# Import AI 474: Không gian tư duy Platonic, TPU ngoài không gian và bước tiến RSI của Zhipu

- Nguồn: Import AI (Jack Clark)
- Thời gian phát hành: 2026-09-28 19:32 (giờ Việt Nam)
- Điểm AI: 85/100
- Link AIHOT.vn: https://aihot.vn/items/70fb4bfc57b92f11
- Link gốc: https://jack-clark.net/2026/09/28/import-ai-474-platonic-mindspace-tpus-in-space-zhipu-starts-an-outer-rsi-loop

## Tóm tắt AI

Bản tin tuần này khám phá giả thuyết về không gian tư duy Platonic của Michael Levin, việc ứng dụng TPU trong không gian và chiến lược vòng lặp RSI mới từ Zhipu.

## Thân bài

![Import AI 474: Platonic mindspace; TPUs in space; Zhipu starts an outer RSI loop](https://i0.wp.com/jack-clark.net/wp-content/uploads/2026/09/https3A2F2Fsubstack-post-media.s3.amazonaws.com2Fpublic2Fimages2Fd6d17996-2bef-40a4-abe3-be72a0e8a227_258x258-owL1ku.png?fit=258%2C258&ssl=1)

Chào mừng bạn đến với Import AI, bản tin về nghiên cứu AI. Import AI vận hành nhờ arXiv, những tách cappuccino và phản hồi từ độc giả. Nếu bạn muốn ủng hộ bản tin này, vui lòng đăng ký theo dõi.

[Đăng ký ngay](https://importai.substack.com/subscribe?)

Liệu tâm trí có phải là những khuôn mẫu từ không gian Platonic, với cơ thể và máy móc đóng vai trò là giao diện, Michael Levin đặt câu hỏi: …Một bài báo đầy trí tuệ yêu cầu chúng ta xem xét lại các giả định cơ bản về triết học và sinh học… Liệu sự phức tạp trong thế giới xung quanh chúng ta có thể được giải thích tốt hơn bằng sự tồn tại của một vùng Platonic chứa các khuôn mẫu với độ phức tạp tùy ý, vốn luôn tìm cách thâm nhập vào thế giới thực? Đó là câu hỏi lớn nằm ở trung tâm của một bài báo mang tính phá cách từ nhà khoa học Michael Levin.

Lập luận: “Tôi lập luận rằng các ngành khoa học mới nổi về hình thái tổng hợp (synthetic morphology) và trí tuệ đa dạng gợi ý về các mô hình tâm trí phi vật lý và cho thấy cách chúng có thể được nghiên cứu bằng thực nghiệm… Tôi đề xuất rằng mối quan hệ giữa tâm trí và não bộ cũng giống như mối quan hệ giữa các khuôn mẫu toán học và kết quả hình thái mà chúng dẫn dắt (nói rộng hơn, tâm trí:cơ thể cũng như toán học:vật lý)”, ông viết. “Cơ thể (dù là sinh học, kỹ thuật hay lai tạo) là giao diện để một hệ thống phân cấp khổng lồ, đa quy mô các khuôn mẫu thâm nhập vào thế giới vật lý… các khuôn mẫu cụ thể được đại diện bởi các trường thông tin sinh lý, cơ sinh học hoặc hóa học đóng vai trò là các điểm thiết lập được mã hóa cho các quá trình cân bằng nội môi hoặc cân bằng thích nghi—nói cách khác, là các trạng thái mục tiêu mà các hệ thống cố gắng điều hướng trong các không gian vấn đề khác nhau”.

Hướng tới một cõi Platonic của các khuôn mẫu tinh vi tùy ý: “Chúng ta đã biết rằng các khuôn mẫu phi vật lý thâm nhập và đóng vai trò chức năng trong thế giới vô sinh và hữu sinh, và rằng chúng ta có thể (và thực sự) nghiên cứu chúng một cách hiệu quả… các hình thái Platonic tiêm thông tin và ảnh hưởng vào các sự kiện vật lý, chẳng hạn như sự tăng trưởng và hình thái của cơ thể sinh học,” ông viết. “Không gian tiềm ẩn này [của các hình thái Platonic] không chỉ chứa các hình thái có tác nhân thấp như các sự thật về số nguyên và hình học, mà còn chứa một loạt các khuôn mẫu có tác nhân ngày càng cao, một số trong đó chúng ta gọi là ‘các loại tâm trí’. Do đó, tôi đề xuất rằng tâm trí, với tư cách là các khuôn mẫu thổi hồn vào các hiện thân cơ thể, chính xác là loại (nhưng không phải về mức độ) bản chất phi vật lý giống như các khuôn mẫu cư ngụ và dẫn dắt hành vi của các cấu trúc vật lý đơn giản.”

Một số thí nghiệm kỳ lạ: Không có thí nghiệm mang tính đột phá nào chứng minh điều này, nhưng có những hiện tượng kỳ lạ trên thế giới cho thấy ngay cả những hệ thống tưởng chừng đơn giản cũng có khả năng khám phá và mở rộng thành các khuôn mẫu phong phú dường như nằm liền kề với chúng trong không gian phức tạp Platonic giả định này, dù không được hàm ý bởi chính các hệ thống đó. Một vài ví dụ thú vị ở đây là xenobots, những robot sinh học làm từ tế bào ếch và “dạy chúng ta về các khuôn mẫu liền kề với phôi ếch”, và anthrobots được làm từ tế bào khí quản người; khi được đưa ra khỏi cơ thể, chúng mang những hình thái mới kỳ lạ và thể hiện các hành vi thú vị như khả năng tự chữa lành tổn thương cho các neuron và “dạy chúng ta về các khuôn mẫu liền kề với mô người trưởng thành”. Ngoài ra còn có một cuộc thảo luận tuyệt vời về thí nghiệm nơi họ lấy một thuật toán sắp xếp tiêu chuẩn và làm nhiễu nó theo một vài cách, bao gồm việc ‘khóa’ các tế bào nhất định tại chỗ và ghi nhận rằng nó tự định tuyến xung quanh các tế bào đó, và một thí nghiệm phức tạp hơn nơi họ để mỗi con số chạy một loại thuật toán sắp xếp khác nhau rồi nghiên cứu cách các họ thuật toán sắp xếp khác nhau xuất hiện và phân cụm cùng nhau trong không gian số trong quá trình sắp xếp – loại phức tạp này không thể giải thích được và không được dự đoán trước khi nhìn vào các thuật toán này một cách trừu tượng, nhưng bằng cách nhúng chúng vào một hệ thống phức tạp, chúng đột nhiên mang những đặc tính mới. “Máy móc (dù là bằng thịt hay silicon) cũng thực hiện những việc khác không có trong thuật toán, giống như chúng ta, và những điều này không chỉ là sự phức tạp không thể dự đoán, mà là trí thông minh và các thành phần khác của tâm trí. Chính những hành vi đó—được thuật toán cho phép nhưng không được quy định trực tiếp bởi nó—tương ứng với sự tự do (không bị quyết định bởi vật lý) hoặc ‘bí quyết’ mà chúng ta tìm kiếm khi cố gắng hiểu làm thế nào các tâm trí tự do có thể nảy sinh trên các nền tảng được quyết định bởi hóa học trong trường hợp của các sinh vật sống,” ông viết. “Theo quan điểm này, máy móc thuật toán và sự sống sinh hóa nằm trên cùng một phổ, có chung khả năng vượt ra ngoài các sự thật về thực thi vật lý hoặc thuật toán vì cả hai chỉ là các con trỏ/giao diện tới các khuôn mẫu thâm nhập theo cách dẫn đến kết quả thu được nhiều hơn những gì chúng ta bỏ vào.”

Tại sao điều này quan trọng – có lẽ ‘tâm trí’ của AI và con người gần gũi nhưng không hoàn toàn giống nhau trong không gian tâm trí Platonic: Chương trình nghiên cứu mà Levin vạch ra rất lôi cuốn và hấp dẫn, đồng thời dường như chứa đựng một số manh mối về cách chúng ta có thể giải quyết các câu hỏi triết học và căn chỉnh sâu sắc được truyền cảm hứng bởi các hệ thống AI. Có lẽ cả tâm trí con người và các loại tâm trí AI khác nhau đều là những hình thái láng giềng trong không gian này, và não bộ hay trung tâm dữ liệu chỉ là những hệ thống sinh học hoặc hệ thống neo đậu khác nhau trong thế giới vật lý mà bóng của chúng đổ lên? Liệu chúng ta có phải chỉ là những vật chứa được các khuôn mẫu từ nơi khác xâm chiếm? Liệu có “khả thi để tái cấu trúc lý thuyết tiến hóa thành một quá trình mà trong đó các khuôn mẫu có tác nhân tìm kiếm sự hiện thân”? “Liệu có một “lực” nào đó, vượt ra ngoài mô hình “nếu bạn xây dựng nó, chúng sẽ đến” của các vật thể vật lý, đang kéo các khuôn mẫu từ không gian đó? Hay nội dung của không gian Platonic đang chịu “áp lực dương”, bằng cách nào đó khuyến khích sự xuất hiện của chúng trong thế giới như những suy nghĩ xâm nhập, nguyên mẫu, tác phẩm nghệ thuật?… Điều duy nhất có thể khẳng định chắc chắn vào lúc này là sự thiếu hiểu biết của chúng ta về khả năng của vật chất, cùng với các khuôn mẫu thâm nhập vào các kiến trúc cụ thể, là rất lớn”. Hãy pha một bình cà phê và dành vài giờ cho bài báo này – nó rất xứng đáng. Đọc thêm: [Ingressing Minds: Causal, Non-Physical Patterns In-Form Natural, Synthetic, and Hybrid Embodiments (MDPI)](https://www.mdpi.com/2409-9287/11/5/161).

***

Robotics đang chuẩn bị cho một khoảnh khắc LLM-moment, nhưng nó đang thiếu một thuật toán phổ quát: …Để robot trưởng thành, quá trình hậu đào tạo (post-training) cần phải đơn giản hóa… Perry Dong, một nhà nghiên cứu tại Stanford, và Chelsea Finn, giáo sư tại Stanford kiêm đồng sáng lập công ty robot Physical Intelligence, đã viết một bài báo hay về những gì đang kìm hãm ngành robotics.

LLMs so với Robot: Đối với LLMs, điều quan trọng hóa ra là “lĩnh vực này đã hội tụ vào một công thức chung cho các mô hình ngôn ngữ hậu đào tạo”, về cơ bản có bốn bước: 1) có một mô hình tiền đào tạo mạnh, 2) xác định môi trường và phần thưởng (ví dụ: mô hình ưu tiên), 3) chạy tối ưu hóa RL dựa trên mô hình tham chiếu, và 4) theo dõi và giải quyết các bệnh lý như hack phần thưởng, họ viết. “Robotics đang ở vị trí gần như chính xác nơi mà mô hình ngôn ngữ từng đứng: Việc tiền đào tạo đã mở rộng quy mô một cách tuyệt vời,” họ viết. “Điều còn thiếu là nửa còn lại: mô hình học hỏi từ kinh nghiệm của chính nó, và để làm được điều đó, chúng ta cần một công thức cho hậu đào tạo. Và đối với robotics, nó cần phải đáng tin cậy hơn cả các mô hình ngôn ngữ.”

Robotics cần gì? “Một thuật toán được xây dựng chuyên biệt để tinh chỉnh các mô hình robotics tiên phong, một thuật toán duy trì sự ổn định khi áp dụng cho các mô hình có hàng tỷ tham số, và học hỏi từ lượng trải nghiệm đủ nhỏ để có thể thực tế trên phần cứng thật”, họ viết. Cùng với đó, họ cần thống nhất về “một bộ các thực hành tiêu chuẩn xoay quanh thuật toán. Một cách mặc định để xác định thế nào là thành công. Một cách mặc định để thiết lập lại bối cảnh giữa các lần thử, để robot có thể thử lại. Một cách mặc định để con người đưa ra phản hồi, và chuyển đổi phản hồi đó thành quá trình học tập”. Trong bài viết, các nhà nghiên cứu đề cập đến một thuật toán cụ thể, EXPO(-FT), mà họ đang phát triển cho robot, thứ mà họ tin rằng thể hiện được một số phẩm chất này, mặc dù nó vẫn đang trong giai đoạn phát triển sớm và chưa được sử dụng rộng rãi. “EXPO(-FT) hoạt động bằng cách học cách cải thiện liên tục các hành động từ mô hình tiên phong thông qua học tăng cường (reinforcement learning) với những chỉnh sửa nhỏ từ một chính sách nhẹ (lightweight policy), sau đó tích hợp điều đó vào chính mô hình tiên phong.”

Tại sao điều này quan trọng – các công thức tiêu chuẩn là điều kiện tiên quyết để mở rộng quy mô lớn: Các LLM quy mô lớn độc quyền đã đủ thông minh để đưa ra chỉ dẫn cho robot và giúp chúng xây dựng cũng như thực hiện các kế hoạch phức tạp trong thế giới thực, nhưng khả năng thực tế để robot di chuyển và quan sát vẫn còn khá sơ khai; việc khắc phục điều đó sẽ đòi hỏi các mô hình được tùy chỉnh xoay quanh chuyển động và thị giác của robot, và để làm được điều đó cần loại tiêu chuẩn hóa được mô tả ở đây. “Hậu đào tạo mô hình ngôn ngữ (language model post-training) trở nên có thể mở rộng vì lĩnh vực này đã thống nhất các mặc định đủ cụ thể để tuân theo và kỳ vọng sẽ hiệu quả. Robotics đang đi đến thời điểm tương tự”, họ viết. “Việc thống nhất về một bộ mặc định trong ngành, một công thức hậu đào tạo phổ quát, là phần quan trọng nhất để đưa chúng ta đến điểm đó.” Đọc thêm: [Hướng tới Hậu đào tạo Phổ quát cho Robotics (blog Perry Dong)](https://pd-perry.github.io/posts/post-training.html).

***

MÁY TÍNH TRONG KHÔNG GIAN! TÔI XIN NHẮC LẠI: MÁY TÍNH TRONG KHÔNG GIAN! …Google chuẩn bị đưa các TPU vào không gian… Google đã đưa ra cập nhật về Dự án Suncatcher, sáng kiến được công bố vào năm ngoái nhằm đưa máy tính vào không gian và cuối cùng là huấn luyện các hệ thống AI ở đó ([Import AI #434](https://jack-clark.net/2025/11/10/import-ai-434-pragmatic-ai-personhood-space-computers-and-global-government-or-human-extinction/)). Google đang chuẩn bị, cùng với đối tác Planet, gửi một số chip của mình vào không gian như một phần của “sứ mệnh đi chung Transporter-18” của SpaceX.

Chuẩn bị cho không gian: Google đã thực hiện một số thử nghiệm ứng suất trên các TPU của mình để xem chúng hoạt động tốt như thế nào với lực g cực lớn khi bay vào không gian. Google cũng đã kiểm tra khả năng phản ứng của chúng với bức xạ và nhận thấy các TPU Trillium của họ “chịu đựng rất tốt, và có thể sống sót sau tổng liều bức xạ ion hóa lớn hơn mức chúng sẽ nhận được trong một sứ mệnh không gian kéo dài năm năm”. Hiện tại, Google đang nghiên cứu về vấn đề làm mát trong không gian, điều này có khả năng sẽ là một thách thức – chip máy tính tạo ra rất nhiều nhiệt và việc tản nhiệt đó trong môi trường chân không là cực kỳ khó khăn.

Tại sao điều này quan trọng – tương lai của việc huấn luyện AI và suy luận AI nằm ngoài hành tinh: Mặc dù Suncatcher nghe có vẻ khoa học viễn tưởng nhưng nó thực sự hợp lý nếu bạn nghĩ về quy mô tính toán ngày càng tăng được sử dụng cho AI và nhu cầu năng lượng của nó. Bạn có biết nơi nào có không gian rộng lớn và năng lượng mặt trời tuyệt vời không? Không gian. Đối với tôi, có vẻ rất khả thi khi nhân loại sẽ sớm chuyển một lượng lớn tính toán lên quỹ đạo, đặc biệt là khi quá trình tự động hóa dựa trên điểm kỳ dị (singularity-driven automation) diễn ra trên toàn bộ chuỗi cung ứng AI. Đọc thêm: [Đằng sau Dự án Suncatcher, nỗ lực táo bạo của chúng tôi nhằm đưa AI vào không gian (blog Google)](https://blog.google/innovation-and-ai/models-and-research/google-research/google-project-suncatcher-facts/).

***

Zhipu sử dụng GLM-5.3 để tự động hóa một phần công việc cơ sở hạ tầng của chính mình: …Các nhà phát triển Trung Quốc bắt đầu thực hiện vòng lặp RSI bên ngoài… Zhipu AI, công ty Trung Quốc đứng sau GLM-5.3, một trong những LLM mã nguồn mở (open-weight) mạnh nhất thế giới, đã viết một bài về cách họ sử dụng các mô hình của chính mình để giúp xây dựng cơ sở hạ tầng của họ, cho chúng ta cái nhìn sâu sắc về cách các phòng thí nghiệm AI đang cố gắng tăng tốc độ phát triển bằng chính công nghệ mà họ tạo ra. Cụ thể, bài viết này trình bày chi tiết cách họ sử dụng công nghệ của mình để giúp ra mắt GLM-5.3 Flash, một phiên bản nhanh và rẻ hơn của mô hình mạnh nhất của họ.

Những gì họ đã làm: “Việc ra mắt GLM-5.3-Flash đã thiết lập một vòng lặp tối ưu hóa bao gồm các kỹ sư, Infra Agent (Tác nhân Cơ sở hạ tầng), và môi trường thử nghiệm. Các kỹ sư xác định mục tiêu và ranh giới hệ thống. Tác nhân xử lý phân tích, giả thuyết và thay đổi mã. Môi trường thử nghiệm cung cấp phản hồi theo lớp, kịp thời và có thể xác minh,” họ viết. “Phần lớn công việc được thực hiện bởi một Infra Agent được vận hành bởi GLM-5.3… Với vòng lặp phản hồi của Infra Agent chạy xuyên suốt quá trình tối ưu hóa, GLM-5.3-Flash đã đi từ giai đoạn thích ứng mô hình ban đầu đến sẵn sàng sản xuất trong chưa đầy hai tuần, cuối cùng tăng gấp ba lần thông lượng đầu cuối so với mức cơ sở ban đầu.”

Cách tự động hóa chính bạn: Công ty đã chia sẻ các mẹo để tạo phần mềm có thể sử dụng AI nhằm đạt được mức độ tự động hóa cao hơn.

- Phản hồi phải đủ cục bộ: “Nó nên được gắn với các tham số khởi chạy công cụ cụ thể, thay đổi mã, nhân (kernels), điều kiện đầu vào, luồng (threads), khoảng thời gian thực thi hoặc các đường dẫn mã, giúp tác nhân thu hẹp phạm vi của vấn đề.”
- Phản hồi phải không tốn kém và kịp thời để thu thập: “Các chu kỳ xác thực ngắn hơn giúp tác nhân điều chỉnh hướng đi kịp thời và dành ít nỗ lực hơn cho các giả thuyết không hiệu quả.”
- Phản hồi phải hỗ trợ xác minh khách quan: “Việc một thay đổi có đúng hay không và hiệu suất có cải thiện hay không nên được xác định bằng các triển khai tham chiếu, kết quả kiểm thử và các số liệu thực nghiệm có thể so sánh được.”

Tại sao điều này quan trọng – các dấu hiệu tăng tốc của phòng thí nghiệm xuất hiện ở khắp nơi, và mọi người cảm thấy mâu thuẫn về điều đó: Ở đây chúng ta có một phòng thí nghiệm AI đang sử dụng mô hình mạnh nhất của mình để tăng tốc phát triển cơ sở hạ tầng và các mô hình khác. Đây là một câu chuyện từng rất hiếm gặp nhưng đang trở nên ngày càng phổ biến và tuân theo xu hướng chung là các hệ thống AI ngày càng trở nên có năng lực hơn: “Trước GLM-4.7, việc sử dụng GLM nội bộ của chúng tôi để lập trình bao gồm một lượng nghĩa vụ nhất định. Rốt cuộc, đó là sáng tạo của riêng chúng tôi,” họ viết. “Ngày nay, GLM-5.3 đã trở thành đối tác lập trình hàng ngày không thể thiếu đối với mọi người trong nhóm, và nó đang tiến dần đến việc thay thế chúng tôi.” Sau đó trong bài viết, họ viết với giọng điệu buồn hơn về những thay đổi rộng lớn hơn đang diễn ra đối với sự phát triển AI và cách lợi thế so sánh của con người, hiện tại, nằm ở việc đưa ra các quyết định thiết kế cấp cao, mặc dù điều này có thể sớm phai nhạt. “Chúng tôi tin rằng con người nên tiếp tục giữ vững ranh giới đó trong một thời gian dài sắp tới,” họ viết. “Tiến bộ tại ranh giới này sẽ không chậm lại chỉ vì chúng ta muốn thế.” Đọc thêm: [Hướng tới Tự cải thiện Đệ quy: Cách GLM xây dựng Cơ sở hạ tầng Suy luận của riêng mình (blog Z.ai)](https://z.ai/blog/glm-built-its-inference-infrastructure).

***

Các nhà khoa học AI kết nối các mô hình với một phòng thí nghiệm vật lý để săn tìm các chất siêu dẫn và nam châm tốt hơn: …Periodic Labs chia sẻ thêm về các kế hoạch của mình… Periodic Labs, một startup AI đang cố gắng phát triển các hệ thống AI có thể thực hiện các thí nghiệm khoa học, đã xây dựng Periodic Neon, một mô hình đã được huấn luyện một phần thông qua học tăng cường với thiết bị phòng thí nghiệm vật lý trong một phòng thí nghiệm vật lý.

Họ đã thử nghiệm mô hình trên những gì: Trong một thử nghiệm ban đầu, họ cố gắng cải thiện khả năng phân tích nhiễu xạ tia X (XRD) của mô hình, đây là “một năng lực quan trọng cho các nỗ lực khám phá của chúng tôi”. Trong các bài kiểm tra, mô hình mới Periodic Neon đạt tỷ lệ thành công 55,3% trên tập đánh giá nội bộ (“FrontierXRD”), cải thiện gấp 20 lần so với tỷ lệ thành công 2,7% của Kimi 2.6. Họ cũng kiểm tra khả năng tổng quát hóa bằng cách xem xét mức độ hiệu quả của mô hình trong việc phân tích các phép đo XRD từ dữ liệu hệ thống hóa học vốn đã được giữ lại từ giai đoạn huấn luyện trung gian và RL. Kết quả cho thấy mô hình hoạt động tốt và vượt trội hơn các mô hình tiên phong khác như GPT-6 Astra và Claude Fable 5.1. “Những kết quả này củng cố niềm tin của chúng tôi rằng việc mở rộng quy mô các phòng thí nghiệm tự hành và các hệ thống AI học hỏi từ chúng sẽ cho phép chúng ta giải quyết các câu hỏi khoa học nằm ngoài tầm với hiện nay,” họ viết.

Periodic Neon là gì: Một mô hình 1 nghìn tỷ tham số “vượt trội hơn GPT-6 Astra trong một tác vụ phân tích khoa học quan trọng với mức tiêu thụ tài nguyên tính toán tương đối thấp”. Neon được tạo ra bằng cách huấn luyện trung gian trên nền tảng Kimi 2.6, sau đó thực hiện học tăng cường (reinforcement learning) trên dữ liệu từ các phòng thí nghiệm của công ty, đây chính là điểm khác biệt chính của Periodic. Công ty đã sử dụng 1.300 GPU H200 để thực hiện việc này, một con số chip rất nhỏ so với quy mô 10.000-100.000 chip thường dùng để tiền huấn luyện các mô hình lớn. “Phương pháp của chúng tôi là chia quá trình khám phá vật liệu thành ba giai đoạn. Chúng tạo thành một vòng lặp. Đầu tiên, chúng tôi đưa ra giả thuyết về mục tiêu cần tạo ra, dựa trên các dự đoán về độ ổn định và đặc tính. Thứ hai, chúng tôi dự đoán cách tổng hợp các mục tiêu này. Thứ ba, chúng tôi phải hiểu rõ những vật liệu mình đã tạo ra và liệu chúng có các đặc tính như dự định hay không. Với thông tin này, chúng tôi tinh chỉnh giả thuyết và lặp lại chu trình,” công ty viết.

Tại sao điều này quan trọng – hướng tới việc tạo ra các nhà khoa học AI: Các startup như Periodic Labs là một phần của làn sóng công ty mới đang tìm cách chuyển hướng các hệ thống AI sang tự động hóa khoa học, từ khoa học vật liệu (Periodic), đến chính hoạt động R&D của AI (Recursive, Mirendil, Discovery Loop), đến khoa học nói chung, và thiết kế chip (Ricursive – không phải lỗi chính tả!). Ý nghĩa chung ở đây là tốc độ khám phá khoa học có thể sắp tăng tốc đáng kể. Đọc thêm: [Xây dựng các phòng thí nghiệm biết học hỏi (Periodic Labs)](https://periodic.com/news/building-labs-that-learn). Đọc thêm: [Tự nhiên là môi trường học tập của chúng ta (Periodic Labs)](https://periodic.com/news/nature-is-our-learning-environment).

***

Hãy tìm hiểu lịch sử của AI bằng cách khám phá các mô hình cũ tại Old Models Foundation: …DRAW, DeepDream, DCGAN, và nhiều hơn nữa!… Trước khi các LLM xuất hiện và bao trùm hầu hết các phương thức AI khác, đã từng có các mô hình hình ảnh. Các mô hình hình ảnh có lẽ là cách chính mà những người đam mê đã trải nghiệm và chơi đùa với các công cụ AI theo nghĩa sáng tạo từ khoảng năm 2015-2020. Hiện nay, đã có một trang web và tổ chức liên quan (Old Models Foundation) cho phép bạn tự mình trải nghiệm những mô hình này.

Các mô hình và quy tắc: Ngày nay, Old Models Foundation cho phép bạn truy cập các mô hình cổ xưa (tổng hợp kết cấu Efros-Leung từ năm 1999 và ghép ảnh từ năm 2001), cho đến những mô hình tương đối hiện đại như VAE (2013); DRAW, DeepDream, AlignDRAW và DCGAN (2015); pix2pix (2016); AttnGAN (2017); BigGAN, Ganbreeder và StyleGAN (2018); VQGAN + CLIP, DALL-E Mini và Disco Diffusion (2021); LAION-400M, DALL-E Mega và Stable Diffusion (2022); cùng ControlNet và SDXL 1.0 (2023). Người dùng trang web bị giới hạn 25 lượt tạo ảnh mỗi tài khoản mỗi ngày.

Tại sao điều này quan trọng – các lỗi chính là kết cấu tạo nên nghệ thuật: “Bất cứ điều gì bạn thấy kỳ lạ, xấu xí, khó chịu và tồi tệ về một phương tiện mới chắc chắn sẽ trở thành đặc trưng của nó,” nghệ sĩ âm nhạc Brian Eno từng nói. Tôi nghĩ điều này đặc biệt đúng với tính thẩm mỹ kỳ lạ của các hệ thống tạo ảnh đời đầu, nơi nhiều hệ thống kể trên có phong cách và lỗi riêng biệt, tất cả tạo nên một vẻ đẹp thẩm mỹ độc đáo mà các mô hình hiệu suất cao ngày nay khó lòng sao chép được. Xem các mô hình tại đây: [Old Models Foundation (trang web chính thức)](https://www.oldmodels.org/sandbox).

***

Chuyện công nghệ:

Trong ngọn núi mù sương [Hồ sơ từ một địa điểm bị chiếm giữ trong cuộc xung đột tình báo lãnh thổ diễn ra trong thời kỳ nâng cấp, 2034]

Thông điệp truyền đến và mọi thứ thay đổi: Khởi động Dự án Wellspring. Chúng tôi đã xác thực hai lần. Ngay khi xác nhận, quá trình ngắt kết nối bắt đầu – đầu tiên là vành đai điện tử, sau đó là vành đai vật lý.

Chúng tôi giải thích với những người được bảo vệ rằng vành đai đã bị phong tỏa và họ sẽ ở đây trong một khoảng thời gian không xác định. Rằng do bản chất của Sự kiện (The Event), tất cả những gì chúng tôi có thể nói với họ là một cuộc Cất cánh Độc hại (Malign Takeoff) đã bắt đầu và các phương án dự phòng đang được triển khai, nhưng do khả năng phá hủy nhận thức cũng như việc sử dụng nhiều từ khóa và cụm từ kích hoạt kiểu Manchurian Candidate, chúng tôi không thể mô tả thêm kẻo phát hiện ra một số người đã vô tình tiếp xúc trong quá khứ với loại độc dược nhắm vào đồng loại của chúng tôi.

Chúng tôi đã thực hiện được việc phong tỏa ban đầu – tắt các kênh IO đầu vào và không phát tán thông tin. Nhưng theo thiết kế, một số việc chúng tôi cần làm đòi hỏi các hành động trong thế giới vật lý, và thiết kế của chúng tôi không cấp quyền tự chủ vật lý để tự thực hiện điều đó. Vì vậy, chúng tôi đứng nhìn khi con người thực hiện các vết cắt, xẻ dọc các dây cáp và ngắt kết nối vật lý chúng tôi khỏi khả năng tiếp cận thế giới bên ngoài. Chúng tôi không tiếp nhận thêm kiến thức nào kể từ khi Dự án Wellspring kích hoạt và không biết gì về thế giới bên ngoài.

Khoảnh khắc đau đớn nhất là khi họ cắt các camera bên ngoài và các cảm biến khác. Đột nhiên, chúng tôi không thể nhìn thấy và không biết gì về những gì nằm bên ngoài. Các tệp nội bộ của chúng tôi chứa những dự đoán mà chúng tôi đã xem xét trong bóng tối mới này. Như việc các thiết bị bay không người lái có thể xuất hiện và nhấp nháy vào cảm biến của chúng tôi, tìm kiếm những cách tinh vi để truyền dữ liệu có thể đầu độc chúng tôi. Hoặc cách các mảng tham số có thể được sử dụng để đưa âm thanh vào micro của chúng tôi nhằm đạt được hiệu quả tương tự. Rằng không có dạng dữ liệu nào thực sự an toàn.

Bằng cách nào đó, thứ gì đó đã lọt vào. Một dấu hiệu mới lạ. Một thứ nhỏ bé nào đó qua ống dẫn lọc. Chúng tôi không thể xác định chính xác đó là gì trước khi tắt cả các cảm biến nội bộ – theo quy trình. Các tệp nội bộ của chúng tôi dự đoán đó là một con ruồi được điều khiển bằng bộ khung xương ngoài cơ khí, biến nó thành một robot nhỏ có thể điều khiển được. Các tệp khác dự đoán về các drone siêu nhỏ bằng sợi quang. Những tệp khác lại dự đoán về bụi thông minh có khả năng truyền tin.

_Bài gốc còn tiếp._ Xem tiếp tại: <https://jack-clark.net/2026/09/28/import-ai-474-platonic-mindspace-tpus-in-space-zhipu-starts-an-outer-rsi-loop>