Nỗi ám ảnh về AI có thể khiến các lĩnh vực nghiên cứu mà AI cần để tồn tại bị thiếu hụt nguồn lực

Tôi đã dành trọn 10 năm viết về trí tuệ nhân tạo. Năm 2022, trên thế giới chỉ có một số ít nhà báo chuyên viết về AI; giờ đây, con số ấy đã lên đến vài nghìn người, thậm chí hơn. Các cơ quan báo chí có tiềm lực tài chính tốt hơn còn tuyển dụng nhiều nhân viên chuyên trách đưa tin về trí tuệ nhân tạo.

Giờ đây, với tư cách một loài, chúng ta tập trung sự chú ý, nỗ lực, nỗi sợ hãi và hy vọng vào một hiện tượng văn hóa và công nghệ chỉ xuất hiện một lần trong thế kỷ. Trước khi các Mô hình Ngôn ngữ Lớn hữu ích và công nghệ tạo hình ảnh, video bằng khuếch tán hiệu quả ra đời, hiện tượng này vẫn chỉ quanh quẩn trong phạm vi “những điều kỳ thú”; các nội dung giả mạo bằng công nghệ deepfake trở thành công cụ đấu đá chính trị, nhưng dường như chưa đe dọa các nền kinh tế thế giới.

Cơn bão AI “thường nhật”

Rõ ràng, tất cả những điều đó giờ đã thuộc về quá khứ. Mọi thứ đều bị đe dọa, mọi thứ đều bị xáo trộn và có thể nói, năm 2026 là năm mà những dự đoán về năm tiếp theo khó có cơ sở nhất*.

Các mô hình mã nguồn đóng và mô hình có trọng số mở mới được phát hành hằng tuần, đôi khi vài lần một tuần; tần suất hiện nay cao đến mức cộng đồng người đam mê hay chơi công nghệ không đánh giá nổi một số mô hình. Họ ngày càng có cái nhìn hoài nghi về chuyện này,  và ngưỡng để một sản phẩm thu hút được sự chú ý cũng ngày càng cao giữa dòng phát hành liên tục.

Là người theo dõi sát sao và chuyên nghiệp hoạt động nghiên cứu cũng như phát hành sản phẩm, tôi phải nói rằng những cải tiến trong các lĩnh vực khác nhau của hoạt động nghiên cứu và phát triển AI, dù tạo ra tác động lớn theo từng giai đoạn dài, thường (và từ trước đến nay vẫn thường) xuất hiện qua những bước tiến nhỏ, chứ không phải dưới dạng những cột mốc mang tính cách mạng hay tiến hóa như Transformers. Ngày nay, những cú sốc chủ yếu xoay quanh tác động của AI đối với nền kinh tế, chứ không phải các năng lực mới nhất của nó.

Ngoài ra, như tôi từng nhận xét, chất lượng của các ý tưởng trong làn sóng bùng nổ nghiên cứu AI khổng lồ kể từ năm 2022 không phải lúc nào cũng tương xứng với số lượng. Nhiều ý tưởng chỉ là những bản làm lại kiểu Frankenstein, những sự kết hợp hoặc lắp ghép lại từ các công trình đã có và những nghiên cứu mới lạ hơn – những kiến trúc chắp vá được thiết kế để tạo ra cải tiến đáng kể có vẻ so với các công trình trước đó – nhưng khi xem xét kỹ, chúng lại bị hạn chế bởi các phương pháp thiếu vững chắc hoặc chi phí VRAM cao đến mức phi lý.

Những “thị trấn ma” của các lĩnh vực thời sự

Khi hàng nghìn nhà báo ấy chuyển sang đưa tin về AI, những chủ đề họ từng theo dõi chắc chắn không tránh khỏi việc nhận được ít sự quan tâm trực tiếp hơn. Theo một nghĩa nào đó, điều này hầu như không thành vấn đề, bởi AI đã trở nên phổ biến đến mức len vào mọi khía cạnh của văn hóa và cơ sở hạ tầng. Chẳng hạn, giờ đây một phóng viên chuyên trách năng lượng sẽ đưa tin về các vấn đề liên quan đến AI nhiều hơn bất kỳ chủ đề nào khác; điều tương tự cũng đúng với những người theo dõi kinh tế, việc làm, chính trị và hoạch định chính sách, cùng nhiều lĩnh vực khác.

Dường như giờ đây mọi chủ đề đều có thể được nhìn qua lăng kính AI. Điều đó có thể phần nào lý giải vì sao lượng tin bài chuyên biệt về AI tăng mạnh, trong một lĩnh vực ngày càng thu hẹp (dù gần đây đã có dấu hiệu phục hồi phần nào).

Vì vậy, người ta phải tự hỏi liệu các chủ đề khác hiện có đang nhận được mức độ đưa tin không thỏa đáng vì “nỗi ám ảnh AI” hay không – đó là những chủ đề có các câu chuyện, xu hướng và nhánh phát triển mà về sau có thể tác động đến chính “chủ đề vàng” AI?

Nhưng biết làm sao được? Nguồn lực có hạn, và cho đến nay AI vẫn là câu chuyện của thế kỷ.

Cuộc di cư lớn sang lĩnh vực AI

Theo một bài báo mới khiến tôi đặc biệt quan tâm đến vấn đề này, điều tương tự có thể đang xảy ra với chính AI: bên cạnh nguy cơ việc co cụm và tái nạp dữ liệu sẽ làm giảm chất lượng của các mô hình trong tương lai, hệ sinh thái khoa học rộng lớn hơn – nơi các ý tưởng hình thành và giao thoa giữa các ngành – đang tập trung quá nhiều vào nghiên cứu AI. Hệ quả là những khoảnh khắc “tình cờ khám phá” – khi các mối liên hệ bất ngờ giữa những ý tưởng tưởng chừng không liên quan có thể chuyển đổi toàn bộ lĩnh vực – có thể ngày càng hiếm hoi.

Tóm lại, công trình mới mang tên Những đột phá mạnh mẽ hơn trong trí tuệ nhân tạo đẩy nhanh sự cạn kiệt của chính chúng cho rằng nỗi ám ảnh AI đang làm xói mòn những điều kiện nền để các phát triển mới xuất hiện, kể cả những phát triển tác động trực tiếp đến AI; và rằng (nói một cách khái quát đến mức thô sơ về lập luận của các tác giả) có một “xu hướng loạn luân” nhất định trong trọng tâm quan tâm mới này, dường như khó có thể dẫn đến kết cục tốt đẹp.

Bài báo viết^†:

‘Một mô hình chi phối không chỉ loại bỏ các mô hình cạnh tranh mà còn xóa đi sự đa dạng, vốn là nguồn để tái kết hợp thành chính mô hình kế nhiệm nó.

‘Sự thu hẹp chú ý sau năm 2017, việc hơn một nửa số tác giả chuyển lĩnh vực chuyển sang AI, sức sống suy giảm của các ý tưởng mới, cùng với đà suy giảm ngày càng mạnh ở phần đuôi của các quần thể ý tưởng đang hoạt động qua những chu kỳ liên tiếp, tất cả cho thấy một hệ thống mà năng lực sáng tạo đang bị bào mòn bởi thành công của chính những mô hình chi phối mà nó tạo ra.’

Các nghiên cứu trước đây nhận định rằng AI có thể đang biến hoạt động nghiên cứu thành một nền độc canh, nhưng các tác giả của nghiên cứu mới cũng cho rằng sự thống trị ngày càng tăng của AI có thể đang làm cạn kiệt những ý tưởng mới cần thiết để lĩnh vực này tiếp tục phát triển. Họ so sánh nghiên cứu AI với các ngành khoa học sinh học, nơi những đột phá như cryo-EM và AlphaFold đã khơi mào những chu kỳ đổi mới tương tự, rồi suy thoái.

Để đưa ra bằng chứng thực nghiệm cho các giả thuyết, các tác giả đã phân tích 7,18 triệu bài báo khoa học máy tính trên OpenAlex, được xuất bản từ năm 1990 đến năm 2025; theo dõi những thay đổi trong các chủ đề nghiên cứu và trích dẫn, sự dịch chuyển giữa các lĩnh vực của 3,7 triệu nhà nghiên cứu, cùng 73.089 bài bình duyệt để tìm hiểu tác động của sự thống trị ngày càng tăng của AI đối với tính đa dạng khoa học.

Một trong những phát hiện đáng chú ý nhất từ dữ liệu liên quan đến làn sóng các nhà nghiên cứu gần đây chuyển sang AI, rời bỏ những chủ đề mà họ vốn nghiên cứu:

“Những người chuyển lĩnh vực là các nhà nghiên cứu đang ở giữa sự nghiệp, có vị thế tương đối vững chắc; họ rời bỏ công việc đã làm nên danh tiếng của mình để chạy theo sức hút của lĩnh vực này, dù phải trả giá bằng bất lợi do chuyển hướng.”

Nghiên cứu cho thấy trong số 918.862 lần chuyển đổi giữa các lĩnh vực khoa học máy tính được ghi nhận, hơn một nửa là chuyển sang AI, trong khi các lĩnh vực khác, đặc biệt là nghiên cứu hệ thống và lý thuyết, liên tục mất đi nhân lực.

Theo nghiên cứu mới, biểu đồ thể hiện sự thay đổi tỷ trọng các bài báo khoa học máy tính về AI, hệ thống và lý thuyết trong giai đoạn 1990–2025. Mỗi ô vuông đại diện cho một năm; màu xanh biểu thị tỷ trọng cao hơn, màu đỏ biểu thị tỷ trọng thấp hơn. Tỷ trọng của AI tăng mạnh sau năm 2017, trong khi các lĩnh vực khác suy giảm. Nguồn

Những người có khả năng chuyển sang lĩnh vực này cao nhất là các học giả giàu kinh nghiệm, đã có sự nghiệp ổn định. Trong khi đó, tỷ trọng của AI trong tổng số bài báo khoa học máy tính tăng từ 40% năm 2017 lên hơn 55% năm 2025.

Theo blog Arxiv, số lượng bài gửi thuộc lĩnh vực Khoa học Máy tính tăng trong giai đoạn 2 năm 2024–26. Nguồn

Ba dấu hiệu

Bài báo xác định ba “dấu hiệu hội tụ” mà theo lập luận của các tác giả, đã trở thành đặc trưng của khoa học máy tính kể từ năm 2017.

Dấu hiệu thứ nhất là sự chú ý của giới nghiên cứu thu hẹp đáng kể sau năm 2017, thời điểm kiến trúc Transformer được giới thiệu. Bằng cách trích xuất mười từ khóa nổi bật nhất từ mỗi bài trong số 7,18 triệu bài báo khoa học máy tính, các tác giả theo dõi mức độ tập trung của hoạt động nghiên cứu vào cùng một số chủ đề:

Các biểu đồ cho thấy nghiên cứu khoa học máy tính ngày càng tập trung hơn kể từ năm 2017. Bên trái: các nhà nghiên cứu tập trung vào phạm vi chủ đề hẹp hơn. Bên phải: tỷ trọng trích dẫn dành cho một nhóm nhỏ bài báo ngày càng tăng. Cả hai xu hướng đều tăng tốc vào khoảng thời điểm Transformer xuất hiện.

Trong nhiều thập kỷ, mức độ tập trung này tương đối ổn định, ngay cả khi internet, điện thoại thông minh và học sâu phát triển. Tuy nhiên, từ năm 2017 đến năm 2025, hệ số Gini^†† về sự chú ý dành cho nghiên cứu (xem hình trên) tăng từ 0,26 lên 0,33, tương đương mức tăng 27%. Trích dẫn cũng tập trung hơn, với hệ số Gini tăng từ 0,60 lên mức đỉnh 0,69.

Các nhà nghiên cứu đến từ Tsinghua University, University of Chicago và Santa Fe Institute cho biết:

“Transformer đã làm xáo trộn lĩnh vực này ở quy mô lớn hơn so với thế hệ tiền nhiệm. Đây không phải là một mô hình giả tạo: kết quả vẫn đứng vững trước những biến thiên về[keyword count].”

Các tác giả nói tiếp:

“Tỷ trọng các ấn phẩm khoa học máy tính về AI tăng từ 40% lên hơn 55% trong giai đoạn 2017–2025, trong khi nghiên cứu hệ thống suy giảm sau một thời kỳ hoàng kim kéo dài, còn lĩnh vực lý thuyết tiếp tục thu hẹp hơn nữa.”

Do đó, các phát hiện cho thấy dù khoa học máy tính mở rộng, các nhà nghiên cứu ngày càng theo đuổi cùng những ý tưởng và trích dẫn một nhóm công trình ngày càng hẹp.

“Dấu hiệu” thứ hai liên quan đến số lượng ngày càng tăng các nhà nghiên cứu từ bỏ chuyên môn của mình để làm việc trong lĩnh vực AI: qua theo dõi 3,7 triệu nhà nghiên cứu, các tác giả xác định gần 919.000 lần chuyển dịch giữa các lĩnh vực khoa học máy tính. Trong số đó, 53,81% là chuyển sang AI—một lĩnh vực nghiên cứu thu hút thêm nhà nghiên cứu mỗi năm, trong khi hệ thống và lý thuyết liên tục mất đi nhân lực:

Các nhà nghiên cứu chuyển sang lĩnh vực AI. Biểu đồ bên trái cho thấy AI thu hút ngày càng nhiều nhà nghiên cứu từ các lĩnh vực khoa học máy tính khác, trong khi các lĩnh vực hệ thống và lý thuyết dần mất đi vị thế. Hai biểu đồ bên phải cho biết những ai có khả năng chuyển hướng cao nhất: các nhà nghiên cứu đã có khoảng 32 năm công bố học thuật, với thành tích xuất bản tốt hơn khoảng 82% đồng nghiệp. Một nhà nghiên cứu được tính là đã chuyển lĩnh vực khi bắt đầu công bố phần lớn bài viết của mình trong một lĩnh vực khác.

Những người chuyển hướng thường là các học giả đã có chỗ đứng và đang ở giữa sự nghiệp, chứ không phải người mới vào nghề hay những nhà nghiên cứu kỳ cựu. Khả năng chuyển sang AI đạt đỉnh khi tuổi nghề học thuật là 31,8 năm và ở nhóm các nhà nghiên cứu có thứ hạng xuất bản thuộc phân vị thứ 82.

Xu hướng thứ ba trong số ba xu hướng mà bài báo ghi nhận là tình trạng đánh giá phản biện ngày càng chịu nhiều áp lực – quá trình các nhà nghiên cứu khác đánh giá chất lượng và độ tin cậy của một bài báo khoa học trước khi xuất bản.

Sau khi xem xét 73.089 bản đánh giá của 26.731 bài báo được gửi tới 45 hội nghị và địa điểm công bố khác trong giai đoạn 2017–2025, các tác giả nhận thấy mức độ tự tin của người phản biện vào khả năng đánh giá bài báo đã giảm từ 3,9 xuống 2,9 trên thang điểm 5:

Biểu đồ thể hiện những thay đổi trong hoạt động phản biện khoa học từ năm 2017 đến năm 2025. Biểu đồ bên trái cho thấy người phản biện ngày càng kém tự tin vào khả năng đánh giá các bài báo được gửi đến, với điểm số giảm từ 3,9 xuống 2,9 trên thang điểm 5. Biểu đồ bên phải theo dõi các nhận xét phản biện mang tính thù địch; số nhận xét này giảm nhẹ trong năm 2021, khi hội nghị NeurIPS chuyển sang nền tảng OpenReview minh bạch hơn, rồi lại tăng lên. Cả hai đường biểu diễn đều là giá trị trung bình trượt ba năm.

Các tác giả cho rằng sự suy giảm này có thể phản ánh tốc độ mở rộng nhanh chóng của AI, khiến việc ghép bài báo với người phản biện có đủ chuyên môn trở nên khó khăn hơn:

‘Lực lượng người phản biện đã bị quá tải bởi những người mới bị sức hút của AI lôi cuốn. Người phản biện ngày càng nhận được những bài báo chứa nhiều phương pháp AI nằm ngoài lĩnh vực chuyên môn cốt lõi của họ. Việc ghép bài gửi đến với những người phản biện thực sự am hiểu đã trở nên khó khăn do các vấn đề mang tính hệ thống.

‘Trong bối cảnh này, việc được chấp nhận ngày càng giống như tung đồng xu.’

Sau (những) cơn sốt vàng

Bài báo cũng cho rằng những đột phá lớn nhất của AI rốt cuộc có thể đẩy nhanh sự cạn kiệt của chính chúng, bởi mỗi bước tiến lớn đều kéo theo một làn sóng ý tưởng mới – nhưng đợt bùng nổ đổi mới ban đầu này sau đó lắng xuống thành sự lặp lại trì trệ, khi nghiên cứu ngày càng tập trung quanh chính những đột phá ấy.^†:

‘Các chu kỳ kế tiếp của AI hiện đại bão hòa sớm hơn và cạn kiệt nhanh hơn. Chu kỳ đang ngắn lại.

‘Qua 36 năm phát triển của khoa học máy tính, trải dài qua ba bước tiến công nghệ lớn là AlexNet, Transformer và các mô hình ngôn ngữ lớn (LLM), chúng tôi liên tục nhận thấy cùng một vòng xoáy [pattern].

‘Đáng chú ý, mô hình này không chỉ xuất hiện trong khoa học máy tính. Trong sinh học, chúng tôi cũng nhận thấy cùng một chu kỳ cạn kiệt sau những bước tiến lớn cả về phương pháp phi tính toán (ví dụ: kính hiển vi điện tử lạnh) lẫn tính toán (ví dụ: AlphaFold).’  

Tình trạng “cạn kiệt” này chắc chắn đã xảy ra với các bộ mã hóa tự động, Mạng đối sinh tạo (GAN) và các phương pháp bộ mã hóa tự động như công nghệ giả mạo sâu. Trong nhiều năm, các nhà nghiên cứu đã khai thác chúng đến kiệt quệ, dù tiềm năng của chúng đã rõ ràng cạn kiệt, cho đến khi các khuôn khổ và phương pháp mới xuất hiện, cuối cùng giúp giảm bớt áp lực lên chúng.

Dù thế nào, để theo dõi các chu kỳ này, các tác giả đã tìm kiếm những danh từ và cụm từ đặc trưng trong phần tóm tắt của các công trình khoa học, theo dõi sự xuất hiện, biến mất và đôi khi quay trở lại của chúng như những dấu hiệu cho thấy các ý tưởng nghiên cứu đang thay đổi.

AlexNet năm 2012 và Transformer năm 2017 mỗi lần đều khơi mào một làn sóng ý tưởng mới, rồi cuối cùng lắng xuống. Sau mỗi đột phá, AI càng bỏ xa các lĩnh vực khác, vốn dần tụt lại phía sau và cuối cùng tạo ra ý tưởng mới với tốc độ thấp hơn so với trước năm 2012:

So sánh tỷ lệ các ý tưởng nghiên cứu mới trong lĩnh vực AI (màu xanh lam), khoa học máy tính không thuộc lĩnh vực AI (màu đỏ) và cả hai lĩnh vực cộng lại (đường nét đứt màu tím). Số lượng ý tưởng mới tăng vọt sau sự xuất hiện của AlexNet vào năm 2012 và Transformer vào năm 2017, rồi giảm xuống. Lợi thế của AI nới rộng sau đột phá thứ hai. Các đường biểu thị mức trung bình trượt trong ba năm.

Mô hình này cũng xuất hiện ở những ý tưởng không còn được sử dụng, khi các đột phá mới gạt bỏ những phương pháp cũ, đôi khi nhiều năm sau khi chúng ra đời. Tuy nhiên, chính các đột phá cũng bị cuốn vào chu kỳ tương tự: mỗi đột phá thu hút một làn sóng chú ý nghiên cứu, rồi làn sóng ấy dần lắng xuống, khiến lĩnh vực này phải chờ đợi một khám phá khác để lấy lại đà phát triển (như đã xảy ra với Gaussian Splatting, sau khoảng cách 31 năm):

So sánh số lượt trích dẫn các bài báo gốc về AlexNet (màu đỏ) và Transformer (màu xanh lam) trong giai đoạn từ năm 2012 đến năm 2025. Cả hai đều thu hút tỷ lệ trích dẫn ngày càng tăng trước khi giảm mạnh, cho thấy sự chú ý dành cho các đột phá lớn rốt cuộc cũng phai nhạt. Các đường biểu thị mức trung bình trượt trong ba năm.

Theo lập luận của các tác giả, thành công của AI tập trung các nhà nghiên cứu và ý tưởng vào một số ít phương pháp chủ đạo, trong khi những lĩnh vực xung quanh có thể góp phần tạo ra các phương pháp kế nhiệm lại tiếp tục mất dần vị thế. Dù không khẳng định thẳng rằng điều này sẽ ngăn cản những đột phá trong tương lai, họ vẫn nêu khả năng AI đang dần làm suy giảm sự đa dạng mà bước tiến tiếp theo của nó có thể phụ thuộc vào.

Các tác giả cũng theo dõi số lượng ý tưởng vẫn đang được sử dụng tích cực; qua những làn sóng phát triển AI nối tiếp nhau, con số này ngày càng thấp hơn so với dự kiến, với mức thiếu hụt lớn hơn sau Transformer so với sau AlexNet:

Biểu đồ thể hiện số lượng ý tưởng nghiên cứu đang được sử dụng tích cực qua các đột phá AI nối tiếp nhau. Các đường liền biểu thị mức tăng trưởng theo mô hình, còn những đoạn nét đứt cho thấy số liệu thực tế thấp hơn mức dự báo. Mức thiếu hụt sau Transformer lớn hơn sau AlexNet; một đợt suy giảm sớm cũng xuất hiện trong kỷ nguyên LLM.

Tóm lại, các tác giả kết luận rằng việc tập trung nỗ lực và nhân lực vào phạm vi ngày càng thu hẹp các thách thức liên quan đến AI có nguy cơ làm nghèo nàn những lĩnh vực liền kề vốn trước đây tự nhiên đóng góp ý tưởng cho ngành AI — cũng như nhiều ngành khác.

Nhắc đến bình luận của John Hassler về việc trao Giải Nobel Khoa học Kinh tế năm 2025, họ kết luận:

‘Ủy ban Nobel cảnh báo rằng phải duy trì các cơ chế hủy diệt sáng tạo nếu muốn tránh tình trạng trì trệ. Kết quả của chúng tôi xác định một cơ chế như vậy là sự đa dạng trí tuệ, đồng thời cho thấy các thể chế hiện nay đang làm xói mòn cơ chế này.

‘Các thể chế phân bổ sự chú ý — bao gồm hệ thống phản biện, phí nộp bài và quy định, cơ chế khen thưởng, tuyển dụng, thăng chức và các quy ước nghỉ hưu 12 — đều định hình việc liệu mô hình mới có cơ hội xuất hiện hay không.

‘Thiết kế các thể chế ấy cho tốt đồng nghĩa với việc kiềm chế xu hướng dồn thêm nguồn lực vào mô hình đang thắng thế, đánh thuế sự tập trung thay vì hoạt động khám phá, và chuyển quyền đánh giá khỏi những người có nhiều công trình sang những người tạo ra cái mới.

‘Sự hủy diệt sáng tạo chỉ duy trì tăng trưởng khi vẫn để lại thứ gì đó để kết hợp lại. Một điểm kỳ dị không có thế hệ kế tiếp.’

* Phải có một từ cho chuyện này: “kháng dự báo” chăng? Thật ra đó không phải là một từ đơn lẻ mà là một thuật ngữ, và nghe cũng giống như nói đến năm 2026 hơn là góc nhìn từ năm 2026 về năm 2027. “Không thể tương lai hóa” chăng? Trình kiểm tra chính tả gạch đỏ từ đó, vậy cứ chốt từ này.

^† Việc tôi chuyển các trích dẫn trong bài của các tác giả thành liên kết.

^†† Hệ số Gini cho biết mức độ phân bố không đồng đều của một yếu tố nào đó, trên thang từ 0 (bình đẳng hoàn toàn) đến 1 (tập trung tối đa). Ở đây, điểm số càng cao nghĩa là các nhà nghiên cứu càng tập trung vào ít chủ đề hơn.

Được đăng lần đầu vào thứ Tư, ngày 21 tháng 10 năm 2026