Sequoia phỏng vấn Hassanabis: Thông tin là bản chất của vũ trụ, AI sẽ mở ra một ngành khoa học hoàn toàn mới

Bản tổng hợp nội dung:瓜哥 AI 新知

Nội dung bài viết tổng hợp từ cuộc phỏng vấn của Demis Hassabis trên kênh Sequoia Capital, công bố ngày 29 tháng 4 năm 2026.

Tóm tắt nội dung: Phỏng vấn Demis Hassabis tại AI Ascent 2026 của Sequoia Capital

Mối liên hệ giữa AI và trò chơi: Trò chơi là sân thử nghiệm tuyệt vời cho trí tuệ nhân tạo. Việc tích hợp AI làm trung tâm trong gameplay không chỉ giúp xác minh hiệu quả các ý tưởng thuật toán mà còn cung cấp năng lực tính toán sớm cho nghiên cứu công nghệ.

Thuyết về “thời điểm khởi nghiệp”: Khởi nghiệp nên “đi trước thời đại 5 năm, chứ không phải 50 năm”. Cần nhạy bén nắm bắt điểm cân bằng giữa đột phá công nghệ và nhu cầu thực tế, quá sớm thường khó thành công.

Lộ trình tiến hóa của AGI: Sứ mệnh rõ ràng và kiên định của DeepMind — bước đầu xây dựng trí tuệ nhân tạo tổng quát (AGI); bước tiếp theo, dùng AGI để giải quyết mọi vấn đề phức tạp, bao gồm khoa học và y học.

Giá trị cốt lõi của “AI vì Khoa học”: AI là ngôn ngữ hoàn hảo để mô tả sinh học và hệ thống tự nhiên phức tạp. Nhờ mô phỏng AI, chu kỳ phát triển thuốc mới có thể giảm từ nhiều năm xuống còn vài tuần, thậm chí thực hiện y học cá nhân hóa thực sự.

Sự ra đời của ngành khoa học mới: Độ phức tạp của hệ thống AI sẽ thúc đẩy các lĩnh vực kỹ thuật mới như “giải thích cơ chế”. Đồng thời, công nghệ mô phỏng dựa trên AI sẽ cho phép con người thực hiện các thí nghiệm kiểm soát trong các hệ thống xã hội phức tạp như kinh tế, mở ra ngành khoa học mới.

Thông tin là bản chất của vũ trụ: Vật chất, năng lượng và thông tin có thể chuyển đổi lẫn nhau. Bản chất của vũ trụ có thể là một hệ thống xử lý thông tin khổng lồ, điều này mang ý nghĩa sâu xa cho AI trong việc hiểu quy luật vận hành của vũ trụ ở cấp độ nền tảng.

Giới hạn tính toán của máy Turing: Các hệ thống AI hiện đại như mạng nơ-ron đã chứng minh rằng máy Turing cổ điển đủ khả năng mô phỏng những vấn đề từng được cho là chỉ có thể giải quyết bằng tính toán lượng tử (như gấp nếp protein). Não người có thể là một dạng máy Turing gần như hoàn hảo.

Triết lý về ý thức: Có thể ý thức gồm các thành phần như nhận thức về bản thân, tính liên tục của thời gian. Trong hành trình hướng tới AGI, chúng ta nên xem ý thức như một công cụ mạnh mẽ, và dùng nó để khám phá các câu hỏi triết học rộng lớn về ý thức.

Nội dung chính

Đồng sáng lập kiêm CEO của Google DeepMind, người đoạt giải Nobel Hóa học 2024 nhờ AlphaFold, Demis Hassabis, cùng cộng tác viên của Sequoia Capital Konstantine Buhler đã có cuộc đối thoại sâu rộng tại hội nghị AI Ascent 2026, bàn về con đường hướng tới AGI và tương lai sau đó.

Trong cuộc trò chuyện, ông giải thích vì sao tin tưởng có thể đạt AGI vào năm 2030, vì sao chu kỳ phát triển thuốc kéo dài hàng thập kỷ có thể rút ngắn chỉ còn vài ngày, và tại sao chúng ta nên xem “thông tin” chứ không phải vật chất hay năng lượng là bản chất cốt lõi của vũ trụ. Ngoài ra, ông còn bàn luận về nhận định của Einstein nếu còn sống về giới hạn của các mô hình AI hiện nay, và vì sao một hoặc hai năm tới sẽ là thời điểm quyết định số phận nhân loại.

Toàn bộ cuộc phỏng vấn

Người dẫn chương trình: Demis, cảm ơn anh đã đến đây.

Demis Hassabis: Rất vui được có mặt. Cảm ơn mọi người đã đến, thật tuyệt khi có thể giao lưu cùng các bạn.

Người dẫn chương trình: Thật vinh dự khi mời anh đến nhà máy sô cô la của chúng tôi.

Demis Hassabis: Tôi vừa nghe nói về chuyện này. Rất mong chờ được thử sô cô la sau.

Người dẫn chương trình: Tuyệt vời. Demis, chúng ta đi thẳng vào vấn đề chính nhé. Hôm nay chúng ta có một vị “lão làng” trong ngành: vừa là nhà tư tưởng sáng tạo, nhà sáng lập, nhà tiên phong, vừa là người dẫn đầu trong mọi lĩnh vực của AI. Demis là người theo đuổi niềm tin thuần túy, cũng là nhà khoa học thuần túy.

Tinh thần và dòng chảy nội tại của Demis

Chúng ta sẽ bắt đầu cuộc đối thoại từ câu chuyện sáng lập DeepMind, sau đó đi sâu vào công nghệ khoa học, cuối cùng là phần hỏi đáp khán giả. Vậy chúng ta bắt đầu nhé.

Demis, anh từng là thần đồng cờ vua, sáng lập công ty game, và còn là nhà khoa học thần kinh. Anh là người sáng lập DeepMind, nay còn dẫn dắt một doanh nghiệp quy mô lớn, ảnh hưởng lớn. Những vai trò này có vẻ rất khác nhau, nhưng anh nói có một dòng chảy nội tại xuyên suốt. Anh có thể chia sẻ không?

Demis Hassabis: Thật sự có một dòng chảy, dù có thể đó là lý do sau này tôi mới nhận ra (post hoc reasoning). Nhưng tôi đã khao khát tham gia lĩnh vực AI từ rất lâu rồi. Từ khi 15, 16 tuổi, mọi lựa chọn học tập, mọi việc tôi làm đều hướng tới mục tiêu xây dựng một công ty như DeepMind trong tương lai.

Trò chơi: Sân tập huấn của AI

Tôi từng “lách luật” vào ngành game vì trong thập niên 90, đó là nơi phát sinh các công nghệ tiên phong. Không chỉ AI, còn có đồ họa, phần cứng. GPU mà chúng ta dùng ngày nay ban đầu là để tạo engine đồ họa, và tôi đã dùng GPU từ cuối thập niên 90. Tất cả các trò chơi tôi phát triển, từ Bullfrog (studio của tôi) đến Elixir Studios, đều lấy AI làm trung tâm trong gameplay.

Tác phẩm nổi tiếng nhất của tôi là “Theme Park” khi tôi khoảng 17 tuổi. Đó là game mô phỏng công viên giải trí, hàng nghìn nhân vật ảo vào chơi, trải nghiệm các dịch vụ, quyết định mua gì. Dưới lớp vỏ game, chạy một mô hình AI kinh tế hoàn chỉnh. Giống như “SimCity”, nó là tiền đề cho thể loại game này. Khi thấy nó bán hơn 10 triệu bản, và chứng kiến người chơi thích thú khi tương tác với AI, tôi càng quyết tâm dành cả đời cho AI.

Sau đó, tôi chuyển hướng sang thần kinh học, hy vọng rút ra cảm hứng từ cơ chế hoạt động của não để phát triển các thuật toán mới. Khi thời điểm thành lập DeepMind đến gần, tất cả những tích lũy đó hòa quyện thành tự nhiên. Chúng tôi cũng dùng game làm sân thử nghiệm sớm cho AI.

Kinh nghiệm khởi nghiệp tại Elixir Studios

Người dẫn chương trình: Hôm nay có nhiều doanh nhân trẻ, chắc chắn anh rất đồng cảm, vì anh không chỉ thành lập một mà hai công ty. Hãy kể về lần khởi nghiệp đầu tiên của anh, Elixir Studios. Đó là trải nghiệm như thế nào? Dù không nổi tiếng như các công ty sau này, nhưng anh đã thành công lớn. Anh đã lãnh đạo công ty đó ra sao? Kinh nghiệm đó dạy anh điều gì về xây dựng doanh nghiệp?

Demis Hassabis: Tôi tốt nghiệp đại học rồi lập tức thành lập Elixir Studios. May mắn là tôi đã làm việc tại Bullfrog Productions trước đó. Ai biết về ngành game đều biết đó là studio huyền thoại thời kỳ đầu, có thể là một trong những studio hàng đầu của Anh, châu Âu.

Tôi muốn làm những điều mở rộng giới hạn AI. Thực ra, trong thập niên 90, tôi dùng phát triển game như một “lối thoát vòng vèo” để gây quỹ cho nghiên cứu AI, liên tục thử thách công nghệ, kết hợp sáng tạo tối đa. Tôi nghĩ cách làm này vẫn phù hợp với nghiên cứu khám phá (Blue-sky Research) ngày nay.

Bài học sâu sắc nhất tôi rút ra là: bạn cần đi trước thời đại 5 năm, chứ không phải 50 năm. Khi còn ở Elixir, chúng tôi cố phát triển một trò chơi tên “Republic”, mô phỏng một quốc gia hoàn chỉnh. Trong game, người chơi có thể lật đổ chính quyền theo nhiều cách khác nhau, mô phỏng thành phố sống động, có hơi thở.

Phải biết rằng, cuối thập niên 90, máy tính vẫn dùng chip Pentium. Chúng tôi phải chạy tất cả đồ họa và logic AI của 1 triệu nhân vật trên máy tính gia đình thời đó. Thật quá tham vọng — có thể hơi quá xa vời — dẫn đến nhiều vấn đề.

Tôi ghi nhớ bài học này: đi trước thời đại là tốt, nhưng nếu vượt quá 50 năm, khả năng thất bại rất cao. Khi ý tưởng quá rõ ràng với mọi người, thì vào muộn quá cũng không tốt. Vấn đề là tìm điểm cân bằng tinh tế đó.

Năm 2009, thành lập DeepMind

Người dẫn chương trình: Vậy, khi nói về việc không quá vượt thời đại, năm 2009, anh tin chắc rằng sẽ đạt AGI. Có thể chỉ đi trước 10 năm, còn hơn 50 năm. Hãy kể về năm 2009. Làm thế nào anh thuyết phục được các thiên tài ban đầu? Vì lúc đó, AGI nghe như chuyện viễn tưởng, anh đã làm thế nào để họ tin?

Demis Hassabis: Chúng tôi đã nhận ra một số manh mối thú vị. Ban đầu nghĩ chỉ hơn 5 năm, nhưng thực ra có thể hơn 10 năm. Deep learning mới do Jeff Hinton và cộng sự phát minh, gần như không ai nhận ra tầm quan trọng. Chúng tôi có nền tảng mạnh về reinforcement learning, nghĩ rằng kết hợp hai công nghệ này sẽ tạo đột phá. Trước đó, chúng gần như là hai hòn đảo riêng biệt, ít khi kết hợp.

Hơn nữa, chúng tôi thấy tiềm năng của năng lực tính toán; GPU ngày đó sẽ bùng nổ. Hiện tại, chúng ta dùng TPU, nhưng thời đó, ngành tăng tốc tính toán sẽ là động lực lớn. Trong quá trình làm tiến sĩ và sau tiến sĩ, tôi cùng các cộng sự là nhà thần kinh học tính toán, rút ra nhiều quy luật từ cơ chế não bộ, trong đó có niềm tin cốt lõi: reinforcement learning cuối cùng có thể mở rộng quy mô để đạt AGI.

Chúng tôi nghĩ đã hội tụ đủ các yếu tố then chốt. Thậm chí, cảm giác như đang giữ bí mật lớn, vì trong giới học thuật và công nghiệp, ít ai tin AI có thể đột phá. Thật vậy, khi đề xuất phát triển AGI — hay gọi là “trí tuệ nhân tạo mạnh” — nhiều nhà khoa học lắc đầu ngán ngẩm. Họ coi đó là con đường chết; vì thập niên 90, đã thử rồi, đều thất bại.

Trong thời gian làm nghiên cứu sau tiến sĩ tại MIT, tôi thấy phương pháp đó quá cũ kỹ. Dù ở Cambridge hay MIT, mọi người vẫn dùng cách cũ. Điều này khiến tôi càng tin rằng mình đã chọn đúng hướng. Ít nhất, nếu thất bại, chúng ta cũng sẽ thất bại theo cách sáng tạo, không lặp lại sai lầm của thập niên 90. Điều đó khiến tôi thấy đáng để thử, dù có thể là nghiên cứu đầy rủi ro.

Sứ mệnh của DeepMind và niềm tin vào AGI

Người dẫn chương trình: Ban đầu, các bạn có gặp phải phản đối phổ biến nào không? Để thuyết phục các đồng nghiệp, anh có cần chứng minh điều gì không?

Demis Hassabis: Dù thế nào, tôi luôn dồn toàn bộ tâm huyết vào AI. Thực tế, nó vượt xa dự đoán của chúng tôi từ năm 2010 — khi đó, chúng tôi nghĩ đây là dự án kéo dài 20 năm.

Tôi tin rằng, với tư cách là người trong ngành, tiến trình của chúng tôi phù hợp kỳ vọng, và rõ ràng chúng tôi đã đóng góp xứng đáng.

Ngay cả khi mọi thứ không diễn ra như dự đoán, AI vẫn là lĩnh vực nhỏ, tôi vẫn theo đuổi con đường này vì nó là công nghệ quan trọng nhất trong đời tôi. Mục tiêu rõ ràng của DeepMind ban đầu là: thứ nhất, giải mã trí tuệ, xây dựng AGI; thứ hai, dùng nó để giải quyết mọi vấn đề khác. Tôi luôn nghĩ đây là công nghệ quan trọng và hấp dẫn nhất mà nhân loại từng phát minh.

Nó là công cụ khám phá khoa học, là sáng tạo kỳ diệu, và là cách tốt nhất để hiểu về tâm trí con người (như ý thức, giấc mơ, sáng tạo). Là nhà thần kinh học, tôi từng cảm thấy thiếu một công cụ phân tích như AI để nghiên cứu các vấn đề này. Nó cung cấp cơ chế so sánh, giúp chúng ta nghiên cứu sâu hai hệ thống khác nhau như làm thí nghiệm đối chiếu.

Văn hóa “AI hỗ trợ khoa học”

Người dẫn chương trình: Nói về “AI hỗ trợ khoa học”. Anh rất sớm tham gia lĩnh vực này, là người theo đuổi lý tưởng thuần túy. Đây là động lực chính thúc đẩy anh. Khi thành lập DeepMind, anh xây dựng mô hình và văn hóa như thế nào để luôn dẫn đầu trong “AI hỗ trợ khoa học”?

Demis Hassabis: Đó chính là mục tiêu cuối cùng của chúng tôi. Đối với tôi, động lực cốt lõi là xây dựng AI để thúc đẩy khoa học, y học, và nhận thức về thế giới. Đó là cách tôi theo đuổi sứ mệnh — qua một “phương pháp siêu việt” (Meta Way), trước tiên tạo ra công cụ tối thượng, rồi khi đủ trưởng thành, dùng nó để đột phá trong khoa học. Chúng tôi đã đạt được thành tựu như AlphaFold, và còn nhiều nữa sẽ tới.

DeepMind luôn đặt mục tiêu này làm trung tâm. Thực tế, chúng tôi có một bộ phận “AI hỗ trợ khoa học” do Pushmeet Kohli dẫn dắt, thành lập gần 10 năm. Ngay sau khi trở về từ trận đấu AlphaGo tại Seoul, chúng tôi đã chính thức bắt đầu dự án này, tròn 10 năm.

Trước đó, tôi đã chờ đợi đủ lâu để các thuật toán đủ mạnh, ý tưởng đủ phổ quát. Đối với tôi, chiến thắng trong cờ vây là bước ngoặt lịch sử; lúc đó, tôi nhận ra đã đến lúc áp dụng các ý tưởng này vào các vấn đề thực tế, bắt đầu từ các thách thức khoa học lớn.

Chúng tôi tin rằng đây là hướng đi tốt nhất cho AI vì lợi ích cộng đồng. Còn gì tuyệt vời hơn dùng AI để chữa bệnh, kéo dài tuổi thọ, hỗ trợ y tế? Tiếp theo là vật liệu, môi trường, năng lượng. Tôi tin rằng trong vài năm tới, AI sẽ tỏa sáng trong các lĩnh vực này.

Đột phá trong sinh học và Isomorphic Labs

Người dẫn chương trình: AI đã đạt đột phá trong sinh học như thế nào? Anh tham gia sâu vào công việc của Isomorphic Labs, lĩnh vực anh đam mê. Từ đầu, anh tin tưởng AI có thể chữa bệnh. Khi nào chúng ta mới có “điểm sáng” như trong ngôn ngữ, lập trình?

Demis Hassabis: Tôi nghĩ AlphaFold đã mang đến “điểm sáng” của sinh học. Gập nếp protein và xác định cấu trúc 3D là bài toán kéo dài 50 năm. Giải quyết nó cực kỳ quan trọng để thiết kế thuốc hoặc giải mã mã sinh học. Nhưng đó chỉ là một phần trong quá trình phát hiện thuốc, rất quan trọng nhưng chưa đủ.

Công ty mới của tôi, Isomorphic Labs (tôi rất thích quản lý công ty này), tập trung xây dựng công nghệ cốt lõi trong hóa học và sinh học. Công nghệ này có thể tự thiết kế hợp chất phù hợp với các vị trí đặc biệt của protein. Khi đã biết hình dạng và bề mặt protein, coi như đã khóa được mục tiêu. Tiếp theo, cần tạo ra các hợp chất có khả năng liên kết mạnh với mục tiêu đó, đồng thời tránh các phản ứng phụ gây độc.

Ước mơ lớn của chúng tôi là: chuyển toàn bộ quá trình khám phá thuốc, vốn chiếm 99% thời gian và công sức, sang mô phỏng trên máy tính (In Silico), chỉ để thử nghiệm cuối cùng trong phòng thí nghiệm ướt (Wet Lab). Nếu làm được điều này — tôi tin trong vài năm tới sẽ khả thi — chúng ta có thể rút ngắn chu kỳ phát hiện thuốc từ 10 năm xuống còn vài tháng, thậm chí vài ngày.

Tôi tin rằng, vượt qua ngưỡng này, việc chữa trị mọi bệnh tật sẽ trở nên khả thi. Các khái niệm như y học cá nhân hóa (tùy biến thuốc theo từng bệnh nhân) cũng sẽ trở thành hiện thực. Tôi nghĩ, toàn bộ lĩnh vực y tế và phát triển thuốc sẽ được định hình lại trong vài năm tới.

Khoa học mới từ mô phỏng

Người dẫn chương trình: Thật tuyệt vời. Anh nhiều lần đề cập “AI hỗ trợ khoa học”. Anh nghĩ rằng trong tương lai, AI sẽ tạo ra một hệ thống khoa học hoàn toàn mới, giống như cách cách mạng công nghiệp sinh ra nhiệt động lực học. Hệ thống giáo dục của chúng ta có thể xuất hiện ngành học mới về bản chất? Nếu có, nó sẽ như thế nào?

Demis Hassabis: Tôi nghĩ sẽ có vài điều xảy ra.

Thứ nhất, hiểu và phân tích hệ thống AI sẽ trở thành một ngành khoa học kỹ thuật hoàn chỉnh — một ngành kỹ thuật (Engineering Science). Những sáng tạo này rất hấp dẫn, nhưng cũng cực kỳ phức tạp. Cuối cùng, chúng sẽ có độ phức tạp ngang bằng trí tuệ và não bộ con người. Do đó, cần nghiên cứu sâu để hiểu rõ cơ chế hoạt động của chúng, điều này còn xa mới khả thi với trình độ hiện tại. Tôi tin rằng một lĩnh vực mới sẽ nổi lên; giải thích cơ chế (Mechanistic Interpretability) chỉ là phần nổi của tảng băng, còn nhiều khám phá nữa trong việc phân tích các hệ thống này.

Thứ hai, tôi tin AI sẽ mở ra cánh cửa mới cho khoa học. Đặc biệt, “AI hỗ trợ mô phỏng” (AI for Simulations) là lĩnh vực tôi đam mê. Tôi thích mô phỏng; tất cả các game tôi viết đều là mô phỏng, và bản chất của chúng cũng là mô phỏng. Tôi nghĩ, mô phỏng là con đường cuối cùng để giải quyết các vấn đề trong xã hội như kinh tế học và các ngành khoa học nhân văn khác.

Các ngành này, giống sinh học, là hệ thống xuất hiện (Emergent Systems), rất khó để thực hiện thí nghiệm kiểm soát lặp lại. Ví dụ, muốn tăng lãi suất 0.5%, bạn phải làm trong thực tế, rồi quan sát hậu quả; có lý thuyết, nhưng không thể lặp lại hàng nghìn lần. Nhưng nếu mô phỏng chính xác các hệ thống phức tạp này, dựa trên mô phỏng cực kỳ chính xác, thì có thể xây dựng một ngành khoa học mới dựa trên phân tích mô phỏng đó. Tôi tin rằng, điều này sẽ giúp chúng ta đưa ra quyết định tốt hơn trong các lĩnh vực đầy độ không chắc chắn hiện nay.

Để thực hiện các mô phỏng chính xác này, chúng ta cần điều kiện gì? Ví dụ như mô hình thế giới (World Models), cần đột phá khoa học và kỹ thuật nào để đạt tới?

Demis Hassabis: Tôi luôn suy nghĩ sâu về vấn đề này. Trong công việc của chúng tôi, chúng tôi dùng nhiều mô phỏng học (Learning Simulators). Những mô phỏng này áp dụng trong các lĩnh vực mà chúng tôi chưa hiểu rõ về nguyên lý toán học hoặc hệ thống quá phức tạp. Không thể chỉ viết các chương trình mô phỏng trực tiếp cho từng trường hợp, vì không đủ chính xác, không bao phủ hết các biến.

Chúng tôi đã thử nghiệm trong dự báo thời tiết. Có mô phỏng thời tiết cực kỳ chính xác gọi là “WeatherNext”, chạy nhanh hơn nhiều so với các công cụ dự báo hiện tại. Tôi không chắc chúng ta có thể hiểu rõ tất cả, hay có nên, nhưng bước đầu là hiểu rõ các hệ thống phức tạp này.

Ngay cả trong sinh học, chúng tôi đang nghiên cứu “tế bào ảo” (Virtual Cell) — một hệ thống xuất hiện (Emergent System) cực kỳ động. Giống như toán học là ngôn ngữ mô tả lý tưởng của vật lý, thì học máy sẽ trở thành ngôn ngữ mô tả lý tưởng của sinh học. Trong sinh học và nhiều hệ thống tự nhiên, có rất nhiều tín hiệu yếu, liên hệ yếu, và dữ liệu khổng lồ vượt quá khả năng phân tích của não người. Nhưng trong lượng dữ liệu đó, vẫn tồn tại các mối liên hệ, các mối quan hệ nhân quả tiềm ẩn.

Học máy là công cụ lý tưởng để mô tả các hệ thống này. Cho đến nay, toán học vẫn chưa thể làm được điều này, lý do là hệ thống quá phức tạp — thậm chí các nhà toán học hàng đầu cũng khó nắm bắt; hoặc khả năng biểu đạt của toán học chưa đủ để hiểu các hệ thống xuất hiện phức tạp này — một phần vì chúng rất hỗn loạn, có tính ngẫu nhiên (Stochastic).

Cuối cùng, khi đã nắm vững các mô phỏng này, có thể phát sinh ra ngành khoa học mới. Bạn có thể trích xuất các phương trình rõ ràng (Explicit Equations) từ các mô phỏng ngầm hoặc trực giác này. Nếu có thể lấy mẫu vô số lần từ các mô phỏng, cuối cùng có thể phát hiện ra các định luật cơ bản như hệ phương trình Maxwell.

Có thể thế. Tôi không biết liệu các hệ xuất hiện này có thể có các định luật như vậy không, nhưng nếu có, tôi không thấy lý do gì chúng ta không thể phát hiện ra chúng bằng phương pháp này.

Triết lý về ý thức và vũ trụ

Người dẫn chương trình: Bạn từng đề cập rằng, bản chất của vũ trụ có thể là tổ hợp của thông tin — một ý tưởng mang tính lý thuyết cao hơn. Bạn nghĩ sao về điều này? Điều này có ý nghĩa gì đối với các máy tính Turing cổ điển?

Demis Hassabis: Tất nhiên, bạn có thể dẫn chứng E=mc² và các thành tựu của Einstein để nói năng lượng và vật chất là tương đương. Nhưng tôi thực sự nghĩ rằng, thông tin cũng có thể có tính tương đương. Bạn có thể xem cách tổ chức vật chất và cấu trúc — đặc biệt là các hệ sinh học có khả năng chống lại entropy (tăng entropy) — như một hệ thống xử lý thông tin. Do đó, tôi cho rằng, ba thứ này có thể chuyển đổi lẫn nhau.

Tuy nhiên, tôi có cảm giác rằng, thông tin mới là nền tảng nhất. Điều này trái ngược với quan điểm của các nhà vật lý cổ điển thập niên 1920, cho rằng năng lượng và vật chất là cốt lõi. Tôi nghĩ, xem vũ trụ như một hệ thống dựa trên thông tin là cách hiểu thế giới tốt hơn.

Nếu điều này đúng — và tôi nghĩ có nhiều bằng chứng ủng hộ — thì ý nghĩa của AI còn sâu xa hơn chúng ta nghĩ. Bởi cốt lõi của AI chính là tổ chức, hiểu và tạo ra các đối tượng dựa trên thông tin.

Theo tôi, bản chất của AI chính là xử lý thông tin. Nếu lấy xử lý thông tin làm cách tiếp cận chính để hiểu thế giới, ta sẽ thấy các lĩnh vực khác nhau thực ra có mối liên hệ sâu sắc.

Người dẫn chương trình: Vậy, theo anh, máy Turing cổ điển có thể tính toán mọi thứ không?

Demis Hassabis: Thỉnh thoảng tôi tự xem mình như “người bảo vệ của Turing”, vì Alan Turing là anh hùng khoa học tôi kính trọng nhất. Tôi tin rằng, công trình của ông không chỉ đặt nền móng cho máy tính, khoa học máy tính, mà còn cho AI. Lý thuyết máy Turing là thành tựu sâu sắc nhất trong lịch sử: mọi thứ có thể tính toán được đều có thể mô phỏng bằng một máy mô tả đơn giản. Vì vậy, tôi nghĩ rằng, não người có thể là một dạng máy Turing gần đúng (Approximate Turing Machine).

Việc suy nghĩ về mối liên hệ giữa máy Turing và hệ lượng tử rất thú vị. Nhưng qua các hệ thống như AlphaGo, đặc biệt AlphaFold, chúng ta đã chứng minh rằng, các máy Turing cổ điển, dưới dạng mạng nơ-ron hiện đại, có thể mô phỏng các vấn đề từng được cho là chỉ có thể giải quyết bằng tính toán lượng tử (như gập nếp protein). Ví dụ, gập protein là một hệ thống lượng tử cực kỳ phức tạp, liên quan đến các liên kết hydro và các tương tác lượng tử nhỏ nhất.

Tuy nhiên, thực tế cho thấy, dùng các hệ thống cổ điển, ta vẫn có thể tìm ra các giải pháp gần tối ưu. Điều này cho thấy, nhiều thứ từng nghĩ chỉ có thể mô phỏng bằng lượng tử, thực ra có thể làm được bằng các phương pháp cổ điển, nếu biết cách.

Triết lý về ý thức

Người dẫn chương trình: Anh luôn xem AI như một công cụ, như kính viễn vọng, kính hiển vi hay các dụng cụ cổ xưa (Astrolabe). Nhưng khi một máy gần như có thể mô phỏng mọi thứ — kể cả các hệ lượng tử — thì nó sẽ vượt khỏi phạm vi công cụ khi nào? Ngày đó có thực sự đến không?

Demis Hassabis: Tôi cảm nhận rõ ràng rằng, trong hành trình xây dựng AGI, chúng ta — những người đồng hành, kể cả các bạn trong khán phòng — đều nghĩ rằng cách tốt nhất là xây dựng một công cụ: một công cụ cực kỳ thông minh, hữu dụng, chính xác, rồi sau đó vượt qua giới hạn đó. Chính ý nghĩa của việc xây dựng công cụ này đã đủ sâu rồi. Tất nhiên, công cụ đó có thể ngày càng tự chủ, ngày càng có đặc tính của một “tác nhân” (agent), và đó chính là xu thế hiện nay. Chúng ta đang bước vào kỷ nguyên của các “tác nhân” (Agent Era).

Tuy nhiên, còn một câu hỏi lớn hơn: nó có ý thức không? Nó có khả năng tự hành động không? Đây là những vấn đề chúng ta sẽ phải đối mặt. Nhưng tôi đề nghị xem đó là bước thứ hai, hoặc có thể dùng công cụ ban đầu để giúp chúng ta khám phá các câu hỏi sâu xa này.

Trong quá trình đó, chúng ta cũng có thể hiểu rõ hơn về não bộ và tư duy của chính mình, và có thể định nghĩa chính xác hơn về “ý thức”.

Người dẫn chương trình: Anh có dự đoán gì về cách định nghĩa ý thức trong tương lai không?

Demis Hassabis: Không, ngoài những gì triết học đã bàn luận suốt hàng nghìn năm, tôi không có nhiều điều để bổ sung. Nhưng rõ ràng, một số thành phần là cần thiết. Chúng có thể là những điều kiện cần thiết (Necessary) nhưng chưa đủ (Sufficient). Như ý thức về bản thân, về chính mình và người khác, và tính liên tục của thời gian — những yếu tố rõ ràng là cần thiết cho một thực thể có ý thức.

Tuy nhiên, định nghĩa đầy đủ của ý thức vẫn là một câu hỏi mở (Open Question). Tôi đã bàn luận với nhiều triết gia vĩ đại. Gần đây, tôi đã trao đổi sâu với Daniel Dennett, người đã qua đời không lâu. Một trong những vấn đề chính là biểu hiện hành vi của hệ thống: nó có biểu hiện như một hệ thống có ý thức không? Bạn có thể nghĩ rằng, khi các hệ thống AI tiến gần tới AGI, chúng cuối cùng có thể làm được điều đó.

Nhưng câu hỏi đặt ra là: tại sao chúng ta lại tin rằng người khác có ý thức? Một lý do là cách chúng ta hành xử, thể hiện như những sinh vật có ý thức. Nhưng lý do khác là, tất cả chúng ta đều hoạt động dựa trên cùng một nền tảng (substrate).

Vì vậy, tôi nghĩ rằng, nếu cả hai điều này đúng, thì việc giả định rằng trải nghiệm của bạn và tôi là giống nhau, theo nguyên tắc tối giản (parsimonious), là hợp lý nhất. Đó là lý do vì sao chúng ta thường không tranh luận về việc người khác có ý thức hay không. Nhưng rõ ràng, chúng ta không thể đạt được sự đồng bộ về nền tảng (substrate) của các hệ thống nhân tạo. Do đó, việc loại bỏ hoàn toàn khoảng cách này là rất khó. Bạn có thể xem xét hành vi (behaviorally), nhưng còn trải nghiệm (experientially) thì sao? Sau khi đạt tới AGI, có thể sẽ có cách để xử lý vấn đề này, nhưng có thể vượt quá phạm vi ngày hôm nay, ngay cả trong các cuộc thảo luận về “AI và khoa học”.

Chuyên mục nhanh

Người dẫn chương trình: Tuyệt vời. Chúng ta sẽ mở phần hỏi đáp khán giả ngay. Anh vừa đề cập đến các triết gia, đặc biệt là Kant và Spinoza, là hai triết gia yêu thích nhất của anh. Kant là nhà đạo đức học (Deontological), nhấn mạnh trách nhiệm; còn Spinoza có quan điểm gần như định mệnh (Deterministic). Anh liên hệ hai quan điểm này như thế nào? Anh hiểu thế nào về cách vận hành của thế giới?

Demis Hassabis: Tôi thích hai ông vì họ đều có những ý tưởng sâu sắc. Kant từng nói — và tôi cảm nhận rõ khi học thần kinh học — rằng “tâm trí tạo ra thực tại (The mind creates reality)”, tôi nghĩ điều đó đúng. Điều này giúp tôi có lý do để nghiên cứu cơ chế hoạt động của tâm trí và não bộ. Vì cuối cùng, tôi muốn hiểu bản chất của thực tại, thì trước tiên phải hiểu tâm trí diễn giải thế nào về thực tại. Đó là bài học từ Kant.

Về Spinoza, ông đề cập đến khía cạnh tinh thần (spirit). Nếu bạn dùng khoa học như một công cụ để hiểu vũ trụ, bạn đã bắt đầu chạm vào bí ẩn sâu xa của cách vận hành của vũ trụ.

Đây chính là cảm nhận của tôi về công việc hiện tại. Khi tôi đắm chìm vào nghiên cứu khoa học, phát triển AI, xây dựng các công cụ này, tôi cảm thấy như đang đọc ngôn ngữ của vũ trụ theo một cách nào đó.

Người dẫn chương trình: Thật đẹp. Đây là cách diễn đạt đẹp nhất về công việc hàng ngày của anh: Demis, anh là nhà khoa học, diễn giả, triết gia. Trước khi kết thúc, chúng ta sẽ làm một phần nhanh: câu hỏi nhanh, câu trả lời nhanh. Những câu này anh chưa xem trước. Dự đoán năm đạt AGI là sớm hơn hay muộn hơn dự kiến? Hoặc có thể từ chối?

Demis Hassabis: Tôi chọn 2030. Tôi luôn tin vào dự đoán này.

Người dẫn chương trình: Được rồi, 2030. Khi đạt AGI, anh khuyên đọc sách, thơ, hay bài báo nào?

Demis Hassabis: Trong thế giới sau khi đạt AGI, tôi thích nhất cuốn “The Fabric of Reality” của David Deutsch. Tôi nghĩ các ý tưởng trong đó vẫn còn phù hợp. Tôi hy vọng, khi đó, dùng AGI để trả lời các câu hỏi sâu sắc trong cuốn sách này sẽ là trọng tâm công việc của tôi trong thời kỳ mới của AGI.

Người dẫn chương trình: Tuyệt vời. Khoảnh khắc tự hào nhất của anh tại DeepMind là gì?

Demis Hassabis: Chúng tôi đã trải qua nhiều đỉnh cao, nhưng tự hào nhất là sự ra đời của AlphaFold.

Người dẫn chương trình: Cuối cùng, một số câu hỏi về game. Nếu anh tham gia một trận chiến chiến lược theo lượt cao cấp, như “Civilization” hay “Polytopia”, và có thể chọn một nhà khoa học làm đồng đội, như Einstein, Turing hay Newton, anh sẽ chọn ai?

Demis Hassabis: Tôi sẽ chọn von Neumann. Trong tình huống này, cần một chuyên gia lý thuyết trò chơi (Game Theory), và tôi nghĩ ông là số một.

Người dẫn chương trình: Quả thật là đồng đội đẳng cấp. Demis, anh thật đa tài. Cảm ơn anh đã tham gia chương trình hôm nay. Xin mọi người cùng vỗ tay cảm ơn Demis vì những chia sẻ tuyệt vời. Xin cảm ơn!