Cha tôi vẫn giữ một tấm bản đồ cũ kỹ, sờn gáy về quê hương trong ngăn bàn làm việc. Ông ít khi dùng nó để tìm đường nữa; GPS đã khiến những vật phẩm xưa cũ ấy gần như lỗi thời. Nhưng thỉnh thoảng, ông lại lôi nó ra, lần theo những con đường từng đi bộ, những lối đi giờ đã không còn, hoặc những mối nối giữa các khu phố đã bị chia cắt bởi những đường cao tốc mới. Ông không tìm chỉ dẫn; ông tìm sự thấu hiểu – về cách quá khứ của một nơi vẫn định hình hiện tại, về những dòng chảy vô hình ẩn sâu bên dưới. Đó là một sự dịch chuyển tinh tế nhưng sâu sắc trong nhận thức: không chỉ nhìn thấy mọi thứ *ở đâu*, mà còn nhìn thấy chúng *kết nối* với nhau như thế nào.

Điều này đưa tôi đến một câu hỏi vẫn thường âm thầm trăn trở trong những góc khuất của các cuộc trò chuyện kỹ thuật số của chúng ta, đặc biệt khi chúng ta cố gắng biến những trí tuệ nhân tạo ngày càng mạnh mẽ – những Mô hình Ngôn ngữ Lớn (LLM) đồ sộ này – không chỉ thành thạo mà còn thực sự *khôn ngoan*. Làm thế nào để chúng ta trang bị tốt nhất cho những cỗ máy ngôn ngữ kỳ diệu này khả năng không chỉ ghi nhớ sự thật, mà còn nắm bắt được mạng lưới quan hệ phức tạp, thường ẩn giấu, định nghĩa thế giới của chúng ta? Làm thế nào để chúng ta đưa chúng vượt ra ngoài sự tương đồng ngữ nghĩa đơn thuần để đạt được sự hiểu biết ngữ cảnh thực sự?

Trong một thời gian dài, chúng ta đã dựa rất nhiều vào thứ mà chúng ta gọi là Tạo sinh Tăng cường Truy xuất (Retrieval Augmented Generation, hay RAG), để đặt nền tảng kiến thức bên ngoài cho các LLM, ngăn chúng trôi dạt vào những cõi tưởng tượng đầy mê hoặc nhưng thường xuyên “ảo giác”. Và một xu hướng nổi bật của RAG này là “tìm kiếm vector” – một giải pháp khá thanh lịch, nơi chúng ta chắt lọc bản chất của mọi đoạn văn bản thành một “nhúng” số học (embedding) – một dạng “mùi hương” kỹ thuật số – và sau đó tìm kiếm các tài liệu có “mùi hương” tương tự với truy vấn của chúng ta. Nó cực kỳ hiệu quả để tìm những thứ *có vẻ* giống với điều bạn đang tìm kiếm. Bạn muốn biết về “táo”? Bạn sẽ nhận được tài liệu về “hoa quả”, “vườn cây ăn trái”, và “Newton”.

Nhưng nếu câu hỏi của bạn không chỉ về “táo”, mà là về *mối quan hệ* giữa “John” và “Jane”, và mối quan hệ đó ảnh hưởng đến “liên kết nhóm” của họ như thế nào, và điều *đó* lại kết nối với một “tên dự án” ra sao thì sao? Nếu bạn đang cố gắng hiểu không chỉ những sự thật riêng lẻ, mà cả kiến trúc của một tổ chức phức tạp, một mạng xã hội, hay thậm chí là dòng chảy ý tưởng trong một cuộc tranh luận triết học thì sao? Đó là lúc phép ẩn dụ “mùi hương” bắt đầu bị phá vỡ. Bởi vì đôi khi, thông tin quan trọng không nằm *trong* từng “mùi hương” riêng lẻ, mà nằm ở những sợi dây vô hình liên kết tất cả chúng lại với nhau.

Tại đây, một cách tiếp cận khác xuất hiện, một cách gợi nhắc đến một truyền thống đáng kính trong lĩnh vực điện toán: đồ thị tri thức (knowledge graph). Thay vì chỉ đơn thuần nhúng văn bản, hãy hình dung bạn tỉ mỉ lập bản đồ các thực thể trong dữ liệu của mình – con người, địa điểm, khái niệm – và, quan trọng hơn, các *mối quan hệ* giữa chúng. “John *làm việc cho* Nhóm Tiếp thị Kỹ thuật số.” “Jane *cộng tác với* John.” Những kết nối này không chỉ là siêu dữ liệu; chúng là những công dân hạng nhất, quan trọng ngang ngửa với chính các thực thể. Đây chính là trọng tâm của điều mà chúng ta đang gọi là Tạo sinh Tăng cường Truy xuất Đồ thị (Graph Retrieval Augmented Generation, hay GraphRAG). Nó giống như việc chuyển từ một danh mục thư viện dựa trên từ khóa sang một cây gia phả chi tiết, hay một bảng ghi chú của thám tử nơi mỗi manh mối được ghim lại và mỗi kết nối liên quan được nối bằng dây.

Trong kịch bản này, LLM đảm nhận một vai trò kép đầy hấp dẫn. Đầu tiên, nó hoạt động như một người lưu trữ siêng năng, gần như ám ảnh. Bạn cung cấp cho nó văn bản thô, phi cấu trúc – một báo cáo công ty, một bộ sưu tập bài nghiên cứu, một biên niên sử lịch sử – và nó, với khả năng phân biệt đáng kinh ngạc, tỉ mỉ trích xuất các chủ thể chính và, quan trọng hơn, *xác định các mối quan hệ cụ thể* giữa chúng. Nó biến câu chuyện rộng lớn thành một sơ đồ có cấu trúc, nơi “John” là một nút, “Jane” là một nút khác, và một cạnh “cộng tác với” riêng biệt liên kết họ. Dữ liệu có cấu trúc này sau đó được lưu trữ tỉ mỉ trong một “cơ sở dữ liệu đồ thị” (graph database) như Neo4j, một nhà bản đồ học kỹ thuật số cho cảnh quan vô hình của các kết nối.

Sau đó, khi bạn có một câu hỏi, LLM khoác lên mình chiếc mũ thứ hai: của một điều tra viên dày dạn kinh nghiệm. Bạn đặt câu hỏi bằng ngôn ngữ tự nhiên – “John cộng tác với ai?” – và LLM, sau khi được huấn luyện cho nghệ thuật tinh tế đặc biệt này, sẽ dịch câu hỏi của con người bạn sang Cypher, ngôn ngữ truy vấn chuyên biệt của cơ sở dữ liệu đồ thị. Điều này tương tự như việc hỏi một thủ thư về một cuốn sách về một chủ đề cụ thể, và thay vì chỉ đưa cho bạn vài trang liên quan, họ ngay lập tức vẽ cho bạn một sơ đồ về cách chủ đề đó phù hợp với toàn bộ hệ thống Dewey thập phân phức tạp của thư viện, cho bạn thấy các nhánh và kết nối khái niệm. Cơ sở dữ liệu sau đó sẽ duyệt qua mạng lưới nút và cạnh phức tạp của nó, tìm thấy câu trả lời và trả lại cho LLM, sau đó, với sự duyên dáng tương tự, LLM sẽ dịch dữ liệu thô trở lại thành một phản hồi tự nhiên, mạch lạc.

Sức mạnh thực sự ở đây, cuộc cách mạng thầm lặng, là cách tiếp cận có cấu trúc này cho phép chúng ta đặt ra những câu hỏi phức tạp và sâu sắc hơn nhiều. Chúng ta không chỉ tìm thấy các đoạn văn bản tương tự về mặt ngữ nghĩa; chúng ta đang lần theo các đường dẫn, hiểu các mối quan hệ đa bước, và có được cái nhìn toàn diện về toàn bộ kho văn bản, chứ không chỉ vài “kết quả” hàng đầu. Đó là sự khác biệt giữa việc biết rằng “táo” và “cam” đều là “trái cây” với việc hiểu toàn bộ chuỗi cung ứng từ vườn cây đến siêu thị, bao gồm những người liên quan, các thách thức hậu cần và sự biến đổi theo mùa. Tất nhiên, để một LLM có thể chính xác và kỷ luật đến mức này, đòi hỏi một sự thúc đẩy cẩn thận – một nghệ thuật tinh tế được gọi là “kỹ thuật gợi nhắc” (prompt engineering), nơi bạn tạo ra các hướng dẫn cực kỳ cụ thể và thậm chí cung cấp ví dụ để hướng dẫn hành vi của nó, đảm bảo nó bám sát nhiệm vụ và không quá “nhiều chuyện”.

Điều này khiến tôi nghĩ về những nỗ lực ngẫu hứng của chính mình để xây dựng các mô hình tư duy toàn diện về thế giới. Tôi từng nghĩ rằng sự thấu hiểu là việc tích lũy càng nhiều sự thật. Càng biết nhiều, tôi sẽ càng thông minh hơn. Nhưng dần dần, qua thử và sai, qua những nhận ra đôi khi bực bội rằng việc biết hàng ngàn sự thật riêng lẻ thực ra không dẫn đến cái nhìn sâu sắc, tôi bắt đầu nhận thấy rằng sự thấu hiểu thực sự xuất hiện khi tôi bắt đầu vẽ những đường nối giữa các sự thật đó. Khi tôi nhìn thấy một sự kiện lịch sử ảnh hưởng đến một xu hướng văn hóa như thế nào, hay một khám phá khoa học kết nối với một ý tưởng triết học ra sao. Đó là một quá trình lộn xộn, thường mang tính trực giác đối với chúng ta, nhưng về cơ bản, nó là về việc nhận thức được kiến trúc vô hình của ý nghĩa.

Vậy thì, có lẽ câu hỏi trọng tâm không phải là liệu RAG dựa trên vector hay RAG dựa trên đồ thị “tốt hơn”. Hiếm khi mọi thứ đơn giản như vậy, phải không? Giống như những ống kính khác nhau, mỗi cái đều hé lộ điều gì đó quan trọng. Thay vào đó, đó là về việc trân trọng rằng sự thấu hiểu thực sự, dù cho tâm trí con người đang vật lộn với sự phức tạp hay một trí tuệ nhân tạo đang nỗ lực đạt đến sự khôn ngoan, thường không chỉ xuất hiện từ việc nhận thức các sự thật rời rạc của thế giới, mà còn từ việc vẽ ra mạng lưới quan hệ phức tạp, thường ẩn giấu, liên kết chúng lại với nhau. Đó là về việc nhận ra rằng đôi khi, để thực sự nhìn thấy các thành phần riêng lẻ, chúng ta phải hiểu được hệ thống hoàn chỉnh, liên kết với nhau trước tiên. Và trong một thế giới tràn ngập thông tin, có lẽ nhiệm vụ lớn nhất của chúng ta không chỉ là thu thập sự thật, mà là tỉ mỉ, chu đáo, vạch ra các kết nối giữa chúng, cho phép có được sự hiểu biết phong phú hơn, tinh tế hơn, và cuối cùng là nhân văn hơn về mọi thứ.