Dự đoán 2026: Từ Sự Phổ Biến Của Mô Hình Ngôn Ngữ Lớn Đến Thời Đại Bộ Nhớ Động

Vào đầu năm 2025, tôi đã dự đoán sự phổ biến của mô hình ngôn ngữ lớn.

Khi giá token sụp đổ và các doanh nghiệp chuyển từ thí nghiệm sang sản xuất, dự đoán đó nhanh chóng trở thành hiện thực, làm thay đổi cách các hệ thống AI được xây dựng và quản lý khi bước vào năm 2026.

Những gì năm 2025 đã làm đúng

Một số xu hướng mà năm ngoái còn chưa chắc chắn đã trở thành hiện thực.

Trước hết, mô hình ngôn ngữ lớn đã trở thành cơ sở hạ tầng AI cơ bản. Việc cắt giảm chi phí và cải thiện đường ống suy luận đã đẩy nhiều khối lượng công việc vào sản xuất, đặc biệt là cho các nhiệm vụ đơn giản như trích xuất thực thể, phân loại và tóm tắt. Câu hỏi đối với các doanh nghiệp không còn là “mô hình nào nên sử dụng?” mà là “làm thế nào để thiết kế hệ thống có thể tồn tại sự thay đổi của mô hình?”

Thứ hai, các tác nhân đã chứng minh rằng chúng có thể tiêu thụ khối lượng lớn văn bản doanh nghiệp. Các nhà lãnh đạo tiếp tục bị thách thức bởi sự hỗn loạn mà tài liệu tuân thủ mang lại khi muốn trích xuất dữ liệu để thông báo quyết định. Dữ liệu giao tiếp mà trước đây bị bỏ qua trong email, vé và nhật ký trò chuyện hiện đang được các tác nhân sử dụng tích cực để cung cấp thông tin và khuyến nghị. Điều này giống như làn sóng dữ liệu lớn đầu tiên của những năm 2010, khi lưu trữ giá rẻ và các công cụ mới đã mở khóa các tập dữ liệu đang ngủ yên.

Thứ ba, kiến thức biểu tượng đã trở lại âm thầm. Các đồ thị kiến thức, từng được coi là tốn kém và dễ vỡ, đã tìm thấy cuộc sống mới thông qua GraphRAG và trích xuất được các tác nhân thúc đẩy. Các đồ thị không hoàn hảo đã chứng minh được hữu ích. Sự lặp lại hiện quan trọng hơn sự hoàn hảo ban đầu. Điều này không chỉ là một nỗ lực tái thương hiệu mà là một sự thay đổi thực sự trong cách các hệ thống biểu tượng và thống kê làm việc cùng nhau.

Cuối cùng, sự tinh chỉnh đã giành lại tầm quan trọng. Khi học trong ngữ cảnh đối mặt với những hạn chế về độ trễ và nhiệm vụ nặng về lý luận, các mô hình chuyên dụng nhỏ hơn đã trở nên hấp dẫn lại. Ngành công nghiệp đã tái khám phá một sự thật cũ: không mọi vấn đề đều cần một mô hình tổng quát khổng lồ.

Mặc dù những xu hướng này đã trở nên thiết yếu, nhưng điểm chuyển thực sự sẽ xảy ra vào năm 2026.

Bộ nhớ động trở thành cơ sở

Vào năm 2026, các tác nhân sẽ ngừng trở thành công cụ không trạng thái và bắt đầu hành động như các hệ thống có bộ nhớ.

Đây là nơi ý tưởng về bộ nhớ động xuất hiện. Mặc dù rất hấp dẫn khi mô tả điều này như một sự tái thương hiệu của đồ thị kiến thức, nhưng cách định hình đó bỏ qua điểm chính. Bộ nhớ động là một sự tiến hóa. Nó kết hợp các biểu diễn biểu tượng có cấu trúc với khả năng của các tác nhân để lý luận, cập nhật và hành động theo thời gian.

Bộ nhớ là thứ biến các tác nhân từ những người phản ứng phản xạ thành các hệ thống ra quyết định. Nếu không có nó, các tác nhân sẽ lặp lại công việc, ảo giác về ngữ cảnh và thất bại trong việc học hỏi từ các hành động trong quá khứ. Với nó, các doanh nghiệp có thể xây dựng các hệ thống AI tích lũy kiến thức tổ chức thay vì vứt bỏ nó tại mỗi lời nhắc.

Sự hợp nhất mô hình thay thế sự tôn thờ mô hình

Một trong những phát triển ít được thảo luận nhất là sự trỗi dậy của sự hợp nhất mô hình và đào tạo phân tán. Thay vì đào tạo các mô hình khổng lồ từ đầu đến cuối, các nhà nghiên cứu đang ngày càng phân rã vấn đề. Các mô hình chuyên dụng nhỏ hơn được đào tạo độc lập và sau đó kết hợp.

Cách tiếp cận này đầu tiên xuất hiện trong các cuộc thi nghiên cứu và thử thách thực nghiệm. Vào năm 2025, nó đã trưởng thành thành các hướng dẫn đầy đủ và các đường ống sẵn sàng sản xuất. Các ví dụ công khai, bao gồm các thí nghiệm đào tạo phân tán từ Cohere, cho thấy một sự thay đổi rộng lớn hơn.

Vào năm 2026, chúng ta sẽ thấy một thị trường thực sự cho các mô hình ngôn ngữ nhỏ hơn mà các doanh nghiệp có thể sở hữu, biên soạn và thích nghi. Trọng tâm chuyển từ “ai có mô hình lớn nhất” sang “ai có thể lắp ráp hệ thống hiệu quả nhất”.

AI cho khoa học rời khỏi phòng thí nghiệm

AI cho khoa học không còn chỉ là một tò mò nghiên cứu. Vào năm 2025, các hội thảo vật lý, sinh học và khoa học vật liệu tại các hội nghị lớn đã thu hút được sự quan tâm không ngờ. Các quỹ từ thiện giàu có và các nhà tài trợ tư nhân đã bắt đầu tài trợ cho các nỗ lực AI khoa học quy mô lớn. Các công ty khởi nghiệp đã xuất hiện với sự tập trung rõ ràng vào việc phát hiện thuốc, thiết kế vật liệu và mô phỏng.

Vào năm 2026, việc tạo ra giá trị sẽ bắt đầu hiển hiện. Nếu AI đẩy nhanh việc phát hiện ra một loại kháng sinh mới, một phương pháp điều trị ung thư hoặc một vật liệu mới, lợi nhuận sẽ vượt qua chi phí tính toán. Điều này làm cho AI khoa học trở thành một trong những ứng dụng kinh tế nhất trong lĩnh vực này.

Tuy nhiên, AI sẽ không tạo ra các định luật vật lý mới một cách ma thuật. AlphaFold đã thành công vì vấn đề đã được định nghĩa rõ ràng. Vật lý vẫn thiếu khoảnh khắc Hilbert, một định nghĩa rõ ràng và chia sẻ về các vấn đề cốt lõi cần giải quyết. Việc định nghĩa các vấn đề đúng vẫn là một nhiệm vụ của con người.

Bằng chứng tạo nội dung tăng lên

Một trong những thông tin bất ngờ nhất trong năm qua đến từ các nhà xã hội học.

Rủi ro lớn nhất của AI tạo nội dung là không phải mất việc làm. Đó là sự xói mòn của bằng chứng. Bằng chứng về quyền tác giả. Bằng chứng về công việc. Bằng chứng về tính xác thực. Bằng chứng về nhân loại.

Khi nội dung tạo bởi AI tràn ngập mọi phương tiện, xã hội sẽ đòi hỏi các cơ chế mới để xác minh ai đã tạo ra điều gì. Đây là nơi các ý tưởng từ mã hóa và blockchain tái xuất hiện trong cuộc trò chuyện, không phải là tài sản đầu cơ mà là cơ sở hạ tầng cho việc quy kết và xác minh.

AI có thể trở thành chất xúc tác cuối cùng giúp các hệ thống này có một mục đích thực sự.

Các tác nhân học thông qua công cụ, không phải văn bản

Các mô hình ngôn ngữ lớn được trang bị công cụ cơ bản khác với các rô-bốt trò chuyện. Công cụ quan trọng nhất cho các tác nhân ngày nay là终端.

Các điểm chuẩn như Terminal Bench đã chính thức hóa sự thay đổi này. Các tác nhân có thể tương tác với dòng lệnh, API và môi trường học bằng cách thực hiện. Các phòng thí nghiệm tiền phong đang chi hàng trăm triệu đô la để thu thập dữ liệu nhiệm vụ có kỹ năng cao để đào tạo các tác nhân này.

Các tập dữ liệu là riêng tư và phân mảnh, điều này có một tác dụng phụ quan trọng. Các mô hình sẽ ngừng suy nghĩ giống nhau. Khi dữ liệu đào tạo phân kỳ, các mô hình tiền phong sẽ phát triển các kỹ năng và phong cách lý luận riêng biệt. Sự đồng nhất là một hiện象 tạm thời của dữ liệu được chia sẻ. Sự đa dạng đang trở lại.

Khi các trợ lý mã hóa như Claude Code và OpenAI Codex cải thiện mỗi ngày, chúng ta con người sẽ chiết xuất kiến thức từ chúng dưới dạng phần mềm. Về cơ bản, điều này bắt đầu giống như những gì một số người gọi là nhà máy chưng cất phần mềm, nơi các mô hình lớn giúp thiết kế các hệ thống sau đó được chưng cất thành phần mềm rẻ hơn, chuyên dụng cho nhiệm vụ, rẻ hơn về mặt tính toán để chạy trên CPU thay vì được thực thi trực tiếp bởi các mô hình tiền phong. Nếu việc tạo token trở nên rẻ hơn đáng kể và các trợ lý mã hóa trở nên tinh vi hơn, phần mềm bản thân có thể trở thành một điều của quá khứ, vì con người có thể cần phải ở trong vòng lặp. Ý tưởng này nghe có vẻ không thể tin được ngày nay, nhưng ý tưởng rằng hàng tỷ transistor có thể một ngày nào đó nằm trong một điện thoại di động vào những năm 1960 cũng vậy.

Nhìn về phía trước

Nếu năm 2025 là năm mô hình ngôn ngữ lớn trở nên rẻ, năm 2026 sẽ là năm trí tuệ trở nên có cấu trúc.

Những người chiến thắng sẽ không phải là những người có mô hình lớn nhất, mà là những người xây dựng các hệ thống nhớ, lý luận, quy kết và tiến hóa. AI không còn chỉ là về khả năng thô nữa mà là về kiến trúc.

Và đó là nơi những tiến bộ thực sự tiếp theo sẽ xảy ra.

Năm 2026 sẽ là năm trí tuệ trở nên có cấu trúc. Những người chiến thắng sẽ không phải là những người có mô hình lớn nhất, mà là những người xây dựng các hệ thống nhớ, lý luận, quy kết và tiến hóa. AI không còn chỉ là về khả năng thô nữa mà là về kiến trúc. Và đó là nơi những tiến bộ thực sự tiếp theo sẽ xảy ra.