Ngày 1/10/2026, nhà vật lý Matthew Schwartz từ Đại học Harvard đã công bố một bài viết trên chuyên mục Science Blog của Anthropic, đưa ra góc nhìn về những thách thức khi ứng dụng trí tuệ nhân tạo vào nghiên cứu khoa học. Theo chia sẻ từ Anthropic, Schwartz sử dụng khái niệm 'lệch trở kháng' (impedance mismatch) trong vật lý để mô tả thực trạng tương tác hiện nay giữa các mô hình ngôn ngữ lớn (LLM) và phương pháp nghiên cứu khoa học thực nghiệm.
Trong vật lý học và kỹ thuật điện, hiện tượng lệch trở kháng xảy ra khi hai hệ thống riêng biệt đều hoạt động tốt nhưng lại không thể truyền dẫn năng lượng hoặc tín hiệu hiệu quả sang nhau do thiếu sự tương thích ở điểm tiếp nối. Ứng dụng khái niệm này sang lĩnh vực trí tuệ nhân tạo, Schwartz lập luận rằng một vấn đề tương tự đang diễn ra khi các nhà khoa học cố gắng đưa LLM vào quy trình nghiên cứu chuyên sâu.
Theo bài viết của Anthropic, dù các mô hình ngôn ngữ lớn hiện nay đã chứng minh được năng lực vượt trội ở nhiều tác vụ xử lý thông tin tổng quát, bản chất vận hành của chúng vẫn tồn tại khoảng cách đáng kể so với phương pháp luận khoa học. Nghiên cứu khoa học đòi hỏi sự chính xác tuyệt đối, khả năng kiểm chứng suy luận logic chặt chẽ và tính nhất quán cao, trong khi các mô hình AI tạo sinh vốn dựa trên tính toán xác suất thống kê để sinh văn bản.
Sự không ăn khớp này khiến việc tích hợp trực tiếp LLM vào các bài toán khoa học chuyên sâu chưa đạt được hiệu suất tối ưu như kỳ vọng ban đầu. Bài phân tích của Schwartz trên Science Blog đóng vai trò như một lời cảnh báo mang tính học thuật, chỉ ra rằng việc nâng cao hiệu quả của AI trong khoa học không chỉ đơn thuần là tăng quy mô mô hình, mà cần giải quyết điểm nghẽn về mặt cấu trúc và phương pháp tiếp cận giữa hai hệ thống.