Trí tuệ nhân tạo 'nhòm ngó' giải Nobel?

Trí tuệ nhân tạo (AI) đang từng bước thâm nhập sâu vào thế giới nghiên cứu khoa học, và nhiều chuyên gia tin rằng, trong tương lai không xa, AI có thể đạt tới những khám phá xứng đáng với giải Nobel. Tuy nhiên, hành trình để một “nhà khoa học AI” thực sự được công nhận vẫn đầy rẫy thách thức về kỹ thuật, đạo đức và nhận thức.

Mục tiêu công khai cho “nhà khoa học AI”

Năm 2016, ông Hiroaki Kitano - nhà sinh học kiêm Giám đốc điều hành Sony AI (Nhật Bản) đã đưa ra một thách thức mang tính biểu tượng cho giới nghiên cứu: phát triển một hệ thống AI đủ tinh vi để tạo ra một phát hiện khoa học xứng đáng giải Nobel. Ông gọi tham vọng này là “Nobel Turing Challenge”, xem đây là thử thách lớn nhất của AI trong lĩnh vực khoa học.

Theo định nghĩa, một hệ thống AI “chiến thắng” khi tạo ra được khám phá có tầm vóc tương đương những công trình đỉnh cao của con người. Mục tiêu dài hạn của sáng kiến là xây dựng một hệ thống AI tự hành, có khả năng kết hợp ba năng lực cốt lõi: đặt giả thuyết - lập kế hoạch thí nghiệm - phân tích dữ liệu, để tạo nên một đột phá khoa học mà không cần can thiệp của con người.

Tầm nhìn đến năm 2050 của tổ chức thử thách mô tả hình mẫu một “nhà khoa học AI” như vậy. Ông Ross King - nhà nghiên cứu kỹ thuật Hóa học tại Đại học Cambridge (Anh) và đồng thời là một trong những người sáng lập thử thách, tỏ ra lạc quan rằng một “nhà khoa học AI” có thể đạt tới tầm giải Nobel trong khoảng 10 năm tới.

Tuy nhiên, hiện phần lớn mô hình AI mới chỉ tạo ra chuỗi từ và ý tưởng dựa trên kho tri thức sẵn có của nhân loại. Điều này khiến giới khoa học đặt câu hỏi: liệu AI có thể thật sự đóng góp những hiểu biết hoàn toàn mới?

Bà Yolanda Gil - nhà nghiên cứu AI tại Đại học Southern California (Mỹ), nhận định rằng nếu có một chương trình đầu tư quy mô của chính phủ cho nghiên cứu cơ bản, năng lực của AI có thể được thúc đẩy mạnh mẽ hơn. Dù vậy, bà cũng cảnh báo về những rủi ro tiềm ẩn khi đưa AI vào quy trình nghiên cứu.

Từ trợ lý đến cộng tác viên trong phòng thí nghiệm

Trong thực tế, AI đã trở thành công cụ không thể thiếu ở nhiều giai đoạn nghiên cứu. Bà Yolanda Gil cho biết đã chứng kiến AI hỗ trợ các nhà khoa học trong hầu hết các khâu: từ giải mã ngôn ngữ động vật, giả thuyết về nguồn gốc sự sống, đến dự báo va chạm thiên thể, cảnh báo bão bụi hay tối ưu hóa lắp ráp cho máy tính lượng tử.

AI thậm chí đã bắt đầu tự thực hiện thí nghiệm. Nhà hóa học Gabe Gomes tại Đại học Carnegie Mellon (Mỹ) cùng đồng nghiệp đã phát triển hệ thống Coscientist, dựa trên các mô hình ngôn ngữ lớn (LLM), có thể lập kế hoạch và thực hiện phản ứng hóa học phức tạp bằng thiết bị robot trong phòng thí nghiệm.

Gabe Gomes cho biết một phiên bản chưa công bố của Coscientist đã có thể thực hiện các phép tính trong hóa học tính toán với tốc độ rất cao, minh chứng cho khả năng AI rút ngắn thời gian phát triển thí nghiệm và giải quyết các bài toán phức tạp.

Tại Tokyo (Nhật Bản), công ty Sakana AI sử dụng LLM để tự động hóa nghiên cứu học máy. Các nhóm tại Google và nhiều tổ chức khác cũng đang thử nghiệm cách để các chatbot làm việc nhóm, tạo ra ý tưởng mới. Ở San Francisco (Mỹ), phòng thí nghiệm FutureHouse đã ra mắt một LLM chuyên nghiên cứu hóa học. AI đang dần trở thành cộng tác viên thực thụ - dự đoán dữ liệu, tăng tốc tính toán và giảm tải công việc cho con người.

Bước tiếp theo, theo nhiều chuyên gia, là để AI tự phát triển và kiểm chứng giả thuyết thông qua việc rà soát tài liệu và phân tích dữ liệu. Nhà khoa học dữ liệu sinh học James Zou tại Đại học Stanford (Mỹ) đã giới thiệu hệ thống LLM có khả năng rà soát dữ liệu sinh học để phát hiện những chi tiết mà tác giả nghiên cứu có thể bỏ sót.

Sự kiện Agents4Science do ông Zou đồng tổ chức là một hội nghị ảo thử nghiệm, trong đó toàn bộ các bài báo đều do AI viết và đánh giá, còn các phiên thảo luận do con người đảm nhiệm. Đây là nỗ lực kiểm nghiệm năng lực viết, đánh giá và sáng tạo của AI trong môi trường nghiên cứu thực tế.

Những giới hạn căn bản

Dù đạt nhiều tiến bộ, các hệ thống AI hiện nay vẫn đối mặt với nhiều giới hạn. Một vấn đề phổ biến là hiện tượng “ảo tưởng” (hallucination) - khi AI tạo ra nội dung sai lệch hoặc không có cơ sở. Ông James Zou thừa nhận điều này nhưng cho rằng phần lớn có thể được khắc phục nhờ phản hồi từ con người.

Tuy nhiên, thách thức sâu hơn nằm ở năng lực nghiên cứu trọn vẹn. Trong nghiên cứu của Doug Downey và cộng sự tại Viện AI Allen (Mỹ), nhóm đã đánh giá 57 hệ thống AI và phát hiện: trong khi các hệ thống này có thể hoàn thành nhiệm vụ khoa học riêng lẻ với tỷ lệ khoảng 70%, thì tỷ lệ này chỉ còn 1% khi mở rộng thành dự án nghiên cứu đầu - cuối (từ ý tưởng đến báo cáo). Kết luận: Tự động hóa hoàn toàn quá trình khám phá khoa học vẫn là một thách thức lớn.

Ngoài ra, nhiều nghiên cứu cho thấy AI thường “bắt chước” kết quả mà chưa thực sự hiểu nguyên lý. Một mô hình có thể dự đoán quỹ đạo hành tinh nhưng không tái tạo được định luật vật lý chi phối chuyển động đó.

Hoặc trong thử nghiệm khác, một công cụ AI không thể dựng chính xác bản đồ đường phố New York dù đã học cách điều hướng. Điều này phản ánh việc AI chỉ “trải nghiệm” thế giới gián tiếp qua dữ liệu, thiếu chiều sâu trải nghiệm mà con người có được.

Ông Subbarao Kambhampati - nhà khoa học máy tính tại Đại học Bang Arizona (Mỹ), nhấn mạnh rằng trải nghiệm sống giúp con người phát hiện nguyên lý cơ bản và đặt ra câu hỏi sáng tạo.

Một số nhóm nghiên cứu hiện đang tìm cách kết hợp AI với robot để giúp hệ thống tiếp xúc và tương tác trực tiếp với thế giới, qua đó có thể phát triển năng lực sáng tạo và đặt giả thuyết độc lập hơn. Tuy nhiên, đây vẫn là quá trình phức tạp, đòi hỏi nhiều hướng nghiên cứu cùng tiến triển.

Tương lai, đạo đức và hệ quả xã hội

Ngoài rào cản kỹ thuật, câu hỏi về đạo đức, pháp lý và hệ quả xã hội khi AI tham gia sâu vào nghiên cứu cũng ngày càng được quan tâm. Bà Gil cho rằng để đạt tới hình mẫu “nhà khoa học AI” thực thụ, cần phát triển các công cụ có năng lực siêu suy luận (meta-reasoning) - khả năng đánh giá và điều chỉnh chính quá trình tư duy của mình. Khi đó, AI có thể tự quyết định thí nghiệm cần làm, cách cập nhật lý thuyết và giảm sai sót hệ thống.

Tuy nhiên, không phải ai cũng ủng hộ mục tiêu này. Trong bài viết năm 2024, Lisa Messeri (Đại học Yale) và Molly Crockett (Đại học Princeton, Mỹ) cảnh báo rằng sự phụ thuộc quá mức vào AI trong khoa học có thể làm tăng sai sót và giảm tính đa dạng phương pháp, khiến “khoa học sản xuất nhiều hơn nhưng hiểu biết ít hơn”.

Một hệ quả khác là thay đổi cơ hội nghề nghiệp cho các nhà khoa học trẻ. Khi AI đảm nhiệm nhiều công việc nghiên cứu, cơ hội để họ tích lũy kinh nghiệm thực tế sẽ giảm, khiến việc phát triển kỹ năng và hướng tới các giải thưởng lớn trở nên khó khăn hơn. Trong bối cảnh ngân sách nghiên cứu ngày càng hạn hẹp, bà Messeri cho rằng cộng đồng cần cân nhắc kỹ lưỡng giữa lợi ích và hệ lụy.

Cùng với đó là hàng loạt câu hỏi về trách nhiệm pháp lý và quyền sở hữu trí tuệ: nếu AI tự tạo ra khám phá, ai sẽ được công nhận, ai chịu trách nhiệm, ai hưởng lợi? Những vấn đề này hiện chưa có câu trả lời rõ ràng, đòi hỏi khung pháp lý và chuẩn mực đạo đức mới khi công nghệ tiếp tục tiến xa.

Vậy nên, để tiến tới tương lai nơi AI giữ vai trò trung tâm hơn trong khám phá khoa học, cần thử nghiệm có kiểm soát, đầu tư cho nghiên cứu cơ bản, đặc biệt trong lĩnh vực siêu suy luận và trải nghiệm thực tế, đồng thời mở rộng đối thoại xã hội về chi phí, đạo đức và pháp lý.

Chỉ bằng đánh giá cẩn trọng và cân nhắc toàn diện, cộng đồng khoa học mới có thể xác định liệu một “nhà khoa học AI” có thật sự đạt tới tầm vóc Nobel - và liệu đó có phải là đích đến mà nhân loại nên hướng tới.