Trí tuệ nhân tạo tự dạy mình không còn là khoa học viễn tưởng

Các khuôn khổ trí tuệ nhân tạo mới nổi đang chuyển hướng tới một bước nhảy vĩ đại: máy móc tự cải thiện, không cần kiến thức của con người.

Trong nhiều năm, thậm chí các mô hình trí tuệ nhân tạo tiên tiến nhất vẫn là những động cơ thụ động, dự đoán phản hồi dựa trên dữ liệu đào tạo mà chúng không thể sửa đổi. Nhưng ngày nay, điều định nghĩa chương tiếp theo của trí tuệ nhân tạo không phải là kích thước của mô hình, mà là liệu mô hình có thể tiến hóa một mình.

Gần đây, các nhà nghiên cứu tại MIT đã giới thiệu một khuôn khổ trí tuệ nhân tạo mới gọi là Self-Adapting LLMs (SEAL). Phương pháp này cho phép các mô hình ngôn ngữ lớn (LLM) tự cải thiện một cách tự chủ, cho phép trí tuệ nhân tạo chẩn đoán hạn chế của mình và cập nhật vĩnh viễn trọng số neuron của mình thông qua một vòng phản hồi nội bộ được cung cấp bởi học tăng cường. Thay vì yêu cầu các nhà nghiên cứu phát hiện lỗi, viết các lời nhắc mới hoặc cung cấp thêm ví dụ, mô hình này tự chịu trách nhiệm về sự tiến hóa của mình.

“Các mô hình ngôn ngữ lớn (LLM) rất mạnh nhưng tĩnh; chúng thiếu cơ chế để thích nghi với trọng số của mình khi đối mặt với các nhiệm vụ, kiến thức hoặc ví dụ mới,” các nhà nghiên cứu tại MIT đã viết trong một bài đăng trên blog. “Các thí nghiệm về việc kết hợp kiến thức và tổng quát hóa cho thấy SEAL là một bước tiến hứa hẹn hướng tới các mô hình ngôn ngữ có thể tự điều chỉnh khi đối mặt với dữ liệu mới.”

Trong các thử nghiệm ban đầu, vòng tự chỉnh sửa này đã cho phép các mô hình chuyển từ thất bại hoàn toàn sang thành công trong các câu đố lý luận trừu tượng phức tạp, vượt trội so với các mô hình lớn hơn như GPT-4.1 với tỷ lệ thành công 72,5%, trong khi các phương pháp truyền thống thất bại. Hơn nữa, SEAL được cho là giảm sự giám sát của con người xuống 85% trong khi tăng độ chính xác và khả năng thích nghi.

Sự trỗi dậy của các khuôn khổ trí tuệ nhân tạo tự dạy mình

SEAL là một phần của xu hướng rộng lớn hơn hướng tới trí tuệ nhân tạo tự chủ. Các nhà nghiên cứu tại Sakana AI, ví dụ, đã giới thiệu Darwin-Gödel Machine—một tác nhân trí tuệ nhân tạo tự viết lại mã của mình bằng cách sử dụng các chiến lược tiến hóa không giới hạn.

“Nó tạo ra các cải tiến tự chủ, chẳng hạn như bước xác thực bản vá, công cụ xem tệp tốt hơn, công cụ chỉnh sửa nâng cao, tạo và xếp hạng nhiều giải pháp để chọn giải pháp tốt nhất và thêm lịch sử về những gì đã được thử trước (và tại sao nó thất bại) khi thực hiện các thay đổi mới,” Sakana AI đã viết trong một bài đăng trên blog.

Tương tự, các tác nhân trí tuệ nhân tạo của Anthropic, được cung cấp bởi Claude 4, có thể tự chủ điều phối các quy trình làm việc trên các cơ sở mã và công cụ kinh doanh.

“Một hệ thống tự cấu hình lại dựa trên loại tài sản, môi trường và lịch sử của nó cho phép chuyển từ phản hồi chủ động sang chiến lược phòng ngừa liên tục,” Christian Struve, Giám đốc điều hành và đồng sáng lập tại Fracttal, đã nói với tôi. “Điều quan trọng không phải là mô hình tiến hóa, mà là nó tiến hóa phù hợp với mục tiêu mà con người xác định.”

Điều gì đoàn kết những nỗ lực này là niềm tin cốt lõi: trí tuệ nhân tạo không cần phải lớn hơn để trở nên thông minh hơn. Nó cần trở nên thích nghi hơn.

“Quy mô đã mang lại những lợi ích lớn, nhưng chúng ta đang đạt đến giới hạn của những gì chỉ kích thước có thể đạt được. Các mô hình học tự thích nghi như SEAL cung cấp một bước tiếp theo hấp dẫn bằng cách cho phép các hệ thống phát triển và cải thiện theo thời gian,” Jorge Riera, người sáng lập và Giám đốc điều hành tại nền tảng tư vấn dữ liệu full-stack Dataco, đã nói với tôi. “Các mô hình tự tiến hóa cũng chuyển đổi các chỉ số tiến bộ từ các điểm chuẩn tĩnh sang các biện pháp về khả năng thích nghi, hiệu quả học tập và cải thiện an toàn lâu dài. Thay vì chỉ kiểm tra những gì mô hình biết tại thời điểm triển khai, chúng ta có thể đánh giá cách nó học, giữ và tiến hóa theo thời gian.”

Tác động đến hệ sinh thái trí tuệ nhân tạo và cuộc đua toàn cầu hướng tới tự chủ

Mức độ tự chủ này cũng thay đổi kinh tế của việc triển khai trí tuệ nhân tạo. Hãy tưởng tượng các hệ thống phát hiện gian lận tự cập nhật để chống lại các mối đe dọa mới, hoặc các giáo viên trí tuệ nhân tạo thay đổi phong cách giảng dạy của họ dựa trên hành vi của học sinh. Trong lĩnh vực robot, các khuôn khổ tự thích nghi có thể dẫn đến các máy tự chủ học được các mẫu chuyển động mới mà không cần được lập trình lại.

Khắp Trung Đông, các quốc gia như UAE và Ả Rập Xê Út đang nhanh chóng xây dựng các mô hình cơ bản được thiết kế cho sự thích nghi. Falcon của UAE và Jais của G42 là các mô hình ngôn ngữ lớn mã nguồn mở được xây dựng với sự liên quan khu vực, trong khi Metabrain của Aramco Digital đang thúc đẩy vào lĩnh vực các tác nhân trí tuệ nhân tạo tự chủ cho các thành phố thông minh, chăm sóc sức khỏe và hậu cần.

Những nỗ lực này chưa tương đương với khả năng tự chỉnh sửa của SEAL, nhưng chúng phản ánh một quỹ đạo chung: từ các hệ thống trí tuệ nhân tạo thụ động sang các tác nhân chủ động, tiến hóa có thể điều hướng sự phức tạp với sự hướng dẫn của con người hạn chế. Và giống như SEAL, những sáng kiến này được hỗ trợ bởi các khuôn khổ quản trị mạnh mẽ, nhấn mạnh sự nhận thức ngày càng tăng rằng sự tự chủ của trí tuệ nhân tạo phải đi kèm với trách nhiệm.

“Đây là bước đầu tiên hướng tới các hệ thống tự quản lý có thể sửa đổi logic của mình mà không cần can thiệp liên tục,” Struve nói. “Tôi tin rằng trí tuệ nhân tạo không thay đổi định nghĩa về trí thông minh, nhưng nó buộc chúng ta phải suy nghĩ lại mối quan hệ của chúng ta với nó. Điều quan trọng không phải là mô hình tiến hóa, mà là nó tiến hóa phù hợp với mục tiêu mà con người xác định.”

Jeff Townes, Giám đốc công nghệ tại Gorilla Logic, cũng nhấn mạnh tầm quan trọng của quản trị theo kịp sự tiến hóa của trí tuệ nhân tạo: “Câu hỏi không phải là liệu trí tuệ nhân tạo có thể tiến hóa hay không, mà là liệu doanh nghiệp có thể tiến hóa cùng với nó. Quản trị phải neo mọi thích nghi của trí tuệ nhân tạo vào các kết quả và KPI rõ ràng mà các nhà lãnh đạo có thể đo lường và tin tưởng, để đổi mới tăng trưởng với sự tự tin thay vì rủi ro.”

Chúng ta đã sẵn sàng cho trí tuệ nhân tạo tự viết lại mình?

Câu hỏi gây kích thích nhất mà SEAL đặt ra không phải là kỹ thuật – mà là nếu các mô hình có thể quyết định cách tự dạy mình, vai trò của chúng ta trong việc định hình giá trị, ưu tiên và hướng của chúng là gì?

Các chuyên gia cảnh báo rằng khi các hệ thống trí tuệ nhân tạo tự thích nghi đạt được sự tự chủ, sự thúc đẩy hướng tới tự cải thiện không được vượt quá việc thiết lập các rào cản đạo đức. “Tôi tin rằng tất cả các hệ thống trí tuệ nhân tạo phải kết hợp ít nhất ba nguyên tắc đạo đức cơ bản,” Jacob Evans, Giám đốc công nghệ tại Kryterion, nói.

“Thứ nhất, và điều này có thể không cần nói, nhưng các hệ thống trí tuệ nhân tạo cần xác định mình là trí tuệ nhân tạo. Thứ hai, các hệ thống trí tuệ nhân tạo phải tập trung vào con người, tăng cường và không thay thế phán đoán của con người. Và cuối cùng, nó phải thừa nhận hạn chế và không chắc chắn của mình, đồng thời từ chối cung cấp thông tin có thể tạo điều kiện cho tổn hại nghiêm trọng. Nếu không có những biện pháp phòng vệ này, trí tuệ nhân tạo có thể trở thành một công cụ thao túng thay vì hỗ trợ đáng tin cậy.”

“Để cho phép các mô hình tự cải thiện trong sản xuất, chúng cần một vòng phản hồi động, không chỉ là đào tạo tĩnh. Một phương pháp mạnh mẽ là sử dụng ‘bản sao số’ hoặc một môi trường cát hộp tinh vi nơi trí tuệ nhân tạo có thể an toàn kiểm tra và xác thực các cải tiến tự tạo của mình trước khi chúng được triển khai cho người dùng,” Ganesh Vanama, Kỹ sư tầm nhìn máy tính tại Automotus, chia sẻ.

Về quản trị, Vanama thêm, “kiểm soát không thể thương lượng là giám sát của con người trong vòng lặp.” Ông nói rằng trong khi chúng ta muốn các mô hình thích nghi, “bạn phải có giám sát liên tục để phát hiện ‘đrift căn chỉnh’ nơi mô hình偏 khỏi mục tiêu hoặc ràng buộc an toàn dự kiến. Hệ thống này phải cung cấp cho một kiểm toán viên con người quyền lực để phủ quyết hoặc quay lại ngay lập tức bất kỳ cập nhật tự chủ nào không vượt qua đánh giá an toàn hoặc hiệu suất.”

Tuy nhiên, các chuyên gia khác tin rằng vẫn còn thời gian để phát triển những biện pháp bảo vệ này, lập luận rằng xây dựng một trí tuệ nhân tạo tự cải thiện mạnh mẽ, tổng quát vẫn là một thách thức khổng lồ.

“Những mô hình như vậy vẫn thiếu khả năng tự viết lại mã của mình một cách tin cậy trong thời gian thực. Các thách thức chính vẫn còn, bao gồm ngăn chặn sự tăng cường lỗi, tránh quên mòn, đảm bảo sự ổn định trong quá trình cập nhật và duy trì minh bạch xung quanh các thay đổi nội bộ,” Riera nói. “Cho đến khi những vấn đề này được giải quyết, sự thích nghi tự chủ vẫn là một tiền cảnh chứ không phải là hiện thực.”

Các nhà nghiên cứu tại MIT xem SEAL là một sự tiến hóa cần thiết. Như một trong những nhà khoa học hàng đầu của MIT đã nói, khuôn khổ này hiện chỉ phản ánh việc học của con người gần hơn bất cứ điều gì đã đến trước.

“Những hệ thống này gợi ý về một sự chuyển dịch từ các mô hình tĩnh, một lần chụp sang các kiến trúc thích nghi có thể học từ kinh nghiệm, quản lý bộ nhớ và theo đuổi mục tiêu theo thời gian. Hướng đi rõ ràng: hướng tới trí tuệ mô-đun, nhận thức ngữ cảnh có thể điều chỉnh liên tục,” Riera nói với tôi. “Mặc dù vẫn đang trong giai đoạn thử nghiệm, cách tiếp cận này đánh dấu một bước tiến có ý nghĩa hướng tới các hệ thống trí tuệ nhân tạo tự chủ và linh hoạt hơn.”

Liệu điều này có dẫn đến các hệ thống được cá nhân hóa hơn hay hoàn toàn các hình thức đại lý máy móc mới vẫn còn phải chờ xem. Thời đại của trí tuệ nhân tạo tự dạy mình đã đến – và nó không chỉ viết lại mã của mình, mà còn viết lại các quy tắc về những gì máy móc có thể trở thành.