Virtual Assistant

Trợ lý ảo là phần mềm hiểu yêu cầu bằng lời nói hoặc văn bản và thực hiện chúng: trả lời câu hỏi, đặt hẹn giờ và lời nhắc, gửi tin nhắn, phát nội dung đa phương tiện, điều khiển thiết bị nhà thông minh và hoàn thành tác vụ bên trong ứng dụng. Trợ lý số và trợ lý AI là các từ đồng nghĩa; trợ lý giọng nói là loại mà mọi người tương tác bằng lời nói. Siri đưa ý tưởng này đến với thị trường đại chúng: ban đầu, Siri là một dự án tách ra từ dự án nghiên cứu CALO do DARPA tài trợ của SRI International; Apple mua lại startup này vào năm 2010 và tích hợp Siri vào iPhone 4S vào tháng 10 năm 2011. Alexa của Amazon ra mắt cùng loa Echo vào tháng 11 năm 2014, Google Assistant ra mắt năm 2016, còn các loa nhà thông minh khiến việc điều khiển đèn, bộ điều nhiệt và khóa bằng giọng nói trở nên phổ biến. Trong môi trường doanh nghiệp, cụm từ tương tự cũng chỉ một nhân viên làm việc từ xa, phụ trách các tác vụ hành chính.

Cách hoạt động của trợ lý ảo#

Trợ lý giọng nói truyền thống chạy theo một pipeline cố định. Một model nhỏ trên thiết bị lắng nghe từ đánh thức, nên âm thanh chỉ rời khỏi thiết bị sau khi nghe thấy "Hey Siri" hoặc "Alexa". Nhận dạng giọng nói chuyển yêu cầu thành văn bản, còn hiểu ngôn ngữ tự nhiên (NLU) ánh xạ yêu cầu thành một intent cùng các slot: "đánh thức tôi lúc 7 giờ ngày mai" trở thành intent đặt báo thức với slot thời gian, được trích xuất tương tự như nhận dạng thực thể có tên (NER). Bộ quản lý hội thoại hỏi thêm thông tin còn thiếu; yêu cầu được xử lý thông qua API của ứng dụng hoặc thiết bị, rồi chuyển văn bản thành giọng nói đọc kết quả.

Trợ lý dựa trên intent chỉ xử lý những yêu cầu mà nhà phát triển đã dự liệu, vì vậy chúng trả lời các yêu cầu lạ bằng cách tìm kiếm trên web hoặc xin lỗi. Trợ lý xây dựng trên mô hình ngôn ngữ lớn (LLM) diễn giải các yêu cầu mở và truy cập cùng API của thiết bị cũng như ứng dụng thông qua gọi hàm, nhờ đó một câu có thể kích hoạt nhiều hành động liên tiếp. Amazon giới thiệu Alexa+ dựa trên LLM vào tháng 2 năm 2025, còn vào tháng 3 năm 2025, Google thông báo Gemini sẽ thay thế Google Assistant trên hầu hết thiết bị di động. Các model speech-to-speech như GPT-4o, phát hành vào tháng 5 năm 2024, bỏ qua các bước phiên âm và tổng hợp riêng biệt, giúp giảm độ trễ phản hồi và cho phép trợ lý nghe cũng như thể hiện ngữ điệu. Trợ lý đa phương thức cũng tiếp nhận đầu vào từ camera, sử dụng mô hình thị giác-ngôn ngữ (VLM) để trả lời câu hỏi về những gì điện thoại hoặc kính thông minh nhìn thấy.

Trợ lý tiếp nhận và xử lý dữ liệu cá nhân, vì vậy quyền riêng tư dữ liệu quyết định từng bước được thực hiện ở đâu. Tính năng phát hiện từ đánh thức chạy cục bộ, còn AI biên đã đưa nhiều bước hơn của pipeline lên thiết bị: kể từ iOS 15 năm 2021, iPhone dùng chip A12 Bionic trở lên mặc định xử lý âm thanh của nhiều yêu cầu Siri ngay trên thiết bị.

Trợ lý bên trong phần mềm#

Cùng mô hình yêu cầu, hành động và phản hồi cũng hoạt động bên trong một sản phẩm, trong đó các công cụ của trợ lý chính là những tính năng của sản phẩm đó. Ask AI của Ultralytics Platform tiếp nhận yêu cầu như "Huấn luyện YOLO26n trên dataset này và đặt tên lượt chạy là xview-baseline" hoặc "Triển khai model đã hoàn tất có mAP validation tốt nhất trong dự án này", rồi thực hiện bằng API key Platform của chính người dùng: tìm và sao chép dataset, tự động gán nhãn ảnh, bắt đầu và so sánh các lượt huấn luyện YOLO26, cũng như xuất hoặc triển khai model.

Trợ lý ảo và các thuật ngữ liên quan#

• Chatbot: Chương trình trò chuyện bằng văn bản hoặc giọng nói, thường chỉ hoạt động trên một website hoặc ứng dụng và tập trung vào việc trả lời câu hỏi. Trợ lý ảo hoạt động trên nhiều ứng dụng và thiết bị, được đánh giá dựa trên các tác vụ hoàn thành.
• AI agent: Bất kỳ hệ thống nào theo đuổi mục tiêu bằng cách lựa chọn và thực hiện hành động. Trợ lý ảo là agent được xây dựng để xử lý các yêu cầu thường ngày của một người, thường thực hiện từng yêu cầu một; trong khi đó, quy trình agentic có thể tự động chạy các tác vụ dài gồm nhiều bước.
• Loa thông minh: Phần cứng, chẳng hạn như Amazon Echo hoặc Google Nest, tích hợp trợ lý giọng nói với các microphone thu âm từ xa, được tinh chỉnh để nhận biết từ đánh thức ở bất kỳ vị trí nào trong phòng.