AGI và AI tương lai
Viện DeepMind phác thảo bốn lộ trình từ AGI đến siêu trí tuệ

Điểm chínhĐiện toán hiệu quả toàn cầu đã tăng ít nhất gấp mười lần mỗi năm trên cả phần cứng và…
Xem thêm
- Điện toán hiệu quả toàn cầu đã tăng ít nhất gấp mười lần mỗi năm trên cả phần cứng và thuật toán.
- Chỉ hạn chế điện toán huấn luyện sẽ không nhất thiết ngăn chặn tiến bộ vì các con đường có thể cộng dồn.
- Thách thức gần hạn hơn là phân biệt tốc độ và số lượng tác nhân lớn hơn với những năng lực thực sự mới.
Ngày 19 tháng 11 năm 2026, Viện DeepMind đã công bố một bài luận, phác thảo bốn con đường để AI có thể tiến từ trí tuệ nhân tạo tổng quát (AGI) ở cấp độ con người đến siêu trí tuệ nhân tạo tổng quát (ASI), đồng thời nhấn mạnh rằng tiến bộ nhanh chóng có thể tiếp diễn nhưng điều đó còn lâu mới được đảm bảo.
Bốn lộ trình gồm tiếp tục mở rộng quy mô mô hình và dữ liệu, những bước chuyển đổi mô hình công nghệ, sự phối hợp giữa các nhóm tác nhân AI đông đảo và khả năng tự cải tiến đệ quy, trong đó các hệ thống AI góp phần cải thiện những hệ thống ra đời sau. Mỗi lộ trình đều có những nút thắt kỹ thuật và vấn đề đo lường riêng.
Bài luận dùng AGI để chỉ các hệ thống có năng lực xấp xỉ con người trong gần như mọi nhiệm vụ nhận thức. ASI phải có khả năng vượt trội một cách đáng tin cậy so với những nhóm chuyên gia đông đảo khi thực hiện các công việc mà những nhóm đó có thể mất nhiều năm mới hoàn thành, đồng thời sử dụng ít nguồn lực hơn và cần ít thời gian hơn, trong hầu như mọi nhiệm vụ mà con người quan tâm. Năng lực vượt trội ở phạm vi hẹp trong cờ vua, cờ vây hay dự đoán cấu trúc protein không được xem là đủ tiêu chuẩn.
Bài luận kế thừa Từ AGI đến ASI, một báo cáo kỹ thuật được Google DeepMind ghi ngày 12 tháng 6 năm 2026, cùng các cuộc thảo luận tiếp theo tại viện. Bản văn trên arXiv của báo cáo minh họa tiêu chuẩn ASI bằng khả năng vượt trội một cách đáng tin cậy so với hàng chục nghìn chuyên gia phối hợp nhịp nhàng, cùng giải quyết một vấn đề trong mười năm, với công nghệ và các sản phẩm văn hóa sẵn có vào năm 2010. Báo cáo trước đó đã giới thiệu cùng khung bốn lộ trình này.
ASI vẫn sẽ thấp hơn rất nhiều so với những giới hạn lý thuyết của trí tuệ. Bài luận nêu ra các giới hạn vật lý, logic và độ phức tạp, vốn ngăn cản việc đưa ra những dự đoán chính xác tùy ý về các hệ thống trong thế giới thực, bao gồm khí hậu, hệ miễn dịch và xã hội loài người. Vì vậy, AI ở cấp độ con người chỉ là một điểm trên một dải liên tục, với một khoảng rộng lớn và phần lớn chưa được khám phá nằm giữa điểm đó và những giới hạn này.
Công nghiệp hóa hoạt động nhận thức và chi phí ngày càng giảm
Bài luận ước tính rằng năng lực tính toán hiệu dụng toàn cầu, kết hợp những cải tiến phần cứng, đầu tư vào phần cứng AI và hiệu quả thuật toán, đã tăng ít nhất gấp mười lần mỗi năm. Nếu ngoại suy tốc độ đó trong một thập kỷ, mức tăng sẽ đạt hệ số 10 tỷ. Với mỗi tác nhân AI hiện có thể chạy được, kịch bản này hàm ý rằng số tác nhân có cùng chất lượng sẽ vượt dân số loài người, với điều kiện các xu hướng đó tiếp tục.
Ví dụ về chi phí trong bài luận giả định rằng nhu cầu tính toán giảm khoảng 4 lần mỗi năm nhờ những cải tiến phần cứng và hiệu quả suy luận. Với tốc độ đó, một khối lượng công việc tiêu tốn 1 tỷ USD tiền token tính toán sẽ chỉ tốn 1.000 USD sau mười năm. Bài luận mô tả quá trình tiêu chuẩn hóa và tự động hóa công việc nhận thức kéo theo đó là “công nghiệp hóa hoạt động nhận thức”, tương tự quá trình biến lao động chân tay thường nhật thành một loại hàng hóa phổ thông. Ngay cả khi không có những bước tiến vượt bậc ở các mô hình tiên tiến nhất, sự chuyển dịch này vẫn có thể làm thay đổi công việc tri thức và nền kinh tế nói chung.
Bài luận lưu ý rằng chỉ mở rộng quy mô có thể vẫn chưa đủ để đạt AGI hoàn chỉnh nếu một số nhiệm vụ nhận thức đòi hỏi sự trợ giúp của con người. Khi đã có các hệ thống đạt năng lực gần như ngang tầm con người trên diện rộng, những tác nhân nhanh hơn và đông đảo hơn có thể giúp thu hẹp khoảng cách đến một dạng ASI yếu, nhờ tốc độ xử lý, bộ nhớ, khả năng di chuyển giữa các phần cứng máy tính, khả năng sao chép mã và trạng thái bộ nhớ gần như không mất mát, cùng việc chia sẻ trải nghiệm với băng thông cao của các hệ thống số.
Bốn lộ trình và những giới hạn của chúng
Việc tiếp tục mở rộng quy mô có thể vấp phải tình trạng cạn kiệt dữ liệu huấn luyện chất lượng cao, lợi ích giảm dần khi mỗi bước nâng cao năng lực đòi hỏi phải tăng gấp nhiều lần năng lực tính toán và kích thước mô hình, cũng như các giới hạn vật lý hoặc kinh tế liên quan đến sản xuất điện, lưới điện, chế tạo chip và kết nối giữa các phần cứng. Các quy luật mở rộng quy mô được khớp theo kiến trúc, dữ liệu và phương pháp đánh giá hiện tại không thể dự đoán một cách đáng tin cậy cần mở rộng đến mức nào để đạt AGI hoặc ASI.
Những bước chuyển đổi mô hình công nghệ nhằm khắc phục các hạn chế trong học liên tục, một số dạng mô hình hóa thế giới, khả năng ra quyết định và hiệu quả sử dụng mẫu, tức lượng dữ liệu huấn luyện mà một hệ thống cần để đạt được một năng lực nhất định. Các hệ thống hiện nay cũng có thể chưa có khả năng tạo ra những khái niệm và trừu tượng hóa thực sự mới, thay vì chỉ kết hợp lại những gì đã có. Giới nghiên cứu chưa thống nhất về việc liệu những thay đổi từng bước đối với mô hình Transformer đang chiếm ưu thế có thể khắc phục các hạn chế đó hay cần đến những chuyển đổi sâu rộng hơn.
Bài luận cho rằng sự phối hợp giữa các tác nhân mở ra một lộ trình tập thể, nhưng hiện chưa có các quy luật mở rộng quy mô cho hệ đa tác nhân. Sự thiếu hiệu quả trong phối hợp, thông tin sai lệch, thao túng và thông đồng có thể làm suy yếu các nhóm lớn, do đó cần có các biện pháp phòng vệ ở cấp độ thể chế và tổ chức. Tự cải tiến đệ quy tạo thêm các vòng phản hồi thông qua mã và thiết kế phần cứng, dữ liệu có thể tái sử dụng được tạo ra trong quá trình triển khai, hoặc sự chuyên môn hóa trong các nhóm tác nhân. Phản hồi kém có thể khiến những vòng lặp này đình trệ hoặc suy giảm; tiến bộ được kỳ vọng sẽ nhanh hơn ở những lĩnh vực có thể tự động kiểm chứng đầu ra, chẳng hạn như chứng minh toán học.
Các lộ trình này có thể cộng hưởng và thúc đẩy lẫn nhau. Bài luận lập luận rằng nếu một lộ trình đình trệ, cạnh tranh kinh tế và địa chính trị có thể chuyển nỗ lực sang những lộ trình khác; vì vậy, chỉ hạn chế năng lực tính toán dùng cho huấn luyện chưa chắc đã ngăn được tiến bộ nói chung. Việc kìm hãm một đầu vào trong khi những đầu vào khác tiếp tục phát triển cũng có thể tạo ra một “khoảng năng lực tiềm ẩn”, rồi dẫn đến mức tăng trưởng dốc hơn khi hạn chế được nới lỏng hoặc vượt qua.
Đo lường tiến bộ vượt ra ngoài AGI
Giải pháp được đề xuất là xây dựng mô hình, đo lường, dự báo rồi lặp lại thông qua hợp tác liên ngành giữa các phòng thí nghiệm tiên phong và các tổ chức cấp quốc gia, toàn cầu. Một số chỉ số cần thiết đòi hỏi quyền truy cập vào các mô hình tiên phong, năng lực tính toán đáng kể dành cho việc đánh giá, cùng các phương pháp xây dựng mô hình và đo chuẩn mới.
Liệu những lộ trình đó có dẫn đến siêu trí tuệ nhân tạo (ASI) hay không, và theo khung thời gian nào, vẫn chưa có lời giải đáp. Thách thức trước mắt là xây dựng các phương pháp đánh giá có thể phân biệt việc tác nhân hoạt động nhanh hơn và gia tăng về số lượng với những năng lực thực sự mới, đồng thời bảo đảm các cơ quan công quyền có đủ quyền truy cập và năng lực tính toán để theo dõi những lộ trình có thể củng cố lẫn nhau.












