Mô hình ngôn ngữ không thể tạo ra cách mạng khoa học, nhưng mô hình thế giới thì có thể

AI xử lý được hai trong ba loại hình suy luận

Để xác định chính xác lỗ hổng nằm ở đâu, Zahavy dựa trên một sự phân biệt kinh điển từ triết gia Charles Sanders Peirce, người đã phân loại mọi suy luận dựa trên cách chúng kết nối các quy tắc, trường hợp và kết quả.

Diễn dịch (Deduction) rút ra các kết luận được đảm bảo từ những quy tắc cố định, giống như việc chạy một chương trình tạo ra kết quả đầu ra đúng đắn có thể chứng minh được. Quy nạp (Induction) phát hiện các mô hình trong dữ liệu: quan sát một nghìn con thiên nga trắng và bạn khái quát rằng tất cả thiên nga đều màu trắng. Suy diễn (Abduction) là bước nhảy vọt sáng tạo. Nó phát minh ra một nguyên nhân để giải thích cho một hiện tượng đáng ngạc nhiên.

Hình thức thứ ba này chính là nơi Zahavy nhìn thấy nút thắt quan trọng, và ông vạch ra ranh giới giữa hai cấp độ của nó. Suy diễn thông thường chọn ra lời giải thích hợp lý nhất từ một tập hợp các ứng viên đã biết, giống như cách một bác sĩ đối chiếu các triệu chứng với một căn bệnh. Ông thừa nhận rằng các mô hình ngôn ngữ có thể làm được điều này. Phiên bản khó hơn là điều mà ông gọi là "suy diễn thao túng" (manipulative abduction): phát minh ra một nguyên nhân mà chưa có khuôn mẫu ngôn ngữ nào tồn tại cho nó. Ông lập luận rằng đó mới là nút thắt thực sự của phát minh khoa học, và máy móc không thể làm được điều đó.

Bài báo lập luận rằng quy nạp và diễn dịch nằm trong tầm tay. Các mô hình ngôn ngữ vốn đã xuất sắc trong việc nhận dạng mô hình thống kê và chúng cũng đang nhanh chóng chinh phục cả việc suy luận hình thức. Các hệ thống như AlphaProof, Gemini và GPT-5 hiện đạt điểm vàng trong các bài toán Olympic Toán học Quốc tế. Zahavy thậm chí thừa nhận rằng một mô hình ngôn ngữ có lẽ có thể suy ra thuyết tương đối tổng quát nếu được cung cấp các giả định của Einstein làm điểm khởi đầu. Nhưng việc xây dựng những giả định đó ngay từ đầu, thực hiện bước nhảy vọt mang tính thao túng để đạt được chúng, vẫn là nút thắt.

Zahavy minh họa lý do tại sao máy móc gặp khó khăn với bước nhảy vọt này bằng cách sử dụng chính lý thuyết đó: các mô hình AI thường học bằng cách so sánh dự đoán của chúng với thực tế và điều chỉnh dựa trên sai số, tức khoảng cách giữa dự đoán và kết quả. Nếu không có sai số có thể phát hiện được, hệ thống sẽ không có gì để làm việc. Và Zahavy lập luận rằng đó chính là tình huống mà Einstein đã đối mặt.

Khi Einstein làm việc, không có cuộc khủng hoảng dữ liệu nào cả. Vật lý của Newton đã được xác nhận với độ chính xác cực cao. Sự bất thường duy nhất được biết đến, một sự thay đổi nhỏ trong quỹ đạo của sao Thủy, đã được quy cho một hành tinh ẩn giả định có tên là "Vulcan". Zahavy lập luận rằng một AI dựa trên tối ưu hóa sẽ không có lý do gì để lật đổ vật lý. Theo logic của lập luận này, nó sẽ làm những gì mà các nhà thiên văn học thời đó đã làm: phát minh ra một hành tinh phụ để giải thích cho sự sai lệch nhỏ, thay vì suy nghĩ lại về không gian và thời gian. Dữ liệu xác nhận lý thuyết của Einstein, chẳng hạn như phép đo độ lệch ánh sáng của Eddington, đã không xuất hiện cho đến nhiều năm sau khi lý thuyết được hình thành.

Một bước nhảy vọt cần một cơ thể

Vậy bước nhảy vọt mang tính thao túng dẫn Einstein đến các tiên đề của ông đến từ đâu? Zahavy chỉ ra "ý nghĩ hạnh phúc nhất" của Einstein: người quan sát rơi tự do không còn cảm thấy trọng lực. Sự thấu hiểu này đến từ mô phỏng hiện thân (embodied simulation), khi Einstein suy ngẫm về một cảm giác vật lý thay vì nghiền ngẫm các phương trình. Ông tưởng tượng một nhà vật lý bên trong một thang máy đang tăng tốc trong không gian và kết luận rằng gia tốc và trọng lực là không thể phân biệt được từ bên trong.

Zahavy vẽ ra một sự tương đồng với Archimedes, người đã không khám phá ra nguyên lý lực đẩy của mình thông qua tính toán mà, theo câu chuyện kể lại, thông qua cảm giác vật lý về mực nước dâng lên khi ông bước vào bồn tắm. Trong cả hai trường hợp, một nguyên lý nền tảng đã xuất hiện mà chưa từng tồn tại trong ngôn ngữ của thời đại đó.

Các mô hình ngôn ngữ thiếu chính xác sự kết nối cảm giác này. Zahavy so sánh chúng với "Căn phòng Trung Hoa" của triết gia John Searle, một thí nghiệm tư duy nổi tiếng, nơi một người xáo trộn các ký tự tiếng Trung theo một cuốn sách quy tắc mà không hiểu một từ nào. Các mô hình ngôn ngữ xáo trộn các ký hiệu vật lý theo cách tương tự, mà không có quyền truy cập vào trải nghiệm vật lý mang lại ý nghĩa cho những ký hiệu đó.

AI Scientist của Sakana và AlphaEvolve của Deepmind tự động hóa các quy trình khoa học một cách ấn tượng. Nhưng AI Scientist chỉ kết hợp lại các khái niệm hiện có, trong khi AlphaEvolve tối ưu hóa một cách xuất sắc nhưng cần một tín hiệu sai số rõ ràng mà nó có thể thu hẹp từng bước. Einstein chưa bao giờ có tín hiệu đó. Zahavy lập luận rằng không hệ thống nào trong số đó có thể thực hiện bước nhảy vọt vào một khuôn khổ tư duy hoàn toàn mới.

Các mô hình thế giới như một con đường dẫn đến suy diễn

Như một hướng đi khả thi, Zahavy chỉ ra các mô hình thế giới nhất quán về mặt vật lý. Ông vạch ra một ranh giới ở đây: các trình tạo video như Veo chỉ đơn giản dự đoán khung hình tiếp theo có khả năng xảy ra cao nhất. Một quả táo rơi không phải vì mô hình hiểu về trọng lực, mà vì rơi là sự tiếp nối phổ biến nhất trong dữ liệu huấn luyện. Đó vẫn chỉ là khớp mô hình (pattern matching).

Ngược lại, các mô hình thế giới có thể kiểm soát hành động như Genie cho phép một tác nhân can thiệp tích cực vào mô phỏng và thực hiện các thí nghiệm phản thực tế, như việc tưởng tượng cắt dây cáp thang máy. Một "phòng thí nghiệm tổng hợp" như thế này có thể cung cấp vòng lặp phản hồi cần thiết để phát minh ra các tiên đề mới nơi chưa có khuôn mẫu ngôn ngữ nào tồn tại.