Vừa xem xong chia sẻ mới nhất của Demis Hassabis, sáng lập DeepMind tại Y Combinator, có vài ý tưởng khá đáng để bàn. Người anh này thẳng thắn nói rằng, để đạt được AGI thực sự chỉ còn thiếu hai mảnh ghép quan trọng — học liên tục, suy luận dài hạn và hệ thống ghi nhớ. Theo đánh giá của ông, những vấn đề này dự kiến sẽ được giải quyết vào khoảng năm 2030.

Điều thú vị nhất là ông phàn nàn về các mô hình lớn hiện tại. Nói rằng các hệ thống này thể hiện một "trí tuệ không đồng đều" — có thể giải các bài toán vàng Olympic Toán quốc tế, nhưng lại thất bại trong các bài toán tiểu học. Đây không phải là vấn đề năng lực, mà là chuỗi suy luận vẫn còn quá thô sơ, thiếu phản xạ về quá trình tư duy của chính chúng. Ông thậm chí lấy ví dụ chơi cờ, mô hình đôi khi nhận ra một nước đi là sai, nhưng lại không tìm ra phương án thay thế tốt hơn, cuối cùng vẫn lặp lại sai lầm đó. Hiện tượng này cho thấy hệ thống suy luận còn nhiều không gian đổi mới.

Về phần Agent, tôi đặc biệt quan tâm. Ông cho rằng Agent mới là con đường thực sự dẫn đến AGI, nhưng hiện tại vẫn mới ở giai đoạn sơ khai. Có một chi tiết rất chua xót — chưa ai dùng công cụ AI để lập trình mà thực sự tạo ra được game AAA đứng đầu trong cửa hàng ứng dụng. Về lý thuyết, dựa vào trình độ công cụ hiện tại, điều đó hoàn toàn khả thi, nhưng vẫn chưa ai làm được. Điều này cho thấy chuỗi công cụ hoặc quy trình còn thiếu thứ gì đó. Ông dự đoán bước đột phá này sẽ xuất hiện trong vòng 6 đến 12 tháng tới.

Tiến bộ trong công nghệ phân loại mô hình cũng rất ấn tượng. Mô hình Flash của họ có thể đạt 95% hiệu năng của mô hình hàng đầu với chỉ một phần mười chi phí. Hơn nữa, quá trình nén này ngày càng nhanh — sau khi ra mắt mô hình mới 6 đến 12 tháng, khả năng của nó có thể được nén vào các mô hình nhỏ có thể chạy trên thiết bị biên. Ông thừa nhận hiện tại chưa gặp giới hạn lý thuyết về mật độ thông tin, nên còn rất nhiều không gian để phát triển trong tương lai.

Trong lĩnh vực phát hiện khoa học, ông đề xuất một khái niệm thú vị — "Kiểm tra của Einstein". Đó là huấn luyện hệ thống bằng kiến thức trước năm 1901, xem nó có thể tự suy luận ra thuyết tương đối của Einstein năm 1905 hay không. Một khi AI làm được điều này, nghĩa là nó thực sự gần đạt tới khả năng sáng tạo tự chủ. AlphaFold đã chứng minh tiềm năng của AI trong lĩnh vực gấp nếp protein, có tới 3 triệu nhà nghiên cứu trên toàn cầu đang dùng nó. Nhưng ông cho rằng đó mới chỉ là bắt đầu, các lĩnh vực như khoa học vật liệu, phát hiện thuốc, mô hình khí hậu đều đang ở "thời điểm AlphaFold 1" — có triển vọng nhưng chưa thực sự đột phá.

Lời khuyên thực tế nhất dành cho các nhà khởi nghiệp là: nếu bạn bắt đầu một dự án công nghệ sâu trong mười năm tới, cần phải đưa việc xuất hiện của AGI vào kế hoạch. Đây không phải là lời nói quá, mà là phải xem xét sản phẩm của bạn có còn hữu ích trong thời đại AGI hay không. Ý của ông là, hệ thống tổng quát (như Gemini) sẽ dùng các hệ thống chuyên dụng (như AlphaFold) như công cụ, chứ không phải nhồi tất cả vào một mô hình lớn. Điều này ảnh hưởng lớn đến hướng xây dựng của bạn hiện tại.

Tổng thể, nội dung chia sẻ cốt lõi là: việc giải các bài toán khó và đơn giản đều có độ khó gần như nhau, chỉ khác ở chỗ khó ở đâu. Vì cuộc đời có hạn, tại sao không dành năng lượng vào những việc "chỉ có bạn làm, người khác không làm"? Câu này nghe có vẻ đơn giản, nhưng để thực hiện được lại đòi hỏi sự kiên trì cực kỳ cao.