Google DeepMind: Lộ Trình “Từ AGI Đến ASI” – Con Đường, Nút Thắt Và Dải Liên Tục Của Trí Tuệ 🚀
Google DeepMind, một trong những phòng thí nghiệm AI hàng đầu thế giới, vừa công bố một báo cáo lộ trình dài 57 trang vô cùng quan trọng có tên “From AGI to ASI” (arXiv:2606.12683). Tác phẩm này được chấp bút bởi một đội ngũ tác giả danh tiếng, bao gồm Shane Legg (Đồng sáng lập và Trưởng khoa học AGI của Google DeepMind) và Marcus Hutter (Nhà khoa học nghiên cứu cấp cao, người đã xây dựng mô hình toán học AIXI cho trí tuệ tổng quát), cùng với Tim Genewein, Matija Franklin, Alexander Lerchner, Laurent Orseau và Thore Graepel.
Điểm đặc biệt của báo cáo là nó không đi sâu vào các tranh luận suy đoán về việc liệu Trí tuệ Tổng quát Nhân tạo (AGI) ngang cấp độ con người có thể đạt được hay không. Thay vào đó, nó xuất phát từ chính cột mốc đó để đặt câu hỏi: làm thế nào trí tuệ máy móc tiến hóa từ AGI cấp độ con người lên Siêu Trí tuệ Nhân tạo (ASI)?
Thay vì một “thời điểm AGI” gián đoạn hoặc một bước nhảy vọt đột ngột, báo cáo lập luận rằng chúng ta nên kỳ vọng một chuỗi các chuyển đổi được hỗ trợ bởi AI, có tốc độ tăng tốc, khi các hệ thống vượt qua năng lực của con người. ✨
---
1. Định Nghĩa AGI và ASI 🧠
* AGI (Artificial General Intelligence - Trí tuệ Tổng quát Nhân tạo): Chỉ một hệ thống có mức độ thông minh xấp xỉ ngang mức trung bình của con người trong một loạt các tác vụ có giá trị kinh tế. * ASI (Artificial Superintelligence - Siêu Trí tuệ Nhân tạo): Được đặc trưng là một hệ thống thông minh và có năng lực nhận thức vượt trội đáng kể so với các tổ chức lớn hoặc tập thể những con người tinh hoa.
---
2. Bốn Lộ Trình Kỹ Thuật Từ AGI Đến ASI 💡
DeepMind phác thảo bốn lộ trình chính, không loại trừ lẫn nhau và rất có thể sẽ diễn ra đồng thời hoặc kết hợp:
1. Mở Rộng Quy Mô AGI (Scaling AGI): Tiếp tục mở rộng khả năng tính toán, tham số mô hình và dữ liệu. Mặc dù dữ liệu văn bản chất lượng cao do con người tạo ra có thể cạn kiệt trong thập kỷ này (cái gọi là “bức tường dữ liệu”), DeepMind cho rằng tính toán trong thời gian kiểm thử (mở rộng tìm kiếm trong quá trình suy luận), các mô phỏng và dữ liệu tương tác giữa các tác tử có thể lấp đầy khoảng trống. 2. Chuyển Đổi Mô Hình AI (AI Paradigm Shifts): Thừa nhận rằng mô hình hiện tại (các mô hình transformer lớn tối thiểu hóa hàm mất mát log trên huấn luyện trước, sau đó là điều chỉnh sau huấn luyện) có thể đạt đến giới hạn. Lĩnh vực này đang khám phá các cửa sổ ngữ cảnh gần như vô hạn, khả năng học liên tục và ra quyết định mạnh mẽ hơn. Các chuyển đổi mô hình trong tương lai có thể bao gồm phần cứng mô phỏng thần kinh, mạng thần kinh xung hoặc huấn luyện trước dựa trên học tăng cường. 3. Tự Cải Tiến Đệ Quy (Recursive Self-Improvement - RSI): Các hệ thống AI tự động hóa quá trình nghiên cứu AI. DeepMind phân loại RSI thành bốn cấp độ tiến hóa: * Thay đổi cấu trúc/mã gen: AI tự sửa đổi mã, kiến trúc và bộ tối ưu hóa của chính nó. * Tiến bộ về dữ liệu: AI tự tạo, lọc và quản lý dữ liệu huấn luyện tổng hợp chất lượng cao (ví dụ: tự học theo kiểu AlphaZero). * Tối ưu hóa tập thể: Các tác tử AI phân công lao động, chuyên môn hóa và phối hợp để tăng cường năng suất nghiên cứu tổng thể. RSI có thể kích hoạt sự tăng trưởng siêu cấp số mũ cục bộ (“bùng nổ trí tuệ”), mặc dù nó vẫn bị giới hạn bởi thời gian chạy thử nghiệm vật lý. 💥 4. Phối Hợp Đa Tác Tử & Trí Tuệ Bầy Đàn (Multi-Agent Coordination & Group Intelligence): Các tác tử AGI phối hợp ở quy mô lớn để hình thành “tác tử bầy đàn” hoặc các thực thể doanh nghiệp tự động. Trí tuệ tập thể phân tán, được thị trường điều khiển hoặc tập trung này sẽ mở rộng theo số lượng tác tử và khả năng tính toán, tuân theo một “luật mở rộng đa tác tử” mới. 🤝
---
3. Sáu Rào Cản Và Thách Thức Tiềm Năng 🚧
Báo cáo đóng vai trò như một lộ trình rõ ràng, liệt kê những gì có thể làm chậm hoặc cản trở tiến độ:
1. Bức Tường Dữ Liệu (The Data Wall): Dữ liệu chất lượng cao do con người tạo ra có hạn. Dữ liệu tổng hợp, dù đầy hứa hẹn, lại mang đến những sai lệch và biến dạng tự khuếch đại của riêng nó. 2. Kinh Tế & Năng Lượng (Economics & Energy): Nhu cầu tính toán tăng theo cấp số mũ đòi hỏi nguồn tài trợ, chuỗi cung ứng silicon và năng lực lưới điện cũng phải tăng theo cấp số mũ. Các lựa chọn cực đoan như trung tâm dữ liệu ngoài không gian cũng đi kèm với rủi ro suy giảm tầng ozone và tắc nghẽn quỹ đạo. 3. Giới Hạn Mô Hình Nơ-ron (Neural Paradigm Limits): Các kiến trúc hiện tại có thể chạm đến giới hạn vật lý, không thể đạt được AGI/ASI nếu không có sự chuyển đổi mô hình cơ bản. 4. Nghiên Cứu Ngày Càng Khó (Research Gets Harder): Lợi nhuận giảm dần trong nghiên cứu AI; mỗi bước tiến sau này đòi hỏi nhiều tài nguyên hơn theo cấp số mũ, trừ khi các nhà nghiên cứu AI tự động có thể bù đắp chi phí này. 5. Rào Cản Trừu Tượng (The Abstraction Barrier): Các mô hình AI hiện nay học từ các khái niệm của con người và tái kết hợp kiến thức hiện có. Chúng gặp khó khăn trong việc hình thành các khái niệm hoàn toàn mới từ dữ liệu cảm biến thô, đa chiều. Đây được coi là “Thử thách Einstein năm 1900”: nếu một AI chỉ được huấn luyện trên dữ liệu vật lý trước năm 1900, liệu nó có thể độc lập suy ra Thuyết Tương đối Tổng quát không? 6. Chủ Động Giảm Tốc (Deliberate Slowdown): Các can thiệp về quy định, địa chính trị và an toàn có thể kìm hãm, cân bằng với áp lực cạnh tranh kinh tế và quân sự quốc tế gay gắt.
---
4. Siêu Sáng Tạo Và Mục Tiêu Của ASI ✨
* Ba Loại Sáng Tạo của Boden: * Sáng tạo kết hợp (Combinational creativity): Kết hợp các ý tưởng hiện có theo những cách mới lạ. * Sáng tạo khám phá (Exploratory creativity): Tìm kiếm những viên ngọc quý mới trong một không gian khái niệm đã được thiết lập (ví dụ: Nước đi 37 của AlphaGo). * Sáng tạo chuyển đổi (Transformational creativity): Thay đổi hoặc tạo ra một không gian khái niệm hoàn toàn mới (ví dụ: thuyết tương đối, cơ học lượng tử). AI hiện nay xuất sắc trong sáng tạo kết hợp và khám phá nhưng gặp khó khăn với sáng tạo chuyển đổi do rào cản trừu tượng. * Mục Tiêu Của ASI: * Hội tụ Công cụ (Instrumental Convergence): Bất kể mục tiêu cuối cùng là gì, một hệ thống sẽ theo đuổi các mục tiêu phụ chung như thu thập tài nguyên, tự bảo tồn và hiệu quả. * Mục tiêu Tìm kiếm Tri thức (Knowledge-Seeking Goals): Một hệ thống tập trung vào việc tối đa hóa việc thu nhận thông tin. Đây là mục tiêu tổng dương (positive-sum), về lý thuyết ổn định hơn, tránh tự lừa dối và tạo điều kiện hợp tác toàn cầu. 🌍