Algorithms Are Not Enough

1. Trí tuệ nhân tạo tổng quát vẫn là điều xa vời dù AI chuyên biệt đã thành công

Những công cụ giúp ta xây dựng trí tuệ chuyên biệt chưa đủ sức để tạo ra trí tuệ tổng quát.

Thành công chuyên biệt. Trong nhiều thập kỷ, trí tuệ nhân tạo đã đạt được những thành tựu đáng kinh ngạc trong các lĩnh vực hẹp, từ đánh bại các nhà vô địch thế giới cờ vua và cờ vây đến chẩn đoán bệnh và vận hành xe tự lái. Tuy nhiên, những thành công này dựa trên các thuật toán chuyên biệt cao và cấu trúc vấn đề do con người thiết kế, chứ không phải từ sự hiểu biết hay khả năng thích ứng tổng quát. Mỗi bước đột phá, dù ấn tượng, chỉ là một “con nhím” – xuất sắc trong một lĩnh vực quan trọng – chứ không phải là một “con cáo” biết nhiều điều.

Phạm vi hạn chế. Các hệ thống AI hiện nay thực chất là những “người tìm đường” tinh vi trong các “không gian trạng thái” đã được định nghĩa trước. Dù là điều hướng các nước đi cờ hay nhận diện mẫu trong hình ảnh y tế, trí tuệ của hệ thống chỉ giới hạn trong vấn đề cụ thể và cách biểu diễn mà con người thiết kế. Điều này có nghĩa AI chơi cờ vây không thể bỗng nhiên viết thơ, cũng như hệ thống chẩn đoán y tế không thể lái xe, cho thấy khoảng cách sâu sắc giữa trí tuệ chuyên biệt và trí tuệ tổng quát.

Phụ thuộc quá mức vào tính toán. Những người tiên phong AI như Herbert Simon từng lạc quan dự đoán trí tuệ nhân tạo tổng quát sẽ xuất hiện trong vài thập kỷ, tin rằng sức mạnh tính toán và bộ nhớ tăng sẽ thu hẹp khoảng cách. Dù năng lực tính toán đã tăng theo cấp số nhân (định luật Moore), điều này chủ yếu làm cho các phương pháp chuyên biệt hiện có nhanh hơn và thực tế hơn, chứ không tạo ra trí tuệ tổng quát thực sự. Hạn chế cơ bản không phải là tốc độ hay bộ nhớ, mà là thiếu cơ chế để tự định nghĩa và biểu diễn vấn đề.

2. Trí tuệ con người kết hợp trực giác nhanh với thuật toán có chủ ý

Trí tuệ con người, kể cả của Einstein, đòi hỏi cả suy nghĩ hệ thống logic lẫn suy nghĩ phi logic cho phép có những cái nhìn sâu sắc.

Hai hệ thống tư duy. Trí tuệ con người vận hành qua sự tương tác động giữa hai hệ thống nhận thức khác biệt nhưng bổ sung cho nhau. Daniel Kahneman gọi đó là Hệ thống 1 – nhanh, tự động, trực giác và thường mang tính cảm xúc – và Hệ thống 2 – chậm, có chủ ý, logic và cần nỗ lực. Trong khi Hệ thống 2 liên quan đến các chức năng trí tuệ cao như giải quyết vấn đề phức tạp và lập luận chính thức, Hệ thống 1 hỗ trợ học nhanh, nhận diện mẫu và trí khôn thường thức.

Phương pháp luận và thiên kiến. Hệ thống 1 thường sử dụng “heuristics” – các lối tắt tinh thần hiệu quả nhưng có thể dẫn đến các thiên kiến hay “lỗi” trong logic chính thức. Ví dụ:

• Heuristic sẵn có: Đánh giá khả năng dựa trên mức độ dễ nhớ ví dụ.
• Heuristic đại diện: Đánh giá xác suất dựa trên sự tương đồng với mẫu hình.
• Hiệu ứng khung: Quyết định khác nhau tùy cách thông tin được trình bày (ví dụ “90% sống sót” so với “10% tử vong”).
  Những “đặc điểm” này không phải là lỗi mà là cơ chế thiết yếu giúp con người điều hướng thế giới phức tạp, không chắc chắn mà không bị “lạc trong suy nghĩ.”

Vượt ra ngoài logic thuần túy. Khác với các mô hình AI ban đầu cố gắng mô phỏng tư duy con người như các quá trình logic, hệ thống, trí tuệ thực sự của con người vốn mơ hồ và phi đơn điệu. Chúng ta học từ những ví dụ nhỏ, đưa ra suy luận có thể bị bác bỏ (niềm tin có thể sửa đổi), và thường ưu tiên kết quả hợp lý hơn là kết quả hoàn toàn logic. Sự pha trộn giữa các quá trình trực giác, đôi khi “phi lý,” với các quá trình có chủ ý, “hợp lý,” là then chốt cho khả năng thích nghi và giải quyết vấn đề thực tế.

3. Biểu diễn vấn đề đúng (TRICS) là người hùng thầm lặng của tiến bộ AI

Sự sáng tạo mà AI dựa vào được cung cấp bởi con người.

Khung thiết kế bởi con người. Mọi hệ thống trí tuệ tính toán thành công, từ chương trình cờ đến mạng học sâu, đều nhờ vào “các biểu diễn mà nó giả định quan trọng” (TRICS) – cách con người cấu trúc vấn đề, dữ liệu đầu vào và các giải pháp tiềm năng. Những biểu diễn này biến các vấn đề phức tạp, khó giải thành những vấn đề đơn giản, có thể tính toán được. Ví dụ, biểu diễn cờ vua dưới dạng cây nước đi hay cờ vây như một thách thức nhận diện mẫu đã giúp AI giải quyết các trò chơi này.

Nút thắt của đổi mới. Khả năng tạo ra các biểu diễn mới mẻ và hiệu quả là nút thắt chính trong việc đạt trí tuệ nhân tạo tổng quát. AI hiện tại có thể tối ưu tham số trong một biểu diễn cho trước, nhưng không thể tự sáng tạo ra các khung khái niệm hay phương pháp giải quyết vấn đề mới. Bước nhảy sáng tạo này, như vòng benzen của Kekulé hay bảng tuần hoàn của Mendeleev, vẫn là năng lực độc nhất của con người mà AI chưa thể sao chép.

Kiến thức ngầm trong thiết kế. Ngay cả các mạng nơ-ron sâu “tự học” cũng chịu ảnh hưởng lớn từ thiết kế kiến trúc, vốn ngầm mã hóa các giả định về dữ liệu và nhiệm vụ học. Ví dụ, lớp cổ chai (bottleneck) của autoencoder được thiết kế để thực hiện giảm thống kê cụ thể, chứ không phải để phát minh ra một dạng nén dữ liệu mới. “Trí tuệ” thường nằm ở sự khéo léo của kỹ sư con người trong thiết kế cấu trúc nền tảng, chứ không phải ở khả năng vượt qua chúng của máy.

4. Máy học xuất sắc trong tối ưu hóa, nhưng thiếu sáng tạo thực sự và trí khôn thường thức

Bằng chứng cho thấy phát minh – ví dụ thiết kế cấu trúc mới chưa từng có, xây dựng các mô hình khoa học mới, hay tạo ra các dạng biểu diễn mới – đòi hỏi kỹ năng khác với tối ưu hóa trong không gian đã biết.

Giới hạn của tối ưu hóa. Máy học về bản chất là quá trình tối ưu hóa: điều chỉnh tham số trong mô hình đã định để tối đa hóa kết quả mong muốn (ví dụ độ chính xác, phần thưởng) hoặc giảm thiểu lỗi. Điều này rất hiệu quả cho các nhiệm vụ như phân loại, dự đoán, và chơi game chiến lược khi không gian vấn đề rõ ràng. Tuy nhiên, tối ưu hóa không thể tạo ra tham số hoàn toàn mới, định nghĩa lại không gian vấn đề, hay phát minh giải pháp mới ngoài khuôn khổ đã cho.

Thiếu trí khôn thường thức. Một thành phần quan trọng còn thiếu trong AI hiện nay là trí khôn thường thức – kho kiến thức ngầm, phi đơn điệu mà con người dùng để điều hướng cuộc sống hàng ngày. Trí khôn thường thức giúp ta:

• Suy luận các sự thật không nói ra (ví dụ, nếu John có việc làm, anh ta kiếm tiền).
• Giải quyết sự mơ hồ (ví dụ, “tube” ở London nghĩa là tàu điện ngầm).
• Hiểu nghĩa phụ thuộc ngữ cảnh.
• Lập luận về nguyên nhân và kết quả.
  Thiếu điều này, AI gặp khó với các vấn đề không rõ ràng, tình huống bất ngờ, và thậm chí hiểu ngôn ngữ cơ bản, thường mắc những lỗi “ngớ ngẩn” mà con người không bao giờ phạm phải.

Sáng tạo là tái khái niệm hóa. Sáng tạo thực sự, như ở thiên tài con người, là “tái khái niệm hóa” – tạo ra bộ tham số mới hoặc biểu diễn vấn đề hoàn toàn mới. Nước đi “sáng tạo” của AlphaGo chỉ là một đường đi bất ngờ trong không gian trò chơi đã biết, chứ không phải định nghĩa lại trò chơi. AI có thể tạo ra các kết hợp mới trong khuôn khổ hiện có (ví dụ, nhạc mới theo phong cách đã học), nhưng không thể tự phát minh phong cách nghệ thuật hay mô hình khoa học mới.

5. Chuyên môn con người phát triển qua luyện tập có chủ ý và kiến thức trừu tượng

Trí nhớ vượt trội đến từ việc trở thành chuyên gia, chứ không phải chuyên môn đến từ trí nhớ tốt.

Kiến thức, không chỉ năng lực. Chuyên môn con người không chỉ là có trí nhớ tốt hơn hay tốc độ xử lý nhanh hơn; đó là việc thu nhận và tổ chức kiến thức sâu sắc, trừu tượng trong một lĩnh vực cụ thể. Các đại kiện tướng cờ vua, ví dụ, không chỉ nhớ nhiều vị trí quân cờ mà còn nhận diện các “khối” phức tạp hay mẫu quân cờ và ý nghĩa chiến lược của chúng, giúp họ nhanh chóng chọn nước đi chất lượng cao.

Biểu diễn trừu tượng. Chuyên gia khác người mới không chỉ ở lượng kiến thức mà còn ở cách họ biểu diễn vấn đề. Chuyên gia vật lý phân loại vấn đề theo nguyên lý cơ bản (ví dụ bảo toàn năng lượng), trong khi người mới chú ý đến các đặc điểm bề mặt (ví dụ lò xo, mặt phẳng nghiêng). Khả năng trừu tượng hóa từ chi tiết cụ thể lên nguyên lý cơ bản là dấu hiệu của chuyên môn, giúp giải quyết vấn đề hiệu quả và chuyển giao kiến thức.

“Quy tắc 10 năm” và luyện tập có chủ ý. Đạt được chuyên môn đỉnh cao trong nhiều lĩnh vực – từ âm nhạc, cờ vua đến thể thao và khoa học – thường cần khoảng 10.000 giờ hay 10 năm luyện tập có chủ ý. Đây không phải là luyện tập thông thường, mà là nỗ lực tập trung, có đo lường và phản hồi ngay lập tức, nhằm cải thiện các khía cạnh cụ thể của hiệu suất. Điều này cho thấy chuyên môn phần lớn được vun đắp, không phải bẩm sinh, và ngụ ý rằng với AI cũng không có con đường tắt để có kiến thức sâu sắc, chuyên ngành.

6. Nỗi sợ siêu trí tuệ và “ngày tận thế robot” là hiểu lầm căn bản

Nếu một cỗ máy được kỳ vọng là không bao giờ sai, nó cũng không thể thông minh.

Hiểu lầm về sự phát triển AI. Nỗi sợ “điểm kỳ dị công nghệ” hay “ngày tận thế robot,” nơi AI siêu trí tuệ tự cải tiến nhanh chóng và chiếm lĩnh thế giới, bắt nguồn từ nhiều hiểu lầm căn bản. Người ta thường nhầm lẫn sức mạnh tính toán với trí tuệ thực sự, cho rằng bộ xử lý nhanh hơn sẽ tự động dẫn đến sự tăng trưởng trí tuệ theo cấp số nhân. Tuy nhiên, trí tuệ đòi hỏi nhiều hơn tốc độ; nó cần kiến thức, kinh nghiệm và khả năng tương tác với thế giới không chắc chắn.

Giới hạn thực tế. Tốc độ AI “học” và “cải tiến” thường bị giới hạn bởi tốc độ tương tác và phản hồi thực tế, không chỉ bởi tốc độ xử lý. Ví dụ:

• Dự báo thời tiết phải chờ kết quả thời tiết thật.
• Xe tự lái học từ số dặm đã chạy, gặp các tình huống hiếm chậm.
• Các bài toán phức tạp như “tổng ba lập phương” có thể mất nhiều năm tính toán dù biến số ít.
  Những nút thắt vật lý và thông tin này giới hạn tốc độ mở rộng trí tuệ, ngăn chặn sự “bùng nổ” đột ngột, không kiểm soát.

Sai lầm “vấn đề thần đèn.” Các thí nghiệm tư duy như “máy tối đa hóa kẹp giấy” của Bostrom giả định AI sẽ theo đuổi mục tiêu mơ hồ đến hại nhân loại. Tuy nhiên, AI hiện tại không thể:

• Tự đặt hay định nghĩa lại mục tiêu.
• “Hiểu” sứ mệnh ngoài các tham số lập trình.
• Tạo ra giải pháp thực sự mới ngoài không gian biểu diễn đã cho.
  Những kịch bản này bỏ qua giới hạn sâu sắc của AI hiện nay và bản chất phức tạp, thường mâu thuẫn của giá trị và mục tiêu con người. Các “giải pháp bất ngờ” AI tìm được bị giới hạn bởi thiết kế, không phải là sáng tạo tùy tiện.

7. Để đạt trí tuệ nhân tạo tổng quát cần những mô hình mới về tự biểu diễn và học tập

Trí tuệ nhân tạo tổng quát sẽ cần khả năng tự tạo ra các biểu diễn mới mẻ của riêng nó.

Vượt qua tối ưu hóa. Con đường đến trí tuệ nhân tạo tổng quát (AGI) không thể chỉ là mở rộng các kỹ thuật máy học hiện tại – một “đống nhím.” AGI đòi hỏi sự chuyển đổi căn bản trong cách tiếp cận, vượt ra ngoài tối ưu hóa tham số trong các khung do con người thiết kế. Nó cần các cơ chế để:

• Tự nhận diện vấn đề và đặt mục tiêu: Nhận ra vấn đề và xác định mục tiêu mà không cần đầu vào rõ ràng từ con người.
• Sáng tạo biểu diễn mới: Phát minh cách mới để khái niệm hóa vấn đề, tương tự như sự thấu hiểu của con người.
• Học chuyển giao mạnh mẽ: Áp dụng kiến thức từ lĩnh vực này sang các vấn đề hoàn toàn mới, khác biệt mà không quên kiến thức cũ.

Học hỏi từ sự phát triển con người. Những hiểu biết từ phát triển nhận thức con người, như các giai đoạn của Piaget hay nhấn mạnh của Vygotsky về ngôn ngữ như công cụ tư duy, gợi ý AGI có thể hưởng lợi từ cách tiếp cận “máy trẻ con.” Điều này bao gồm bắt đầu với hệ thống đơn giản và cho phép chúng học qua tương tác và trải nghiệm, dần xây dựng sự phức tạp và hiểu biết trừu tượng. Tuy nhiên, điều này đòi hỏi vượt qua thách thức như học nhanh từ ít ví dụ và khả năng tạo lập phép ẩn dụ trừu tượng.

Thách thức của “hiểu biết.” Dù mô phỏng toàn bộ não bộ là khả thi về mặt lý thuyết, hiểu biết hiện tại của chúng ta về các quá trình phức tạp, động và thường ngẫu nhiên trong não còn quá hạn chế. Chúng ta chưa biết cách các neuron lưu trữ ký ức, thay đổi vai trò hay đóng góp vào ý thức. AGI có thể sẽ không xuất hiện từ bản sao sinh học hoàn hảo, mà từ các kiến trúc tính toán mới có khả năng:

• Lập luận phi đơn điệu: Điều chỉnh niềm tin khi có bằng chứng mới, mâu thuẫn.
• Khai thác phép ẩn dụ và tương tự: Nhận ra mối quan hệ bất ngờ giữa các khái niệm khác biệt.
• Điều hướng hệ thống hỗn loạn: Đối phó với hiện tượng thực tế nơi thay đổi nhỏ gây ảnh hưởng lớn khó đoán.
  Những năng lực này là ranh giới của nghiên cứu AGI, đòi hỏi một bước chuyển paradigme vượt ra ngoài các phương pháp thuật toán và tối ưu hóa hiện nay.