Buzz
Kết quả này đánh dấu một sự thay đổi rõ rệt so với niềm tin chung trong ngành công nghệ kể từ khi AI tạo sinh trở nên phổ biến vào năm 2022.
Một nghiên cứu mới công bố cho thấy các phương pháp hiện tại trong lĩnh vực trí tuệ nhân tạo (AI) có thể không đủ để phát triển những mô hình thông minh đạt hoặc vượt qua con người. Cuộc khảo sát của Hiệp hội Thúc đẩy Trí tuệ Nhân tạo (AAAI) với sự tham gia của 475 chuyên gia chỉ ra rằng 76% người tham gia tin rằng việc mở rộng các mô hình ngôn ngữ lớn (LLM) sẽ khó hoặc rất khó đạt được AGI – trí tuệ nhân tạo tương đương con người.
Điều này thể hiện sự thay đổi mạnh mẽ trong nhận thức, trái ngược với niềm tin phổ biến trong ngành công nghệ từ thời điểm bùng nổ AI tạo sinh năm 2022. Trong hai năm qua, nhiều công ty lớn đã cho rằng việc tăng dữ liệu, phần cứng và ngân sách sẽ giúp vượt qua trí thông minh của con người. Tuy nhiên, khi các mô hình mới không còn đột phá, giới chuyên gia nhận định rằng việc tiếp tục đầu tư vào mô hình cũ sẽ không giúp AI tiến xa hơn.
Giáo sư Stuart Russell từ Đại học UC Berkeley, đồng sáng lập khảo sát, cho biết hiệu quả cải tiến khi mở rộng mô hình đã giảm mạnh kể từ sau GPT-4 và chi phí ngày càng tăng cao. Theo ông, các công ty AI đã đầu tư quá sâu vào những mô hình này mà không thể quay lại, buộc phải tiếp tục dù biết con đường không còn hiệu quả. Nhiều chuyên gia gọi đây là hiện tượng ‘diminishing returns’ – đầu tư càng nhiều, kết quả càng hạn chế.
Các cải tiến đáng kể trong các LLM trong những năm qua chủ yếu dựa trên kiến trúc transformer mà Google giới thiệu vào năm 2017. Mô hình này giúp hệ thống học các mô hình xác suất từ dữ liệu đầu vào và đưa ra phản hồi dựa trên dự đoán. Tuy nhiên, việc mở rộng liên tục đòi hỏi lượng dữ liệu, năng lượng và chi phí rất lớn. Năm 2024, ngành AI tạo sinh đã thu hút tới 56 tỷ USD đầu tư mạo hiểm toàn cầu – phần lớn dùng để xây dựng các trung tâm dữ liệu siêu lớn, dẫn đến lượng khí thải carbon tăng gấp ba lần so với năm 2018.
Dữ liệu – nguồn nguyên liệu quan trọng của AI – cũng đang cạn kiệt. Dự báo cho thấy lượng dữ liệu do con người tạo ra đủ để huấn luyện mô hình sẽ hết vào cuối thập kỷ này. Khi đó, các công ty AI sẽ phải chọn giữa việc thu thập dữ liệu cá nhân hoặc để AI tự sử dụng dữ liệu do chính nó tạo ra, điều này có thể dẫn đến hiện tượng ‘tự nhiễm độc’, gây sai lệch và thậm chí sụp đổ mô hình.
Tuy nhiên, các chuyên gia cho rằng không chỉ vấn đề tài nguyên mà chính kiến trúc nền tảng của AI hiện nay cũng là một yếu tố giới hạn. Theo Stuart Russell, các mô hình hiện tại chủ yếu dựa vào “các mạch feedforward” – một phương pháp có những hạn chế cố hữu trong việc biểu diễn các khái niệm phức tạp.
Để mô hình có thể mô phỏng được những khái niệm phức tạp này, mạng lưới phải có quy mô cực lớn, giống như một bảng tra cứu khổng lồ. Điều này dẫn đến việc mô hình cần một lượng dữ liệu khổng lồ, nhưng vẫn không thể bao quát hết và thường để lại những khoảng trống lớn. Vì vậy, trong một số lĩnh vực như cờ vây, những người chơi thông thường vẫn có thể đánh bại các mô hình được cho là “siêu nhân”.
Tất cả những khó khăn này đang khiến nhiều công ty AI gặp phải thách thức lớn. Các chỉ số đánh giá hiệu suất mô hình gần như không có sự cải thiện đáng kể, và mô hình GPT-5 của OpenAI vẫn chưa được ra mắt. Trong khi đó, startup DeepSeek từ Trung Quốc đã chứng minh khả năng tạo ra mô hình đạt hiệu suất tương đương với các ông lớn phương Tây, nhưng chỉ tiêu tốn một phần chi phí và năng lượng. Điều này càng làm cho 79% chuyên gia trong khảo sát cho rằng nhận thức hiện tại về khả năng AI đang bị phóng đại quá mức.
Tuy nhiên, không phải tất cả đều ảm đạm. Một hướng đi đầy hy vọng là các mô hình reasoning – tức các mô hình có khả năng suy luận sâu hơn, xử lý thông tin một cách kỹ lưỡng thay vì chỉ đưa ra phản ứng nhanh dựa trên xác suất. Khi kết hợp với các hệ thống máy học khác và được tinh chỉnh thành các mô hình chuyên biệt, đây có thể là con đường dẫn đến những bước tiến đáng kể. Một số chuyên gia cũng hy vọng vào hướng lập trình xác suất – cách tiếp cận có thể mô hình hóa thế giới thực một cách linh hoạt và gần với AGI hơn.
Giáo sư Thomas Dietterich, một chuyên gia lão luyện trong ngành, cho rằng các bước tiến lớn trong công nghệ thường cần từ 10 đến 20 năm để đạt được thành tựu rõ ràng. Giống như các cuộc cách mạng trước đây, không loại trừ khả năng các startup AI hiện nay sẽ là ‘lứa thất bại đầu tiên’ trước khi thế hệ tiếp theo gặt hái được thành công lớn.
