Trí tuệ Jagged: Tại sao AI đạt được thành tích tại các kỳ thi Olympic nhưng lại gặp khó khăn với toán học cơ bản

Cộng đồng trí tuệ nhân tạo đã kỷ niệm một cột mốc đáng chú ý vào năm 2025 khi cả Google DeepMind (GOOGL ) và hệ thống OpenAI đạt được thành tích huy chương vàng tại Kỳ thi Olympic Toán học Quốc tế. Những mô hình AI này đã giải quyết các vấn đề mà chỉ một số ít trong những nhà toán học trẻ tài năng nhất trên thế giới có thể giải quyết. Tuy nhiên, những hệ thống này thường gặp khó khăn khi được yêu cầu thực hiện các phép toán cơ bản mà bất kỳ học sinh trung học nào cũng có thể thực hiện dễ dàng. Sự mâu thuẫn này tiết lộ điều gì đó cơ bản về bản chất của trí tuệ nhân tạo ngày nay. Chúng ta đang chứng kiến sự xuất hiện của những gì chỉ có thể được gọi là trí tuệ jagged, nơi máy móc thể hiện khả năng siêu phàm trong một số lĩnh vực nhưng lại thất bại trong các nhiệm vụ mà chúng ta coi là cơ bản.

Chiến thắng tại Olympic

Kỳ thi Olympic Toán học Quốc tế là tiêu chuẩn hàng đầu trong cạnh tranh toán học trước đại học. Mỗi năm, những nhà toán học trẻ tài năng nhất từ khắp nơi trên thế giới giải quyết sáu vấn đề đòi hỏi sự sâu sắc, tư duy sáng tạo và kỹ thuật chứng minh cấp cao. Vào năm 2025, các hệ thống AI từ cả Google DeepMind và OpenAI đã đạt được 35 điểm trên 42, đủ để giành huy chương vàng. AlphaGeometry 2 của DeepMind đã giải quyết một vấn đề hình học phức tạp trong chỉ 19 giây, trong khi AlphaProof đã giải quyết các vấn đề trong lý thuyết số và đại số mà đã đánh bại hầu hết các thí sinh người.

Khó khăn cơ bản

Những hệ thống AI cùng đạt được huy chương vàng tại các kỳ thi Olympic nhưng lại thường gặp khó khăn với các nhiệm vụ mà dường như rất đơn giản. Ví dụ, nếu bạn yêu cầu chúng nhân các số lớn, chúng có thể tự tin sản xuất ra các câu trả lời sai. Tương tự, nếu bạn cố gắng thực hiện các phép toán cơ bản khác, hiệu suất của chúng trở nên khó đoán. Vấn đề này không chỉ giới hạn ở việc tính toán đơn giản. Những hệ thống này thường gặp khó khăn với các vấn đề từ ngôn ngữ đòi hỏi theo dõi nhiều lượng, hiểu ngữ cảnh thế giới thực hoặc áp dụng các phép toán cơ bản theo trình tự.

Mâu thuẫn kiến trúc

Sự mâu thuẫn giữa thành tích Olympic và thất bại trong toán cơ bản tiết lộ một vấn đề kiến trúc sâu sắc hơn. Các hệ thống AI hiện đại đạt được thành tích trong các vấn đề có thể được giải quyết thông qua nhận dạng mẫu, suy luận logic và tìm kiếm hệ thống trong không gian giải pháp. Các vấn đề Olympic, mặc dù khó khăn, thường có cấu trúc đẹp mà AI có thể khai thác. Các hệ thống có thể khám phá các chiến lược chứng minh khác nhau, xác minh các bước logic và xây dựng dựa trên các khuôn khổ toán học đã thiết lập. Chúng hoạt động trong một thế giới của các ký hiệu và quy tắc nơi tính nhất quán và logic thống trị.

Dữ liệu đào tạo và giới hạn của nó

Khả năng của AI phụ thuộc rất nhiều vào chất lượng và bản chất của dữ liệu đào tạo. Các chứng minh toán học và các vấn đề tiên tiến thường xuất hiện trong các định dạng được cấu trúc tốt trực tuyến. Các bài báo học thuật, sách giáo khoa và tài nguyên giáo dục cung cấp các ví dụ rõ ràng về tư duy toán học. Internet chứa các cuộc thảo luận rộng rãi về các khái niệm toán học, kỹ thuật chứng minh và chiến lược giải quyết vấn đề. Tập hợp dữ liệu phong phú này cho phép các hệ thống AI học được tư duy toán học tiên tiến.

Ảnh hưởng đến phát triển AI

Mẫu trí tuệ không đồng đều này có ý nghĩa quan trọng đối với cách chúng ta thiết kế và sử dụng các hệ thống AI. Chúng ta không thể giả định rằng thành công trong các nhiệm vụ phức tạp có nghĩa là năng lực trong các nhiệm vụ đơn giản hơn. Một AI có khả năng chứng minh các định lý toán học có thể thất bại trong việc cân bằng một cuốn sách kiểm toán. Một hệ thống có thể viết mã máy tính có thể gặp khó khăn với việc đếm cơ bản. Hiện thực này đòi hỏi sự xem xét cẩn thận về khả năng và giới hạn của AI trong các ứng dụng thế giới thực.

Con đường phía trước

Nhận ra trí tuệ jagged cung cấp một hướng đi rõ ràng hơn cho việc xây dựng các hệ thống AI có khả năng hơn. Các nhà nghiên cứu đang phát triển phương pháp để tích hợp các công cụ tính toán vào các mô hình ngôn ngữ, cho phép chúng ủy quyền các phép toán cho các máy tính. Các chiến lược đào tạo mới tập trung vào việc dạy các mô hình khi nào sử dụng các công cụ bên ngoài thay vì cố gắng nội hóa mọi kỹ năng. Cách tiếp cận này phản ánh trí tuệ của con người, nơi chúng ta dựa vào máy tính để tính toán và dành nỗ lực tinh thần của mình cho tư duy cấp cao hơn.

Kết luận

Thành công của AI trong việc giải quyết các vấn đề Olympic nhưng thất bại trong toán cơ bản cho thấy rằng trí tuệ không phát triển đồng đều. Những hệ thống này có thể xuất sắc trong một lĩnh vực và yếu trong một lĩnh vực khác. Hiểu được mẫu trí tuệ không đồng đều này là quan trọng đối với cách chúng ta thiết kế và sử dụng AI. Thay vì mong đợi một mô hình làm mọi việc, chúng ta có thể cần kết hợp các phương pháp khác nhau để tận dụng điểm mạnh của từng hệ thống. Tiến bộ thực sự sẽ đến từ việc xây dựng AI hoạt động đáng tin cậy trong thực tế, không phải từ việc giả định nó sẽ giỏi trong mọi nhiệm vụ.