thống hoặc ngầm định thông qua phản ứng trước những thay đổi
của môi trường.
6.2.4 Tính động
Một số hệ thống AI thể hiện khả năng ra quyết định linh hoạt dựa trên các,nguồn dữ liệu bên ngoài.
Những nguồn dữ liệu này có thể đến từ các nền tảng phần mềm khác, từ môi trường vật lý hoặc từ
các nguồn khác.
6.2.5 Tính có thể giải thích được
Một số hệ thống AI cung cấp cơ chế giải thích điều gì dẫn đến quyết định hoặc kết quả đầu ra. Đầu ra
này có thể ở nhiều dạng, có thể rõ ràng hoặc ẩn dụ theo thiết kế hệ thống AI. Hệ thống AI có thể giải
thích được có thể đóng góp hoặc bổ sung cho độ tin cậy, độ chính xác và tính hiệu quả. Khả năng giải
thích cũng có thể dùng để so sánh và tối ưu hóa hiệu năng của mô hình học máy bằng cách tạo ra
những hiểu biết sâu sắc về các yếu tố làm giảm hiệu năng. Khả năng giải thích có thể là một biện
pháp quan trọng chống lại hành vi lừa đảo trong hệ thống AI.
6.2.6 Tính phân biệt hoặc tạo sinh
Một số hệ thống AI có tính phân biệt, được thiết kế để phân biệt khả năng xuất hiện của kết quả đầu
ra, chẳng hạn như bằng cách loại trừ các xác suất tiên nghiệm. Ngoài ra một số hệ thống AI có tính
tạo sinh, được thiết kế để thể hiện các khía cạnh liên quan của dữ liệu, chẳng hạn như bằng đưa vào
các xác suất tiên nghiệm.
6.2.7 Tính tự suy
Một số hệ thống AI tự giám sát để thích ứng với môi trường hoặc cung cấp thông tin chi tiết về chức