Nhìn lại 80 năm phát triển của AI, 5 bài học lịch sử này đáng để rút ra.

Tác giả: Gil Press

Biên dịch: Felix, PANews

Vào ngày 9 tháng 7 năm 2025, Nvidia trở thành công ty niêm yết đầu tiên có giá trị thị trường đạt 4 nghìn tỷ đô la. Tiếp theo, Nvidia và lĩnh vực AI đầy biến động sẽ đi đâu?

Mặc dù việc dự đoán rất khó, nhưng có rất nhiều dữ liệu để sử dụng. Ít nhất nó có thể giúp làm rõ tại sao những dự đoán trong quá khứ không thành hiện thực, và ở những khía cạnh nào, bằng cách nào, vì lý do gì mà chúng đã không thành công. Đó chính là lịch sử.

Trong 80 năm phát triển của trí tuệ nhân tạo (AI), chúng ta có thể rút ra những bài học kinh nghiệm nào? Trong quá trình này, việc đầu tư tài chính có lúc cao lúc thấp, phương pháp nghiên cứu và phát triển rất đa dạng, công chúng đôi khi đầy tò mò, đôi khi cảm thấy lo lắng, và đôi khi lại tràn đầy phấn khởi.

Lịch sử AI bắt đầu vào tháng 12 năm 1943, khi nhà sinh lý học thần kinh Warren S. McCulloch và nhà logic Walter Pitts công bố một bài báo về logic toán. Trong bài viết "Phép tính logic của các khái niệm nội tại trong hoạt động thần kinh", họ đã suy diễn ra một mạng nơ-ron lý tưởng và đơn giản hóa, cũng như cách mà chúng thực hiện các phép toán logic đơn giản thông qua việc truyền hoặc không truyền xung.

Vào thời điểm đó, Ralph Lillie, người đang tiên phong trong lĩnh vực hóa tổ chức, đã mô tả công việc của McCulloch và Pitts là mang lại "tính thực tiễn" cho "mô hình logic và toán học" trong bối cảnh thiếu "sự thật thực nghiệm". Sau đó, khi các giả thuyết trong bài báo không vượt qua được kiểm tra thực chứng, Jerome Lettvin từ MIT đã chỉ ra rằng, mặc dù lĩnh vực thần kinh học và sinh học thần kinh đã bỏ qua bài báo này, nhưng nó đã truyền cảm hứng cho "những người sẽ trở thành nhóm yêu thích lĩnh vực mới (hiện nay được gọi là AI)".

Thực tế, bài báo của McCulloch và Pitts đã truyền cảm hứng cho "Liên kết học", một biến thể cụ thể của AI hiện đang chiếm ưu thế, ngày nay được gọi là "học sâu", gần đây lại được đổi tên thành "AI". Mặc dù phương pháp này không liên quan gì đến cách thức hoạt động thực sự của não bộ, nhưng phương pháp phân tích thống kê ủng hộ biến thể AI này - "mạng nơ-ron nhân tạo", thường được những người làm trong lĩnh vực AI và các nhà bình luận mô tả là "mô phỏng não bộ". Các nhân vật có thẩm quyền, nhà nghiên cứu hàng đầu về AI Demis Hassabis vào năm 2017 đã tuyên bố rằng mô tả hư cấu của McCulloch và Pitts về cách thức hoạt động của não bộ cũng như các nghiên cứu tương tự "tiếp tục đặt nền tảng cho nghiên cứu học sâu hiện đại".

Bài học một**: Cần cẩn trọng trong việc nhầm lẫn giữa kỹ thuật và khoa học, giữa khoa học và suy đoán, cũng như giữa khoa học và các bài báo đầy các ký hiệu và công thức toán học. Quan trọng nhất là, phải kháng cự lại cám dỗ của ảo tưởng "chúng ta như những vị thần", tức là tin rằng con người và máy móc không khác nhau, và con người có thể tạo ra những cỗ máy giống như con người.**

Sự kiêu ngạo cứng đầu và phổ biến này đã là chất xúc tác cho bong bóng công nghệ và sự cuồng nhiệt theo chu kỳ của AI trong 80 năm qua.

Điều này khiến tôi nhớ đến AI tổng quát (AGI), ý tưởng về những cỗ máy sẽ sớm sở hữu trí thông minh gần giống như con người hoặc thậm chí là trí thông minh siêu phàm.

Năm 1957, nhà tiên phong AI Herbert Simon tuyên bố: "Giờ đây thế giới đã có những cỗ máy có khả năng suy nghĩ, học hỏi và sáng tạo." Ông cũng dự đoán rằng trong vòng mười năm nữa, máy tính sẽ trở thành nhà vô địch cờ vua. Năm 1970, một nhà tiên phong AI khác là Marvin Minsky tự tin tuyên bố: "Trong khoảng từ ba đến tám năm nữa, chúng ta sẽ có một cỗ máy có trí tuệ tương đương với người bình thường... một khi máy tính nắm giữ tình hình, có thể chúng ta sẽ không bao giờ lấy lại được. Chúng ta sẽ phải sống nhờ vào ân huệ của chúng. Nếu may mắn, chúng có thể quyết định xem chúng ta như thú cưng."

Sự mong đợi về việc AI tổng quát sắp ra mắt mang ý nghĩa to lớn, thậm chí ảnh hưởng đến chi tiêu và chính sách của chính phủ. Năm 1981, Nhật Bản đã dành 850 triệu đô la cho dự án máy tính thế hệ thứ năm, nhằm phát triển những cỗ máy có khả năng suy nghĩ như con người. Đối với điều này, Cơ quan Nghiên cứu Quốc phòng Cao cấp Hoa Kỳ đã lên kế hoạch tái cấp vốn cho nghiên cứu AI vào năm 1983 sau một thời gian dài "mùa đông AI", với mục tiêu phát triển những cỗ máy có khả năng "nhìn, nghe, nói và suy nghĩ như con người."

Các chính phủ tiến bộ trên toàn thế giới đã mất khoảng mười năm và hàng tỷ đô la để không chỉ nhận thức rõ về AI tổng quát (AGI), mà còn nhận ra những hạn chế của AI truyền thống. Nhưng đến năm 2012, chủ nghĩa liên kết cuối cùng đã vượt qua các trường phái AI khác, một làn sóng dự đoán mới về AI tổng quát sắp đến đã lan rộng toàn cầu. OpenAI vào năm 2023 tuyên bố rằng, AI siêu thông minh - "phát minh có ảnh hưởng nhất trong lịch sử loài người" - có thể xuất hiện trong thập kỷ này, và "có thể dẫn đến việc loài người mất quyền lực, thậm chí là tuyệt chủng."

Bài học thứ hai: Cảnh giác với những điều mới mẻ lấp lánh, cần phải xem xét chúng một cách cẩn thận, thận trọng và khôn ngoan. Chúng có thể không khác biệt nhiều so với những suy đoán trước đây về việc máy móc khi nào có thể sở hữu trí thông minh tương tự như con người.

Một trong những "cha đẻ" của học sâu, Yann LeCun, đã từng nói: "Để máy học hiệu quả như con người và động vật, chúng ta còn thiếu một số thứ quan trọng, chỉ là hiện tại chúng ta vẫn chưa biết đó là gì."

Trong nhiều năm qua, trí tuệ nhân tạo tổng quát (AGI) luôn được nói đến là "sẽ đến rất sớm", điều này đều do "ngụy biện bước đầu". Người tiên phong trong dịch máy Yehoshua Bar-Hillel là một trong những người đầu tiên nói về giới hạn của trí thông minh máy móc, ông chỉ ra rằng nhiều người nghĩ rằng nếu ai đó trình diễn một chiếc máy tính có thể hoàn thành một nhiệm vụ mà gần đây người ta vẫn cho rằng nó không thể làm được, ngay cả khi nó thực hiện rất kém, chỉ cần phát triển công nghệ thêm một chút là nó có thể hoàn thành nhiệm vụ một cách hoàn hảo. Người ta thường cho rằng chỉ cần kiên nhẫn chờ đợi, cuối cùng mọi thứ sẽ đạt được. Nhưng Bar-Hillel đã cảnh báo từ giữa những năm 50 rằng thực tế không phải như vậy, và thực tế đã nhiều lần chứng minh điều đó.

Bài học ba: Khoảng cách từ việc không thể làm một điều gì đó đến việc làm không tốt thường ngắn hơn nhiều so với khoảng cách từ việc làm không tốt đến việc làm rất tốt.

Vào những năm 1950 và 1960, do sự gia tăng tốc độ xử lý của các vi mạch trong máy tính, nhiều người đã rơi vào "ngụy biện bước đầu tiên". Khi phần cứng phát triển hàng năm theo quỹ đạo đi lên đáng tin cậy của "định luật Moore", mọi người thường cho rằng trí thông minh máy móc cũng sẽ phát triển đồng bộ với phần cứng.

Tuy nhiên, ngoài việc nâng cao hiệu suất phần cứng, sự phát triển của AI đã bước vào một giai đoạn mới, giới thiệu hai yếu tố mới: phần mềm và thu thập dữ liệu. Bắt đầu từ giữa những năm 1960, hệ thống chuyên gia (chú thích: một hệ thống chương trình máy tính thông minh) đã tập trung mới vào việc thu thập và lập trình kiến thức của thế giới thực, đặc biệt là kiến thức của các chuyên gia trong lĩnh vực cụ thể và các quy tắc kinh nghiệm của họ (phương pháp heuristic). Hệ thống chuyên gia ngày càng trở nên phổ biến, đến những năm 1980, ước tính có hai phần ba trong số 500 công ty Fortune đã áp dụng công nghệ này trong các hoạt động kinh doanh hàng ngày.

Tuy nhiên, đến đầu những năm 90 của thế kỷ 20, cơn sốt AI này đã hoàn toàn sụp đổ. Nhiều công ty khởi nghiệp AI đã phá sản, các công ty lớn cũng đồng loạt đóng băng hoặc hủy bỏ các dự án AI. Từ năm 1983, nhà tiên phong hệ thống chuyên gia Ed Feigenbaum đã chỉ ra "nút thắt quan trọng" dẫn đến sự biến mất của chúng: quá trình thu thập kiến thức, "đây là một quá trình rất phức tạp, tốn thời gian và đắt đỏ."

Hệ thống chuyên gia còn phải đối mặt với vấn đề tích lũy kiến thức. Nhu cầu liên tục thêm và cập nhật các quy tắc khiến chúng khó duy trì và tốn kém. Chúng cũng phơi bày những thiếu sót của máy móc tư duy so với trí thông minh con người. Chúng rất "mong manh", khi đối mặt với những đầu vào bất thường sẽ mắc phải những sai lầm ngớ ngẩn, không thể chuyển giao chuyên môn của mình sang các lĩnh vực mới và thiếu hiểu biết về thế giới xung quanh. Ở cấp độ cơ bản nhất, chúng không thể học hỏi từ các ví dụ, kinh nghiệm, môi trường như con người.

Bài học thứ tư: Sự thành công ban đầu, tức là việc áp dụng rộng rãi của các doanh nghiệp và cơ quan chính phủ cũng như sự đầu tư lớn từ khu vực công và tư, cho dù đã trải qua mười hay mười lăm năm, cũng chưa chắc có thể tạo ra một "ngành công nghiệp mới" bền vững. Bong bóng thường sẽ vỡ.

Trong sự biến động, sự thao túng và những thất bại, hai phương pháp phát triển AI hoàn toàn khác nhau đã tranh giành sự chú ý của giới học thuật, các nhà đầu tư công và tư nhân cũng như truyền thông. Hơn bốn mươi năm qua, phương pháp AI dựa trên quy tắc và ký hiệu đã chiếm ưu thế. Tuy nhiên, kết nối dựa trên ví dụ, được thúc đẩy bởi phân tích thống kê, như một phương pháp AI chính khác, cũng đã từng nổi bật một thời vào cuối những năm 50 và cuối những năm 80.

Trước khi sự phục hưng của chủ nghĩa kết nối vào năm 2012, nghiên cứu và phát triển AI chủ yếu được thúc đẩy bởi giới học thuật. Đặc điểm của giới học thuật là sự thịnh hành của giáo điều (cái gọi là "khoa học thông thường"), luôn có sự lựa chọn giữa AI biểu tượng và AI kết nối. Năm 2019, Geoffrey Hinton trong bài phát biểu nhận giải Turing, đã dành phần lớn thời gian để kể về những khó khăn mà ông và một số ít những người yêu thích học sâu đã trải qua dưới tay các học giả AI và học máy chính thống. Hinton còn cố tình coi thường học tăng cường cũng như công việc của các đồng nghiệp của ông tại DeepMind.

Chỉ vài năm sau, vào năm 2023, DeepMind đã tiếp quản hoạt động AI của Google (Hinton cũng đã rời khỏi đó), điều này chủ yếu là phản ứng trước sự thành công của OpenAI, trong đó OpenAI cũng đã coi học củng cố là một phần trong sự phát triển AI của mình. Hai nhà tiên phong trong học củng cố, Andrew Barto và Richard Sutton, đã nhận giải thưởng Turing vào năm 2025.

Tuy nhiên, hiện tại không có dấu hiệu nào cho thấy, dù là DeepMind hay OpenAI, hay nhiều công ty "kỳ lân" đang tập trung vào trí tuệ nhân tạo tổng quát (AGI), họ có sự chú ý vượt ra ngoài mô hình ngôn ngữ lớn đang thịnh hành hiện nay. Kể từ năm 2012, trọng tâm phát triển của AI đã chuyển từ giới học thuật sang khu vực tư nhân; tuy nhiên, toàn bộ lĩnh vực vẫn bám vào một hướng nghiên cứu duy nhất.

Bài học số năm: Đừng đặt tất cả "trứng" AI vào cùng một "giỏ".

Không còn nghi ngờ gì nữa, Huang Renxun là một giám đốc điều hành xuất sắc, và Nvidia cũng là một công ty xuất sắc. Hơn mười năm trước, khi cơ hội AI bất ngờ xuất hiện, Nvidia đã nhanh chóng nắm bắt cơ hội này, vì khả năng xử lý song song của các chip (ban đầu được thiết kế để render video game hiệu quả) rất phù hợp với tính toán học sâu. Huang Renxun luôn cảnh giác, ông đã nói với nhân viên: "Công ty chúng ta chỉ còn 30 ngày nữa là phá sản."

Ngoài việc giữ cảnh giác (có nhớ Intel không?), những bài học kinh nghiệm từ 80 năm phát triển AI có thể cũng giúp Nvidia vượt qua những thăng trầm trong 30 ngày hoặc 30 năm tới.

Các bài viết liên quan: Tổng hợp 10 công ty và mô hình AI định nghĩa cuộc cách mạng AI hiện tại.