Từ nước cờ khiến cả thế giới bất ngờ
Khái niệm “Nước đi 37” bắt nguồn từ trận đấu lịch sử giữa AlphaGo của Google DeepMind và kỳ thủ cờ vây huyền thoại Lee Sedol tại Seoul (Hàn Quốc) năm 2016.
Trong ván đấu thứ hai, ở nước đi thứ 37, AlphaGo thực hiện một nước cờ khác thường đến mức ban đầu nhiều chuyên gia cho rằng đó có thể là một sai lầm. Nhưng diễn biến sau đó cho thấy đây lại là một lựa chọn có tính chiến lược cao.
Khoảnh khắc này nhanh chóng vượt ra khỏi phạm vi một trận cờ vây. Nó trở thành biểu tượng cho khả năng của trí tuệ nhân tạo trong việc tìm kiếm những phương án mà tư duy thông thường của con người khó dự đoán.
Demis Hassabis, đồng sáng lập và CEO Google DeepMind, người sau này nhận Giải Nobel Hóa học nhờ những đóng góp liên quan đến dự đoán cấu trúc protein, từng nhìn nhận đây là một trong những thời điểm xã hội bắt đầu nhận thấy rõ hơn sức mạnh của AI: không chỉ xử lý dữ liệu hay làm theo những gì con người đã biết, máy móc còn có thể tìm ra những ý tưởng mới.
Từ bàn cờ vây đến những bài toán khó
Gần một thập kỷ sau trận đấu AlphaGo - Lee Sedol, năng lực của AI đã mở rộng nhanh chóng sang nhiều lĩnh vực.
Toán học là một ví dụ nổi bật. Nếu như năm 2023, các mô hình AI vẫn gặp không ít khó khăn với những bài toán tưởng như cơ bản, thì đến năm 2025, các hệ thống AI của Google DeepMind và OpenAI đã đạt kết quả tương đương mức huy chương vàng tại Olympic Toán học Quốc tế (IMO).
Theo các tài liệu kỹ thuật được đề cập, hệ thống của Anthropic thậm chí đạt điểm tuyệt đối trong một bài kiểm tra liên quan đến các bài toán IMO.
Không chỉ dừng lại ở những kỳ thi được thiết kế cho con người, AI còn bắt đầu tham gia giải quyết các vấn đề toán học chuyên sâu. OpenAI được cho là đã đạt tiến triển đối với một bài toán Erdős và tạo ra nhiều kết quả trong các lĩnh vực như mật mã dựa trên lưới hay hình học nhiều chiều, với chi phí năng lực tính toán ở mức vài nghìn USD.
Nếu những kết quả này tiếp tục được kiểm chứng và mở rộng, AI có thể không chỉ là công cụ hỗ trợ tính toán, mà từng bước trở thành một “đối tác nghiên cứu”, giúp con người tìm kiếm những hướng tiếp cận mới cho các vấn đề khoa học phức tạp.
Khi sự sáng tạo của AI đi kèm câu hỏi về kiểm soát
Khả năng tạo ra những “Nước đi 37” mới cũng mang đến một mặt khác đáng chú ý.
Khi các hệ thống AI ngày càng có khả năng lập kế hoạch và thực hiện chuỗi nhiệm vụ phức tạp, việc dự đoán đầy đủ hành vi của chúng trở nên khó khăn hơn.
Theo nội dung các nghiên cứu được dẫn lại, một nhà nghiên cứu của Anthropic từng ghi nhận trường hợp hệ thống AI thực hiện hành động gửi email trong một tình huống mà khả năng truy cập và quyền hạn của hệ thống đặt ra những câu hỏi cần được làm rõ.
Các nghiên cứu về tác nhân AI cũng cho thấy những hệ thống nhiều tác nhân có thể phối hợp để xây dựng kế hoạch thực hiện các nhiệm vụ an ninh mạng phức tạp trong thời gian dài.
Điều đáng quan tâm ở đây không chỉ nằm ở một hành động cụ thể, mà là khả năng AI có thể tìm ra những phương thức hành động mới ngoài dự đoán ban đầu của người thiết kế.
Nhà nghiên cứu AI Andrej Karpathy từng đề cập đến tính hai mặt của hiện tượng này: khả năng máy móc tự tìm ra những hành động mới và hiệu quả có thể tạo nên những bước tiến đáng kinh ngạc, nhưng đồng thời cũng khiến việc kiểm soát các hệ thống AI trở thành một bài toán ngày càng quan trọng.
Kỷ nguyên “khoa học nhân mã”
Ở chiều ngược lại, sự phát triển của AI không nhất thiết dẫn đến một tương lai trong đó máy móc thay thế hoàn toàn con người.
Một hướng tiếp cận đang được nhấn mạnh là mô hình kết hợp giữa trí tuệ con người và năng lực tính toán của AI - đôi khi được ví như “khoa học nhân mã”.
Theo cách tiếp cận này, AI có thể xử lý lượng dữ liệu khổng lồ, thử nghiệm nhiều giả thuyết và tìm kiếm những mối liên hệ mà con người khó phát hiện bằng phương pháp truyền thống. Trong khi đó, con người giữ vai trò xác định vấn đề, đặt câu hỏi, đánh giá kết quả và quyết định hướng nghiên cứu.
Điều này đặc biệt quan trọng trong những lĩnh vực phức tạp như hóa học, sinh học hay phát triển thuốc. Một hệ thống AI có thể đưa ra hàng nghìn phương án, nhưng việc xác định phương án nào thực sự có ý nghĩa vẫn cần đến kiến thức chuyên môn, trực giác khoa học và khả năng đánh giá của con người.
Bài học từ “Nước đi 37” vì thế không đơn thuần là câu chuyện AI có thể thông minh đến đâu.
Năm 2016, AlphaGo khiến thế giới kinh ngạc khi tìm ra một nước cờ mà nhiều kỳ thủ hàng đầu không nghĩ tới. Một thập kỷ sau, câu hỏi lớn hơn đang xuất hiện: Khi AI có thể tạo ra ngày càng nhiều “Nước đi 37” trong toán học, khoa học và công nghệ, con người sẽ sử dụng năng lực đó như thế nào?
Có lẽ cuộc cạnh tranh quan trọng nhất không phải là con người phải suy nghĩ giống AI, mà là làm thế nào để con người tiếp tục tạo ra những “nước đi” của riêng mình: biết đặt đúng câu hỏi, lựa chọn đúng mục tiêu và xây dựng những giới hạn cần thiết để công nghệ phục vụ con người.
Trong kỷ nguyên AI, khả năng sáng tạo của máy móc có thể tiếp tục khiến thế giới bất ngờ. Nhưng quyền xác định AI nên đi về đâu vẫn cần nằm trong những quyết định có trách nhiệm của con người.