Bỏ qua tới nội dung chính

Trước khi có đại số tuyến tính

Đại số tuyến tính: ngôn ngữ của dữ liệu, đồ họa và trí tuệ nhân tạo

Vì sao người học khoa học máy tính cần vector, ma trận, hệ phương trình và trị riêng: từ xoay hình trong game, xếp hạng trang web tới mô hình AI.

Ban biên tập OpenER

Cập nhật 09/11/2026 · 15 phút đọc · CC BY 4.0

Một bức ảnh trên điện thoại là một bảng hàng triệu con số. Một bài hát được gợi ý cho bạn vì danh sách bài bạn nghe — cũng là một dãy số — "gần" với danh sách của những người khác. Một nhân vật trong game quay người sang trái là hàng nghìn điểm được nhân với cùng một bảng số nhỏ. Một mô hình trí tuệ nhân tạo trả lời câu hỏi của bạn bằng cách nhân những bảng số khổng lồ với nhau, hàng tỷ lần.

Bảng số, dãy số, và các phép nhân giữa chúng: đó là đại số tuyến tính (linear algebra). Nếu toán rời rạc là thứ toán của chương trình, thì đại số tuyến tính là thứ toán của dữ liệu. Và trong khoa học máy tính hôm nay — đồ họa, xử lý ảnh, tìm kiếm, học máy — hiếm có môn toán nào được dùng nhiều hơn.

Trước khi có đại số tuyến tính

Bài toán gốc của môn này rất cũ: giải hệ phương trình bậc nhất — nhiều ẩn, nhiều phương trình, mọi ẩn chỉ cộng trừ và nhân với hằng số. Bộ sách Cửu chương toán thuật của Trung Quốc, hình thành khoảng hai nghìn năm trước, đã có một chương giải những hệ như vậy bằng cách xếp hệ số thành bảng rồi khử dần từng cột — về bản chất là phương pháp mà ngày nay ta gọi là khử Gauss.

Ở châu Âu, công cụ đến muộn hơn và lẻ tẻ:

  • Thế kỷ XVII – XVIII, Leibniz và Cramer dùng định thức để giải hệ phương trình.
  • Năm 1801, Carl Friedrich Gauss dự đoán đúng vị trí của tiểu hành tinh Ceres — vừa bị mất dấu sau ánh Mặt Trời — bằng cách giải một hệ phương trình từ những quan sát ít ỏi và có sai số. Phương pháp ông dùng, bình phương tối thiểu (least squares), đến nay vẫn là cách "vẽ đường thẳng khớp nhất với dữ liệu" trong mọi phần mềm thống kê.
  • Giữa thế kỷ XIX, chữ ma trận (matrix) mới xuất hiện (James Joseph Sylvester, 1850), Arthur Cayley định nghĩa phép nhân ma trận (1858), và Hermann Grassmann nghĩ về vector trong không gian nhiều chiều (1844). Phải tới cuối thế kỷ đó, Giuseppe Peano mới viết ra định nghĩa trừu tượng của không gian vector.

Trong suốt thời gian ấy, giải một hệ phương trình lớn là việc tay. Mười ẩn đã là vài ngày tính toán và rất dễ sai. Hệ có hàng trăm ẩn coi như không giải được. Khi máy tính ra đời, giải hệ phương trình tuyến tính là một trong những việc đầu tiên người ta giao cho nó — từ mô hình kinh tế, kết cấu công trình tới dự báo thời tiết. Đến hôm nay, danh sách TOP500 các siêu máy tính mạnh nhất thế giới vẫn được xếp hạng bằng bài kiểm tra LINPACK: máy giải một hệ phương trình tuyến tính khổng lồ nhanh tới đâu.

Đặt cạnh nhau:

Không có công cụ đại số tuyến tính
Có đại số tuyến tính và máy tính
Hệ phương trình
Vài ẩn, giải tay từng bước
Hàng triệu ẩn, giải trong vài giây
Dữ liệu nhiều chiều
Mỗi cột xử lý riêng, không thấy quan hệ
Cả bảng là một đối tượng, nhìn được hướng, khoảng cách, cấu trúc
Đồ họa
Tính lại từng điểm cho mỗi phép xoay, phóng to
Một ma trận nhỏ cho mọi điểm; ghép nhiều phép biến đổi bằng một phép nhân
Dữ liệu có nhiễu
Chọn tay vài điểm "đáng tin"
Bình phương tối thiểu tìm đường khớp nhất với mọi điểm
Học máy
Không có
Mọi mô hình — từ hồi quy tới mạng nơ-ron — viết bằng vector và ma trận

Ngày nay, sự khác biệt đó lộ ra ngay trong code. Người mới lập trình hay xử lý dữ liệu bằng hai vòng lặp lồng nhau, đi qua từng ô. Người đã học đại số tuyến tính viết cùng việc đó thành một phép nhân ma trận — và giao cho thư viện như NumPy, hay cho card đồ họa, chạy nhanh hơn hàng trăm, hàng nghìn lần. Cùng một ý tưởng, khác nhau ở chỗ có nhìn ra nó là một phép toán ma trận hay không.

Môn này trả lời câu hỏi gì

Môn Đại số tuyến tính trả lời câu hỏi: làm sao làm việc với nhiều con số cùng lúc — như một đối tượng có hình dạng, có hướng, có cấu trúc — thay vì từng con số rời rạc?

Cụ thể hơn:

  1. Vector là gì, cộng và so sánh chúng thế nào.
  2. Ma trận là gì — một bảng số, nhưng quan trọng hơn, một phép biến đổi biến vector này thành vector khác.
  3. Hệ phương trình khi nào có nghiệm, giải thế nào cho nhanh và ổn định.
  4. Một tập dữ liệu thật sự có bao nhiêu chiều thông tin, và những hướng nào quan trọng nhất.

Vì sao người học khoa học máy tính cần nó? Vì ba lĩnh vực lớn nhất của ngành hôm nay — đồ họa, dữ liệu, và trí tuệ nhân tạo — đều viết bằng ngôn ngữ của môn này. Không hiểu vector và ma trận, bạn chỉ có thể gọi thư viện học máy; hiểu rồi, bạn biết bên trong nó đang làm gì, vì sao nó chậm, và vì sao nó sai.

Năm ý tưởng cốt lõi

1. Vector: dữ liệu là một điểm trong không gian

Một vector là một dãy số có thứ tự. Nhưng điều thú vị là cách ta nhìn dãy số đó: như một điểm, hay một mũi tên, trong một không gian có bấy nhiêu chiều.

  • Một điểm trên màn hình: 2 chiều (x, y).
  • Một màu: 3 chiều (đỏ, lục, lam).
  • Điểm năm môn của một học sinh: 5 chiều.
  • Một bức ảnh 1.000 × 1.000 điểm: một vector 1 triệu chiều.
  • Ý nghĩa của một từ trong mô hình ngôn ngữ: một vector vài trăm tới vài nghìn chiều, gọi là embedding.

Khi dữ liệu là điểm, ta hỏi được những câu hình học: hai điểm gần nhau không? Hai mũi tên có cùng hướng không? Công cụ chính là tích vô hướng (dot product): nhân từng cặp thành phần rồi cộng lại. Chia cho độ dài hai vector, ta được độ tương đồng cosin — bằng 1 khi hai mũi tên cùng hướng, bằng 0 khi chúng vuông góc.

python
import math

def tich_vo_huong(u, v):
    return sum(a * b for a, b in zip(u, v))

def do_dai(u):
    return math.sqrt(tich_vo_huong(u, u))

def tuong_dong(u, v):
    return tich_vo_huong(u, v) / (do_dai(u) * do_dai(v))

# điểm chấm 5 bộ phim (thang 5) của ba người
an   = [5, 4, 1, 1, 5]
binh = [4, 5, 1, 2, 4]
chi  = [1, 1, 5, 4, 2]
print(round(tuong_dong(an, binh), 2), round(tuong_dong(an, chi), 2))   # 0.97 0.5

An và Bình có gu gần nhau, An và Chi thì không. Nếu Bình thích một bộ phim An chưa xem, đó là một gợi ý tốt cho An. Đây là ý tưởng nền của hệ gợi ý. Và khi bạn tìm kiếm bằng ý nghĩa thay vì bằng từ khóa — "món ăn cho ngày mưa" tìm ra "lẩu", dù không có chữ nào trùng — hệ thống đang so độ tương đồng cosin giữa các embedding.

2. Ma trận là một phép biến đổi

Một ma trận là một bảng số. Nhưng cách nhìn đúng nhất là: ma trận là một máy biến vector, nhận một vector vào và cho một vector ra. Ví dụ, ma trận này xoay mọi điểm trên mặt phẳng đi 90° ngược chiều kim đồng hồ:

python
def nhan(A, v):
    return [sum(a * x for a, x in zip(hang, v)) for hang in A]

XOAY_90 = [[0, -1],
           [1,  0]]
GAP_DOI = [[2, 0],
           [0, 2]]

diem = [3, 1]
print(nhan(XOAY_90, diem))                 # [-1, 3]
print(nhan(GAP_DOI, nhan(XOAY_90, diem)))  # [-2, 6]: xoay rồi phóng to

Mọi phép xoay, phóng to, thu nhỏ, kéo xiên, chiếu bóng trong đồ họa máy tính đều là ma trận. Hai phép biến đổi liên tiếp là tích của hai ma trận — nên một game có thể ghép "xoay nhân vật, đặt vào thế giới, nhìn từ góc máy quay, chiếu lên màn hình" thành một ma trận duy nhất, rồi áp nó lên hàng triệu điểm. Card đồ họa (GPU) được thiết kế chính để làm hàng tỷ phép nhân như vậy mỗi giây.

Một điều làm người mới bất ngờ: thứ tự quan trọng. Xoay rồi dịch sang phải khác với dịch sang phải rồi xoay — nói theo ngôn ngữ ma trận, AB thường khác BA. Phép nhân ma trận không giao hoán, và đó là nguồn của rất nhiều lỗi "nhân vật bay mất khỏi màn hình" trong lập trình đồ họa.

3. Hệ phương trình và khử Gauss

Hai bạn mua đồ ở căng tin. An mua 2 bánh mì và 1 sữa hết 40 nghìn. Bình mua 1 bánh mì và 3 sữa hết 45 nghìn. Hỏi giá mỗi thứ? Đó là một hệ phương trình tuyến tính, viết gọn thành Ax = b: ma trận A chứa số lượng, vector x là giá cần tìm, vector b là số tiền.

Khử Gauss giải hệ bằng cách dùng phương trình này trừ bớt phương trình kia để khử dần từng ẩn, rồi tính ngược lên:

python
def giai(A, b):
    n = len(A)
    M = [hang[:] + [bi] for hang, bi in zip(A, b)]   # ghép A và b thành một bảng
    for cot in range(n):
        tru = max(range(cot, n), key=lambda h: abs(M[h][cot]))   # chọn hàng có hệ số lớn nhất
        M[cot], M[tru] = M[tru], M[cot]
        for h in range(cot + 1, n):
            k = M[h][cot] / M[cot][cot]
            M[h] = [x - k * y for x, y in zip(M[h], M[cot])]      # khử ẩn ở các hàng dưới
    x = [0] * n
    for h in reversed(range(n)):                                   # tính ngược từ dưới lên
        x[h] = (M[h][n] - sum(M[h][j] * x[j] for j in range(h + 1, n))) / M[h][h]
    return x

print(giai([[2, 1], [1, 3]], [40, 45]))   # [15.0, 10.0]: bánh mì 15 nghìn, sữa 10 nghìn

Dòng "chọn hàng có hệ số lớn nhất" nhìn thì thừa, nhưng không có nó, máy tính có thể chia cho một số rất nhỏ và sai số làm tròn — thứ ta đã gặp ở bài Lập trình với 0.1 + 0.2 — phóng to thành kết quả vô nghĩa. Giải đúng trên giấy và giải đúng trên máy là hai chuyện khác nhau; ngành đại số tuyến tính số (numerical linear algebra) sinh ra từ khoảng cách đó.

Không phải hệ nào cũng có đúng một nghiệm. Môn học dạy cách biết trước: hệ có một nghiệm, vô số nghiệm, hay vô nghiệm. Khi dữ liệu thật có nhiễu — nhiều phương trình hơn ẩn và không phương trình nào khớp hoàn toàn — ta tìm nghiệm "khớp nhất" bằng bình phương tối thiểu của Gauss: chính là cách vẽ đường xu hướng trong bảng tính, và là mô hình học máy đơn giản nhất, hồi quy tuyến tính.

4. Không gian, cơ sở và hạng: dữ liệu thật sự có bao nhiêu chiều

Một bảng điểm có cột "điểm thi", "điểm thưởng" và "tổng điểm" có ba cột nhưng chỉ có hai chiều thông tin — cột thứ ba là tổng của hai cột kia, không mang gì mới. Đại số tuyến tính gọi số chiều thông tin thật đó là hạng (rank) của ma trận, và một tập vector đủ để tạo ra mọi vector khác là một cơ sở (basis).

Ý tưởng này mạnh hơn nhiều so với vẻ ngoài. Dữ liệu thật thường có hàng nghìn cột, nhưng phần lớn thông tin nằm trong vài chục "hướng" quan trọng. Công cụ tìm ra các hướng đó là phân tích giá trị kỳ dị (singular value decomposition — SVD): viết một ma trận bất kỳ thành tổng của các lớp đơn giản, xếp theo độ quan trọng giảm dần. Giữ vài lớp đầu, bỏ phần còn lại, ta được:

  • nén ảnh: một bức ảnh giữ được hình dạng chính chỉ với một phần nhỏ dữ liệu;
  • gợi ý: bảng "người dùng × sản phẩm" khổng lồ, gần như trống, được lấp đầy bằng vài "gu" ẩn — đây là ý tưởng của nhiều đội thi ở cuộc thi Netflix Prize (2006 – 2009), cuộc thi treo thưởng một triệu đô la cho thuật toán gợi ý phim tốt hơn;
  • giảm chiều dữ liệu: phương pháp PCA chiếu dữ liệu nhiều chiều xuống hai, ba chiều để con người nhìn được.

5. Trị riêng và vector riêng: những hướng không đổi

Khi một ma trận biến đổi không gian, hầu hết các mũi tên bị xoay sang hướng khác. Nhưng có những hướng đặc biệt mà mũi tên chỉ bị kéo dài hay thu ngắn, không đổi hướng. Đó là các vector riêng (eigenvector), và hệ số kéo dài là trị riêng (eigenvalue). Chúng cho biết "tính cách" thật của một phép biến đổi.

Ứng dụng nổi tiếng nhất: PageRank, thuật toán Larry Page và Sergey Brin công bố năm 1998, nền móng của Google. Ý tưởng: một trang quan trọng nếu được nhiều trang quan trọng trỏ tới. Hãy tưởng tượng một người lướt web ngẫu nhiên, ở mỗi trang bấm đại một liên kết. Sau rất lâu, tỷ lệ thời gian người đó ở mỗi trang chính là độ quan trọng của trang — và về toán học, đó là vector riêng của ma trận liên kết. Ta tìm được nó bằng cách nhân lặp đi lặp lại:

python
# 3 trang web: trang 0 trỏ tới 1 và 2; trang 1 trỏ tới 2; trang 2 trỏ tới 0
# cột j: người đang ở trang j bấm sang trang nào, với xác suất bao nhiêu
P = [[0,   0, 1],
     [0.5, 0, 0],
     [0.5, 1, 0]]

hang = [1 / 3, 1 / 3, 1 / 3]          # ban đầu, ba trang quan trọng như nhau
for _ in range(100):
    hang = nhan(P, hang)              # mỗi vòng: mọi người cùng bấm một liên kết
print([round(x, 2) for x in hang])    # [0.4, 0.2, 0.4]

Trang 0 và trang 2 quan trọng như nhau, trang 1 kém hơn — dù trang 1 cũng có người trỏ tới. (PageRank thật còn thêm một xác suất "nhảy ngẫu nhiên sang trang bất kỳ" để thuật toán luôn hội tụ.) Trị riêng còn xuất hiện ở khắp nơi khác: dao động của cây cầu, độ ổn định của một hệ điều khiển, các trạng thái trong cơ học lượng tử, và PCA ở ý tưởng trên.

Đại số tuyến tính nằm ở đâu trong chồng tầng

Trong chồng tầng của bài Từ electron đến ứng dụng, đại số tuyến tính không thuộc một tầng — nó là ngôn ngữ của một nửa thế giới ứng dụng, và nó kéo cả phần cứng đi theo:

  • Ở tầng ứng dụng: đồ họa, xử lý ảnh và âm thanh, tìm kiếm, gợi ý, học máy.
  • Ở tầng thư viện: BLAS, LAPACK và các thư viện như NumPy, PyTorch — được tối ưu tới từng chu kỳ máy, vì phép nhân ma trận là thứ được gọi nhiều nhất.
  • Ở tầng phần cứng: GPU và chip AI về bản chất là máy nhân ma trận cực lớn. Bài Cấu trúc tính toán nói vì sao ngành chip chuyển sang phần cứng chuyên dụng; nhân ma trận là lý do lớn nhất.

Học trước sẽ dễ hơn: đại số phổ thông, và quen với ký hiệu tổng.

Học trước và học sau

· 9 môn

Toán rời rạc, logic và chứng minh

Mathematics for Computer Science

Học song song với môn này là hợp nhất.

Xem chủ đề trên OpenER: Mathematics for Computer Science

Lập trình

Programming

Học song song với môn này là hợp nhất.

Xem chủ đề trên OpenER: Programming

Xác suất và thống kê

Probability and Statistics

Người bạn đồng hành của môn này trong mọi thứ liên quan tới dữ liệu.

Xem chủ đề trên OpenER: Probability and Statistics

Học máy

Machine Learning

Học sau, dùng lại môn này.

Xem chủ đề trên OpenER: Machine Learning

Học sâu

Deep Learning

Học sau, dùng lại môn này.

Xem chủ đề trên OpenER: Deep Learning

Đồ họa máy tính

Computer Graphics

Học sau, dùng lại môn này.

Xem chủ đề trên OpenER: Computer Graphics

Thị giác máy tính

Computer Vision

Học sau, dùng lại môn này.

Xem chủ đề trên OpenER: Computer Vision

Robot học

Robotics

Học sau, dùng lại môn này.

Xem chủ đề trên OpenER: Robotics

Khoa học và công nghệ thông tin lượng tử

Quantum Information Science and Technology

Học sau: trạng thái lượng tử là vector, phép toán lượng tử là ma trận.

Xem chủ đề trên OpenER: Quantum Information Science and Technology

Ứng dụng thật và nghề nghiệp

  • Kỹ sư học máy và AI: mọi mô hình — hồi quy, mạng nơ-ron, mô hình ngôn ngữ — là chuỗi phép nhân ma trận; đọc được chúng bằng ngôn ngữ vector và ma trận là điều kiện để làm nghề, không chỉ để dùng thư viện.
  • Khoa học dữ liệu: giảm chiều, phân cụm, hồi quy, hệ gợi ý.
  • Đồ họa, game, thực tế ảo: phép biến đổi 3D, máy quay, ánh sáng, mô phỏng vật lý.
  • Thị giác máy tính và robot: dựng lại không gian 3D từ ảnh, định vị robot, điều khiển cánh tay máy.
  • Xử lý tín hiệu: âm thanh, ảnh, viễn thông.
  • Tính toán khoa học và kỹ thuật: mô phỏng kết cấu, dự báo thời tiết, tài chính định lượng — những hệ phương trình hàng triệu ẩn chạy trên siêu máy tính.

Học xong làm được gì, bắt đầu từ đâu

Sau môn này bạn có thể:

  • biểu diễn dữ liệu thật — ảnh, văn bản, điểm số, quan hệ — thành vector và ma trận;
  • dùng ma trận để xoay, phóng to, chiếu hình trong đồ họa;
  • giải hệ phương trình, khớp đường xu hướng với dữ liệu có nhiễu;
  • hiểu PCA, SVD, PageRank đang làm gì, và khi nào dùng chúng;
  • đọc công thức trong tài liệu học máy mà không bị ký hiệu làm nản;
  • viết code xử lý dữ liệu bằng phép toán ma trận thay vì vòng lặp lồng nhau.

Nên biết trước: đại số phổ thông. Không cần giải tích để bắt đầu.

Bắt đầu trên OpenER: trang chủ đề Linear Algebra có các khóa học đã chọn lọc, và hướng dẫn học gợi ý thứ tự đi qua chúng. Lời khuyên cho môn này: vẽ ra. Mỗi khi gặp một ma trận 2 × 2, vẽ xem nó làm gì với một hình vuông trên giấy kẻ ô. Và chạy thử: viết lại các phép toán bằng Python như trong bài, rồi dùng NumPy để thấy chúng chạy trên dữ liệu thật. Đại số tuyến tính vào đầu bằng hình học và bằng code nhanh hơn nhiều so với bằng định thức.

Tài liệu tham khảo

  • Gilbert Strang — MIT 18.06 Linear Algebra, bài giảng mở trên MIT OpenCourseWare, và sách Introduction to Linear Algebra.
  • Gilbert Strang — MIT 18.065 Matrix Methods in Data Analysis, Signal Processing, and Machine Learning.
  • Stephen Boyd, Lieven Vandenberghe — Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares, đọc miễn phí.
  • Sheldon Axler — Linear Algebra Done Right, bản mới nhất đọc miễn phí: cách tiếp cận lý thuyết, cho người muốn đi sâu.
  • 3Blue1Brown — loạt video Essence of Linear Algebra: trực quan hình học cho từng khái niệm.

Ban biên tập OpenER, “Đại số tuyến tính: ngôn ngữ của dữ liệu, đồ họa và trí tuệ nhân tạo”, OpenER, 2026. Phát hành theo CC BY 4.0: được chia sẻ, chỉnh sửa, kể cả thương mại, miễn ghi công tác giả và dẫn link bài gốc.