Nhìn lại chặng đường 80 năm phát triển của AI, có 5 bài học lịch sử đáng để rút ra
Tuyển chọn TechFlowTuyển chọn TechFlow
Nhìn lại chặng đường 80 năm phát triển của AI, có 5 bài học lịch sử đáng để rút ra
Bài học kinh nghiệm từ hành trình 80 năm phát triển trí tuệ nhân tạo có lẽ có thể giúp các công ty AI vượt qua giai đoạn biến động tiếp theo trong 30 ngày hoặc 30 năm tới.
Chuyên sâu báo cáo Web3Bài viết: Gil Press
Dịch: Felix, PANews
Ngày 9 tháng 7 năm 2025, Nvidia trở thành công ty đại chúng đầu tiên đạt vốn hóa thị trường 4 nghìn tỷ USD. Vậy tương lai của Nvidia và lĩnh vực AI đầy biến động sẽ đi về đâu?
Mặc dù việc dự đoán rất khó khăn, nhưng có rất nhiều dữ liệu để khai thác. Ít nhất cũng giúp ta hiểu rõ vì sao những dự đoán trước đây không thành hiện thực, ở điểm nào, theo cách nào và vì lý do gì mà thất bại. Đó chính là lịch sử.
Trong hành trình 80 năm phát triển trí tuệ nhân tạo (AI), chúng ta có thể rút ra bài học kinh nghiệm nào? Trong chặng đường này, nguồn vốn đầu tư lúc tăng lúc giảm, các phương pháp nghiên cứu và phát triển khác biệt lớn, công chúng lúc tò mò, lúc lo lắng, khi lại hào hứng.
Lịch sử AI bắt đầu vào tháng 12 năm 1943, khi nhà thần kinh sinh lý học Warren S. McCulloch và nhà logic học Walter Pitts công bố một bài báo về logic toán học. Trong bài báo "Logical Calculus of Ideas Immanent in Nervous Activity", họ đưa ra giả thuyết về mạng lưới neuron lý tưởng hóa và đơn giản hóa, cùng cách chúng thực hiện các phép toán logic cơ bản bằng cách truyền hoặc không truyền xung điện.
Ralph Lillie, người đang mở đường cho lĩnh vực hóa học tổ chức tại thời điểm đó, mô tả công trình của McCulloch và Pitts là việc trao "tính hiện thực" cho các "mô hình logic và toán học" trong điều kiện thiếu vắng "các sự kiện thực nghiệm". Sau này, khi các giả định trong bài báo không vượt qua được kiểm chứng thực nghiệm, Jerome Lettvin thuộc Viện Công nghệ Massachusetts (MIT) chỉ ra rằng mặc dù ngành thần kinh học và thần kinh sinh học đã phớt lờ bài báo này, nó lại truyền cảm hứng cho "nhóm những người sau này sẽ trở thành những người đam mê một lĩnh vực mới – ngày nay gọi là AI".
Thực tế, bài báo của McCulloch và Pitts đã truyền cảm hứng cho "liên kết luận" (connectionism), một dạng biến thể cụ thể của AI hiện nay đang chiếm ưu thế, ngày nay gọi là "học sâu" (deep learning), gần đây lại được đổi tên thành "AI". Dù phương pháp này hoàn toàn không liên quan đến cách hoạt động thực tế của bộ não, nhưng các kỹ thuật phân tích thống kê làm nền tảng cho dạng AI này – "mạng nơ-ron nhân tạo" – thường được các chuyên gia và bình luận viên AI mô tả là "bắt chước bộ não". Chuyên gia hàng đầu, lãnh đạo AI nổi bật Demis Hassabis tuyên bố năm 2017 rằng mô tả hư cấu về cách hoạt động của bộ não bởi McCulloch, Pitts và các nghiên cứu tương tự "vẫn tiếp tục là nền tảng cho nghiên cứu học sâu đương đại".
Bài học thứ nhất: Cần cảnh giác với việc nhầm lẫn kỹ thuật với khoa học, nhầm lẫn khoa học với suy đoán, và nhầm lẫn khoa học với những bài báo đầy ký hiệu toán học và công thức. Quan trọng hơn hết, hãy chống lại cám dỗ của ảo tưởng "chúng ta như những vị thần", tức là cho rằng con người và máy móc giống nhau, và con người có thể tạo ra những cỗ máy giống như con người.
Thái độ kiêu ngạo dai dẳng và phổ biến này trong 80 năm qua luôn là chất xúc tác cho các bong bóng công nghệ và những cơn sốt AI mang tính chu kỳ.
Điều này khiến ta nhớ đến ý tưởng về trí tuệ nhân tạo tổng quát (AGI), tức là những cỗ máy sớm sẽ sở hữu trí thông minh giống người hoặc thậm chí siêu việt hơn con người.
Năm 1957, tiên phong AI Herbert Simon tuyên bố: "Hiện nay thế giới đã có những cỗ máy có thể suy nghĩ, học hỏi và sáng tạo." Ông còn tiên đoán rằng trong vòng mười năm, máy tính sẽ trở thành nhà vô địch cờ vua. Năm 1970, một tiên phong AI khác là Marvin Minsky đầy tự tin nói: "Trong ba đến tám năm tới, chúng ta sẽ có một cỗ máy sở hữu trí tuệ ngang bằng con người bình thường... Một khi máy tính nắm quyền kiểm soát, có lẽ chúng ta sẽ không bao giờ giành lại được nữa. Chúng ta sẽ sống nhờ ân huệ của chúng. Nếu may mắn, chúng có thể quyết định nuôi chúng ta như vật nuôi."
Sự kỳ vọng về AGI sắp xuất hiện có ảnh hưởng to lớn, thậm chí tác động đến chi tiêu và chính sách của chính phủ. Năm 1981, Nhật Bản cấp ngân sách 850 triệu USD cho Dự án Máy tính Thế hệ Thứ Năm nhằm phát triển những cỗ máy biết suy nghĩ như con người. Đáp lại, Cơ quan Các Dự án Nghiên cứu Quốc phòng Tiên tiến của Mỹ (DARPA), sau một thời gian dài trải qua "mùa đông AI", đã lên kế hoạch từ năm 1983 tài trợ lại nghiên cứu AI nhằm phát triển những cỗ máy có khả năng "nhìn, nghe, nói và suy nghĩ như con người".
Hàng loạt chính phủ tiên tiến trên toàn thế giới đã mất khoảng mười năm và hàng chục tỷ đô la để nhận ra không chỉ về AGI mà cả những hạn chế của AI truyền thống. Nhưng đến năm 2012, liên kết luận cuối cùng đã chiến thắng các trường phái AI khác, và một làn sóng dự đoán mới về AGI sắp xảy ra lan rộng khắp thế giới. OpenAI tuyên bố năm 2023 rằng AI siêu thông minh – "phát minh có ảnh hưởng nhất trong lịch sử loài người" – có thể xuất hiện trong thập kỷ này, đồng thời "có thể khiến loài người mất quyền lực, thậm chí dẫn đến diệt vong".
Bài học thứ hai: Hãy cảnh giác với những điều mới mẻ hào nhoáng, cần xem xét chúng một cách cẩn thận, thận trọng và sáng suốt. Chúng chưa chắc đã khác biệt nhiều so với những suy đoán trước đây về thời điểm máy móc đạt được trí thông minh tương tự con người.
Yann LeCun, một trong những "cha đỡ đầu" của học sâu, từng nói: "Chúng ta vẫn còn thiếu một vài yếu tố then chốt để máy móc học tập hiệu quả như con người và động vật, chỉ là hiện tại chúng ta chưa biết đó là gì."
Suốt nhiều năm, AGI luôn bị coi là "sắp thành hiện thực", đều do "ngụy biện bước đầu tiên". Yehoshua Bar-Hillel, tiên phong trong lĩnh vực dịch máy, là một trong những người đầu tiên nói về giới hạn của trí tuệ máy, ông chỉ ra rằng nhiều người cho rằng nếu ai đó chứng minh được một máy tính có thể làm một việc mà gần đây con người vẫn nghĩ chỉ con người mới làm được, thì dù thực hiện rất tệ, chỉ cần thêm phát triển công nghệ, nó sẽ hoàn thiện nhiệm vụ. Người ta thường tin rằng chỉ cần kiên nhẫn chờ đợi, cuối cùng điều đó sẽ xảy ra. Nhưng Bar-Hillel đã cảnh báo từ giữa những năm 1950 rằng thực tế không phải vậy, và thực tế đã chứng minh điều đó một lần rồi lại một lần nữa.
Bài học thứ ba: Khoảng cách từ "không thể làm" đến "làm tệ" thường ngắn hơn nhiều so với khoảng cách từ "làm tệ" đến "làm tốt".
Vào những năm 1950 và 1960, do tốc độ xử lý của bán dẫn điều khiển máy tính được cải thiện, nhiều người rơi vào "ngụy biện bước đầu tiên". Khi phần cứng phát triển mỗi năm theo đúng quỹ đạo đáng tin cậy của "định luật Moore", người ta tin rằng trí tuệ máy cũng sẽ phát triển song hành với phần cứng.
Tuy nhiên, ngoài sự cải thiện liên tục về hiệu suất phần cứng, sự phát triển của AI bước vào giai đoạn mới với việc đưa vào hai yếu tố mới: phần mềm và thu thập dữ liệu. Từ giữa những năm 1960, các hệ chuyên gia (một hệ thống chương trình máy tính thông minh) đã chuyển trọng tâm sang việc thu thập và lập trình tri thức thế giới thực tế, đặc biệt là tri thức của các chuyên gia trong lĩnh vực cụ thể, cùng các quy tắc kinh nghiệm (phương pháp heuristic). Hệ chuyên gia ngày càng phổ biến, đến những năm 1980, ước tính có tới hai phần ba các công ty trong danh sách Fortune 500 đang áp dụng công nghệ này trong hoạt động kinh doanh hàng ngày.
Tuy nhiên, đến đầu những năm 1990, cơn sốt AI này hoàn toàn tan vỡ. Hàng loạt công ty khởi nghiệp AI phá sản, các tập đoàn lớn cũng đình chỉ hoặc hủy bỏ các dự án AI. Ngay từ năm 1983, Ed Feigenbaum, tiên phong về hệ chuyên gia, đã chỉ ra "nút thắt then chốt" dẫn đến sự sụp đổ của chúng: việc mở rộng quá trình thu thập tri thức, "một quá trình cực kỳ rườm rà, tốn thời gian và đắt đỏ".
Các hệ chuyên gia còn đối mặt với vấn đề tích lũy tri thức. Việc liên tục bổ sung và cập nhật các quy tắc khiến chúng khó bảo trì và tốn kém. Chúng cũng bộc lộ những điểm yếu của máy móc suy nghĩ so với trí tuệ con người. Chúng rất "mong manh", dễ mắc những lỗi ngớ ngẩn khi gặp đầu vào bất thường, không thể chuyển giao chuyên môn sang lĩnh vực mới, và thiếu hiểu biết về thế giới xung quanh. Về cơ bản nhất, chúng không thể học từ ví dụ, kinh nghiệm hay môi trường như con người.
Bài học thứ tư: Thành công ban đầu, dù là việc được doanh nghiệp và cơ quan chính phủ áp dụng rộng rãi cùng lượng lớn đầu tư công và tư kéo dài mười hay mười lăm năm, cũng chưa chắc đã tạo ra một "ngành công nghiệp mới" bền vững. Bong bóng thường sẽ vỡ.
Giữa những thăng trầm, sự thổi phồng và thất vọng, hai phương pháp phát triển AI hoàn toàn khác biệt luôn cạnh tranh để giành lấy sự chú ý của giới học thuật, nhà đầu tư công và tư, cũng như truyền thông. Suốt hơn bốn mươi năm, phương pháp AI biểu tượng dựa trên quy tắc luôn chiếm ưu thế. Tuy nhiên, chủ nghĩa liên kết dựa trên ví dụ và thúc đẩy bởi phân tích thống kê, như một phương pháp AI chính khác, đã từng thịnh hành ngắn ngủi vào cuối những năm 1950 và cuối những năm 1980.
Trước thời điểm liên kết luận hồi sinh vào năm 2012, nghiên cứu và phát triển AI chủ yếu do giới học thuật dẫn dắt. Giới học thuật nổi bật với sự giáo điều (loại "khoa học thông thường"), luôn đặt ra lựa chọn phi A thì B giữa AI biểu tượng và liên kết luận. Năm 2019, trong bài phát biểu nhận giải thưởng Turing, Geoffrey Hinton dành phần lớn thời gian kể về những khó khăn mà ông và một số ít người yêu thích học sâu đã trải qua dưới tay các học giả AI và học máy mainstream. Hinton còn cố ý hạ thấp giá trị của học tăng cường và công việc của các đồng nghiệp tại DeepMind.
Chỉ vài năm sau, vào năm 2023, DeepMind tiếp quản hoạt động AI của Google (Hinton cũng rời khỏi đó), chủ yếu là phản ứng trước thành công của OpenAI, nơi cũng coi học tăng cường là một thành phần trong phát triển AI. Hai tiên phong của học tăng cường, Andrew Barto và Richard Sutton, đã nhận giải thưởng Turing vào năm 2025.
Tuy nhiên, hiện tại không có dấu hiệu nào cho thấy cả DeepMind, OpenAI hay hàng loạt doanh nghiệp "kỳ lân" theo đuổi AGI đang hướng sự chú ý vượt ra ngoài khuôn mẫu mô hình ngôn ngữ lớn (LLM) đang thịnh hành hiện nay. Kể từ năm 2012, trọng tâm phát triển AI đã chuyển từ giới học thuật sang khu vực tư nhân; tuy vậy, toàn bộ lĩnh vực vẫn ám ảnh bởi một hướng nghiên cứu đơn lẻ.
Bài học thứ năm: Đừng đặt tất cả các "trứng AI" vào cùng một "giỏ".
Không nghi ngờ gì, Jensen Huang là một CEO xuất sắc và Nvidia là một công ty xuất sắc. Hơn một thập kỷ trước, khi cơ hội AI đột ngột xuất hiện, Nvidia đã nhanh chóng nắm bắt vì chip của họ (ban đầu được thiết kế để render game video hiệu quả) có khả năng xử lý song song rất phù hợp với tính toán học sâu. Jensen Huang luôn cảnh giác, ông nói với nhân viên rằng: "Công ty chúng ta chỉ cách phá sản có 30 ngày."
Ngoài việc giữ cảnh giác (hãy nhớ Intel chứ?), những bài học kinh nghiệm từ hành trình 80 năm phát triển AI có lẽ cũng có thể giúp Nvidia vững vàng vượt qua 30 ngày hay 30 năm thăng trầm sắp tới.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
@GilPress
