Phỏng vấn đặc biệt của Sequoia với Demis Hassabis: Thông tin là bản chất của vũ trụ, AI sẽ mở ra một nhánh khoa học hoàn toàn mới
Tuyển chọn TechFlowTuyển chọn TechFlow
Phỏng vấn đặc biệt của Sequoia với Demis Hassabis: Thông tin là bản chất của vũ trụ, AI sẽ mở ra một nhánh khoa học hoàn toàn mới
Phỏng vấn sâu rộng nhất mới đây với Demis Hassabis – nhà đoạt giải Nobel và CEO của DeepMind: Dự đoán AGI sẽ được hiện thực hóa vào năm 2030, tiết lộ cách AI có thể rút ngắn thời gian phát triển thuốc mới xuống chỉ còn vài ngày và thúc đẩy sự ra đời của một hệ thống khoa học hoàn toàn mới nhằm giải mã bản chất vũ trụ.
Chuyên sâu báo cáo Web3Bài viết được biên tập từ nguyên bản: Guā Gē AI Tân Zhī (Tri thức mới về AI của anh Quả)
Nội dung bài viết được biên tập từ cuộc phỏng vấn độc quyền với Demis Hassabis trên kênh Sequoia Capital, công bố chính thức vào ngày 29 tháng 04 năm 2026.
Tóm tắt nội dung: Cuộc phỏng vấn Demis Hassabis tại hội nghị AI Ascent 2026 của Sequoia Capital
- Nguồn gốc sâu xa giữa AI và trò chơi: Trò chơi là một “sân thử nghiệm” lý tưởng cho trí tuệ nhân tạo. Việc đặt AI làm cốt lõi của cơ chế chơi không chỉ giúp kiểm chứng hiệu quả các ý tưởng thuật toán mà còn cung cấp nguồn lực tính toán ban đầu cho nghiên cứu và phát triển công nghệ.
- Lý thuyết “thời điểm khởi nghiệp”: Khởi nghiệp nên “đi trước thời đại năm năm, chứ không phải năm mươi năm”. Cần nhạy bén nắm bắt điểm cân bằng giữa đột phá công nghệ và nhu cầu thực tiễn; đi quá sớm thường khó đạt được thành công.
- Con đường tiến hóa của AGI: Sứ mệnh của DeepMind rõ ràng và kiên định — Bước thứ nhất: Xây dựng Trí tuệ nhân tạo tổng quát (AGI); Bước thứ hai: Sử dụng AGI để giải quyết mọi vấn đề phức tạp trong khoa học, y học và nhiều lĩnh vực khác.
- Giá trị cốt lõi của “AI vì khoa học”: AI là ngôn ngữ hoàn hảo để mô tả sinh học và các hệ thống tự nhiên phức tạp. Nhờ mô phỏng bằng AI, chu kỳ phát triển thuốc mới có thể rút ngắn từ vài năm xuống còn vài tuần — thậm chí hiện thực hóa y học cá nhân hóa.
- Sự ra đời của một ngành khoa học mới: Tính phức tạp vốn có của các hệ thống AI sẽ thúc đẩy sự hình thành những ngành khoa học kỹ thuật mới như “khả năng giải thích cơ chế” (mechanistic interpretability). Đồng thời, công nghệ mô phỏng do AI dẫn dắt sẽ cho phép con người tiến hành các thí nghiệm có kiểm soát đối với các hệ thống xã hội phức tạp như kinh tế học, mở ra một nhánh khoa học hoàn toàn mới.
- Thông tin là bản chất của vũ trụ: Vật chất, năng lượng và thông tin có thể chuyển hóa lẫn nhau. Bản chất của vũ trụ có thể chính là một hệ thống xử lý thông tin khổng lồ — điều này trao cho AI một ý nghĩa sâu sắc trong việc khám phá quy luật vận hành nền tảng của vũ trụ.
- 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 hoàn toàn đủ khả năng mô phỏng những bài toán từng được cho là chỉ có thể giải quyết bởi máy tính lượng tử (ví dụ: gập protein). Bộ não con người rất có thể là một dạng “máy Turing xấp xỉ” ở mức độ cao.
- Suy tư triết học về ý thức: Ý thức có thể được cấu thành từ những thành phần như nhận thức bản thân và tính liên tục theo thời gian. Trên hành trình hướng tới AGI, chúng ta nên coi nó trước hết như một công cụ mạnh mẽ — rồi dùng chính công cụ ấy để khám phá “ý thức”, một đề tài triết học vĩ đại.
Giới thiệu nội dung
Demis Hassabis — đồng sáng lập và CEO của Google DeepMind, đồng thời là chủ nhân giải Nobel Hóa học năm 2024 nhờ công trình AlphaFold — đã có một cuộc đối thoại sâu rộng và đầy chiều kích với đối tác của Sequoia Capital, ông Konstantine Buhler, tại hội nghị AI Ascent 2026, cùng thảo luận về hành trình tiến tới AGI và viễn cảnh hậu-AGI.
Trong buổi trò chuyện, ông giải thích lý do vì sao mình tin chắc AGI có thể hiện thực hóa vào năm 2030; vì sao chu kỳ phát triển thuốc dài hàng chục năm có thể sụp đổ chỉ trong vài ngày; và vì sao “thông tin”, chứ không phải vật chất hay năng lượng, mới là bản chất cốt lõi và nền tảng nhất của vũ trụ. Ngoài ra, ông cũng bàn luận về đánh giá của Einstein — nếu vẫn còn sống — đối với những hạn chế hiện tại của các mô hình AI, cũng như vì sao một hoặc hai năm tới sẽ trở thành “nút thắt định mệnh” quyết định tương lai của nhân loại.
Toàn văn cuộc phỏng vấn
Người dẫn chương trình: Demis, xin chân thành cảm ơn anh đã đến đây.
Demis Hassabis: Rất vui được có mặt tại đây. Cảm ơn tất cả mọi người đã đến — thật tuyệt vời khi được trò chuyện cùng quý vị.
Người dẫn chương trình: Thật vinh dự khi được mời anh đến “nhà máy sô-cô-la” của chúng ta.
Demis Hassabis: Tôi vừa mới nghe nói về điều này. Tôi rất mong chờ được nếm thử sô-cô-la ở đây.
Người dẫn chương trình: Tuyệt vời! Demis, chúng ta hãy đi thẳng vào chủ đề. Hôm nay, chúng ta được vinh dự đón tiếp một “cây đa cây đề” thực thụ trong ngành: một nhà tư tưởng sáng tạo, một người sáng lập, một nhà tiên tri — và là một tiên phong trong mọi lĩnh vực của AI. Demis là một người tín đồ thuần túy, cũng là một nhà khoa học thuần túy.
Động lực ban đầu và sợi chỉ đỏ nội tại của Demis
Cuộc trò chuyện hôm nay sẽ bắt đầu từ câu chuyện khởi nguyên của DeepMind, sau đó đi sâu vào các khía cạnh khoa học – kỹ thuật, và kết thúc bằng phần hỏi đáp với khán giả. Vậy chúng ta sẽ bắt đầu ngay thôi.
Demis, anh từng là thần đồng cờ vua quốc tế, nhà sáng lập công ty trò chơi, đồng thời là một nhà khoa học thần kinh. Anh là người sáng lập DeepMind, và giờ đây đang lãnh đạo một doanh nghiệp quy mô lớn và có ảnh hưởng sâu rộng. Những danh tính này thoạt nhìn dường như chẳng liên quan gì đến nhau — nhưng anh từng nói rằng tồn tại một “sợi chỉ đỏ” xuyên suốt tất cả. Xin anh chia sẻ điều đó với chúng tôi?
Demis Hassabis: Đúng vậy, tồn tại một sợi chỉ đỏ — dẫu rằng có thể hơi mang tính suy luận ngược (post hoc reasoning). Nhưng tôi đã khao khát theo đuổi lĩnh vực AI từ rất lâu rồi. Từ sớm, tôi đã xác định đây là sự nghiệp quan trọng nhất và thú vị nhất mà tôi có thể theo đuổi trọn đời. Kể từ năm 15–16 tuổi, mỗi lựa chọn học tập, mỗi hành động tôi thực hiện đều nhằm mục tiêu duy nhất: một ngày nào đó, xây dựng một công ty như DeepMind.
Trò chơi: Trường huấn luyện của trí tuệ nhân tạo
Tôi từng “đi vòng” vào ngành trò chơi, bởi vì vào những năm 1990, những công nghệ tiên tiến nhất đều đang nảy nở tại đây — không chỉ AI, mà còn cả đồ họa và phần cứng. GPU — thứ mà ngày nay chúng ta đều sử dụng — ban đầu được thiết kế dành riêng cho các công cụ đồ họa, và tôi đã bắt đầu sử dụng những thế hệ GPU sơ khai nhất vào cuối những năm 1990. Mọi trò chơi tôi từng tham gia phát triển — dù cho Bullfrog Productions hay công ty riêng Elixir Studios — đều lấy AI làm cơ chế chơi cốt lõi.
Tác phẩm nổi tiếng nhất của tôi là trò chơi Theme Park (Công viên chủ đề), được phát triển khi tôi khoảng 17 tuổi. Đây là một trò chơi mô phỏng công viên giải trí, nơi hàng ngàn nhân vật nhỏ đổ xô vào công viên, trải nghiệm các trò chơi và quyết định mua sắm tại các cửa hàng. Ẩn dưới lớp bề ngoài đó là một mô hình kinh tế AI hoàn chỉnh. Cũng giống như SimCity, đây là một trong những trò chơi tiên phong thuộc thể loại này. Khi chứng kiến trò chơi bán được hơn 10 triệu bản và tận mắt thấy người chơi say mê tương tác với AI đến mức nào, tôi càng thêm vững tin rằng mình sẽ dồn trọn đời mình cho lĩnh vực AI.
Sau đó, tôi chuyển sang khoa học thần kinh, với hy vọng tìm kiếm cảm hứng từ cách thức vận hành của bộ não để suy ra những hướng tiếp cận thuật toán khác biệt. Và khi thời điểm thích hợp nhất để thành lập DeepMind cuối cùng cũng đến, việc tổng hợp tất cả những tích lũy ấy trở nên vô cùng thuận lợi — mọi thứ cứ như chảy xuôi. Một cách tự nhiên, chúng tôi sau này cũng chọn trò chơi làm “sân huấn luyện” đầu tiên để kiểm chứng các ý tưởng AI.
Hành trình khởi nghiệp tại Elixir Studios
Người dẫn chương trình: Hôm nay, khán phòng này đầy ắp các nhà khởi nghiệp — chắc chắn anh sẽ có nhiều đồng cảm, bởi anh không chỉ từng thành lập một công ty, mà đã hai lần khởi nghiệp. Hãy cùng quay lại lần khởi nghiệp đầu tiên của anh — Elixir Studios. Đó là một hành trình như thế nào? Dù đây không phải công ty nổi tiếng nhất của anh, nhưng anh cũng đã gặt hái thành công rực rỡ nhờ nó. Anh đã lãnh đạo công ty ấy ra sao? Kinh nghiệm này đã dạy anh điều gì về “cách xây dựng một công ty”?
Demis Hassabis: Đúng vậy, tôi thành lập Elixir Studios ngay sau khi tốt nghiệp đại học. Tôi rất may mắn từng làm việc tại Bullfrog Productions. Những ai am hiểu ngành trò chơi đều biết rằng đây là một xưởng sản xuất huyền thoại vào giai đoạn đầu của ngành — có lẽ là xưởng trò chơi hàng đầu nước Anh và châu Âu lúc bấy giờ.
Lúc đó, tôi muốn làm điều gì đó để mở rộng giới hạn của AI. Thực tế, trong thời đại ấy, tôi “đi vòng” qua ngành trò chơi để gây quỹ cho nghiên cứu AI, liên tục thử thách giới hạn công nghệ và kết hợp nó với sự sáng tạo tuyệt đỉnh. Tôi tin rằng tư duy này vẫn hoàn toàn phù hợp với các nghiên cứu khám phá (blue-sky research) mà chúng ta đang tiến hành ngày nay.
Bài học sâu sắc nhất mà tôi học được có lẽ là: Bạn cần đi trước thời đại năm năm — chứ không phải năm mươi năm. Tại Elixir Studios, chúng tôi từng cố gắng phát triển một trò chơi tên là Republic (Cộng hòa), nhằm mô phỏng một quốc gia hoàn chỉnh. Trong trò chơi, người chơi có thể lật đổ nhà độc tài cai trị đất nước bằng vô số cách khác nhau, và chúng tôi đã tái hiện một cách chân thực từng thành phố sống động, “biết thở”.
Hãy nhớ rằng, đây là cuối những năm 1990 — máy tính lúc ấy chạy bộ vi xử lý Pentium. Chúng tôi buộc phải chạy đồng thời toàn bộ logic đồ họa và AI cho một triệu người dân trên máy tính cá nhân phổ thông. Đây thực sự là một tham vọng quá lớn — thậm chí có phần viển vông — và đã dẫn đến hàng loạt vấn đề.
Tôi luôn khắc ghi bài học này: Bạn cần đi trước thời đại, nhưng nếu vượt xa năm mươi năm, bạn gần như chắc chắn sẽ thất bại thảm hại. Tất nhiên, khi một ý tưởng đã quá hiển nhiên với tất cả mọi người thì lại quá muộn để bước vào. Vì vậy, chìa khóa nằm ở việc tìm ra điểm cân bằng tinh tế ấy.
Thành lập DeepMind vào năm 2009
Người dẫn chương trình: Được rồi, nói về việc “không đi quá xa trước thời đại”, giờ hãy cùng quay lại năm 2009 — khi anh khẳng định chắc chắn rằng Trí tuệ nhân tạo tổng quát (AGI) nhất định sẽ trở thành hiện thực. Lần này, có lẽ anh chỉ đi trước thời đại mười năm — điều đó vẫn tốt hơn nhiều so với việc đi trước năm mươi năm. Hãy chia sẻ với các nhà khởi nghiệp có mặt tại đây về năm 2009. Anh đã thuyết phục những thiên tài hàng đầu đầu tiên như thế nào? Bởi thực tế, anh đã quy tụ một đội ngũ nhân sự và những thành viên sáng lập cực kỳ xuất sắc. Lúc bấy giờ, AGI nghe như một câu chuyện khoa học viễn tưởng thuần túy — anh đã khiến họ tin vào điều đó bằng cách nào?
Demis Hassabis: Lúc đó, chúng tôi đã bắt được một số manh mối thú vị. Chúng tôi từng nghĩ mình chỉ đi trước năm năm — nhưng thực tế có thể là mười năm. Học sâu (Deep Learning) vừa được Jeff Hinton và các đồng nghiệp trong giới học thuật phát minh, nhưng gần như chẳng ai nhận ra tầm quan trọng to lớn của nó. Còn về học tăng cường (Reinforcement Learning), chúng tôi đã tích lũy được nền tảng vững chắc. Chúng tôi tin rằng, nếu kết hợp hai công nghệ này, sẽ đạt được bước đột phá mang tính cách mạng. Trước đó, hai lĩnh vực này gần như chưa từng được kết hợp — dù có, cũng chỉ giới hạn trong các “bài toán đồ chơi” (toy problems) của giới học thuật. Trong lĩnh vực AI, chúng hoàn toàn là hai “đảo cô lập” riêng biệt.
Ngoài ra, chúng tôi đã nhìn thấy tiềm năng của sức mạnh tính toán (compute): GPU lúc ấy sắp bùng nổ. Dĩ nhiên, hiện nay chúng tôi dùng TPU, nhưng vào thời điểm đó, ngành công nghiệp tăng tốc tính toán sẽ là một lực đẩy khổng lồ. Đồng thời, vào cuối giai đoạn tiến sĩ và sau tiến sĩ của tôi, nhờ tập hợp được một nhóm đồng nghiệp là các nhà khoa học thần kinh tính toán, chúng tôi đã khai thác được từ cơ chế hoạt động của bộ não những tư tưởng và nguyên tắc giá trị đủ để nuôi dưỡng một niềm tin cốt lõi: học tăng cường cuối cùng sẽ dẫn tới AGI thông qua mở rộng quy mô (scale).
Chúng tôi cảm thấy mình đã hội tụ đủ những yếu tố then chốt. Thậm chí, chúng tôi còn cảm giác như mình là những người canh giữ một bí mật động trời — bởi trong giới học thuật lẫn công nghiệp, gần như chẳng ai tin rằng AI có thể đạt được bất kỳ đột phá nào đáng kể. Thực tế, khi chúng tôi tuyên bố mục tiêu phát triển AGI — hoặc lúc ấy đôi khi gọi là “trí tuệ nhân tạo mạnh” (Strong AI) — nhiều nhà nghiên cứu học thuật thậm chí còn liếc mắt trắng trợn với chúng tôi. Theo họ, rõ ràng đây là một con đường chết; bởi thập niên 1990, mọi người đã từng thử và thất bại thảm hại.
Tôi từng làm nghiên cứu sau tiến sĩ tại Viện Công nghệ Massachusetts (MIT), nơi là trung tâm của các hệ thống chuyên gia (Expert Systems) và các hệ thống ngôn ngữ logic bậc nhất (First-order Logic Language Systems). Giờ nhìn lại thì thật khó tin, nhưng lúc ấy tôi đã cảm thấy phương pháp ấy quá lỗi thời. Thế nhưng, dù ở Cambridge (Anh) hay MIT — những “đại bản doanh” truyền thống của nghiên cứu AI — mọi người vẫn tiếp tục bám theo cách làm cũ. Điều này lại càng củng cố niềm tin của tôi rằng chúng tôi đã chọn đúng hướng. Ít nhất, nếu chúng tôi thất bại, chúng tôi cũng sẽ ngã xuống theo một cách hoàn toàn mới — chứ không lặp lại thất bại của những người từng phát triển AGI vào thập niên 1990. Tôi cảm thấy điều đó đáng để thử; ngay cả khi đây chỉ là một nghiên cứu đầy bất định, và ngay cả khi cuối cùng thất bại, chúng tôi cũng sẽ thất bại một cách đầy tính nguyên bản.
Sứ mệnh của DeepMind và cam kết với AGI
Người dẫn chương trình: Niềm tin ban đầu của các anh có gặp phải những phản kháng phổ biến nào không? Để thuyết phục những người đi theo đầu tiên, anh có cần chứng minh điều gì với chính mình hay với họ không?
Demis Hassabis: Dù hoàn cảnh có ra sao, tôi cũng sẽ dồn trọn đời mình cho trí tuệ nhân tạo. Thực tế chứng minh rằng sự phát triển của nó vượt xa cả những kỳ vọng lạc quan nhất của chúng tôi. Tuy nhiên, điều này vẫn nằm gọn trong dự báo năm 2010 của chúng tôi — khi ấy chúng tôi cho rằng đây là một hành trình kéo dài hai mươi năm.
Theo tôi, tiến độ của chúng tôi trong lĩnh vực này hoàn toàn nằm trong dự kiến, và rõ ràng chúng tôi đã đóng vai trò xứng đáng.
Dẫu cho mọi chuyện không diễn ra như thế, và AI đến nay vẫn chỉ là một môn học chuyên sâu, tôi vẫn sẽ kiên trì con đường này — bởi đây là công nghệ quan trọng nhất trong lịch sử loài người. Mục tiêu của tôi vô cùng rõ ràng: tuyên bố sứ mệnh ban đầu của DeepMind là: Bước thứ nhất, giải mã trí tuệ — tức là xây dựng Trí tuệ nhân tạo tổng quát (AGI); Bước thứ hai, dùng nó để giải quyết mọi vấn đề còn lại. Tôi luôn tin rằng đây là công nghệ quan trọng nhất — và cũng hấp dẫn nhất — mà loài người từng phát minh.
Nó vừa là công cụ khám phá khoa học, vừa là một kỳ quan đáng kinh ngạc, đồng thời cũng là một trong những phương tiện tốt nhất để chúng ta hiểu chính bản thân mình — đặc biệt là bản chất của ý thức, giấc mơ và sáng tạo. Là một nhà khoa học thần kinh, tôi từng cảm thấy thiếu một công cụ phân tích như AI khi suy ngẫm về những vấn đề này. Nó cung cấp một cơ chế so sánh, giúp chúng ta nghiên cứu và đối chiếu hai hệ thống khác nhau như thể đang tiến hành một thí nghiệm kiểm soát.
Văn hóa “AI vì khoa học”
Người dẫn chương trình: So sánh giữa các hệ thống khác nhau. Hãy cùng nói về “AI vì khoa học” (AI for Science). Anh đã sớm thâm nhập lĩnh vực này, là một tín đồ kiên định và một lý tưởng chủ nghĩa thuần túy. Đây chính là sứ mệnh cốt lõi thúc đẩy các anh. Mô hình và văn hóa mà anh xây dựng khi thành lập DeepMind — đã giúp tổ chức này luôn dẫn đầu trong lĩnh vực “AI vì khoa học” như thế nào?
Demis Hassabis: Đây chính là mục tiêu tối thượng của chúng tôi. Đối với cá nhân tôi, động lực nền tảng nhất là xây dựng AI để thúc đẩy khoa học, y học và nhận thức của chúng ta về thế giới. Đây là cách tôi thực thi sứ mệnh của mình — thông qua một “phương pháp siêu cấp” (meta way): trước tiên tạo ra công cụ tối thượng, đợi khi nó trưởng thành, rồi dùng nó để đạt được những đột phá khoa học. Chúng tôi đã đạt được những thành tựu như AlphaFold, và tôi tin rằng trong tương lai sẽ còn nhiều hơn nữa.
DeepMind luôn đặt mục tiêu này lên hàng đầu. Thực tế, chúng tôi có một bộ phận “AI vì khoa học” do Pushmeet Kohli đứng đầu, đã tồn tại gần một thập kỷ. Ngay sau khi trở về từ trận đấu AlphaGo tại Seoul, chúng tôi gần như lập tức khởi động công việc này — tròn đúng mười năm.
Trước đó, tôi luôn kiên nhẫn chờ đợi các thuật toán đủ mạnh và các tư tưởng đủ phổ quát. Với tôi, việc chinh phục cờ vây chính là một bước ngoặt lịch sử; khoảnh khắc ấy, chúng tôi nhận ra thời cơ đã chín muồi — đã đến lúc áp dụng những tư tưởng này vào những vấn đề quan trọng trong thế giới thực, và chúng tôi sẽ bắt đầu từ những thách thức khoa học lớn lao nhất.
Chúng tôi luôn tin chắc rằng đây là đích đến nhân văn nhất của AI. Còn điều gì tuyệt vời hơn việc dùng nó để chữa bệnh, kéo dài tuổi thọ khỏe mạnh của con người và hỗ trợ y tế? Tiếp theo đó chắc chắn là các lĩnh vực then chốt như khoa học vật liệu, môi trường và năng lượng. Tôi tin rằng AI sẽ tỏa sáng rực rỡ trong những lĩnh vực này trong vài năm tới.
Đột phá trong sinh học và Isomorphic Labs
Người dẫn chương trình: AI đã đạt được đột phá trong lĩnh vực sinh học như thế nào? Anh tham gia sâu vào công việc của Isomorphic Labs — một lĩnh vực mà anh dành trọn niềm đam mê. Từ đầu, anh đã kiên định tin vào tiềm năng chữa bệnh của AI. Trong sinh học, chúng ta sẽ đón nhận “khoảnh khắc tỏa sáng” tương tự như trong lĩnh vực ngôn ngữ và lập trình vào khi nào?
Demis Hassabis: Tôi cho rằng sự ra đời của AlphaFold đã đưa chúng ta bước vào “khoảnh khắc tỏa sáng” của sinh học. Bài toán gập protein và cấu trúc ba chiều của nó là một thách thức khoa học kéo dài năm mươi năm. Nếu bạn muốn thiết kế thuốc hoặc giải mã mã nền tảng của sinh học, việc giải quyết bài toán này là vô cùng thiết yếu. Dĩ nhiên, đây chỉ là một mắt xích trong quy trình phát hiện thuốc — một mắt xích then chốt, nhưng vẫn chỉ là một mắt xích.
Công ty mới tách ra gần đây của chúng tôi — Isomorphic Labs (và cá nhân tôi cũng rất thích thú khi điều hành công ty này) — đang nỗ lực xây dựng các công nghệ cốt lõi trong lĩnh vực hóa sinh và hóa học. Những công nghệ này có thể tự động thiết kế các hợp chất gắn kết hoàn hảo với những vị trí cụ thể trên protein. Khi chúng ta đã nắm rõ hình dạng và cấu trúc bề mặt của protein, nghĩa là đã xác định được “mục tiêu”. Tiếp theo, chúng ta phải tạo ra những hợp chất “đối ứng” có khả năng gắn kết mạnh với mục tiêu đó, đồng thời — lý tưởng nhất — tránh mọi phản ứng ngoài mục tiêu (off-target effects) có thể gây độc.
Giấc mơ tối thượng của chúng tôi là: Chuyển toàn bộ quá trình khám phá — chiếm tới 99% khối lượng công việc và thời gian hiện nay — sang mô phỏng trên máy tính (in silico), chỉ để lại các thí nghiệm thực tế (wet lab) cho giai đoạn xác minh cuối cùng. Nếu đạt được điều này — và tôi tin chắc rằng điều đó sẽ xảy ra trong vài năm tới — chúng ta sẽ rút ngắn chu kỳ phát hiện thuốc trung bình dài mười năm xuống còn vài tháng, vài tuần, và thậm chí chỉ trong vài ngày.
Tôi tin rằng, một khi vượt qua ngưỡng này, việc chinh phục mọi căn bệnh sẽ trở nên trong tầm tay. Những khái niệm như y học cá nhân hóa (ví dụ: thuốc được thiết kế riêng cho từng bệnh nhân) sẽ trở thành hiện thực. Tôi cho rằng toàn bộ bản đồ y tế và phát triển dược phẩm sẽ được tái định hình hoàn toàn trong vài năm tới.
Mô phỏng nuôi dưỡng khoa học mới
Người dẫn chương trình: Thật tuyệt vời! Anh đã nhiều lần nhắc đến “AI vì khoa học”. Anh có cho rằng, tại một thời điểm nào đó trong tương lai, AI sẽ nuôi dưỡng ra một hệ thống khoa học hoàn toàn mới — tương tự như Cách mạng Công nghiệp đã khai sinh nhiệt động lực học? Hệ thống giáo dục của chúng ta có xuất hiện những môn học bản chất hoàn toàn mới không? Nếu có, chúng sẽ như thế nào?
Demis Hassabis: Về vấn đề này, tôi tin rằng sẽ xảy ra những điều sau.
Thứ nhất, việc hiểu và phân tích chính các hệ thống AI sẽ phát triển thành một ngành khoa học đầy đủ — một khoa học kỹ thuật (engineering science). Những “tạo vật” mà chúng ta đang xây dựng thật sự vô cùng hấp dẫn, đồng thời cũng cực kỳ phức tạp. Cuối cùng, độ phức tạp của chúng sẽ sánh ngang với trí tuệ và bộ não con người. Vì vậy, chúng ta buộc phải nghiên cứu sâu về chúng để làm rõ hoàn toàn nguyên lý vận hành — điều vượt xa trình độ nhận thức hiện tại của chúng ta. Tôi tin rằng một lĩnh vực hoàn toàn mới chắc chắn sẽ trỗi dậy; khả năng giải thích cơ chế (mechanistic interpretability) mới chỉ là phần nổi của tảng băng chìm, và còn rất nhiều không gian khám phá rộng mở trong việc giải mã các hệ thống này.
Thứ hai, tôi cũng tin rằng chính AI sẽ mở ra những cánh cửa khoa học hoàn toàn mới. Điều khiến tôi hào hứng nhất là “AI vì mô phỏng” (AI for Simulations). Tôi say mê mô phỏng; mọi trò chơi tôi từng viết không chỉ chứa AI mà về bản chất đều là những “bộ mô phỏng”. Tôi cho rằng mô phỏng là con đường tối ưu để giải quyết những bài toán khó khăn trong các ngành khoa học xã hội và nhân văn như kinh tế học.
Khó khăn của những ngành này nằm ở chỗ, giống như sinh học, chúng đều là các hệ thống nổi trội (emergent systems), cực kỳ khó tiến hành các thí nghiệm kiểm soát có thể lặp lại. Giả sử bạn muốn nâng lãi suất thêm 0,5%, bạn chỉ có thể thực hiện điều đó trong thế giới thực và quan sát hệ quả; bạn có thể có vô số lý thuyết, nhưng lại không thể lặp lại thí nghiệm này hàng nghìn lần. Tuy nhiên, nếu chúng ta có thể mô phỏng chính xác những hệ thống phức tạp này, thì việc suy luận nghiêm ngặt dựa trên các mẫu lấy từ bộ mô phỏng cực kỳ chính xác có thể thiết lập nên một ngành khoa học hoàn toàn mới. Tôi tin rằng điều này sẽ trao cho chúng ta khả năng ra quyết định tốt hơn trong những lĩnh vực hiện nay đang chịu đựng mức độ bất định cao nhất.
Người dẫn chương trình: Để đạt được những mô phỏng cực kỳ chính xác này, chúng ta cần điều kiện gì? Ví dụ như “mô hình thế giới” (world models), chúng ta cần những đột phá khoa học và kỹ thuật nào để tiến tới bước này?
Demis Hassabis: Tôi luôn suy ngẫm sâu sắc về vấn đề này. Trong công việc của chúng tôi, chúng tôi sử dụng rất nhiều “bộ mô phỏng học tập” (learning simulators). Những bộ mô phỏng này được áp dụng trong những lĩnh vực mà hoặc là chúng ta chưa hiểu rõ nguyên lý toán học, hoặc là hệ thống quá phức tạp. Chúng ta không thể đơn giản viết một chương trình mô phỏng trực tiếp cho từng tình huống cụ thể, bởi cách làm đó không đủ chính xác và cũng không bao quát được toàn bộ các biến số.
Chúng tôi đã thực hành điều này trong dự báo thời tiết. Chúng tôi sở hữu bộ mô phỏng thời tiết chính xác nhất thế giới — “WeatherNext”, vận hành nhanh hơn nhiều so với các công cụ mà các nhà khí tượng học hiện đang sử dụng. Tôi không chắc liệu chúng ta có thể hiểu thấu hết mọi thứ hay không, cũng không chắc điều đó có phải là một ý tưởng hay — nhưng bước đầu tiên là hiểu rõ hơn về những hệ thống phức tạp này.
Ngay cả trong lĩnh vực sinh học, chúng tôi cũng đang nghiên cứu cái gọi là “tế bào ảo” (virtual cell) — một hệ thống nổi trội (emergent system) cực kỳ động. Cũng như toán học là ngôn ngữ mô tả hoàn hảo cho vật lý, học máy cũng sẽ trở thành ngôn ngữ mô tả hoàn hảo cho sinh học. Trong sinh học và nhiều hệ thống tự nhiên khác, tồn tại vô số tín hiệu yếu, các mối tương quan yếu và khối lượng dữ liệu khổng lồ — vượt xa khả năng phân tích của bộ não con người. Tuy nhiên, trong khối lượng dữ liệu khổng lồ ấy, thực sự tồn tại những mối liên hệ nội tại, những tương quan và những mối quan hệ nhân quả sâu sắc.
Học máy là công cụ hoàn hảo để mô tả các hệ thống như vậy. Cho đến ngày nay, toán học vẫn chưa thể làm được điều này — bởi hoặc là hệ thống quá phức tạp, ngay cả những nhà toán học hàng đầu cũng khó lòng nắm bắt; hoặc là khả năng biểu đạt của toán học không đủ để hiểu các hệ thống động nổi trội ở mức độ cao — một phần là do chúng quá hỗn loạn và mang tính ngẫu nhiên (stochastic nature).
Cuối cùng, một khi bạn nắm vững những bộ mô phỏng này, có thể bạn sẽ khai sinh ra một nhánh khoa học mới. Bạn có thể cố gắng trích xuất những phương trình tường minh (explicit equations) từ những bộ mô phỏng ngầm hoặc trực quan này. Khi bạn có thể lấy mẫu từ bộ mô phỏng một cách tùy ý vô hạn, có thể một ngày nào đó bạn sẽ khám phá ra những định luật khoa học nền tảng như phương trình Maxwell.
Có thể vậy. Tôi không biết liệu những hệ thống nổi trội này có tồn tại những định luật như thế hay không, nhưng nếu chúng thực sự tồn tại, tôi không thấy có lý do gì để chúng ta không thể phát hiện ra chúng bằng phương pháp này.
Người dẫn chương trình: Điều đó thật phi thường. Anh từng đề cập đến một lý thuyết rằng đơn vị cấu thành cơ bản (building block) của mọi thứ trong vũ trụ có thể tương tự như “thông tin” — đây là một khía cạnh mang tính lý thuyết hơn. Anh nhìn nhận vấn đề này như thế nào? Điều này hàm ý gì đối với máy tính cổ điển kiểu Turing?
Demis Hassabis: Dĩ nhiên, bạn có thể viện dẫn công thức nổi tiếng E=mc² và toàn bộ thành tựu của Einstein để chứng minh rằng năng lượng và vật chất về bản chất là tương đương. Nhưng thực tế, tôi cho rằng thông tin cũng có tính tương đương tương tự. Bạn có thể coi cách tổ chức vật chất và cấu trúc — đặc biệt là các hệ thống như sinh học, có khả năng chống lại sự gia tăng entropy — về bản chất là các hệ thống xử lý thông tin. Vì vậy, tôi cho rằng cả ba yếu tố này có thể chuyển hóa lẫn nhau.
Tuy nhiên, tôi có cảm giác rằng thông tin mới là yếu tố nền tảng nhất. Điều này trái ngược hẳn với quan điểm của các nhà vật lý cổ điển vào những năm 1920, khi họ cho rằng năng lượng và vật chất mới là yếu tố hàng đầu. Thực tế, tôi cho rằng việc coi vũ trụ trước hết là một thực thể được cấu thành từ thông tin là cách tốt hơn để hiểu thế giới này.
Nếu điều này đúng — và tôi cho rằng hiện nay có rất nhiều bằng chứng ủng hộ — thì ý nghĩa của trí tuệ nhân tạo sẽ sâu sắc hơn cả những gì chúng ta từng tưởng tượng. Nó đã mang ý nghĩa to lớn rồi, bởi vì cốt lõi của nó chính là tổ chức thông tin, hiểu thông tin và xây dựng các “đối tượng thông tin” (informational objects).
Theo tôi, cốt lõi của trí tuệ nhân tạo chính là xử lý thông tin. Nếu bạn lấy xử lý thông tin làm cách thức hàng đầu để hiểu thế giới, bạn sẽ nhận ra rằng những lĩnh vực hoàn toàn khác biệt này thực chất có mối liên hệ sâu sắc bên trong.
Người dẫn chương trình: Vậy anh có cho rằng máy Turing cổ điển có thể tính toán mọi thứ không?
Demis Hassabis: Đôi khi tôi suy ngẫm về công việc của mình và tự coi mình là “người bảo vệ máy Turing”, bởi Alan Turing là một trong những anh hùng khoa học vĩ đại nhất mà tôi ngưỡng mộ suốt đời. Tôi tin rằng những công trình của ông không chỉ đặt nền móng cho máy tính và khoa học máy tính, mà còn là nền tảng cho trí tuệ nhân tạo. Lý thuyết máy Turing là một trong những thành tựu sâu sắc nhất trong lịch sử: Mọi thứ có thể tính toán được đều có thể được tính toán bởi một chiếc máy mô tả khá đơn giản. Vì vậy, tôi cho rằng bộ não con người rất có thể cũng là một dạng “máy Turing xấp xỉ” (approximate Turing machines).
Việc suy ngẫm về mối liên hệ giữa máy Turing và các hệ thống lượng tử rất thú vị. Tuy nhiên, thông qua AlphaGo và đặc biệt là AlphaFold, chúng ta đã chứng minh rằng một máy Turing cổ điển khoác áo mạng nơ-ron hiện đại có thể mô hình hóa những bài toán từng được cho là chỉ có thể giải quyết bằng cơ học lượng tử. Ví dụ, việc gập protein về bản chất là một hệ thống lượng tử liên quan đến các hạt cực nhỏ, người ta có thể nghĩ rằng bắt buộc phải tính đến toàn bộ các hiệu ứng lượng tử của liên kết hydro (hydrogen bonds) và các tương tác phức tạp khác.
Nhưng thực tế chứng minh rằng, chỉ bằng hệ thống cổ điển, chúng ta cũng có thể đạt được lời giải gần tối ưu. Vì vậy, chúng ta có thể phát hiện ra rằng nhiều điều mà trước đây chúng ta cho là phải phụ thuộc vào hệ thống lượng tử để mô phỏng hoặc vận hành, thực tế có thể được mô hình hóa trên hệ thống cổ điển — miễn là sử dụng đúng phương pháp.
Triết học về ý thức (Consciousness Philosophy)
Người dẫn chương trình: Anh luôn coi trí tuệ nhân tạo như một công cụ — giống như kính viễn vọng, kính hiển vi hay thiên bàn (astrolabe) trong nhiều thế kỷ qua. Nhưng khi đối diện với một cỗ máy gần như có thể mô phỏng mọi thứ — như anh vừa nói, thậm chí mô phỏng cả hệ thống lượng tử — thì khi nào nó sẽ vượt qua ranh giới của một “công cụ”? Ngày ấy thực sự sẽ đến chứ?
Demis Hassabis: Tôi cảm nhận rất mạnh mẽ rằng, trong sứ mệnh và hành trình xây dựng Trí tuệ nhân tạo tổng quát (AGI), chúng ta — những người đồng hành, trong đó có rất nhiều người ngồi trong khán phòng này — đều cho rằng cách tốt nhất là trước tiên xây dựng một công cụ: một công cụ cực kỳ thông minh, hữu ích và chính xác — rồi mới bước qua ngưỡng tiếp theo. Chính bản thân việc xây dựng công cụ này đã mang ý nghĩa sâu sắc rồi. Dĩ nhiên, công cụ này có thể ngày càng trở nên tự chủ hơn, ngày càng mang đặc trưng của một “tác nhân” (agent) hơn — điều mà chúng ta đang chứng kiến. Chúng ta đang sống trong làn sóng của “Kỷ nguyên tác nhân” (Agent Era).
Tuy nhiên, còn có những câu hỏi sâu xa hơn: Liệu nó có “tính chủ thể” (agency) không? Liệu nó có “ý thức” không? Đây là những vấn đề mà chúng ta sẽ buộc phải đối mặt. Nhưng tôi đề nghị chúng ta hãy coi đây là bước thứ hai — và có thể sử dụng chính công cụ được xây dựng ở bước thứ nhất để hỗ trợ chúng ta khám phá những vấn đề sâu xa này.
Lý tưởng nhất, thông qua quá trình này, chúng ta cũng sẽ hiểu rõ hơn về bộ não và tư duy của chính mình, và có thể định nghĩa chính xác hơn các khái niệm như “ý thức” so với hiện tại.
Người dẫn chương trình: Về định nghĩa tương lai của “ý thức”, anh có dự đoán tổng quát nào không?
Demis Hassabis: Không, ngoài những điều mà giới triết học đã thảo luận suốt hàng ngàn năm qua, tôi không có gì để bổ sung thêm. Nhưng điều rõ ràng với tôi là một số thành phần nhất định là bắt buộc. Chúng có thể là những điều kiện cần nhưng chưa đủ (necessary but not sufficient). Ví dụ như nhận thức bản thân, khái niệm về bản thân và người khác, cũng như một dạng tính liên tục theo thời gian — rõ ràng là những điều kiện thiết yếu đối với bất kỳ thực thể nào trông giống như có ý thức.
Tuy nhiên, định nghĩa đầy đủ cuối cùng là gì — vẫn là một câu hỏi bỏ ngỏ (open question). Tôi từng thảo luận vấn đề này với rất nhiều nhà triết học vĩ đại. Cách đây vài năm, tôi đã có cuộc trao đổi sâu sắc về chủ đề này với Daniel Dennett — người vừa qua đời không lâu. Một trong những vấn đề cốt lõi là hành vi của hệ thống: Liệu nó hành xử giống như một hệ thống có ý thức? Bạn có thể cho rằng, khi một số hệ thống AI ngày càng tiến gần tới AGI, cuối cùng chúng có thể đạt được điều này.
Nhưng vấn đề tiếp theo là: Vì sao chúng ta lại cho rằng lẫn nhau có ý thức? Một trong những lý do là cách chúng ta hành xử, cách chúng ta thể hiện như những sinh thể có ý thức. Nhưng một yếu tố khác là chúng ta đều vận hành trên cùng một “chất nền” (substrate) cơ bản.
Vì vậy, tôi cho rằng nếu cả hai điều kiện này đều thỏa mãn, thì giả định rằng trải nghiệm của bạn và tôi là như nhau sẽ là giả định hợp lý nhất theo nguyên tắc tối giản (parsimonious), và đó là lý do vì sao bình thường chúng ta thường không tranh luận về việc người kia có ý thức hay không. Nhưng rõ ràng, chúng ta sẽ không bao giờ đạt được sự tương đương về “chất nền” (substrate equivalence) trên các hệ thống nhân tạo. Vì vậy, tôi cho rằng việc hoàn toàn xóa bỏ khoảng cách này là vô cùng khó khăn. Bạn có thể xem xét ở cấp độ hành vi (behaviorally), nhưng ở cấp độ trải nghiệm (experientially) thì sao? Sau khi hiện thực hóa AGI, có thể sẽ có một số phương pháp để xử lý vấn đề này — nhưng điều đó có lẽ đã vượt ra ngoài phạm vi thảo luận hôm nay, ngay cả trong khuôn khổ “AI và khoa học”.
Người dẫn chương trình: Tuyệt vời! Chúng ta sắp bước vào phần hỏi đáp với khán giả — xin mời mọi người chuẩn bị câu hỏi. Anh vừa nhắc đến các nhà triết học, đặc biệt là Kant và Spinoza, nói rằng họ là hai nhà triết học yêu thích nhất của anh. Kant là một nhà triết học điển hình theo trường phái nghĩa vụ luận (deontological), nhấn mạnh cực độ khái niệm “trách nhiệm”; còn Spinoza lại theo quan điểm vũ trụ gần như định mệnh luận (deterministic). Anh đã kết nối hai quan điểm hoàn toàn khác biệt này như thế nào? Và quan điểm nền tảng của anh về cách thức vận hành của thế giới là gì?
Demis Hassabis: Tôi yêu thích hai nhà triết học này và cảm thấy ấn tượng sâu sắc bởi họ vì Kant từng đưa ra một quan điểm — điều mà tôi đã cảm nhận sâu sắc khi theo học tiến sĩ khoa học thần kinh — rằng “trí tuệ tạo ra hiện thực” (the mind creates reality), và tôi cho rằng điều này về cơ bản là đúng. Điều này cung cấp thêm một lý do tuyệt vời nữa để nghiên cứu cơ chế vận hành của trí tuệ và bộ não. Bởi vì cuối cùng, tôi đang tìm kiếm bản chất của hiện thực, nên chúng ta phải hiểu trước tiên trí tuệ diễn giải hiện thực như thế nào. Đó chính là điều tôi học được từ Kant.
Còn về Spinoza, thì liên quan nhiều hơn đến chiều kích tinh thần. Nếu bạn cố gắng sử dụng khoa học như một công cụ để hiểu vũ trụ, bạn đã bắt đầu chạm đến những bí ẩn sâu xa đằng sau cách thức vận hành của vũ trụ.
Đây chính là cảm ngộ của tôi về sự nghiệp hiện tại. Khi tôi dấn thân vào nghiên cứu khoa học, chuyên sâu vào trí tuệ nhân tạo và xây dựng những công cụ này, tôi cảm thấy như chúng ta đang đọc ngôn ngữ của vũ trụ theo một cách nào đó.
Người dẫn chương trình: Thật đẹp! Đây là cách diễn giải đẹp nhất về công việc thường ngày của anh: Demis, anh là một nhà khoa học, một nhà diễn thuyết và một nhà triết học. Trước khi kết thúc, chúng ta sẽ thực hiện một vài câu hỏi nhanh – trả lời nhanh. Ông ấy hoàn toàn chưa xem qua những câu hỏi này. Hãy dự đoán năm hiện thực hóa Trí tuệ nhân tạo tổng quát (AGI): sớm hơn hay muộn hơn dự kiến? Hoặc anh có thể từ chối trả lời câu hỏi này.
Demis Hassabis: Tôi chọn năm 2030. Tôi luôn kiên định với dự đoán này.
Người dẫn chương trình: Được rồi, năm 2030. Vậy, khi hiện thực hóa Trí tuệ nhân tạo tổng quát (AGI), cuốn sách, bài thơ hoặc bài báo nào anh khuyên mọi người nhất định phải đọc?
Demis Hassabis: Đối với thế giới hậu-AGI, cuốn sách yêu thích nhất của tôi là The Fabric of Reality (Cấu trúc của hiện thực) của David Deutsch. Tôi cho rằng tư tưởng trong cuốn sách này vẫn còn nguyên giá trị. Tôi hy vọng rằng khi đó, chúng ta sẽ có thể dùng AGI để trả lời những câu hỏi sâu sắc mà cuốn sách đặt ra — và đó cũng sẽ là trọng tâm công việc tiếp theo của tôi trong kỷ nguyên AGI.
Người dẫn chương trình: Tuyệt vời! Khoảnh khắc nào tại DeepMind khiến anh tự hào nhất cho đến nay?
Demis Hassabis: Chúng tôi rất may mắn khi đã trải qua nhiều khoảnh khắc đỉnh cao. Tôi nghĩ, khoảnh khắc tự hào nhất là sự ra đời của AlphaFold.
Người dẫn chương trình: Được rồi, cuối cùng là vài câu hỏi về trò chơi. Nếu anh đang tham gia một trò chơi chiến lược lượt đi cao rủi ro — ví dụ như Civilization (Civ) hay Polytopia — và có thể chọn một nhà khoa học trong lịch sử làm đồng đội, như Einstein, Turing hay Newton, anh sẽ chọn ai để gia nhập đội của mình?
Demis Hassabis: Tôi nghĩ mình sẽ chọn von Neumann. Bởi trong tình thế như vậy, bạn cần một chuyên gia về lý thuyết trò chơi (game theory), và tôi cho rằng ông ấy là người giỏi nhất.
Người dẫn chương trình: Đó chắc chắn là một đồng đội “thần cấp”. Demis, anh thực sự là một nhân tài toàn diện. Cảm ơn anh rất nhiều vì đã tham gia chương trình của chúng ta hôm nay. Xin mời mọi người cùng tôi vỗ tay cảm ơn Demis vì bài chia sẻ tuyệt vời! Cảm ơn rất nhiều.
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
