Startup của tiến sĩ 00x tại Thanh Hoa gọi vốn triệu đô cho hệ điều hành AI Agent tự tiến hóa

Tác giả | Triệu Kinh Na

Biên tập phỏng vấn | Hải Nhược Kính

36Kr được biết, gần đây Kỳ Điểm Đào Dật (Singularity Escape) đã hoàn thành vòng gọi vốn hạt giống với số tiền hàng chục triệu nhân dân tệ, do Tinh Liên Capital và Thủy Mộc Venture dẫn đầu, cùng sự tham gia của Kỳ Tích Sáng Đàn. Công ty đang phát triển hệ điều hành cộng tác nhóm AI-native có tên Nexus, cho phép con người, Agent, nhiệm vụ, tri thức và công cụ cùng cộng tác dựa trên một trạng thái tổ chức thống nhất, đồng thời giúp hệ thống trở nên mạnh mẽ hơn một cách có bằng chứng sau mỗi lần cộng tác.

Nhà sáng lập kiêm CEO của Kỳ Điểm Đào Dật, Tiết Truyền Dịch, từng theo học đại học và tiến sĩ tại Đại học Thanh Hoa, với hướng nghiên cứu bao gồm học tăng cường (Reinforcement Learning) và đa tác tử (Multi-agent). Anh từng là tác giả chính của các bài báo khoa học đăng trên các hội nghị và tạp chí như NeurIPS, CJA; trong thời gian thực tập tại SenseTime và Idriverplus, anh đã tham gia nghiên cứu thuật toán lái xe tự động và triển khai trên xe thực tế.

"Ngày nay, các Agent đã giống như những cá nhân có năng lực xuất chúng, nhưng chúng vẫn chưa thực sự bước vào tổ chức," Tiết Truyền Dịch chia sẻ.

Một ngày làm việc ngày càng phổ biến có thể bắt đầu như sau: Quản lý sản phẩm giao yêu cầu cho một Agent xử lý, bộ phận R&D đồng thời để một Agent khác sửa mã nguồn, còn bộ phận vận hành nghiên cứu kế hoạch phát hành trong cửa sổ trò chuyện thứ ba. Vài giờ sau, mỗi Agent đều hoàn thành phần việc của mình và sở hữu một đoạn ngữ cảnh (context) hoàn chỉnh. Tuy nhiên, khi cần hợp nhất ba công việc này, cả nhóm mới nhận ra rằng không ai hiểu rõ Agent khác đã làm gì, tại sao lại làm như vậy, kết luận nào đã được xác nhận và thay đổi nào sẽ ảnh hưởng đến các nhiệm vụ tiếp theo.

Thế là, con người lại quay về vị trí trạm trung chuyển thông tin: sao chép hội thoại, bổ sung bối cảnh, đối chiếu phiên bản, ghép nối kết quả, rồi lại phải giải thích cùng một sự việc cho các Agent khác nhau.

Đây là một kịch bản đầy tương phản sau khi năng lực của Agent tăng lên nhanh chóng. Khi Agent bắt đầu viết code, xử lý tài liệu, gọi công cụ, thậm chí thực hiện các nhiệm vụ dài hơi, thì những nút thắt mới cũng xuất hiện: một Agent có năng lực mạnh vẫn chỉ là một trợ lý cá nhân mạnh. Ngữ cảnh mà nó nắm giữ chỉ thuộc về một người dùng và một phiên hội thoại nhất định, quá trình thực thi bị phân tán trong các công cụ khác nhau, và sau khi nhiệm vụ kết thúc, kinh nghiệm đó rất khó để trở thành điểm khởi đầu tự nhiên cho công việc tiếp theo của cả nhóm.

Vậy, khi ngày càng có nhiều trí tuệ đi vào môi trường sản xuất, làm thế nào để chúng hiểu được vai trò và mối quan hệ của nhau? Tổ chức làm thế nào để lưu giữ quá trình làm việc của Agent? Phản hồi từ một nhiệm vụ làm sao để chuyển hóa thành năng lực có thể tái sử dụng cho lần cộng tác tiếp theo? Những câu hỏi này cuối cùng hội tụ thành hai trục chính của Kỳ Điểm Đào Dật: cộng tác và tự tiến hóa.

Nếu Agent trở thành thành viên tổ chức

Trong một nhóm truyền thống, khi một thành viên mới gia nhập dự án, họ cần hiểu mục tiêu, phân công, các quyết định lịch sử và quy tắc cộng tác. Agent cũng vậy. Nó không chỉ cần biết phải làm gì, mà còn phải biết nhiệm vụ đến từ đâu, liên quan đến ai, phụ thuộc vào thông tin nào, và kết quả như thế nào mới được coi là hoàn thành.

Hầu hết các sản phẩm AI hiện nay đều tổ chức thông tin xoay quanh hội thoại; khi một cuộc trò chuyện kết thúc, sự hiểu biết của Agent về nhiệm vụ, căn cứ thực thi và kinh nghiệm thất bại thường cũng dừng lại ở đó. Khi nhiệm vụ vượt qua các mô hình khác nhau, các thành viên khác nhau và các chu kỳ thời gian khác nhau, cả nhóm buộc phải xây dựng lại ngữ cảnh nhiều lần.

Tiết Truyền Dịch gọi đây là "đứt gãy cộng tác" của AI. Anh cho rằng chìa khóa để giải quyết vấn đề này không phải là để tất cả Agent cùng bắt đầu làm việc, mà là để chúng đối diện với cùng một sự thật trước tiên.

Cộng tác trước hết là cộng tác về sự thật. Nếu mục tiêu, trạng thái nhiệm vụ và tiêu chuẩn nghiệm thu mà mỗi Agent hiểu đều khác nhau, thì năng lực càng mạnh, có khi chỉ khiến chúng thực thi nhanh hơn theo những hướng khác nhau mà thôi.

Do đó, Nexus xuất phát từ trạng thái tổ chức thay vì một cuộc trò chuyện đơn lẻ. Con người, Agent, nhiệm vụ, tri thức và công cụ được biểu diễn dưới dạng các đối tượng có liên kết với nhau; một công việc không còn chỉ là một đoạn chỉ dẫn ngôn ngữ tự nhiên, mà còn bao gồm mục tiêu, người phụ trách, mối quan hệ phụ thuộc, quyền hạn, trạng thái hiện tại, bằng chứng thực thi và kết quả nghiệm thu.

Trong hệ thống như vậy, bộ phận sản phẩm, R&D và vận hành không phải đối thoại với ba Agent xa lạ, mà là cùng thúc đẩy công việc xoay quanh một nhiệm vụ duy nhất. Agent mới gia nhập có thể hiểu được những gì đã xảy ra ở nhiệm vụ trước đó, tìm thấy các quyết định liên quan và các phụ thuộc thượng nguồn - hạ nguồn; các quy trình và kết quả mới cũng sẽ trở thành một phần của trạng thái tổ chức.

Nhờ đó, Agent từ một công cụ thuộc sở hữu cá nhân trở thành một đối tượng cộng tác mà tổ chức có thể phân công, ủy quyền, kiểm duyệt và tiếp nối.

Đây cũng chính là cách Tiết Truyền Dịch hiểu về việc "AI đi vào tổ chức": không phải là doanh nghiệp đã mua bao nhiêu tài khoản AI, cũng không phải là nhân viên đã gọi mô hình bao nhiêu lần, mà là liệu công việc của AI có thể đi vào hệ thống nhiệm vụ, tri thức và trách nhiệm của tổ chức hay không.

Ảnh: Tiết Truyền Dịch

Agent tĩnh gặp gỡ thế giới động

Cộng tác và tự tiến hóa thực chất là hai mặt của cùng một vấn đề. Để nhiều chủ thể có thể cộng tác liên tục trong tổ chức, Agent phải có khả năng thích ứng với các mục tiêu, thành viên, công cụ và ràng buộc không ngừng thay đổi; để Agent liên tục tích lũy trí tuệ, nó phải đi vào môi trường sản xuất thực tế, nhận phản hồi và chấp nhận kiểm chứng trong các nhiệm vụ cụ thể.

Các mô hình lớn ngày nay thường đạt được năng lực thông qua tiền huấn luyện quy mô lớn và hậu huấn luyện. Sau khi triển khai, chúng đi vào các ứng dụng cụ thể thông qua prompt, workflow, công cụ và hệ thống ghi nhớ. Logic cốt lõi của quá trình này vẫn là: con người thiết kế hệ thống trước, Agent thực thi trong các ranh giới đã định.

Nó hiệu quả trong các nhiệm vụ ổn định, nhưng khó bao phủ hết mọi thay đổi của một tổ chức thực tế. Mục tiêu của một dự án có thể bị sửa đổi, công cụ sẽ cập nhật, thành viên sẽ thay đổi, các ràng buộc mới xuất hiện bất cứ lúc nào. Cách phân tách nhiệm vụ hiệu quả ngày hôm qua chưa chắc đã là lựa chọn tối ưu ngày hôm nay; lỗi mà một Agent mắc phải trong một nhiệm vụ này cũng có thể lặp lại trong một phiên hội thoại khác.

Khi hệ thống không thể tiêu hóa những phản hồi này, "vận hành lâu dài" chỉ là việc tích lũy các quy tắc không ngừng. Prompt ngày càng dài, Workflow ngày càng phức tạp, chi phí bảo trì thủ công cũng tăng theo. Agent làm rất nhiều việc, nhưng không thực sự học được gì từ công việc đó.

Kỳ Điểm Đào Dật cho rằng, cộng tác thực tế cung cấp phản hồi chất lượng cao cần thiết cho sự tự tiến hóa, và sự tự tiến hóa lại giúp Agent có thể thích ứng với môi trường thay đổi liên tục của tổ chức.

Khác với dữ liệu tĩnh, trong các nhiệm vụ của tổ chức luôn tồn tại mục tiêu, ràng buộc và kết quả. Sự điều chỉnh của con người cho thấy nơi nào xảy ra sai lệch, đánh giá nghiệm thu cho biết kết quả có sử dụng được hay không, hồ sơ thất bại tiết lộ các vấn đề trong việc phân tách nhiệm vụ, ngữ cảnh hoặc gọi công cụ. Những tín hiệu này không phải là sở thích trừu tượng, mà là bằng chứng nhân quả gắn liền với quá trình làm việc cụ thể.

"Rời xa nhiệm vụ thực tế, tự tiến hóa sẽ thiếu phản hồi chất lượng cao; không có cải tiến liên tục, hệ thống cộng tác cũng chỉ trở thành công cụ quy trình tĩnh," Tiết Truyền Dịch nhận định.

Trong thiết kế của Nexus, vòng lặp cộng tác và tự tiến hóa có thể được phân tách thành: cộng tác tổ chức tạo ra nhiệm vụ và phản hồi thực tế, đánh giá độc lập sàng lọc các cải tiến hiệu quả, năng lực đã được kiểm chứng đi vào vòng cộng tác tiếp theo, và Agent mạnh hơn sẽ mở rộng biên độ cộng tác của tổ chức.

Hệ thống có thể đề xuất các cải tiến ứng viên dựa trên phản hồi, ví dụ như điều chỉnh cách tổ chức ngữ cảnh, định tuyến mô hình, phân tách nhiệm vụ hoặc cấu hình workflow. Nhưng những thay đổi này sẽ không trực tiếp đi vào môi trường sản xuất thực tế, mà phải thông qua đánh giá độc lập trước, so sánh hiệu quả, tính ổn định, chi phí và rủi ro, sau đó cơ chế quản trị mới quyết định áp dụng, hạn chế, từ chối hoặc hoàn tác.

Nguồn ảnh: Kỳ Điểm Đào Dật

Điều này khác biệt về bản chất so với việc hệ thống tự viết lại chính nó. Theo quan điểm của Tiết Truyền Dịch, tiền đề của tự tiến hóa không phải là trao cho Agent quyền tự chủ vô hạn, mà chính là thiết lập các ranh giới bằng chứng và quản trị nghiêm ngặt hơn. Hệ thống phải có khả năng trả lời: tại sao phải sửa, đã sửa cái gì, liệu có thực sự tốt hơn không, có làm tổn hại đến năng lực vốn có không, và có thể thu hồi khi xảy ra vấn đề hay không.

Do đó, sự tự tiến hóa mà Kỳ Điểm Đào Dật đề cập có thể được tóm tắt thành ba khâu: thúc đẩy bởi phản hồi thực tế, đánh giá độc lập, và quản trị áp dụng.

Cộng tác là môi trường để tự tiến hóa diễn ra

Trong ngành AI, cộng tác và học tập từ lâu đã thuộc về hai hệ ngôn ngữ khác nhau.

Phần mềm cộng tác nói về nhiệm vụ, quyền hạn, quy trình và quản lý tri thức; còn nghiên cứu học máy nói về dữ liệu, huấn luyện, đánh giá và tổng quát hóa. Một bên chịu trách nhiệm về cách tổ chức vận hành, bên kia chịu trách nhiệm về cách mô hình trở nên mạnh mẽ hơn. Cả hai hiếm khi gặp nhau trong cùng một kiến trúc sản phẩm.

Agent đã thay đổi ranh giới này. Khi AI chỉ có thể tạo ra một đoạn văn bản, mối quan hệ của nó với tổ chức gần giống như một công cụ; khi nó bắt đầu phân tách mục tiêu, gọi tài nguyên, thực thi nhiệm vụ và tiếp nối với các chủ thể khác, mỗi hành động của nó đều đi vào quy trình của tổ chức. Kết quả thực thi không chỉ là đầu ra kinh doanh, mà còn trở thành phản hồi để đánh giá năng lực của Agent.

Điều này có nghĩa là, hệ thống cộng tác trong tương lai không chỉ gánh vác công việc, mà còn có thể trở thành môi trường để trí tuệ học tập liên tục.