Don Jong Un
Địt mẹ đau lòng
Theo một số nghiên cứu, “bộ não” khổng lồ của các mô hình AI giải quyết từng câu hỏi bằng cách ghi nhớ vô số các quy tắc riêng lẻ. Đây không phải là cách con người suy luận.
Những nhà lãnh đạo tại các tổ chức trí tuệ nhân tạo hàng đầu – như OpenAI, Anthropic và Google – đang tự tin dự đoán rằng AI sẽ sớm đạt trí tuệ như con người. Nhưng một số lượng ngày càng nhiều các nhà nghiên cứu khẳng định chúng không suy nghĩ được như chúng ta.Những công trình nghiên cứu của họ cho thấy có điều hạn chế căn bản gì đó trong kiến trúc gốc của các mô hình AI hiện nay. Về cơ bản, AI ngày nay có thể mô phỏng trí thông minh bằng cách học một số lượng lớn các quy tắc riêng lẻ, rồi áp dụng một cách có chọn lọc vào tất cả thông tin mà chúng gặp.
Điều này trái với nhiều cách mà con người và thậm chí cả động vật có thể suy luận về thế giới và dự đoán tương lai. Những sinh vật xây dựng “mô hình thế giới” về cách mọi thứ hoạt động, bao gồm cả nguyên nhân và kết quả.
Ảnh minh hoạ: Daniel Hertzberg/WSJ.
Nhiều kỹ sư AI tuyên bố rằng các mô hình của họ cũng đã xây dựng những “mô hình thế giới” như vậy bên trong mạng lưới neuron thần kinh nhân tạo khổng lồ, bằng chứng là khả năng viết văn xuôi trôi chảy có vẻ như cho thấy khả năng suy luận. Những tiến bộ gần đây trong cái gọi là “mô hình suy luận” đã thuyết phục thêm một số người rằng ChatGPT và các mô hình khác đã đạt đến khả năng ngang bằng con người – được ngành gọi là AGI, hay trí tuệ tổng quát nhân tạo.
Trước đây, các mô hình AI hầu như là những hộp đen. Cách chúng tạo ra kết quả hoàn toàn bí ẩn, vì chúng được đào tạo chứ không phải được lập trình, và số lượng lớn các tham số tạo nên “bộ não” nhân tạo của chúng đã mã hóa thông tin và logic theo cách mà ngay cả những người tạo ra chúng cũng không hiểu.
Nhưng các nhà nghiên cứu đang phát triển các công cụ mới cho phép họ nhìn vào bên trong những mô hình này. Kết quả khiến nhiều người nghi ngờ kết luận rằng chúng đang ở gần với AGI.
“Có sự tranh cãi về những gì các mô hình này thực sự đang làm, và ngôn ngữ nhân cách hóa được dùng để mô tả chúng”, theo Melanie Mitchell, một giáo sư tại Viện Santa Fe chuyên nghiên cứu về AI.
Các kỹ thuật mới để thăm dò những mô hình ngôn ngữ lớn – một phần của lĩnh vực đang phát triển được gọi là “khả năng diễn giải cơ học” – cho các nhà nghiên cứu thấy cách các AI này làm toán, học cách chơi trò chơi hoặc điều hướng qua các môi trường. Trong một loạt những bài luận gần đây, giáo sư Mitchell lập luận rằng ngày càng có nhiều nghiên cứu cho thấy có vẻ như các mô hình đã phát triển “túi heuristic” khổng lồ (“heuristic” là từ hoa mỹ chỉ lối tắt giải quyết vấn đề”), thay vì tạo ra các mô hình tư duy hiệu quả hơn mô tả các tình huống và sau đó suy luận thông qua các nhiệm vụ trước mắt.
Khi Keyon Vafa – một nhà nghiên cứu AI tại Đại học Harvard – lần đầu tiên nghe đến lý thuyết “túi heuristic”, “tôi cảm thấy như nó đã mở ra điều gì đó cho tôi”, ông nói. “Đây chính xác là điều chúng tôi đang cố gắng mô tả”.
Nghiên cứu của ông là nỗ lực để xem AI xây dựng loại mô hình tư duy nào khi được đào tạo theo hàng triệu hướng dẫn chi tiết từng khúc cua như trên Google Maps. Nguồn dữ liệu đào tạo cho AI của ông và các đồng nghiệp là mạng lưới đường phố và đại lộ dày đặc của Manhattan
Bản đồ Manhattan mà AI bịa ra sau khi được đào tạo bằng hàng triệu chỉ dẫn đường đi chi tiết. Ảnh: Keyon Vafa, Justin Y. Chen, Ashesh Rambachan, Jon Kleinberg, Sendhil Mullainathan/WSJ.
Kết quả trông không giống bản đồ đường phố Manhattan chút nào. Khi kiểm tra kỹ, họ nhận ra AI đã suy ra đủ mọi kiểu đường bất khả thi: các tuyến đường nhảy qua Công viên Trung tâm hoặc đi chéo qua nhiều dãy nhà. Tuy nhiên, mô hình kết quả đưa ra được chỉ dẫn chi tiết đường đi giữa bất kỳ hai điểm nào với độ chính xác 99%.
Mặc dù bản đồ hỗn loạn mà AI tạo ra có thể khiến mọi người lái xe phát điên, nhưng về cơ bản, mô hình đã học được các quy tắc riêng biệt để điều hướng trong vô số tình huống, từ mọi điểm xuất phát có thể, ông Vafa nói.
“Bộ não” khổng lồ của AI, kết hợp với sức mạnh xử lý chưa từng có, cho phép chúng học cách giải quyết vấn đề một cách lộn xộn mà con người không thể làm được.
Các nghiên cứu khác xem xét những đặc điểm phát sinh khi các mô hình ngôn ngữ lớn cố giải toán, công việc mà chúng từng rất tệ nhưng đang khá hơn. Một số nghiên cứu cho thấy các mô hình học một bộ quy tắc riêng biệt để nhân các số trong một phạm vi nhất định – ví dụ, từ 200 đến 210 – so với các quy tắc mà chúng dùng để nhân các số trong một phạm vi khác. Đây không phải là cách lý tưởng để làm toán.
Tất cả những công trình trên cho thấy rằng thực tế, AI ngày nay là các cỗ máy quá phức tạp được ghép lại từ những giải pháp riêng biệt cho từng câu hỏi của người dùng. Điều này giải thích tại sao chúng gặp khó khăn khi được yêu cầu làm những việc dù chỉ ngoài phạm vi đào tạo của chúng một chút, theo ông Vafa. Khi nhóm của ông chặn chỉ 1% đường phố ảo của Manhattan, buộc AI phải đi vòng, hiệu suất của nó giảm mạnh.
Điều này cho thấy sự khác biệt lớn giữa AI hiện nay và con người, ông nói thêm. Một con người có thể không đọc thuộc lòng hết các hướng dẫn từng khúc cua quanh Thành phố New York với độ chính xác 99%, nhưng họ tư duy đủ linh hoạt để tránh một vài tuyến phố bị chặn.
Nghiên cứu này cũng gợi ý lý do tại sao nhiều mô hình quá đồ sộ: Chúng phải ghi nhớ một danh sách vô tận các quy tắc riêng lẻ, và không thể nén những kiến thức đó vào một mô hình tư duy như con người có thể. Nó cũng có thể giúp giải thích lý do tại sao chúng phải học một lượng dữ liệu khổng lồ như vậy, trong khi một người có thể học được điều gì đó chỉ sau một vài lần thử: Để rút ra tất cả các quy tắc riêng lẻ đó, chúng phải xem mọi tổ hợp có thể có của các từ, hình ảnh, vị trí trên bàn cờ… Và chúng cần xem đi xem lại những tổ hợp đó mới đạt hiệu suất tốt.
Nghiên cứu này cũng có thể giải thích tại sao AI từ các công ty khác nhau dường như đều “suy nghĩ” theo cùng một cách, và thậm chí đang hội tụ về cùng một mức hiệu suất có thể sắp tiến vào giai đoạn bão hòa.
Trước đây, các nhà nghiên cứu AI từng đi trước thời đại. Năm 1970, giáo sư Marvin Minsky của Viện Công nghệ Massachusetts khẳng định với tạp chí Life rằng một máy tính sẽ có trí thông minh của một con người trung bình trong “3 đến 8 năm”.
Năm ngoái, Elon Musk tuyên bố rằng AI sẽ vượt qua trí thông minh của con người vào năm 2026. Tháng 2, Sam Altman viết trên blog rằng “đang xuất hiện các hệ thống bắt đầu hướng đến AGI”. Tháng 4, giám đốc an ninh của Anthropic cảnh báo rằng “nhân viên ảo” sẽ làm việc tại các công ty ở Mỹ trong vòng một năm.
Ngay cả khi những dự đoán này tỏ ra quá lạc quan, AI vẫn sẽ tồn tại và thay đổi cuộc sống của chúng ta. Các nhà phát triển phần mềm chỉ mới tìm ra cách dùng những mô hình AI để giúp tất cả chúng ta làm việc hiệu quả hơn. Dù trí thông minh của chúng có thể đang bão hòa, công việc tinh chỉnh chúng vẫn tiếp tục.
Trong khi đó, nghiên cứu về những hạn chế trong cách AI “suy nghĩ” có thể là một phần quan trọng để cải thiện chúng. Trong một bài luận gần đây, nhà nghiên cứu AI Jacob Andreas của MIT viết rằng việc hiểu rõ hơn những thách thức của các mô hình ngôn ngữ (LM) sẽ dẫn đến những cách mới để đào tạo chúng: “Chúng ta có thể cải thiện LM (chính xác hơn, đáng tin cậy hơn, dễ kiểm soát hơn) khi chúng ta bắt đầu giải quyết những hạn chế đó”
