Vừa gà vừa chó bó lại cho tròn: Từ câu vè tuổi thơ đến công nghệ AI thay đổi thế giới

Bài toán vừa gà vừa chó giải thế nào, có từ bao giờ, và vì sao cùng phép toán ấy đang chạy trong máy chụp CT, ChatGPT và cách đoán danh mục quỹ mở.

22 phút đọcTrung cấpEyeBlogs

Bài này hiện chỉ có bản tiếng Việt.

Ảnh bìa kiểu đối đầu trên nền cỏ: bên trái là một chú gà trống lông cam, xanh và đen, mào đỏ, dưới ghi "VỪA GÀ" và "2 chân"; bên phải là một chú chó Shiba lông vàng đang cười, dưới ghi "VỪA CHÓ" và "4 chân". Giữa hai con là một tia sét sáng, phía trên ghi "36 CON · 100 CHÂN". Ghép từ hai ảnh trên Wikimedia Commons: gà trống của Žiga (CC BY-SA 3.0) và chó Shiba Inu Kazumi của Maja Dumat (CC BY 2.0); cả hai ảnh được lật ngang.
Mục lục

Vừa gà vừa chó, Bó lại cho tròn, Ba mươi sáu con, Một trăm chân chẵn.

Hỏi có bao nhiêu gà, bao nhiêu chó?

Người Việt nào đi học tiểu học cũng từng gặp bài toán vừa gà vừa chó. Đáp án là 22 con gà và 14 con chó: 22 con gà có 44 chân, 14 con chó có 56 chân, cộng lại vừa đủ 100. Cách nhanh nhất để tìm ra nó chỉ cần một phép chia, phần dưới sẽ kể.

Bài toán trông như một câu đố cho trẻ con. Nhưng nếu nhìn kỹ, nó là bản thu nhỏ của một câu hỏi lớn hơn rất nhiều: chỉ nhìn thấy vài con số tổng, làm sao biết bên trong có gì? Bác sĩ nhìn tia X đi xuyên qua cơ thể và muốn biết từng điểm bên trong đặc hay rỗng. Nhà đầu tư nhìn giá chứng chỉ quỹ lên xuống và muốn biết quỹ đang cầm bao nhiêu cổ phiếu. Một mô hình AI nhìn hàng tỷ câu văn và phải tự tìm ra những con số khiến nó trả lời đúng. Cả ba đều là bài gà – chó, chỉ có điều chuồng to hơn rất nhiều.

Bài này đi từ câu vè, qua lịch sử, cách giải dân gian và cách giải phổ thông, rồi tới ma trận, AI và dữ liệu thật của sáu quỹ mở ở Việt Nam.

Bài toán vừa gà vừa chó có từ bao giờ?

Bản sớm nhất còn giữ được không có gà, cũng không có chó. Nó nằm trong Tôn Tử toán kinh (孫子算經), một cuốn sách toán Trung Quốc biên soạn vào khoảng thế kỷ 3 đến thế kỷ 5. Tác giả không phải Tôn Tử viết binh pháp, và tên thật của người viết đến nay không ai biết. Bài số 31 ở quyển cuối viết[1]:

Nay có trĩ và thỏ nhốt chung một lồng. Trên đếm được 35 đầu, dưới đếm được 94 chân. Hỏi trĩ và thỏ mỗi loại bao nhiêu?

“Trĩ” là chim trĩ, một loài chim hai chân. Đáp án là 23 con trĩ và 12 con thỏ. Ở Trung Quốc ngày nay, người ta gọi bài này là “gà thỏ cùng lồng” (鸡兔同笼), và nó vẫn có mặt trong sách toán tiểu học.

Bài toán đi theo con đường sách vở sang các nước xung quanh và đổi con vật theo từng nơi. Người Nhật gọi nó là tsurukame-zan (鶴亀算), “phép tính hạc và rùa”: hạc hai chân, rùa bốn chân. Ở Việt Nam, thỏ biến thành chó, đề bài biến thành câu vè bốn chữ cho dễ thuộc. Câu vè này lưu truyền trong dân gian và không rõ ai là người đặt ra.

Người anh em: bài toán trăm trâu trăm cỏ

Văn hóa dân gian Việt Nam còn một câu vè cùng họ:

Trăm trâu trăm cỏ, Trâu đứng ăn năm, Trâu nằm ăn ba, Lụ khụ trâu già, Ba con một bó.

Có 100 con trâu và 100 bó cỏ. Mỗi trâu đứng ăn 5 bó, mỗi trâu nằm ăn 3 bó, ba trâu già ăn chung 1 bó. Hỏi mỗi loại bao nhiêu con?

Bài này giống bài “trăm gà” (百雞問題) trong Trương Khâu Kiến toán kinh của Trung Quốc, khoảng thế kỷ 5. Điểm khác biệt quan trọng là ở đây có ba loại con vật nhưng chỉ có hai điều kiện. Mục ma trận phía dưới sẽ cho thấy chỗ khác biệt nhỏ này dẫn tới một khái niệm lớn.

Cách giải dân gian: không cần biết x, y là gì

Trước khi có chữ xx và chữ yy, người ta giải bài này bằng lập luận. Có ba cách hay gặp.

Cách 1: giả thiết tạm

Đây là cách học sinh tiểu học Việt Nam thường được dạy.

Giả sử cả 36 con đều là gà. Khi đó chỉ có 36×2=7236 \times 2 = 72 chân. Thực tế có 100 chân, tức là thiếu 100−72=28100 - 72 = 28 chân.

Mỗi lần “đổi” một con gà thành một con chó, số đầu giữ nguyên nhưng số chân tăng thêm 2. Muốn bù đủ 28 chân thì phải đổi 28÷2=1428 \div 2 = 14 con. Vậy có 14 con chó, và 36−14=2236 - 14 = 22 con gà.

Đời thường cũng vậy: mua 10 món, loại 20 nghìn và loại 50 nghìn, hết 290 nghìn. Nếu cả 10 món đều 20 nghìn thì chỉ hết 200 nghìn; phần chênh 90 nghìn chia cho 30 nghìn chênh mỗi món, ra 3 món loại 50 nghìn. Giả thiết tạm là bắt đầu từ một kịch bản đơn giản sai, rồi đo xem nó sai bao nhiêu.

Cách 2: bảo mỗi con co một nửa số chân

Đây là cách trong chính Tôn Tử toán kinh. Sách viết đại ý: lấy số chân chia đôi, trừ đi số đầu, ra số thỏ.

Hãy tưởng tượng bạn thổi một hồi còi, mọi con vật co lên một nửa số chân. Gà đứng một chân như con hạc, chó đứng hai chân như đang xin ăn. Lúc này tổng số chân còn 100÷2=50100 \div 2 = 50.

Bây giờ mỗi con gà có đúng 1 chân, mỗi con chó có 2 chân. Nếu mọi con chỉ có 1 chân thì tổng sẽ bằng số đầu, tức là 36. Phần dư 50−36=1450 - 36 = 14 chỉ có thể đến từ cái chân thứ hai của mỗi con chó. Vậy có 14 con chó.

Với đề gốc của Tôn Tử: 94÷2=4794 \div 2 = 47, 47−35=1247 - 35 = 12 con thỏ. Một phép chia và một phép trừ, không hơn.

Cách 3: thử dần

Cách cuối cùng chẳng cần mẹo gì: lập bảng và thử.

Số chó Số gà Tổng số chân
10 26 92
12 24 96
14 22 100
16 20 104

Mỗi khi thêm 1 con chó và bớt 1 con gà, số chân tăng đều 2. Nhận ra quy luật “tăng đều” ấy, ta sẽ thấy cách 1 chỉ là cách 3 làm tắt. Và quy luật tăng đều ấy chính là chữ tuyến tính, chữ sẽ xuất hiện ở mọi mục còn lại của bài.

Cách giải phổ thông: hệ phương trình bậc nhất hai ẩn

Lên trung học, học sinh được trao một công cụ tổng quát hơn. Gọi xx là số gà, yy là số chó. Câu vè dịch thành hai câu toán học:

{x+y=362x+4y=100\begin{cases} x + y = 36 \\ 2x + 4y = 100 \end{cases}

Có hai cách giải quen thuộc.

Phương pháp thế. Từ phương trình đầu, x=36−yx = 36 - y. Thay vào phương trình hai: 2(36−y)+4y=1002(36 - y) + 4y = 100, tức là 72+2y=10072 + 2y = 100, nên y=14y = 14 và x=22x = 22.

Phương pháp cộng đại số. Nhân phương trình đầu với 2 được 2x+2y=722x + 2y = 72. Lấy phương trình hai trừ đi: 2y=282y = 28, nên y=14y = 14.

Để ý: phép “nhân phương trình đầu với 2 rồi trừ” chính là cách 1 ở trên. “Giả sử tất cả là gà” là phương trình 2x+2y=722x + 2y = 72, và phần chênh 2y=282y = 28 là số chân thiếu. Cách dân gian và cách đại số không phải hai lời giải khác nhau, mà là cùng một lời giải viết bằng hai thứ ngôn ngữ.

Hai đường thẳng cắt nhau

Hệ phương trình còn có một cách nhìn bằng hình. Mỗi phương trình bậc nhất hai ẩn là một đường thẳng. Mọi cặp (số gà, số chó) có tổng 36 con nằm trên một đường. Mọi cặp có tổng 100 chân nằm trên đường kia. Đáp án là điểm nằm trên cả hai đường, tức là giao điểm.

Ba đồ thị. Trái: đường 'gà + chó = 36' và đường '2 gà + 4 chó = 100' cắt nhau tại điểm (22; 14). Giữa: nếu chó cũng có 2 chân, hai đường song song, không có giao điểm. Phải: gà nặng 2 kg, vịt nặng 2,1 kg; hai đường gần như trùng nhau, cân lệch 1 kg đẩy giao điểm từ (22; 14) sang (12; 24).
Hình 1. Trái: gà và chó, hai đường cắt nhau tại đúng một điểm. Giữa: nếu chó cũng chỉ có 2 chân, hai đường song song và bài toán vô nghiệm. Phải: hai đường gần song song, một sai số nhỏ làm giao điểm chạy rất xa.

Cách nhìn này lập tức trả lời một câu hỏi mà câu vè không đặt ra: khi nào bài toán không giải được?

  • Đổi 100 chân thành 101 chân: hệ cho y=14,5y = 14{,}5. Không có nửa con chó, vậy đề sai. Số chân của gà và chó đều chẵn, nên tổng phải chẵn.
  • Đổi thành 160 chân: y=44y = 44, x=−8x = -8. Số gà âm, vô lý. Ngay cả khi 36 con đều là chó cũng chỉ có 144 chân.
  • Đổi đề thành “chó cũng có 2 chân”: hai đường song song (hình giữa). Đếm chân không cho thêm thông tin gì ngoài đếm đầu.

Trường hợp cuối nghe như đùa, nhưng nó là chìa khóa của mục tiếp theo.

Bài toán gà chó và ma trận

Chữ matrix (ma trận) do James Joseph Sylvester đặt ra năm 1850, nhưng ý tưởng xếp hệ số thành bảng thì có từ rất lâu trước đó, như cuối mục này sẽ kể. Bài gà – chó viết dưới dạng ma trận như sau:

[1124]⏟A[xy]⏟soˆˊ con=[36100]⏟b\underbrace{\begin{bmatrix} 1 & 1 \\ 2 & 4 \end{bmatrix}}_{A} \underbrace{\begin{bmatrix} x \\ y \end{bmatrix}}_{\text{số con}} = \underbrace{\begin{bmatrix} 36 \\ 100 \end{bmatrix}}_{b}

Ma trận AA không có gì bí ẩn. Hàng thứ nhất ghi “mỗi con có mấy đầu”, hàng thứ hai ghi “mỗi con có mấy chân”. Viết gọn: Ax=bAx = b.

Mỗi cột là một thẻ căn cước

Cách đọc hữu ích nhất là đọc AA theo cột. Cột thứ nhất (1,2)(1, 2) là “thẻ căn cước” của con gà: 1 đầu, 2 chân. Cột thứ hai (1,4)(1, 4) là thẻ căn cước của con chó: 1 đầu, 4 chân.

Khi đó câu hỏi của câu vè trở thành: phải cộng bao nhiêu thẻ gà và bao nhiêu thẻ chó để được đúng thẻ tổng (36, 100)?

22[12]+14[14]=[36100]22 \begin{bmatrix} 1 \\ 2 \end{bmatrix} + 14 \begin{bmatrix} 1 \\ 4 \end{bmatrix} = \begin{bmatrix} 36 \\ 100 \end{bmatrix}

Giống như pha màu: biết màu đích và màu từng tuýp sơn, tìm xem mỗi tuýp bóp bao nhiêu. Cách nhìn này sẽ quay lại ở mục AI và mục quỹ mở.

Ma trận nghịch đảo: một công thức cho mọi đề

Với AA cố định, ta có thể tính trước một ma trận A−1A^{-1} (nghịch đảo của AA) sao cho với bất kỳ số đầu và số chân nào, đáp án chỉ là một phép nhân:

A−1=12[4−1−21],A−1[36100]=12[144−100−72+100]=[2214]A^{-1} = \frac{1}{2}\begin{bmatrix} 4 & -1 \\ -2 & 1 \end{bmatrix}, \qquad A^{-1}\begin{bmatrix} 36 \\ 100 \end{bmatrix} = \frac{1}{2}\begin{bmatrix} 144 - 100 \\ -72 + 100 \end{bmatrix} = \begin{bmatrix} 22 \\ 14 \end{bmatrix}

Hàng thứ hai của A−1A^{-1} nói: số chó =(soˆˊ chaˆn−2×soˆˊ đaˆˋu)/2= (\text{số chân} - 2 \times \text{số đầu}) / 2. Đó chính là cách giả thiết tạm, nhưng bây giờ được “đóng gói” thành một công thức dùng mãi. Như một chiếc chìa khóa đã cắt sẵn: muốn mở bao nhiêu ổ khóa cùng loại cũng được.

Định thức: khi nào ma trận “mù”?

Con số 12\tfrac{1}{2} đứng trước A−1A^{-1} đến từ định thức của AA:

det⁡A=1⋅4−1⋅2=2.\det A = 1 \cdot 4 - 1 \cdot 2 = 2.

Định thức đo xem hai thẻ căn cước khác nhau đến mức nào. Bây giờ quay lại trường hợp đùa “chó cũng có 2 chân”. Thẻ chó thành (1,2)(1, 2), giống hệt thẻ gà. Định thức bằng 1⋅2−1⋅2=01 \cdot 2 - 1 \cdot 2 = 0, và ta không thể chia cho 0. Ma trận không có nghịch đảo.

Ý nghĩa đời thường rất rõ: nếu hai thứ để lại dấu vết giống hệt nhau, bạn không bao giờ phân biệt được chúng chỉ bằng dấu vết. Hai đường thẳng song song ở hình giữa là bức tranh của định thức bằng 0.

Gần bằng 0 còn nguy hiểm hơn

Trường hợp định thức bằng 0 ít khi xảy ra ngoài đời. Trường hợp gần bằng 0 thì xảy ra thường xuyên, và khó nhận ra hơn nhiều.

Đổi bài toán một chút. Trong chuồng có gà và vịt, không đếm chân mà đặt lên cân. Mỗi con gà nặng 2 kg, mỗi con vịt nặng 2,1 kg. Có 36 con, tổng nặng 73,4 kg. Giải ra 22 gà và 14 vịt, vẫn đúng.

Nhưng giờ giả sử cái cân lệch 1 kg và báo 74,4 kg. Giải lại, đáp án nhảy sang 12 gà và 24 vịt. Cân sai chưa tới 1,5%, đáp án sai 10 con. Nếu vịt nặng 2,01 kg thay vì 2,1 kg, cùng sai số 1 kg ấy sẽ đẩy đáp án lệch tới 100 con, tức là ra số gà âm.

Hình bên phải ở trên cho thấy vì sao. Định thức chỉ còn 1⋅2,1−1⋅2=0,11 \cdot 2{,}1 - 1 \cdot 2 = 0{,}1, hai đường thẳng gần như nằm đè lên nhau. Chỉ cần xê dịch một đường một chút, giao điểm đã trượt đi rất xa. Các nhà toán học đo độ “nhạy cảm” này bằng số điều kiện (condition number) của ma trận. Ma trận có số điều kiện lớn giống một chiếc cân rất nhạy đặt trên mặt bàn rung.

Hãy ghi nhớ hình ảnh gà và vịt. Nó sẽ quay lại ở cả mục AI lẫn mục quỹ mở.

Trăm trâu trăm cỏ: khi thiếu phương trình

Viết bài trăm trâu dưới dạng ma trận. Gọi x,y,zx, y, z là số trâu đứng, trâu nằm, trâu già:

[1115313][xyz]=[100100]\begin{bmatrix} 1 & 1 & 1 \\ 5 & 3 & \tfrac{1}{3} \end{bmatrix} \begin{bmatrix} x \\ y \\ z \end{bmatrix} = \begin{bmatrix} 100 \\ 100 \end{bmatrix}

Ma trận này có 2 hàng mà 3 cột: ít điều kiện hơn số ẩn. Người ta nói ma trận có hạng bằng 2, nhỏ hơn số ẩn là 3. Với số thực, bài có vô số nghiệm. Chỉ khi thêm điều kiện “số trâu phải là số nguyên không âm” thì mới còn lại vài nghiệm: (4,18,78)(4, 18, 78), (8,11,81)(8, 11, 81), (12,4,84)(12, 4, 84), và (0,25,75)(0, 25, 75) nếu chấp nhận không có trâu đứng nào.

Điều thú vị nằm ở hiệu giữa hai nghiệm liền nhau:

(8,11,81)−(4,18,78)=(4,−7,3).(8, 11, 81) - (4, 18, 78) = (4, -7, 3).

Vector (4,−7,3)(4, -7, 3) là một phép đổi vô hình: thêm 4 trâu đứng, bớt 7 trâu nằm, thêm 3 trâu già. Số con không đổi (4−7+3=04 - 7 + 3 = 0), số bó cỏ cũng không đổi (20−21+1=020 - 21 + 1 = 0). Người đứng ngoài chỉ đếm con và đếm cỏ sẽ không bao giờ phát hiện ra phép đổi này. Tập hợp mọi phép đổi vô hình như thế có tên là không gian không (null space) của ma trận.

Bài gà – chó không có phép đổi vô hình nào, vì đổi một con gà thành một con chó là số chân thay đổi ngay. Đó là lý do nó có đúng một đáp án.

Phép khử: người Trung Quốc làm trước Gauss gần hai nghìn năm

Chương 8 của Cửu chương toán thuật (九章算術), một cuốn sách được hoàn thiện vào khoảng đầu Công nguyên, có tên là “Phương trình” (方程)[2]. Ở đó, các hệ số được xếp thành cột trên bàn tính bằng que, rồi người tính lấy cột này trừ đi bội của cột kia cho tới khi các ẩn lần lượt bị khử hết. Sách dùng cách này cho cả những hệ có năm, sáu ẩn.

Ngày nay, phương pháp ấy mang tên phép khử Gauss, theo tên Carl Friedrich Gauss, người dùng nó một cách có hệ thống trong tính toán quỹ đạo thiên thể đầu thế kỷ 19, như bài Gauss và tiểu hành tinh Ceres đã kể. Máy tính bây giờ vẫn giải hệ phương trình về cơ bản theo đúng các bước ấy, chỉ là với hàng triệu ẩn.

Hàng triệu ẩn không phải nói quá. Mỗi tia X của máy chụp CT chỉ cho biết tổng lượng tia bị hấp thụ trên cả đường đi, giống như chỉ biết tổng số chân, và máy tính giải ngược từ hàng triệu con số tổng ấy ra độ đặc của từng điểm trong cơ thể. Cormack và Hounsfield nhận giải Nobel Y học năm 1979 cho kỹ thuật này[7].

Bài toán gà chó lộn ngược: AI học thế nào?

Trong bài gà – chó, ta biết ma trận AA (gà 2 chân, chó 4 chân) và phải tìm số con. Bây giờ hãy lộn ngược bài toán lại.

Giả sử bạn là người ngoài hành tinh, chưa từng thấy gà hay chó, và không biết mỗi loài có mấy chân. Người ta cho bạn xem nhiều chuồng. Với mỗi chuồng, bạn được biết có bao nhiêu gà, bao nhiêu chó, và tổng số chân:

Chuồng Số gà Số chó Tổng chân
1 3 2 14
2 5 1 14
3 1 4 18

Nhiệm vụ của bạn: tìm ra “mỗi con gà có aa chân, mỗi con chó có cc chân”. Từ chuồng 1 và chuồng 2, ta có 3a+2c=143a + 2c = 14 và 5a+c=145a + c = 14. Giải ra a=2a = 2, c=4c = 4. Chuồng 3 dùng để kiểm tra: 1⋅2+4⋅4=181 \cdot 2 + 4 \cdot 4 = 18, khớp.

Vừa rồi bạn đã làm đúng điều mà một mô hình AI làm khi học. Đầu vào là số gà và số chó. Đầu ra là tổng số chân. Thứ phải tìm là các con số nằm ở giữa, gọi là trọng số. Ở bài gà – chó gốc, trọng số đã biết và ta tìm đầu vào. Trong AI, đầu vào và đầu ra đã biết, và ta tìm trọng số.

Dữ liệu có sai số: bình phương tối thiểu

Ngoài đời, dữ liệu không bao giờ sạch như bảng trên. Người đếm có thể nhầm một chân, có con chó què, có con gà đang co chân ngủ. Khi đó, với hàng nghìn chuồng, không có cặp (a,c)(a, c) nào khớp tuyệt đối với mọi chuồng. Hệ phương trình có nhiều phương trình hơn số ẩn và các phương trình hơi mâu thuẫn nhau.

Cách xử lý chuẩn đã có từ thời Gauss: chọn cặp (a,c)(a, c) làm cho tổng bình phương các sai lệch nhỏ nhất. Đây là phương pháp bình phương tối thiểu, và nó cũng chỉ là một phép tính ma trận:

A⊤A w=A⊤b.A^\top A \, w = A^\top b.

Với AI, tổng bình phương sai lệch ấy có một cái tên khác: hàm mất mát (loss). Khi mô hình có quá nhiều trọng số để giải bằng công thức, người ta tìm điểm thấp nhất của hàm mất mát bằng cách đi dần xuống dốc từng bước, như bài Gradient descent đã giải thích.

Một lớp mạng nơ-ron là một phép nhân ma trận

Hồi quy tuyến tính ở trên chính là một mạng nơ-ron chỉ có một lớp. Một mạng nơ-ron thật có nhiều lớp, và mỗi lớp làm đúng một việc:

đaˆˋu ra=W⋅đaˆˋu vaˋo+độ lệch.\text{đầu ra} = W \cdot \text{đầu vào} + \text{độ lệch}.

WW là một ma trận trọng số, giống hệt AA của bài gà – chó, chỉ lớn hơn. Một mô hình ngôn ngữ cỡ GPT-3 có khoảng 175 tỷ trọng số, xếp thành hàng trăm ma trận như thế. Khi bạn gõ một câu hỏi vào chatbot, phần lớn công việc tính toán là nhân các ma trận ấy với nhau, lần lượt từng lớp.

Đây là lý do card đồ họa, tức GPU, trở thành mặt hàng được săn lùng nhất của ngành AI. GPU sinh ra để làm hàng nghìn phép nhân đơn giản cùng lúc, và nhân ma trận chính là hàng nghìn phép nhân đơn giản như thế. Bài CPU và GPU khác nhau thế nào kể chi tiết hơn chuyện này.

Vì sao không chồng ma trận lên nhau là đủ?

Có một cái bẫy ở đây. Nếu mỗi lớp chỉ nhân với một ma trận, thì chồng hai lớp lên nhau, W2(W1x)W_2 (W_1 x), vẫn chỉ là nhân với một ma trận duy nhất W2W1W_2 W_1. Chồng một trăm lớp cũng vậy. Giải bài gà – chó một trăm lần thì vẫn chỉ là bài gà – chó.

Thế giới thật không “tăng đều” như số chân: ảnh con mèo không thành “mèo hơn” khi tăng gấp đôi độ sáng. Vì vậy giữa các lớp, mạng nơ-ron chèn một bước bẻ cong gọi là hàm kích hoạt, phổ biến nhất là ReLU: số âm thành 0, số dương giữ nguyên. Chỉ vậy là đủ để chồng ma trận tạo ra những thứ phức tạp hơn hẳn.

Thẻ căn cước của từ ngữ

Hãy nhớ lại cách đọc ma trận theo cột: mỗi loài có một thẻ căn cước (đaˆˋu,chaˆn)(\text{đầu}, \text{chân}). AI làm đúng như vậy với từ ngữ, chỉ có điều mỗi thẻ có hàng trăm đến hàng nghìn ô thay vì hai. Mỗi từ được gán một cột số, gọi là embedding, và các con số ấy không do ai đặt mà do mô hình tự học ra.

Năm 2013, nhóm của Tomas Mikolov ở Google cho thấy các thẻ học được có cấu trúc rất đáng ngạc nhiên[4]. Lấy thẻ của “king” (vua), trừ thẻ “man” (đàn ông), cộng thẻ “woman” (phụ nữ), kết quả gần nhất là thẻ của “queen” (nữ hoàng). Giống như ở trăm trâu trăm cỏ có một hướng “đổi vô hình”, ở đây có một hướng “đổi giới tính” nằm sẵn trong không gian các thẻ. Cùng ý tưởng đó giúp máy tìm kiếm bằng hình ảnh: mỗi bức ảnh cũng thành một thẻ số.

Hạng thấp: LoRA và việc dạy lại AI cho rẻ

Nhớ lại bài trăm trâu: có ít thông tin hơn số ẩn thì có vô số nghiệm. Mô hình AI rơi đúng vào hoàn cảnh này, với hàng tỷ trọng số, thường còn nhiều hơn lượng thông tin thực sự cần để làm một việc cụ thể.

Năm 2021, một nhóm nghiên cứu ở Microsoft đặt câu hỏi: khi dạy lại một mô hình lớn cho một việc mới, chẳng hạn trả lời câu hỏi pháp luật, phần thay đổi trong các ma trận có thật sự cần đầy đủ không? Câu trả lời là không. Phần thay đổi có thể viết thành tích của hai ma trận rất “mỏng”, tức là một ma trận có hạng thấp. Kỹ thuật này tên là LoRA[5]. Với GPT-3, nhóm tác giả báo cáo số trọng số cần học giảm khoảng 10.000 lần mà chất lượng vẫn tương đương. Nhờ vậy, ngày nay một người có một chiếc card đồ họa tầm trung cũng dạy lại được mô hình cho riêng mình.

Ý tưởng “dữ liệu khổng lồ nhưng thật ra chỉ có ít chiều” cũng nằm sau hệ thống gợi ý của Netflix hay YouTube.

Gà và vịt trong AI

Chiếc cân lệch 1 kg cũng có mặt ở đây. Trong mạng rất sâu, sai số nhỏ ở một lớp có thể bị khuếch đại qua hàng chục lớp sau, khiến quá trình học nổ tung hoặc đứng im. Các lớp chuẩn hóa (normalization) ra đời một phần để giữ các ma trận khỏi rơi vào cảnh “gần như gà với vịt”. Ngay cả cơ chế attention của các mô hình ngôn ngữ hiện đại[6] cũng là phép nhân ma trận: nó tạo ra một bảng cho biết mỗi từ trong câu cần chú ý tới từ nào.

Từ bài toán gà chó đến quỹ mở: đoán danh mục chỉ từ NAV

Bây giờ áp dụng tất cả những điều trên vào một câu hỏi rất thực tế.

Bạn đang cầm chứng chỉ một quỹ mở. Mỗi ngày quỹ công bố NAV, giá trị tài sản ròng trên mỗi chứng chỉ, tức là giá của một “phần” quỹ. Danh mục chi tiết thì thường chỉ công bố định kỳ, có khi hằng tháng, có khi hằng quý. Vậy chỉ nhìn NAV lên xuống, liệu có đoán được quỹ đang cầm nhiều cổ phiếu hay nhiều trái phiếu không?

Năm 1992, William Sharpe, người nhận giải Nobel Kinh tế năm 1990, đề xuất một cách làm mang tên phân tích phong cách dựa trên lợi suất (returns-based style analysis)[3]. Nó chính là bài gà – chó:

  • Con gà là trái phiếu: một tài sản ít biến động. Ở đây dùng NAV của một quỹ trái phiếu (DCBF) làm đại diện.
  • Con chó là cổ phiếu: một tài sản biến động mạnh. Dùng chỉ số VN30 làm đại diện.
  • Mỗi tháng là một chuồng. Lợi suất của quỹ trong tháng là “tổng số chân”, và nó phải xấp xỉ bằng w×w \times (lợi suất VN30) +(1−w)×+ (1 - w) \times (lợi suất trái phiếu).
  • Điều kiện “các tỷ trọng cộng lại bằng 100%” đóng vai trò của “36 con”.

Với gần 6 năm dữ liệu hằng tháng, ta có 69 chuồng nhưng chỉ có một ẩn ww. Hệ có nhiều phương trình hơn hẳn số ẩn và có sai số, nên ta dùng bình phương tối thiểu, đúng như cách một mô hình AI một lớp học trọng số của nó.

Biểu đồ thanh ngang cho sáu quỹ mở Việt Nam. Phần màu xanh là tỷ trọng ước lượng giống VN30: MAFBAL 40%, VCBF-TBF 51%, VCAMBF 56%, ENF 57% (bốn quỹ cân bằng); SSISCA 77%, VCBF-BCF 79% (hai quỹ cổ phiếu). Phần còn lại giống quỹ trái phiếu DCBF.
Hình 2. Tỷ trọng 'giống cổ phiếu' ước lượng chỉ từ NAV hằng tháng, 02/2021 đến 10/2026. Phân loại quỹ (cân bằng, cổ phiếu) lấy từ Fmarket; phép hồi quy không hề được cho biết phân loại này.

Kết quả có ba điểm đáng chú ý.

Thứ nhất, phép tính tự phân biệt được hai loại quỹ. Nó không được cho biết quỹ nào là quỹ cổ phiếu, quỹ nào là quỹ cân bằng. Vậy mà hai quỹ cổ phiếu (SSISCA, VCBF-BCF) ra khoảng 77–79% “giống VN30”, còn bốn quỹ cân bằng nằm trong khoảng 40–57%. Chỉ từ chuỗi giá, ta đã “đếm” được phần nào số gà và số chó trong chuồng.

Thứ hai, đọc con số cẩn thận. “79% giống VN30” không có nghĩa quỹ cầm đúng 79% cổ phiếu, mà là NAV biến động như thể quỹ cầm 79% VN30 và 21% trái phiếu. Quỹ cầm 95% cổ phiếu nhưng chọn mã ít biến động hơn VN30, hoặc giữ tiền mặt, sẽ trông “hiền” hơn. R2R^2 từ 0,69 đến 0,77 nghĩa là hai “loài” này giải thích được khoảng 70–77% biến động hằng tháng; phần còn lại là chọn ngành, chọn mã, thời điểm mua bán.

Thứ ba, cẩn thận với gà và vịt. Ý tự nhiên tiếp theo là thêm nhiều loài hơn: VN30 cho cổ phiếu lớn, VNMidcap cho cổ phiếu vừa, VNSmallcap cho cổ phiếu nhỏ. Mình đã thử. Ba chỉ số này có hệ số tương quan hằng tuần từ 0,69 đến 0,90 trong giai đoạn nghiên cứu: chúng giống nhau như gà với vịt. Kết quả là tỷ trọng ước lượng cho cổ phiếu vừa và nhỏ nhảy qua nhảy lại khi đổi khoảng thời gian, dù tổng tỷ trọng cổ phiếu thì khá ổn định. Trong thống kê, hiện tượng này gọi là đa cộng tuyến, và nó chính là số điều kiện lớn của một ma trận gần như suy biến. Các phiên bản đầy đủ của phương pháp Sharpe vì thế thường chọn những nhóm tài sản khác biệt rõ ràng và ràng buộc mọi tỷ trọng không âm.

Ý nghĩa thực tế vẫn rõ: nếu một quỹ tự giới thiệu là “cân bằng, thận trọng” mà NAV của nó biến động như thể cầm 90% cổ phiếu, đó là tín hiệu để bạn đọc kỹ báo cáo danh mục. Nhiều công cụ phân tích quỹ trên thế giới dùng những biến thể của phương pháp này để kiểm tra xem quỹ có làm đúng như lời mình nói hay không.

Tự tay chạy: đoán tỷ trọng cổ phiếu của quỹ mở

Đoạn code dưới đây tạo ra đúng Hình 2. Cần cài vnstock (bản 3.x/4.x), pandas, numpy và matplotlib. Không dùng thư viện tối ưu nào: vì chỉ có một ẩn, nghiệm bình phương tối thiểu có công thức đóng, giống như A−1A^{-1} của bài gà – chó.

Mẹo nằm ở một phép biến đổi nhỏ. Phương trình rquy˜=w rVN30+(1−w) rTPr_{\text{quỹ}} = w \, r_{\text{VN30}} + (1 - w) \, r_{\text{TP}} viết lại thành (rquy˜−rTP)=w (rVN30−rTP)(r_{\text{quỹ}} - r_{\text{TP}}) = w \, (r_{\text{VN30}} - r_{\text{TP}}). Đây chính là bước “giả sử tất cả là gà” của giả thiết tạm: trừ đi phần mà trái phiếu đã giải thích, phần còn lại do cổ phiếu gây ra.

quy_mo_ga_cho.py
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from vnstock import Fund, Quote
FUNDS = {"MAFBAL": "cân bằng", "VCBF-TBF": "cân bằng", "VCAMBF": "cân bằng",
"ENF": "cân bằng", "SSISCA": "cổ phiếu", "VCBF-BCF": "cổ phiếu"}
BOND = "DCBF" # quỹ trái phiếu làm "con gà": phần tài sản ít biến động
def nav(code):
d = Fund().details.nav_report(code)
s = d.set_index(pd.to_datetime(d["date"]))["nav_per_unit"]
return s[~s.index.duplicated(keep="last")]
vn30 = Quote(symbol="VN30", source="VCI").history(start="2020-12-01", end="2026-10-29", interval="1D")
prices = {"VN30": vn30.set_index(pd.to_datetime(vn30["time"]))["close"]}
for code in [BOND, *FUNDS]:
prices[code] = nav(code)
px = pd.DataFrame(prices).sort_index().ffill().loc["2021-01-01":]
ret = px.resample("ME").last().pct_change(fill_method=None).dropna() # lợi suất từng tháng
# Mỗi tháng là một "chuồng": r_quỹ = w·r_VN30 + (1 − w)·r_trái_phiếu
# ⇔ (r_quỹ − r_tp) = w·(r_VN30 − r_tp): hồi quy một ẩn, nghiệm bình phương tối thiểu có công thức đóng
b = ret["VN30"] - ret[BOND]
rows = []
for code, kind in FUNDS.items():
a = ret[code] - ret[BOND]
w = float(np.clip((a * b).sum() / (b * b).sum(), 0, 1))
resid = ret[code] - (w * ret["VN30"] + (1 - w) * ret[BOND])
rows.append((code, kind, w, 1 - resid.var() / ret[code].var()))
print(f"{code:>9} ({kind:>10}): {w:4.0%} giống VN30, {1 - w:4.0%} giống trái phiếu | R² = {rows[-1][3]:.2f}")
print(f"{len(ret)} tháng, từ {ret.index[0]:%m/%Y} đến {ret.index[-1]:%m/%Y}")
fig, ax = plt.subplots(figsize=(9, 4.6), dpi=160)
names = [f"{c}\n({k})" for c, k, _, _ in rows]
ws = np.array([r[2] for r in rows])
ax.barh(names, ws, color="#2f6fdf", label="giống VN30 (cổ phiếu)")
ax.barh(names, 1 - ws, left=ws, color="#c9d3e3", label="giống trái phiếu (DCBF)")
for i, w in enumerate(ws):
ax.text(w / 2, i, f"{w:.0%}", ha="center", va="center", color="white", fontsize=10, weight="bold")
ax.set_xlim(0, 1)
ax.xaxis.set_major_formatter(lambda x, _: f"{x:.0%}")
ax.invert_yaxis()
ax.set_title("Đoán tỷ trọng cổ phiếu của quỹ mở chỉ từ NAV hằng tháng (2021–2026)", fontsize=11)
ax.legend(loc="lower center", bbox_to_anchor=(0.5, -0.22), ncol=2, frameon=False, fontsize=9)
ax.spines[["top", "right"]].set_visible(False)
fig.tight_layout()
fig.savefig("quy-mo-ty-trong.png")
MAFBAL ( cân bằng): 40% giống VN30, 60% giống trái phiếu | R² = 0.73
VCBF-TBF ( cân bằng): 51% giống VN30, 49% giống trái phiếu | R² = 0.73
VCAMBF ( cân bằng): 56% giống VN30, 44% giống trái phiếu | R² = 0.74
ENF ( cân bằng): 57% giống VN30, 43% giống trái phiếu | R² = 0.77
SSISCA ( cổ phiếu): 77% giống VN30, 23% giống trái phiếu | R² = 0.69
VCBF-BCF ( cổ phiếu): 79% giống VN30, 21% giống trái phiếu | R² = 0.76
69 tháng, từ 02/2021 đến 10/2026

Thử đổi "ME" thành "W-FRI" để dùng lợi suất hằng tuần. Có nhiều chuồng hơn, nhưng kết quả kém đi rõ rệt: VCBF-BCF chỉ còn 39% “giống VN30” với R2R^2 khoảng 0,15. Ngày định giá NAV không khớp với ngày đóng cửa của VN30, nên mỗi chuồng bị đếm lệch vài chân, và sai số ấy lớn hơn lợi ích của dữ liệu thêm. Bạn cũng có thể thêm "VNMID" làm loài thứ ba để tự thấy hiện tượng gà và vịt.

Quay lại câu vè

Vừa gà vừa chó, bó lại cho tròn. Bốn câu vè dạy trẻ con cách đếm chân, nhưng đằng sau là một cách nghĩ mà loài người dùng đi dùng lại suốt hai nghìn năm: mỗi thứ để lại một dấu vết riêng, và từ tổng các dấu vết, ta suy ngược ra từng thứ.

Người biên soạn Tôn Tử toán kinh chia đôi số chân. Cửu chương toán thuật khử từng ẩn trên bàn tính bằng que. Mỗi mô hình AI giải một bài gà – chó lộn ngược với hàng tỷ ẩn. Và với vài dòng Python, bạn có thể nhìn vào giá của một quỹ mở để đoán trong chuồng có bao nhiêu gà, bao nhiêu chó.

Những câu hỏi hay nhất trong câu chuyện ấy lại là những câu câu vè không hỏi: hai loài có thật sự khác nhau không, chiếc cân có đủ tin cậy không, và có phép đổi vô hình nào đang nấp trong dữ liệu không.

Vẽ minh họa hình học miễn phí cho học sinh và giáo viên: EyeViz.

Tài liệu tham khảo

  1. [1]Khuyết danh (Tôn Tử). Sunzi Suanjing (孫子算經), quyển hạ, bài 31: bài toán trĩ và thỏ cùng lồng. Chinese Text Project, khoảng thế kỷ 3–5.
  2. [2]Kangshen Shen, John N. Crossley, Anthony W.-C. Lun. The Nine Chapters on the Mathematical Art: Companion and Commentary. Oxford University Press, 1999.
  3. [3]William F. Sharpe. Asset Allocation: Management Style and Performance Measurement. The Journal of Portfolio Management, 18(2), 7–19, 1992.
  4. [4]Tomas Mikolov, Kai Chen, Greg Corrado, Jeffrey Dean. Efficient Estimation of Word Representations in Vector Space. arXiv:1301.3781, 2013.
  5. [5]Edward J. Hu và cộng sự. LoRA: Low-Rank Adaptation of Large Language Models. arXiv:2106.09685, 2021.
  6. [6]Ashish Vaswani và cộng sự. Attention Is All You Need. NeurIPS 2017, 2017.
  7. [7]Allan M. Cormack, Godfrey N. Hounsfield. The Nobel Prize in Physiology or Medicine 1979. NobelPrize.org, 1979.