Tại sao giấc mơ về một trợ lý ảo toàn năng vẫn phải mất ít nhất 5 năm nữa mới trở thành hiện thực?

Mặc dù các ông lớn công nghệ đang chạy đua ra mắt AI với cam kết về năng suất vượt trội, nhưng thực tế lại còn rất xa với những kỳ vọng. Những hạn chế cơ bản về công nghệ hiện tại khiến các "trợ lý toàn năng" này trở thành nỗi thất vọng lớn, đòi hỏi một bước tiến kỹ thuật đáng kể.

Hơn một năm qua, các tên tuổi lớn trong ngành như Microsoft, Salesforce hay ServiceNow đã liên tục giới thiệu các "tác nhân AI" (AI agents), với lời hứa sẽ tự động hóa quy trình làm việc và nâng cao hiệu quả năng suất doanh nghiệp.

Tuy nhiên, đằng sau những lời quảng bá rực rỡ, các chuyên gia cảnh báo rằng những công cụ này vẫn chỉ là phiên bản sơ khai và còn rất lâu mới đạt đến tiêu chuẩn của một tác nhân AI thực sự.

Thực trạng đáng buồn của các "tác nhân" AI hiện đại

Vấn đề chính nằm ở khả năng vận hành. Một tác nhân AI thực thụ phải có khả năng làm việc dài lâu, tự đặt mục tiêu, tương tác linh hoạt với môi trường, sử dụng công cụ và tự điều chỉnh chiến lược.

Nhưng thực tế, những gì chúng ta có hiện nay, như các "tác nhân" trong Microsoft 365, thực chất chỉ là công cụ tạo văn bản tự động. Chúng chỉ hoạt động trong những cuộc trò chuyện đơn giản và thường xuyên thất bại khi đối mặt với các tác vụ vượt ra ngoài những ngữ cảnh đã được lập trình trước.

Dữ liệu thị trường cũng phản ánh sự thiếu quan tâm này. Theo báo cáo của Menlo Ventures, sự tăng trưởng chủ yếu tập trung vào các công cụ hỗ trợ đơn giản (co-pilot) như Enterprise, thay vì các nền tảng tác nhân phức tạp. Điều đáng lo ngại là, Judson Althoff - Giám đốc điều hành mảng kinh doanh thương mại của Microsoft - gần đây đã thừa nhận tỷ lệ thất bại của các dự án AI vượt quá 80%.

Các nhà nghiên cứu từ Đại học Stanford cũng đã chỉ ra rằng, mặc dù các mô hình ngôn ngữ lớn (LLM) có khả năng suy luận ấn tượng, nhưng chúng vẫn "vỡ vụn" khi phải đối mặt với những kế hoạch phức tạp và nhiều bước. Các giải pháp mà chúng đưa ra thường dễ bị sụp đổ chỉ với những thay đổi nhỏ trong dữ liệu đầu vào.

Hai rào cản kỹ thuật lớn

Để hiện thực hóa giấc mơ AI tác nhân, ngành công nghiệp phải vượt qua hai thách thức kỹ thuật cơ bản: Học tăng cường (Reinforcement Learning - RL) và Bộ nhớ (Memory).

Về học tăng cường, thành tựu đáng chú ý nhất hiện nay là AlphaZero của Google DeepMind, đã làm chủ được các trò chơi cờ vua và cờ vây. Tuy nhiên, việc áp dụng RL vào các tác vụ doanh nghiệp phức tạp và mở rộng lại là một bài toán hoàn toàn khác.

Các dự án mới như Agent-R1 của Trung Quốc hay Sophia của Đại học Westlake đang nỗ lực tích hợp RL vào LLM để tạo ra sự tự chủ, nhưng tất cả vẫn còn ở giai đoạn "sơ khai". Một hướng hứa hẹn là DiscoRL của Google DeepMind, nơi AI tự thiết kế thuật toán học cho chính mình, nhưng khả năng khái quát hóa của nó sang các quy trình kinh doanh thực tế vẫn chưa rõ ràng.

Về bộ nhớ, các LLM hiện tại vẫn bị giới hạn bởi "cửa sổ ngữ cảnh". Chúng không thể duy trì sự liên tục của thông tin trong các tác vụ kéo dài. Một báo cáo từ Stanford chỉ ra rằng AI vượt trội hơn con người trong các tác vụ ngắn hạn (dưới 2 giờ), nhưng lại yếu kém hoàn toàn khi thời gian kéo dài lên đến 32 giờ vì khả năng ghi nhớ hạn chế.

Để giải quyết vấn đề này, AI cần một cơ chế quản lý bộ nhớ hoàn toàn mới, cho phép truy xuất thông tin từ các tương tác trong quá khứ một cách linh hoạt, thay vì chỉ dựa vào dữ liệu mới nhập vào.

Chờ đợi một bước đột phá

Sự bế tắc này tạo nên một vòng luẩn quẩn: Học tăng cường cần một bộ nhớ tốt hơn để tiến bộ, nhưng việc phát triển bộ nhớ mới lại phụ thuộc vào khả năng học của chính AI. Ngay cả Trí tuệ nhân tạo tổng quát (AGI) cũng không phải là phép màu có thể giải quyết vấn đề này chỉ trong một sớm một chiều.

Nhìn lại lịch sử phát triển từ mô hình Transformer (2017) đến (2022), các chuyên gia tin rằng chúng ta vẫn cần ít nhất 5 năm nữa để chứng kiến sự ra đời của những tác nhân AI thực sự đáng tin cậy. Cho đến thời điểm đó, các doanh nghiệp có lẽ nên chuẩn bị tâm lý để không bị thất vọng vì những lời hứa hẹn quá sớm từ các nhà cung cấp công nghệ.