Nhiều người nghĩ rằng bong bóng AI chỉ mới xuất hiện ngày hôm nay.

Thực tế, trong lịch sử AI đã từng xảy ra một cơn sốt vốn điển hình.
Đó là bong bóng "hệ thống chuyên gia" vào những năm 1980.
Bối cảnh của làn sóng AI đó là sau kỳ băng giá AI đầu tiên, ngành công nghiệp cuối cùng đã tìm ra một lộ trình có vẻ khả thi về mặt thương mại hóa.
Các nhà nghiên cứu AI thời kỳ đầu từng muốn tạo ra trí thông minh tổng quát trực tiếp, nhưng các hướng như dịch máy, suy luận tổng quát, robot đều không đạt được kỳ vọng, vốn và niềm tin nhanh chóng nguội lạnh.
Vì vậy, đến những năm 1980, ngành AI đã đổi hướng:
Vì trí thông minh tổng quát quá khó, hãy làm trí thông minh theo chiều dọc trước.
Chia kinh nghiệm của bác sĩ, kỹ sư, nhà hóa học, chuyên gia tài chính, chuyên gia bảo trì thiết bị thành từng quy tắc, viết vào máy tính.
Nếu A và B cùng xảy ra, thì kết luận là C.
Nếu xuất hiện một tổ hợp triệu chứng nào đó, thì đề xuất một chẩn đoán.
Nếu đơn hàng có xung đột cấu hình nào đó, thì hệ thống tự động sửa.
Đó là hệ thống chuyên gia.
Nó không phải là mô hình lớn được huấn luyện từ dữ liệu khổng lồ như ngày nay, mà là một cơ sở tri thức được xây dựng thủ công, kết hợp với động cơ suy luận.
Vào thời đó, nó không chỉ là một khái niệm thuần túy.
Hệ thống XCON/R1 của DEC là một trong những trường hợp thương mại kinh điển nhất. Nó giúp DEC tự động cấu hình các đơn hàng máy tính mini phức tạp, giảm lỗi cấu hình, tăng hiệu quả giao hàng, và sau đó được coi là trường hợp thành công mang tính biểu tượng của thương mại hóa hệ thống chuyên gia.
Khi trường hợp này xuất hiện, trí tưởng tượng của thị trường đã hoàn toàn bùng cháy.
Các doanh nghiệp bắt đầu tin rằng:
Nếu một hệ thống chuyên gia có thể thay thế một phần phán đoán của kỹ sư, thì có thể thay thế phán đoán của bác sĩ không?
Nếu có thể cấu hình máy tính, thì có thể cấu hình nhà máy, quản lý chuỗi cung ứng, đưa ra quyết định tài chính, thực hiện suy luận pháp lý không?
Vì vậy, vốn bắt đầu đổ vào.
Các doanh nghiệp lớn lần lượt thành lập bộ phận AI, IBM, DEC, GE, GM và các công ty khác đều đầu tư vào hệ thống chuyên gia.
Các công ty khởi nghiệp cũng bắt đầu xuất hiện, làm về kỹ thuật tri thức, phần mềm hệ thống chuyên gia, động cơ suy luận và giải pháp ngành.
Thú vị hơn nữa, bong bóng AI nhanh chóng lan sang phần cứng.
Vì vào thời đó, nhiều phần mềm AI sử dụng ngôn ngữ Lisp, và Lisp yêu cầu tài nguyên tính toán và môi trường phát triển cao, nên xuất hiện một loạt các công ty máy Lisp chuyên dụng tối ưu cho AI.
Symbolics, Lisp Machines Inc., Texas Instruments và các công ty khác đều tham gia làn sóng phần cứng AI chuyên dụng này.
Điều này rất giống với một phản chiếu lịch sử ngày hôm nay:
Ngày xưa, hệ thống chuyên gia kéo theo máy Lisp.
Ngày nay, mô hình lớn kéo theo GPU, HBM, module quang, switch, trung tâm dữ liệu, điện năng và làm mát bằng chất lỏng.
Trong mỗi làn sóng AI, người kiếm tiền đầu tiên thường không phải là ứng dụng, mà là người bán xẻng.
Nhưng vấn đề cũng bộc lộ sau khi triển khai quy mô lớn.
Nút thắt cốt lõi nhất của hệ thống chuyên gia là thu thập tri thức.
Kiến thức chuyên gia thực sự không phải là một cuốn sách hướng dẫn.
Nhiều phán đoán đến từ kinh nghiệm, trực giác, điều kiện biên và nhiều năm thử sai.
Bản thân các chuyên gia cũng không nhất thiết có thể diễn đạt rõ ràng mọi tri thức ẩn.
Ngay cả khi diễn đạt được, cũng khó viết thành quy tắc hoàn chỉnh.
Vì vậy, các doanh nghiệp phát hiện ra rằng xây dựng một hệ thống chuyên gia chậm hơn và đắt hơn nhiều so với tưởng tượng.
Vấn đề thứ hai là chi phí bảo trì.
Quy trình kinh doanh không tĩnh.
Sản phẩm thay đổi, khách hàng thay đổi, quy định thay đổi, chuỗi cung ứng thay đổi, môi trường thị trường thay đổi.
Mỗi khi thế giới thực thay đổi, cơ sở quy tắc phải thay đổi theo.
Khi quy tắc nhiều lên, hệ thống còn xuất hiện xung đột, thiếu sót và chồng chéo.
Cuối cùng, nhiều doanh nghiệp mua được không phải một cỗ máy tự động kiếm tiền, mà là một mê cung quy tắc không bao giờ sửa xong.
Vấn đề thứ ba là tính dễ vỡ.
Hệ thống chuyên gia có thể hoạt động tốt trong phạm vi quy tắc bao phủ.
Nhưng một khi gặp tình huống biên, thông tin mơ hồ, thông tin không đầy đủ, hệ thống dễ bị hỏng.
Nó không có kiến thức thông thường thực sự.
Nó không chủ động học hỏi.
Nó cũng khó hiểu được sự thay đổi bối cảnh như con người.
Một bản demo có thể rất ấn tượng, nhưng hệ thống cấp doanh nghiệp phải đối mặt với thế giới thực thay đổi hàng ngày.
Đó là khoảng cách lớn từ phòng thí nghiệm đến môi trường sản xuất.
Vấn đề thứ tư là sự sụp đổ kinh tế của phần cứng.
Máy Lisp ban đầu là cơ sở hạ tầng AI.
Nhưng đến cuối những năm 1980, các máy trạm đa năng và máy tính cá nhân nhanh chóng mạnh lên, giá rẻ hơn, hệ sinh thái lớn hơn.
Khi các máy tính đa năng rẻ hơn cũng có thể chạy phần mềm liên quan, các máy Lisp chuyên dụng đắt tiền mất đi tính hợp lý thương mại.
Vì vậy, thị trường máy Lisp nhanh chóng sụp đổ.
Chuỗi phần cứng bị định giá lại trước, sau đó các công ty phần mềm và công ty tư vấn AI cũng chịu áp lực.
Hàng loạt công ty hệ thống chuyên gia phá sản, bị mua lại, chuyển đổi, AI trở thành một từ mà thị trường vốn không muốn nghe.
Đó là kỳ băng giá AI thứ hai.
Nhưng có một chi tiết rất quan trọng ở đây:
Hệ thống chuyên gia không hoàn toàn vô dụng.
Nó không biến mất, mà được hấp thụ vào phần mềm doanh nghiệp, động cơ quy tắc, hệ thống quản lý rủi ro, hệ thống quản lý tri thức, kịch bản dịch vụ khách hàng, hệ thống tự động hóa quy trình.
Công nghệ sống sót.
Bong bóng chết đi.
Đây mới là điều đáng để các nhà đầu tư AI ngày nay suy ngẫm nhiều lần.
Tất nhiên, mô hình lớn ngày nay không phải là hệ thống chuyên gia.
LLM không phải là cơ sở quy tắc thủ công, nó đến từ dữ liệu quy mô lớn, mạng nơ-ron, Transformer, sức mạnh tính toán và học tăng cường.
Tính tổng quát, khả năng ngôn ngữ, khả năng mã, khả năng đa phương thức của nó vượt xa hệ thống chuyên gia ngày xưa.
Vì vậy, đơn giản đánh đồng mô hình lớn ngày nay với hệ thống chuyên gia là không chính xác.
Nhưng điểm tương đồng thực sự của lịch sử không phải là lộ trình công nghệ, mà là cấu trúc tâm lý của thị trường vốn.
Mỗi làn sóng AI đều trải qua ba bước tương tự:
Bước một, công nghệ có đột phá thực sự.
Bước hai, vốn tin rằng nó có thể cải tạo mọi ngành.
Bước ba, doanh nghiệp phát hiện ra rằng biến công nghệ thành một hệ thống ổn định, kiểm soát được, có thể kiểm toán, có thể kiếm tiền, khó hơn nhiều so với tưởng tượng.
Mô hình lớn ngày nay cũng đang bước vào bước thứ ba.
Phía C có lượng sử dụng, nhưng cấu trúc lưu lượng chưa bị viết lại hoàn toàn.
Phía B có các dự án thử nghiệm, nhưng nhiều dự án vẫn dừng ở pilot, chưa vào hệ thống sản xuất quy mô lớn thực sự.
Agent rất hấp dẫn, nhưng trong các tác vụ chuỗi dài, lỗi từng bước sẽ tích lũy.
Ngay cả khi độ chính xác từng bước có vẻ cao, chỉ cần chuỗi đủ dài, tỷ lệ thành công tổng thể cũng sẽ giảm rõ rệt.
Các lĩnh vực như công nghiệp, tài chính, y tế, pháp lý, chuỗi cung ứng không cần một câu trả lời đẹp, mà cần độ tin cậy đầu cuối, xử lý ngoại lệ, kiểm soát quyền hạn, quy trách nhiệm, ghi chép kiểm toán và phương án dự phòng con người.
Những điều này không thể giải quyết bằng một buổi ra mắt mô hình.
Vì vậy, rủi ro lớn nhất của AI ngày nay không phải là công nghệ không có giá trị.
Ngược lại, AI rất có giá trị.
Vấn đề thực sự là:
Dòng tiền mà nó tạo ra có đủ để hỗ trợ chi tiêu vốn và định giá hiện tại không?
Nếu doanh nghiệp phát hiện ROI của AI vẫn mơ hồ, tốc độ cắt giảm ngân sách có thể rất nhanh.
Nếu các nhà cung cấp đám mây phát hiện doanh thu suy luận không đủ bù đắp chi phí khấu hao, điện năng và trung tâm dữ liệu, thì hướng dẫn chi tiêu vốn có thể bị hạ.
Nếu tầng ứng dụng không xuất hiện vòng lặp thanh toán đủ mạnh, chuỗi phần cứng sẽ bắt đầu giao dịch kỳ vọng giảm nhu cầu.
Lịch sử không lặp lại đơn giản.
Nhưng thị trường vốn thường sử dụng những cách tương tự để đẩy một đột phá công nghệ thực sự vào kỳ vọng lợi nhuận quá cao.
Bài học từ những năm 1980 không phải là "AI là lừa đảo".
Bài học thực sự là:
Cuộc cách mạng công nghệ có thể là thật.
Nhịp độ thương mại hóa có thể chậm.
Đầu tư cơ sở hạ tầng có thể đi trước.
Định giá cổ phiếu có thể sai.
Bốn điều này có thể xảy ra đồng thời.
Hệ thống chuyên gia cuối cùng không biến mất, nhưng bong bóng hệ thống chuyên gia đã vỡ.
Mô hình lớn ngày nay cũng rất có thể sẽ không biến mất.
Câu hỏi thực sự là:
Trong cơn sốt cơ sở hạ tầng AI này, công ty nào sẽ trở thành cơ sở hạ tầng của tương lai, và công ty nào chỉ là máy Lisp của chu kỳ này?