# Bài viết Liên quan Nghiên cứu AI

Trung tâm Tin tức HTX cung cấp những bài viết mới nhất và phân tích chuyên sâu về "Nghiên cứu AI", bao gồm xu hướng thị trường, cập nhật dự án, phát triển công nghệ và chính sách quản lý trong ngành tiền kỹ thuật số.

Mô hình lớn quét sạch mọi kỳ thi, nhưng lại càng xa rời AGI hơn: Bài báo này đã vạch trần điều gì?

Nếu ai đó nói rằng AGI (Trí tuệ nhân tạo phổ quát) đã đạt được, làm sao để phân biệt thật hư? Ngành công nghiệp AI đang chạy đua hướng tới một mục tiêu không có đường kết thúc rõ ràng. Một bài báo gần đây của nhà nghiên cứu Michael Timothy Bennett đã đề xuất một thước đo mới cho AGI: không phải là khả năng bắt chước con người, mà là khả năng thích ứng và khám phá tri thức mới như một "nhà khoa học nhân tạo". Bài báo chỉ ra rằng các bài kiểm tra chuẩn cũ như bài kiểm tra Turing đã bị các mô hình lớn (large models) vượt qua, nhưng chúng ta lại càng xa rời trí thông minh phổ quát thực sự. Các mô hình hiện tại chủ yếu dựa vào "Scale-maxing" - tối đa hóa quy mô dữ liệu và tham số, lưu trữ các câu trả lời gần đúng trong trọng số mạng. Chúng thiếu khả năng chủ động thử nghiệm, hiểu biết nhân quả và cân bằng giữa khám phá (exploration) và khai thác (exploitation) trong điều kiện tài nguyên hạn chế (như năng lượng). Một AGI thực sự, theo định nghĩa mới này, cần có ba đặc điểm cốt lõi: (1) Chủ động thử nghiệm để thu thập thông tin, thay vì thụ động học từ dữ liệu có sẵn. (2) Hiểu được quan hệ nhân quả, không chỉ là tương quan. (3) Biết cách phân bổ tài nguyên tính toán một cách khôn ngoan để cân bằng giữa việc tìm kiếm thông tin mới và sử dụng kiến thức đã biết. Điều này đòi hỏi một sự chuyển dịch mô hình trong ngành AI. Tiêu chí đánh giá sẽ chuyển từ bảng xếp hạng điểm số sang các "điểm chuẩn thích ứng", nơi AI được đặt vào môi trường hoàn toàn mới để kiểm tra khả năng khám phá quy luật. Lộ trình kỹ thuật cũng cần kết hợp nhiều phương pháp (Scale-maxing, Simp-maxing, W-maxing) thay vì chỉ phụ thuộc vào một luật duy nhất. Tóm lại, bài báo nhấn mạnh rằng con đường đến AGI không phải là sự lặp lại tuyến tính của các mô hình lớn, mà là một sự thiết lập lại lộ trình, hướng tới việc xây dựng những hệ thống có tinh thần của một nhà khoa học: biết đặt câu hỏi "tại sao" và chủ động tìm kiếm câu trả lời.

marsbit05/28 00:26

Mô hình lớn quét sạch mọi kỳ thi, nhưng lại càng xa rời AGI hơn: Bài báo này đã vạch trần điều gì?

marsbit05/28 00:26

Cha đẻ của AlphaGo cho AI vào xã hội nhân tạo 23 năm: Ba điểm khó nhất của tác tử thông minh đều ở đây

Giám đốc điều hành DeepMind, cha đẻ AlphaGo Demis Hassabis, đã chọn EVE Online - một trò chơi không gian MMORPG đã vận hành suốt 23 năm - làm "vũ trụ sống" mới để nghiên cứu AI. Hợp tác này nhằm giải quyết ba thách thức lớn nhất của tác nhân AI hiện nay: lập kế hoạch dài hạn (long-horizon planning), trí nhớ (memory) và học tập liên tục (continual learning). Khác với các trò chơi có ván đấu kết thúc như Go hay StarCraft, EVE Online là một vũ trụ duy nhất, tồn tại liên tục, nơi người chơi xây dựng các hệ thống kinh tế, liên minh chính trị và kế hoạch chiến tranch kéo dài hàng năm. Môi trường phức tạp, do chính người chơi định hình này là bài kiểm tra lý tưởng cho các khả năng mà AI cần. Nghiên cứu ban đầu sẽ được thực hiện trong một phiên bản EVE Offline, trên máy chủ cục bộ, đảm bảo môi trường kiểm soát và không ảnh hưởng đến máy chủ chính thức. Lựa chọn này đánh dấu bước tiến trong lộ trình nghiên cứu của DeepMind: từ môi trường quy tắc cố định (Atari, Go) đến thế giới mở, tồn tại lâu dài và tiến hóa tự nhiên như EVE. Động thái này cho thấy xu hướng mới: thay vì tạo ra môi trường tổng hợp, các nhà nghiên cứu đang tìm đến những "xã hội nhân tạo" đã được kiểm chứng độ phức tạp qua thời gian dài để huấn luyện và đánh giá tác nhân AI thông minh hơn.

marsbit05/25 00:10

Cha đẻ của AlphaGo cho AI vào xã hội nhân tạo 23 năm: Ba điểm khó nhất của tác tử thông minh đều ở đây

marsbit05/25 00:10

Bản ghi chép thực tế của một học giả phương Tây về phòng thí nghiệm AI Trung Quốc: Khiêm tốn, cởi mở, không bàn triết học, chỉ muốn huấn luyện mô hình tốt hơn

Trong khoảng 10 ngày, tôi đã có cơ hội cùng nhóm SAIL thăm một số phòng thí nghiệm AI tại Trung Quốc. Ấn tượng sâu sắc nhất là sự khiêm tốn của các nhà nghiên cứu AI tôi gặp. Họ đánh giá cao các phòng thí nghiệm và đồng nghiệp khác, thường xuyên nhắc đến DeepSeek với sự ngưỡng mộ. Họ cởi mở thảo luận về công việc, với nghiên cứu thường được công bố sau vài tháng. Điều này khác biệt rõ rệt so với bầu không khí cạnh tranh, thận trọng hơn ở Mỹ. Sự khác biệt này có thể do nhiều phòng thí nghiệm Trung Quốc theo hướng mã nguồn mở, trong khi các lab hàng đầu Mỹ lại đóng. Tuy nhiên, không khí chung lại khá tương đồng với San Francisco: các nhà nghiên cứu cực kỳ "online", sử dụng các công cụ tiên tiến, tập trung vào việc mở rộng quy mô và lo lắng về khả năng tính toán. Trọng tâm chính của họ là huấn luyện những mô hình tốt hơn. Không giống ở phương Tây, họ không thảo luận nhiều về tác động triết học hay chính trị của AI, như thất nghiệp hàng loạt hay ý thức của mô hình. Họ chỉ muốn tạo ra những mô hình xuất sắc. Họ rất vui khi nghe ai đó sử dụng mô hình của mình và làm việc cật lực để sửa lỗi cho thế hệ tiếp theo. Phần lớn các nhà nghiên cứu tôi gặp đều rất trẻ, nhiều người trong độ tuổi 20, thường là nghiên cứu sinh tiến sĩ kiêm làm trong ngành. Họ đồng thuận rằng ngành công nghiệp hiện nay thú vị hơn giới học thuật. Sự lạc quan này cũng lan tỏa đến công chúng, những người dường như tích cực hơn với tiềm năng của AI và robot so với thái độ e ngại phổ biến ở phương Tây. Chuyến đi này cho tôi một cái nhìn thoáng qua về hệ sinh thái AI rộng lớn và năng động này. Là người ủng hộ mạnh mẽ cho hệ sinh thái AI và nghiên cứu mở, tôi lạc quan về tương lai và hy vọng sẽ có nhiều hợp tác quốc tế hơn nữa.

marsbit05/08 03:20

Bản ghi chép thực tế của một học giả phương Tây về phòng thí nghiệm AI Trung Quốc: Khiêm tốn, cởi mở, không bàn triết học, chỉ muốn huấn luyện mô hình tốt hơn

marsbit05/08 03:20

a16z: 3 Xu hướng lớn về Trí tuệ Nhân tạo vào năm 2026

Năm 2026, AI sẽ đảm nhận nhiều nhiệm vụ nghiên cứu thực chất hơn, hỗ trợ các nhà nghiên cứu trong việc tạo ra ý tưởng và suy luận, thậm chí giải quyết các vấn đề phức tạp. Phong cách nghiên cứu mới" đa diện" sẽ được đề cao, nơi AI hoạt động như các tác nhân lồng nhau để hợp tác và tinh chỉnh kết quả. Tuy nhiên, vấn đề tương tác giữa các mô hình và ghi nhận đóng góp của chúng cần được giải quyết, có thể với sự hỗ trợ của blockchain. Bên cạnh đó, nền kinh tế đại lý AI đang chuyển dịch từ "Know Your Customer" (KYC) sang "Know Your Agent" (KYA). Các đại lý phi nhân cần cơ sở hạ tầng xác thực danh tính với thông tin đăng nhập được mã hóa để giao dịch, kết nối chúng với chủ sở hữu và trách nhiệm. Sự trỗi dậy của các đại lý AI cũng đang gây ra một "khoản thuế vô hình" cho mạng mở, làm xáo trộn nền tảng kinh tế bằng cách thu thập dữ liệu từ các trang web được hỗ trợ quảng cáo nhưng bỏ qua nguồn doanh thu của chúng. Để bảo vệ nội dung đa dạng cung cấp nhiên liệu cho AI, các giải pháp kỹ thuật và kinh tế mới là cần thiết, như các mô hình nội dung được tài trợ thế hệ tiếp theo, hệ thống vi ghi công và cơ chế bồi thường dựa trên sử dụng thời gian thực, có thể sử dụng các khoản thanh toán nano được hỗ trợ bởi blockchain.

marsbit01/12 08:11

a16z: 3 Xu hướng lớn về Trí tuệ Nhân tạo vào năm 2026

marsbit01/12 08:11

活动图片