Báo cáo mới mang tên “LLMs can’t jump” do nhà nghiên cứu Tom Zahavy từ Google DeepMind công bố đã chỉ ra một rào cản nhận thức rõ ràng của trí tuệ nhân tạo (AI): sự thiếu hụt cơ thể vật lý. Theo đó, các Mô hình Ngôn ngữ Lớn (LLM) không bao giờ có thể thay thế trí tuệ sáng tạo của con người, bởi hệ thống phần mềm này hiện chỉ mới làm chủ được một hình thức suy luận duy nhất.
Điểm yếu cốt lõi: Giới hạn trong khả năng suy luận giả thuyết
Báo cáo của Google đi sâu vào những hạn chế của LLM, chỉ ra rằng trong ba loại hình suy luận cốt lõi – quy nạp (induction), diễn dịch (deduction) và giả thuyết (abduction) – AI mới chỉ thực sự thành công ở các mảng đầu tiên. Nhờ khả năng nhận diện mẫu thống kê và nén dữ liệu khổng lồ, AI đã làm chủ được suy luận quy nạp. Các hệ thống như AlphaProof cũng nhanh chóng chinh phục suy luận diễn dịch bằng cách sử dụng các phép chứng minh logic dựa trên quy tắc có sẵn.
Tuy nhiên, “bức tường” không thể vượt qua của AI nằm ở suy luận giả thuyết (abduction) – năng lực tạo ra các giả thuyết mang tính giải thích khi phải đối mặt với nguồn dữ liệu khan hiếm.
Sự khác biệt giữa AI và tư duy thiên tài của Albert Einstein
Báo cáo đã bác bỏ quan điểm của nhà khoa học máy tính nổi tiếng Jürgen Schmidhuber, người từng cho rằng “khám phá khoa học chỉ là một hình thức nén dữ liệu bậc cao”. DeepMind dùng Thuyết Tương đối Tổng quát của Albert Einstein để phản biện lại điều này. Khi Einstein phát triển học thuyết đột phá của mình, dữ liệu hình ảnh vô cùng khan hiếm, khiến ông gần như không có tập dữ liệu nào để phân tích hay nén lại bằng các mô hình nhận diện thống kê.
Thay vì bị cản trở bởi việc thiếu dữ liệu, Einstein đã dựa vào các “thí nghiệm tư tưởng gắn với trải nghiệm vật lý” (embodied thought experiments) – ví dụ như việc tưởng tượng cảm giác của một người khi rơi tự do trong một chiếc thang máy bị bịt kín. Nhờ trực giác vật lý kết nối các trải nghiệm giác quan, ông đã phát hiện ra những nguyên lý toán học hoàn toàn mới.
Nếu được cung cấp những phát hiện ban đầu của Einstein, một LLM có thể dễ dàng giải quyết các phép diễn dịch toán học phức tạp theo sau. Nhưng, AI tuyệt đối không thể tự mình kiến tạo ra những tiền đề nguyên bản đó chỉ bằng cách phân tích các văn bản có sẵn.
Mở rộng hạ tầng không giải quyết được giới hạn của AI
Các công cụ kiến tạo AI hiện nay, bao gồm cả những công cụ lập trình tự động, vẫn bị bó hẹp trong các bộ quy tắc và ngưỡng giới hạn nhất định, thay vì tạo ra những khuôn khổ hoàn toàn mới. Vì LLM không có sự gắn kết vật lý với thế giới thực, chúng không thể xây dựng các mô hình trực giác dựa trên nguyên lý nhân – quả.
Do đó, việc liên tục mở rộng hạ tầng AI bằng hàng loạt trung tâm dữ liệu và tài nguyên máy tính cũng sẽ không mang lại một “phép màu” giúp LLM đột nhiên sở hữu trí tuệ thiên tài để tạo ra các bước ngoặt khoa học mang tính cách mạng.
Định hướng tương lai cho kiến trúc AI
Google DeepMind kết luận, để thu hẹp khoảng cách giữa tính toán logic và sự phát minh khoa học thực thụ, kiến trúc AI trong tương lai cần phải tiến hóa vượt ra khỏi giới hạn xử lý văn bản và hình ảnh thông thường. Thế hệ AI tiếp theo cần hướng tới các mô hình thế giới đa phương thức gắn với vật lý thực tại. Việc cho phép hệ thống AI chạy các mô phỏng mô phỏng môi trường ảo sẽ giúp chúng tự xây dựng “trực giác vật lý” về thế giới thực, từ đó tạo nền tảng trước khi kiến tạo ra các phương trình khoa học hay bộ mã lập trình.
Nguồn: wccftech
