Mọi người đều sử dụng AI.
Gần như không ai hiểu nó thực sự hoạt động như thế nào.
Mọi người nói về những thuật ngữ như transformers, embeddings, RAG, agents, RLHF…
…cứ như ai cũng biết vậy.
Hầu hết là không.
Và thành thật mà nói?
AI không phức tạp đến thế một khi bạn nắm được các mô hình tư duy.
ChatGPT. Claude. Midjourney. Cursor. Coding agents.
Tất cả đều có ý nghĩa khi bạn hiểu 20 ý tưởng dưới đây.
Không cần bằng tiến sĩ. Không thuật ngữ chuyên ngành. Chỉ là giải thích đơn giản và hình ảnh trực quan.
Hãy lưu lại. Bạn sẽ dùng đến nó.
PHẦN 1: AI THỰC SỰ HOẠT ĐỘNG NHƯ THẾ NÀO (Nền tảng mà mọi thứ được xây dựng trên đó)
1. Mạng Nơ-ron
Bộ não của mọi mô hình AI.
Mạng nơ-ron là một đường ống gồm nhiều lớp.
→ Dữ liệu đi vào lớp đầu vào → Đi qua các lớp ẩn → Thoát ra dưới dạng dự đoán
Mỗi kết nối có một "trọng số" — một điểm số nhỏ kiểm soát mức độ ảnh hưởng của một nơ-ron lên nơ-ron tiếp theo.
Huấn luyện = điều chỉnh hàng tỷ trọng số này cho đến khi đầu ra chính xác.
Ý tưởng đơn giản. Quy mô khổng lồ.
GPT-4 có khoảng 1,8 nghìn tỷ tham số. Claude 3 Opus có hàng trăm tỷ.
Tất cả đều từ cùng một khái niệm cơ bản: các nơ-ron phân lớp với các kết nối có thể điều chỉnh.
2. Token hóa
Trước khi AI đọc văn bản của bạn, nó chia nó thành các mảnh gọi là token.
Không phải lúc nào cũng là từ hoàn chỉnh.
"playing" → "play" + "ing" "ChatGPT" → "Chat" + "G" + "PT" "dog" → "dog" (giữ nguyên)
Tại sao không chỉ dùng toàn bộ từ?
Ngôn ngữ rất lộn xộn. Từ mới. Lỗi chính tả. Ngôn ngữ pha trộn. Một vốn từ vựng cố định sẽ lớn đến mức bất khả thi.
Token là các khối xây dựng có thể tái sử dụng.
Ngay cả khi mô hình chưa bao giờ thấy một từ, nó có thể hiểu từ đó bằng cách chia nó thành các mảnh quen thuộc.
Quy tắc ước lượng: 1 token ≈ 0.75 từ.
1000 token ≈ 750 từ.
3. Embedding
Sau khi văn bản được token hóa, mỗi token trở thành một con số.
Con số đó là một embedding — một vector đại diện cho ý nghĩa.
Hãy nghĩ về nó như Google Maps cho từ ngữ.
→ "Bác sĩ" và "Y tá" nằm gần nhau → "Bác sĩ" và "Pizza" nằm xa nhau → "Vua" trừ "Đàn ông" cộng "Phụ nữ" ≈ "Nữ hoàng"
Mô hình không hiểu từ ngữ như bạn hiểu.
Nó hiểu khoảng cách và hướng.
Đây là thứ cung cấp năng lượng cho: → Tìm kiếm ngữ nghĩa → Đề xuất → Hệ thống RAG
Mọi thứ "hiểu ý định" đều sử dụng embedding bên dưới.
4. Cơ chế Chú ý
Từ "Apple" có nhiều nghĩa khác nhau:
→ "Tôi đã ăn một quả Apple" → trái cây → "Tôi đã mua cổ phiếu Apple" → công ty
Riêng embedding không thể giải quyết điều này.
Cơ chế chú ý có thể.
Cơ chế chú ý cho phép mỗi từ nhìn vào mọi từ khác trong câu và quyết định điều gì quan trọng.
Trong "Cô ấy đã mua cổ phiếu của Apple": → "Apple" chú ý cao đến "cổ phiếu" và "mua" → Mô hình kết luận: công ty, không phải trái cây
Trước cơ chế chú ý, các mô hình đọc từ trái sang phải. Chậm. Hạn chế.
Sau cơ chế chú ý, các mô hình nhìn thấy toàn bộ câu cùng một lúc.
Một ý tưởng duy nhất này đã mở khóa AI hiện đại.
5. Transformers
Kiến trúc cung cấp năng lượng cho hầu hết mọi mô hình AI ngày nay.
Được giới thiệu vào năm 2017 trong một bài báo có tên "Attention Is All You Need."
Đột phá: thay vì đọc văn bản từng từ một, hãy xử lý mọi thứ song song bằng cách sử dụng cơ chế chú ý.
Cách nó hoạt động: → Văn bản → Token → Embedding → Các lớp chú ý xếp chồng → Đầu ra
Mỗi lớp tinh chỉnh sự hiểu biết: → Các lớp đầu: ngữ pháp, cấu trúc cơ bản → Các lớp giữa: mối quan hệ từ → Các lớp sâu: suy luận phức tạp
Kết quả: huấn luyện nhanh hơn nhiều và đầu ra tốt hơn nhiều.
GPT. Claude. Gemini. Llama. Mistral.
Tất cả đều là transformers.
Nếu bạn hiểu một kiến trúc này, bạn hiểu AI hiện đại.
PHẦN 2: CÁCH LLM HOẠT ĐỘNG (Điều gì thực sự xảy ra khi bạn trò chuyện với AI)
6. LLM (Mô hình Ngôn ngữ Lớn)
LLM là một transformer được huấn luyện trên một lượng văn bản khổng lồ.
Sách. Trang web. Mã nguồn. Wikipedia. Reddit.
Hàng nghìn tỷ token.
Nhiệm vụ huấn luyện nghe có vẻ quá đơn giản để mạnh mẽ:
→ Dự đoán token tiếp theo.
Vậy thôi.
Nhưng khi bạn lặp lại điều này qua hàng nghìn tỷ ví dụ, một điều đáng chú ý sẽ xảy ra.
Mô hình học ngữ pháp. Sau đó là suy luận. Rồi cách viết mã, dịch ngôn ngữ, giải các bài toán.
Không ai bảo nó làm bất kỳ điều nào trong số đó.
Nó nổi lên từ dự đoán token tiếp theo ở quy mô lớn.
"Lớn" = hàng trăm tỷ tham số. Chi phí huấn luyện = hàng triệu đô la.
ChatGPT, Claude, Gemini → tất cả đều là LLM.
7. Cửa sổ Ngữ cảnh
Mọi mô hình AI đều có giới hạn bộ nhớ.
Nó được gọi là cửa sổ ngữ cảnh.
Đó là số lượng token tối đa mà mô hình có thể "nhìn thấy" cùng một lúc — tin nhắn của bạn + phản hồi của nó + lịch sử hội thoại.
GPT đầu tiên: ~4,000 token. GPT-4: 128,000 token. Claude 3.5: 200,000 token. Gemini 1.5 Pro: 1,000,000 token.
Cửa sổ lớn hơn = nhiều ngữ cảnh hơn = câu trả lời tốt hơn.
Nhưng có một điểm hạn chế.
Các mô hình không đọc mọi thứ như nhau.
Chúng tập trung vào phần đầu và phần cuối của ngữ cảnh.
Phần giữa? Thường bị bỏ qua.
Đây được gọi là vấn đề "Lạc lối ở giữa."
Cửa sổ ngữ cảnh lớn ≠ trí nhớ hoàn hảo.
Hiểu được điều này giải thích tại sao AI đôi khi "quên" điều bạn đã đề cập rõ ràng.
8. Nhiệt độ
Khi AI tạo văn bản, nó không chỉ chọn từ có khả năng xảy ra cao nhất mỗi lần.
Nó có một núm vặn gọi là nhiệt độ.
→ Nhiệt độ = 0: luôn chọn từ an toàn nhất, dễ đoán nhất → Nhiệt độ = 1: chọn sáng tạo hơn, đa dạng hơn → Nhiệt độ = 2+: trở nên hoang dã, đôi khi không mạch lạc
Nhiệt độ thấp → sử dụng cho: mã nguồn, sự kiện, tóm tắt Nhiệt độ cao → sử dụng cho: động não, viết sáng tạo, các biến thể
Hầu hết các công cụ tự động đặt điều này cho bạn.
Nhưng hiểu nó giải thích tại sao đôi khi AI có vẻ "nhàm chán" và đôi khi nó làm bạn ngạc nhiên.
9. Ảo giác
AI nói dối một cách tự tin.
Không phải cố ý. Nó thực sự không thể không làm vậy.
Đây là lý do.
LLM không tìm kiếm sự thật.
Nó dự đoán token tiếp theo có khả năng xảy ra nhất là gì.
Nếu một tuyên bố sai trông giống như điều "nên xảy ra tiếp theo" dựa trên các mẫu huấn luyện, nó sẽ tạo ra nó.
Không xác minh. Không tra cứu. Chỉ là khớp mẫu thuần túy.
Vì vậy, nó sẽ: → Trích dẫn một bài báo nghiên cứu không tồn tại → Phát minh ra một hàm API chưa bao giờ được tạo → Đưa ra một "sự kiện" lịch sử giả với sự tự tin hoàn toàn
Điều này được gọi là ảo giác.
Cách khắc phục: không bao giờ tin tưởng đầu ra của AI về sự kiện mà không xác minh.
Sử dụng RAG (khái niệm 16) để neo nó vào dữ liệu thực.
10. Kỹ thuật Prompt
Cách bạn hỏi thay đổi mọi thứ.
Cùng một mô hình. Cùng một câu hỏi. Kết quả khác xa nhau dựa trên cách bạn đặt vấn đề.
Prompt kém: → "Giải thích về API" → Nhận được: câu trả lời mơ hồ, hời hợt
Prompt tốt: → "Giải thích cách REST API xử lý xác thực. Đưa ra một ví dụ thực tế với mã nguồn. Giả sử tôi là một lập trình viên mới vào nghề." → Nhận được: cụ thể, có cấu trúc, hữu ích ngay lập tức
Kỹ thuật prompt chỉ là giao tiếp rõ ràng.
Các thủ thuật thực sự hiệu quả: → Đưa ra ngữ cảnh ("Tôi đang xây dựng một SaaS cho X") → Chỉ định vai trò ("Hãy đóng vai một kỹ sư backend cao cấp") → Đưa ra ví dụ ("Đây là định dạng tôi thích: ___") → Cụ thể về đầu ra ("Đưa cho tôi 5 lựa chọn dưới dạng danh sách đánh số") → Chia các yêu cầu phức tạp thành các bước
Kỹ thuật prompt không phải là một thủ thuật.
Đó là cách chính bạn giao tiếp với mô hình.
PHẦN 3: CÁCH CÁC MÔ HÌNH AI CẢI THIỆN (Cách các mô hình thô trở thành sản phẩm hữu ích)
11. Học Chuyển giao
Huấn luyện từ đầu rất đắt đỏ.
Lượng dữ liệu khổng lồ. Sức mạnh tính toán khổng lồ. Hàng tuần huấn luyện.
Học chuyển giao giải quyết vấn đề này.
Bạn lấy một mô hình đã được huấn luyện trên một nhiệm vụ tổng quát khổng lồ và điều chỉnh nó cho một việc cụ thể.
Bạn không bắt đầu từ con số không. Bạn đang xây dựng trên nền tảng có sẵn.
Hãy nghĩ về nó như thế này:
→ Bạn đã biết đi xe đạp → Học đi xe máy nhanh hơn nhiều nhờ điều đó → Bạn chuyển giao những gì bạn đã biết
Đây là cách hầu hết tất cả các sản phẩm AI hoạt động ngày nay:
→ OpenAI huấn luyện mô hình nền tảng khổng lồ → Các công ty tinh chỉnh nó cho trường hợp sử dụng cụ thể của họ → Tiết kiệm hàng triệu đô la tính toán và hàng tháng huấn luyện
Không công ty nào huấn luyện từ đầu nữa.
12. Tinh chỉnh
Học chuyển giao cho bạn biết khái niệm.
Tinh chỉnh là cách bạn thực hiện nó.
Bạn lấy một mô hình đã được huấn luyện trước và tiếp tục huấn luyện nó trên một tập dữ liệu nhỏ hơn, tập trung hơn.
Mô hình đã nói được "ngôn ngữ."
Bây giờ bạn đang dạy nó lĩnh vực cụ thể của bạn.
Ví dụ: → Mô hình y tế được tinh chỉnh trên các ghi chú lâm sàng → Mô hình pháp lý được tinh chỉnh trên hợp đồng → Mô hình mã nguồn được tinh chỉnh trên GitHub
Kết quả: một mô hình phản hồi hoàn hảo cho trường hợp sử dụng của bạn.
Chi phí: bạn cần cập nhật hàng tỷ tham số.
Điều đó đòi hỏi sức mạnh tính toán nghiêm túc — nhiều GPU, cơ sở hạ tầng nghiêm túc.
(Đây là lý do tại sao LoRA, khái niệm tiếp theo, lại quan trọng đến vậy.)
13. RLHF (Học Tăng cường từ Phản hồi của Con người)
Tinh chỉnh làm cho các mô hình trở nên chuyên biệt.
RLHF là thứ làm cho chúng cảm thấy hữu ích và an toàn.
Nếu không có nó: mô hình chỉ dự đoán văn bản. Trôi chảy, nhưng không phù hợp.
Với nó: mô hình học được những gì con người thực sự thích.
Đây là cách nó hoạt động:
→ Đưa cho mô hình một prompt → Mô hình tạo ra nhiều phản hồi → Con người xếp hạng các phản hồi → Mô hình học cách thích những gì con người thích
Lặp lại hàng nghìn lần.
Mô hình xây dựng cảm nhận về "câu trả lời tốt": → Rõ ràng → Hữu ích → Trung thực → An toàn
Đây là lý do tại sao ChatGPT và Claude cảm thấy như trợ lý — không phải là trình tạo văn bản ngẫu nhiên.
Nếu không có RLHF, chúng vẫn sẽ rất ấn tượng. Nhưng kém hữu ích hơn nhiều, kém đáng tin cậy hơn và khó kiểm soát hơn nhiều.
14. LoRA (Thích ứng Hạng Thấp)
Tinh chỉnh rất mạnh mẽ nhưng đắt đỏ.
Cập nhật hàng tỷ tham số cần nhiều GPU và cơ sở hạ tầng nghiêm túc.
LoRA giải quyết vấn đề này.
Thay vì thay đổi toàn bộ mô hình, LoRA:
→ Giữ nguyên mô hình gốc → Thêm các lớp nhỏ có thể huấn luyện lên trên → Các lớp này chỉ là một phần nhỏ so với kích thước đầy đủ của mô hình
Sự hiểu biết sâu sắc: hầu hết các thay đổi tinh chỉnh là nhỏ.
Bạn không cần phải viết lại toàn bộ mô hình.
Bạn chỉ cần những điều chỉnh nhỏ có mục tiêu.
Kết quả: → Tinh chỉnh trên một GPU tiêu dùng duy nhất: khả thi → Lưu trữ một mô hình cơ sở + hoán đổi các bộ điều hợp LoRA khác nhau: thực tế → Nhiều mô hình chuyên biệt mà không cần bộ nhớ lớn: đã thực hiện
LoRA là lý do tại sao AI nguồn mở bùng nổ.
Đột nhiên bất kỳ ai cũng có thể tinh chỉnh các mô hình mạnh mẽ trên máy tính xách tay.
15. Lượng tử hóa
Các mô hình đang trở nên rất lớn.
Chạy chúng đòi hỏi bộ nhớ và sức mạnh tính toán nghiêm túc.
Lượng tử hóa làm cho chúng nhỏ hơn và rẻ hơn để chạy.
Cách thực hiện: giảm độ chính xác của mỗi trọng số.
Một trọng số được lưu trữ ở độ chính xác đầy đủ sử dụng 32 bit.
Lượng tử hóa xuống 4 bit → nhỏ hơn 8 lần.
Điều điên rồ: mức giảm chất lượng thường rất nhỏ một cách đáng ngạc nhiên.
Đây là lý do tại sao bây giờ bạn có thể: → Chạy LLaMA trên MacBook → Chạy Mistral cục bộ trên GPU tiêu dùng → Sử dụng các mô hình mạnh mẽ trên điện thoại
Nếu không có lượng tử hóa, các mô hình lớn sẽ bị khóa trong các trung tâm dữ liệu.
Với lượng tử hóa, chúng chạy trên máy của bạn.
PHẦN 4: CÁC HỆ THỐNG AI THỰC TẾ ĐƯỢC XÂY DỰNG NHƯ THẾ NÀO (Điều gì đằng sau các sản phẩm bạn thực sự sử dụng)
16. RAG (Tạo sinh Tăng cường Truy xuất)
LLM bị ảo giác vì chúng trả lời từ bộ nhớ.
RAG sửa lỗi này bằng cách cho phép chúng tra cứu thông tin trước.
Cách nó hoạt động:
- Người dùng đặt câu hỏi
- Hệ thống tìm kiếm cơ sở tri thức để tìm tài liệu liên quan
- Các tài liệu đó được chuyển đến mô hình dưới dạng ngữ cảnh
- Mô hình trả lời bằng thông tin thực tế — không phải phỏng đoán
Hãy nghĩ về nó như:
→ Thi đóng sách (không RAG): trả lời từ bộ nhớ, thường sai → Thi mở sách (có RAG): kiểm tra nguồn, chính xác hơn nhiều
Tại sao nó mạnh mẽ: → Không cần đào tạo lại khi dữ liệu của bạn thay đổi — chỉ cần cập nhật các tài liệu → Mô hình luôn làm việc với thông tin hiện tại, chính xác → Giảm ảo giác đáng kể
Mọi sản phẩm AI nghiêm túc đều sử dụng RAG.
Bot hỗ trợ khách hàng. Công cụ pháp lý. Trợ lý y tế. Cơ sở kiến thức nội bộ.
17. Cơ sở dữ liệu Vector
RAG cần tìm đúng tài liệu một cách nhanh chóng.
Nhưng làm thế nào để bạn tìm kiếm hàng triệu tài liệu theo ý nghĩa — không chỉ là từ khóa?
Cơ sở dữ liệu vector.
Đây là cách chúng hoạt động:
- Mỗi tài liệu được chuyển đổi thành một embedding (một vector gồm các số)
- Các vector này được lưu trữ trong cơ sở dữ liệu
- Khi người dùng đặt câu hỏi, câu hỏi cũng trở thành một vector
- Cơ sở dữ liệu tìm các vector gần nhất với vector câu hỏi
- Trả về các tài liệu tương tự nhất về mặt ngữ nghĩa
Tại sao điều này tốt hơn tìm kiếm từ khóa:
→ "điều trị bệnh tim" tìm tài liệu về "quy trình chăm sóc tim" → Mặc dù các từ chính xác không khớp, nhưng ý nghĩa thì khớp
Công cụ: Pinecone, Qdrant, Weaviate, pgvector
Cơ sở dữ liệu vector là thứ làm cho các hệ thống AI "hiểu" — chứ không chỉ khớp chuỗi.
18. AI Agent
LLM phản hồi các tin nhắn.
AI agent thực sự làm mọi việc.
Sự khác biệt:
→ LLM: bạn hỏi, nó trả lời, xong → Agent: bạn đưa ra mục tiêu, nó lên kế hoạch, thực hiện hành động, kiểm tra kết quả, điều chỉnh, lặp lại
Vòng lặp agent:
Suy nghĩ → Hành động → Quan sát → Lặp lại
Ví dụ: coding agent sửa lỗi → Đọc vấn đề → Khám phá cơ sở mã → Xác định vấn đề → Viết bản sửa lỗi → Chạy thử nghiệm → Thấy những gì thất bại → Điều chỉnh bản sửa lỗi → Lặp lại cho đến khi hoàn thành
Mô hình là bộ não. Công cụ là đôi tay.
Các agent có thể sử dụng những công cụ gì? → Tìm kiếm web → Thực thi mã → Hệ thống tệp → API → Email / lịch → Cơ sở dữ liệu
Agent là thứ biến AI từ chatbot thành đồng nghiệp.
19. Chuỗi Suy luận (Chain of Thought - CoT)
Đôi khi AI nhận được câu trả lời sai không phải vì nó ngu ngốc.
Mà vì nó đã nhảy đến câu trả lời quá nhanh.
Chuỗi suy luận sửa lỗi này.
Thay vì yêu cầu câu trả lời cuối cùng trực tiếp:
→ "Giải: Nếu một đoàn tàu đi với vận tốc 60 dặm/giờ trong 2.5 giờ, quãng đường là bao xa?"
Bạn hướng dẫn nó suy nghĩ từng bước:
→ "Giải từng bước: Vận tốc = 60 dặm/giờ. Thời gian = 2.5 giờ. Quãng đường = Vận tốc × Thời gian = ?"
Mô hình đi qua các bước suy luận: → Bước 1: Xác định công thức → Bước 2: Thay số → Bước 3: Tính toán
Đáng tin cậy hơn nhiều cho các bài toán, logic, vấn đề nhiều bước.
Sự hiểu biết sâu sắc: hãy cho mô hình không gian để suy nghĩ, không chỉ phản ứng.
Đây là lý do tại sao các prompt như "hãy suy nghĩ từng bước" hoặc "suy luận cẩn thận về điều này" thực sự hiệu quả.
20. Mô hình Khuếch tán
Mọi thứ cho đến nay đều nói về văn bản.
Mô hình khuếch tán giải thích cách AI tạo ra hình ảnh.
Quá trình này phản trực giác.
Mô hình không học để vẽ.
Nó học để phá hủy hình ảnh.
Huấn luyện: → Bắt đầu với một hình ảnh thực → Thêm nhiễu từng bước cho đến khi nó trở thành tĩnh thuần túy → Huấn luyện mô hình đảo ngược điều này — loại bỏ nhiễu từng bước
Tạo sinh: → Bắt đầu với nhiễu thuần túy → Mô hình loại bỏ nhiễu từng bước → Được hướng dẫn bởi prompt văn bản của bạn → Hình ảnh hiện ra từ sự ngẫu nhiên
Cái tên bắt nguồn từ vật lý — các hạt khuếch tán ngẫu nhiên qua một môi trường, giống như mực lan trong nước.
Ở đây, mô hình học cách đảo ngược sự khuếch tán đó.
Không chỉ còn là hình ảnh: → Video (Sora, Runway) → Âm thanh → Nội dung 3D → Phân tử thuốc
Mô hình khuếch tán là cách AI tạo ra bất cứ thứ gì trực quan.
Đó là tất cả 20 khái niệm.
Hãy để tôi tóm tắt lại:
Cách AI Hoạt động:
→ 1. Mạng Nơ-ron — học mẫu theo lớp
→ 2. Token hóa — chia văn bản thành các mảnh
→ 3. Embedding — ý nghĩa dưới dạng số
→ 4. Cơ chế Chú ý — ngữ cảnh thay đổi ý nghĩa
→ 5. Transformers — kiến trúc đằng sau mọi thứ
Cách LLM Hoạt động:
→ 6. LLM — dự đoán token tiếp theo ở quy mô lớn
→ 7. Cửa sổ Ngữ cảnh — giới hạn bộ nhớ và vấn đề ở giữa
→ 8. Nhiệt độ — núm vặn sáng tạo
→ 9. Ảo giác — tự tin và sai
→ 10. Kỹ thuật Prompt — cách bạn giao tiếp
Các Mô hình Cải thiện Như thế nào:
→ 11. Học Chuyển giao — xây dựng trên những gì có sẵn
→ 12. Tinh chỉnh — chuyên biệt hóa một mô hình
→ 13. RLHF — dạy nó trở nên hữu ích
→ 14. LoRA — tinh chỉnh mà không tốn kém
→ 15. Lượng tử hóa — chạy các mô hình lớn trên máy nhỏ
Các Hệ thống Thực tế Được Xây dựng Như thế nào:
→ 16. RAG — tra cứu trước, sau đó trả lời
→ 17. Cơ sở dữ liệu Vector — tìm kiếm theo ý nghĩa
→ 18. AI Agent — từ trả lời đến hành động
→ 19. Chuỗi Suy luận — cho nó không gian để suy nghĩ
→ 20. Mô hình Khuếch tán — từ nhiễu đến hình ảnh
Bây giờ bạn đã hiểu AI thực sự hoạt động như thế nào.
Hầu hết những người sử dụng AI hàng ngày đều không hiểu.
Khoảng cách đó là lợi thế của bạn.
Nếu điều này hữu ích:
→ Đăng lại để chia sẻ với mạng lưới của bạn → Theo dõi @sairahul1 để biết thêm những bài phân tích như thế này → Đánh dấu trang để tham khảo sau
Tôi viết về AI, xây dựng sản phẩm và các hệ thống hoạt động trong khi bạn ngủ.
