Lập luận cho AI nhàm chán

Cuộc đua điểm chuẩn của AI đã có người chiến thắng. Chỉ là người chiến thắng không phải bạn.

Cứ vài tháng lại có một mô hình mới ra mắt và một bảng xếp hạng mới bị xáo trộn. Các phòng thí nghiệm cạnh tranh để lý giải tốt hơn, viết mã tốt hơn và trả lời tốt hơn nhau trong các bài kiểm tra được thiết kế để đo lường trí tuệ của máy móc. Dòng phủ sóng theo sau. Và nguồn tài trợ cũng vậy.

Điều nhận được ít sự chú ý hơn là liệu mọi thứ này có phải là điều tất yếu hay không. Các điểm chuẩn, cuộc chạy đua vũ trang, cách đóng khung AI như một lời cứu rỗi hay một thảm họa — đó là những lựa chọn, không phải định luật của vật lý. Chúng phản ánh ngành công nghiệp đã quyết định tối ưu hóa điều gì, và đã quyết định tài trợ cho điều gì. Công nghệ mà phải mất hàng chục năm mới phát triển theo những cách thông thường, hữu ích thì quý này không thể kéo về hàng tỷ. Những câu chuyện cực đoan thì có thể.

Một số nhà nghiên cứu cho rằng mục tiêu đó đơn giản là sai. Không phải vì AI không quan trọng, mà vì “quan trọng” không nhất thiết phải đồng nghĩa với “chưa từng có”. Máy in đã làm thay đổi thế giới. Điện cũng vậy. Cả hai đều thay đổi dần dần, thông qua việc áp dụng lộn xộn, cho xã hội thời gian để thích nghi. Nếu AI đi theo mẫu đó, thì những câu hỏi đúng không phải về siêu trí tuệ. Mà là về ai được lợi, ai bị gây hại, và liệu các công cụ mà chúng ta đang xây dựng có thực sự hoạt động cho những người sử dụng chúng hay không.

Rất nhiều nhà nghiên cứu đã đặt những câu hỏi đó từ những hướng đi hoàn toàn khác nhau. Dưới đây là ba trong số họ.

Hữu ích, không phải tổng quát

Ruchir Puri đã xây dựng AI tại IBM $IBM từ trước khi phần lớn mọi người từng nghe nói về học máy. Ông đã chứng kiến Watson đánh bại những người chơi Jeopardy giỏi nhất thế giới vào năm 2011. Ông đã theo dõi vài chu kỳ của làn sóng hype rồi tắt dần. Khi làn sóng hiện tại xuất hiện, ông có một bài kiểm tra đơn giản cho nó: liệu nó có hữu ích không?

Không ấn tượng. Không tổng quát. Hữu ích.

“Thực ra tôi không thực sự quan tâm đến trí tuệ nhân tạo tổng quát,” ông nói. “Tôi quan tâm đến phần hữu ích của nó.”

Cách đóng khung này khiến ông trái với hình ảnh tự nhận của phần lớn ngành công nghiệp. Các phòng thí nghiệm chạy đua về AGI đang tối ưu cho độ rộng, xây dựng các hệ thống có thể làm bất cứ thứ gì, trả lời bất cứ thứ gì, suy luận về bất cứ thứ gì. Puri cho rằng đó là mục tiêu sai, và ông có một bài điểm chuẩn mà ông muốn ngành công nghiệp thực sự thử để đạt tới.

Não người tồn tại trong 1.200 centimet khối, tiêu thụ 20 watt, tức năng lượng của một bóng đèn, và như Puri chỉ ra, hoạt động bằng sandwich. Một GPU Nvidia $NVDA đơn lẻ tiêu thụ 1.200 watt, gấp 60 lần toàn bộ não, và bạn cần hàng nghìn chiếc trong một trung tâm dữ liệu khổng lồ để làm được bất cứ điều gì có ý nghĩa. Nếu bộ não là điểm chuẩn, thì ngành công nghiệp vẫn chưa tiến gần tới mức hiệu quả. Ngành đang đi sai hướng.

Phương án thay thế của ông là cái ông gọi là kiến trúc lai: các mô hình nhỏ, vừa và lớn làm việc cùng nhau, mỗi mô hình được gán cho nhiệm vụ mà nó xử lý tốt nhất. Một mô hình biên lớn sẽ đảm nhiệm việc suy luận và lập kế hoạch phức tạp. Các mô hình nhỏ hơn, được thiết kế cho mục đích riêng, sẽ xử lý phần thực thi. Một tác vụ đơn giản như soạn một email không cần một hệ thống được huấn luyện trên “một nửa internet”. Nó cần thứ gì đó nhanh, rẻ và tập trung. Cứ khoảng chín tháng một lần, Puri ghi nhận, mô hình nhỏ của thế hệ trước trở nên xấp xỉ tương đương với những gì trước đây được coi là “mô hình lớn”. Trí tuệ đang trở nên rẻ hơn. Câu hỏi là liệu có ai đang xây dựng dựa trên thực tại đó không.

Cách tiếp cận này có cơ sở vững trong thế giới thực. Airbnb $ABNB dùng các mô hình nhỏ để giải quyết một phần đáng kể các vấn đề dịch vụ khách hàng nhanh hơn so với những đại diện con người của họ. Meta $META không dùng các mô hình lớn nhất của mình để chạy quảng cáo; thay vào đó, họ chưng cất kiến thức đó thành các mô hình nhỏ được xây riêng cho đúng tác vụ này. Mẫu hình này đủ nhất quán để các nhà nghiên cứu bắt đầu gọi nó là một dây chuyền lắp ráp tri thức: dữ liệu chảy vào, các mô hình chuyên biệt xử lý các bước rời rạc, và thứ gì đó hữu ích sẽ đi ra ở đầu kia.

IBM đã xây dựng dây chuyền lắp ráp đó lâu hơn hầu hết. Một tác nhân lai kết hợp các mô hình từ nhiều công ty đã cho thấy cải thiện năng suất 45% trên một lực lượng lao động kỹ sư quy mô lớn. Các hệ thống chạy trên những mô hình nhỏ, được thiết kế cho mục đích riêng hiện nay giúp các kỹ sư — những người duy trì cho 84% giao dịch tài chính trên thế giới được xử lý — có được đúng thông tin vào đúng thời điểm. Đây không phải các ứng dụng “choáng ngợp”. Nhưng chúng cũng không bị thất bại.

Không cái nào trong số đó đòi hỏi một hệ thống có thể viết thơ hay giải bài tập toán cho con bạn. Chúng cần thứ hẹp hơn và, vì vậy, đáng tin hơn. Một mô hình được huấn luyện để làm một việc thật tốt sẽ biết khi nào một câu hỏi nằm ngoài phạm vi của nó. Nó nói như vậy. Sự không chắc chắn đã được hiệu chỉnh — biết mình không biết gì — đó là thứ mà các mô hình biên lớn vẫn còn khó làm.

“Tôi muốn xây dựng các tác nhân và hệ thống cho những quy trình đó,” Puri nói. “Không phải thứ trả lời hai triệu thứ.”

Công cụ, không phải tác nhân

Ben Shneiderman có một bài kiểm tra đơn giản để biết liệu một hệ thống AI có được thiết kế tốt hay không. Người dùng có cảm thấy như họ đã làm được gì đó, hay họ cảm thấy như có thứ gì đó được làm cho họ?

Sự khác biệt này quan trọng hơn nghe có vẻ. Shneiderman, một nhà khoa học máy tính tại Đại học Maryland, người đã góp phần đặt nền móng cho thiết kế giao diện hiện đại, đã dành nhiều thập kỷ tranh luận rằng mục tiêu của công nghệ phải là khuếch đại năng lực con người, chứ không thay thế nó. Những công cụ tốt tạo ra cái mà ông gọi là năng lực tự thân của người dùng — sự tự tin đến từ việc biết rằng bạn có thể tự làm được một việc gì đó. Những công cụ tệ sẽ âm thầm chuyển quyền chủ động đó sang nơi khác.

Ông nghĩ phần lớn ngành công nghiệp AI đang xây dựng những công cụ tệ, và ông cho rằng việc chuyển sang kiểu “tác nhân” (agentic turn) còn làm mọi thứ tệ hơn. Lời chào cho các tác nhân AI là chúng sẽ hành động thay bạn, xử lý nhiệm vụ từ đầu đến cuối mà không cần sự tham gia của bạn. Với Shneiderman, đó không phải là một tính năng. Đó là vấn đề. Khi có điều gì đó xảy ra sai, và chắc chắn sẽ xảy ra, thì ai chịu trách nhiệm? Khi có điều gì đó chạy đúng, ai đã học được bất cứ điều gì?

Cái cái bẫy mà ông đã chống lại trong một thời gian dài có một cái tên. Nhân hình hóa (anthropomorphism) — xu hướng làm cho công nghệ trông giống con người — là thứ liên tục giành chiến thắng, và cũng là thứ liên tục thất bại. Vào thập niên 1970, các ngân hàng đã thử nghiệm máy rút tiền tự động (ATM) chào khách hàng bằng “Làm thế nào tôi có thể giúp bạn?” và tự đặt tên cho mình như Tilly the Teller và Harvey the World Banker. Chúng bị thay bằng những cỗ máy chỉ cho bạn ba lựa chọn. Số dư, tiền mặt, tiền gửi. Việc sử dụng tăng vọt. Citibank có mức sử dụng cao hơn 50% so với các đối thủ. Người ta không muốn một mối quan hệ giả lập. Họ muốn lấy tiền của mình.

Mẫu hình tương tự đã lặp lại qua nhiều thập kỷ, từ Microsoft $MSFT Bob, chiếc ghim AI của Humane, cho tới các làn sóng robot hình người. Mỗi lần, phiên bản nhân hình thất bại và bị thay bằng thứ giống công cụ hơn. Shneiderman gọi đó là một “ý tưởng zombie”. Nó không chết, nó chỉ tiếp tục quay lại.

Điểm khác bây giờ là quy mô và mức độ tinh vi. Thế hệ AI hiện tại đúng là ấn tượng, ông thừa nhận, một cách đáng kinh ngạc. Nhưng “ấn tượng” và “hữu ích” không phải là cùng một thứ, và các hệ thống được thiết kế để trông giống con người, để nói “tôi”, để mô phỏng một mối quan hệ, đang tối ưu cho phẩm chất sai. Câu hỏi ông muốn các nhà thiết kế đặt ra đơn giản hơn: thứ này đem lại cho người dùng nhiều quyền lực hơn, hay ít hơn?

“Không có chữ ‘tôi’ trong AI,” ông nói. “Hoặc ít nhất, không nên có.”

Con người, không phải điểm chuẩn

Karen Panetta có một câu trả lời đơn giản cho vì sao việc phát triển AI lại trông như nó đang trông như vậy. Theo dõi dòng tiền.

Panetta, một giáo sư về kỹ thuật điện và máy tính tại Tufts University và là thành viên IEEE, nghiên cứu đạo đức AI và có cái nhìn rõ ràng về nơi công nghệ này nên đi. Bà nói rằng các công nghệ để làm điều đó tốt phần lớn đã tồn tại. Phần đầu tư thì không.

“Con người không quan tâm đến các điểm chuẩn,” bà nói. “Họ quan tâm là liệu nó có hoạt động khi tôi mua về không, và liệu nó có thật sự làm cuộc sống của tôi dễ hơn không?”

Vấn đề là những người được lợi nhiều nhất từ một AI hỗ trợ được thiết kế tốt cũng lại là những người kém thuyết phục nhất đối với một nhà đầu tư mạo hiểm. Một hệ thống biến đổi quy trình sản xuất, giảm tai nạn nơi làm việc và cắt giảm chi phí y tế cho nhân viên của một công ty thì có lợi ích rõ ràng. Một người bạn robot giúp giữ cho một bệnh nhân Alzheimer bình tĩnh và gắn kết thì đòi hỏi một dạng toán hoàn toàn khác. Vì vậy tiền sẽ chảy nơi có tiền, và những nhóm dân số có nhiều thứ để được nhất lại tiếp tục chờ đợi.

Panetta nói rằng điểm đã thay đổi là các bài toán kỹ thuật đắt đỏ cuối cùng đang được giải quyết ở quy mô lớn. Cảm biến rẻ hơn. Pin nhẹ hơn. Các giao thức không dây đã phổ biến. Cùng một khoản đầu tư đã tạo ra robot công nghiệp cho sàn nhà máy nay đã lặng lẽ khiến robot tiêu dùng trở nên khả thi theo một cách mà cách đây năm năm chưa thể. Con đường từ kho hàng đến phòng khách ngắn hơn những gì nhìn thấy.

Nhưng bà có một lo ngại rằng sự háo hức xung quanh bước chuyển đó thường bị bỏ qua. Robot vật lý có những ràng buộc tự nhiên. Bạn biết giới hạn lực. Bạn biết động học. Bạn có thể dự đoán, mô phỏng, và thiết kế để né tránh cách chúng có thể hỏng. AI tạo sinh không có những đảm bảo đó. Nó không mang tính quyết định (non-deterministic). Nó “bịa” (hallucinates). Không ai đã lập bản đồ đầy đủ về chuyện gì xảy ra khi bạn đưa nó vào một hệ thống có sự hiện diện vật lý trong nhà của một người mắc chứng sa sút trí tuệ (dementia), hoặc một đứa trẻ không thể nhận ra khi nào điều gì đó đã đi sai.

Bà đã thấy chuyện gì xảy ra khi một cảm biến bị bẩn và robot mất nhận thức về không gian. Bà đã suy nghĩ về ý nghĩa của việc xây dựng thứ học những chi tiết thân mật về cuộc sống của một người, thói quen của họ, trạng thái nhận thức của họ, những khoảnh khắc bối rối của họ, và rồi hành động tự chủ dựa trên thông tin đó. Bà nói rằng các cơ chế dự phòng an toàn (fail-safes) chưa kịp theo kịp.

“Tôi không lo về robot,” bà nói. “Tôi lo về AI.”

📬 Đăng ký nhận Bản tin hằng ngày

Bản tin miễn phí, nhanh và vui về nền kinh tế toàn cầu, được gửi mỗi sáng vào các ngày trong tuần.

Đăng ký cho tôi