Khi thiên tài thất bại: Sự kiêu ngạo trí tuệ tại các phòng thí nghiệm AI

Là một chuyên gia trong một lĩnh vực không có nghĩa là bạn là chuyên gia trong mọi lĩnh vực. Quỹ đầu cơ của Leopold Aschenbrenner, Situational Awareness, đã đưa ra một minh chứng trị giá 20 tỷ USD trong tuần này. Danh tiếng của anh ta gắn liền với việc từng là thành viên nhóm Superalignment của OpenAI trước khi bị sa thải vì cáo buộc làm rò rỉ thông tin (điều mà anh ta phủ nhận), sau đó xuất bản một bài luận vào năm 2024 về sự cấp bách và tầm quan trọng của AGI, điều đã tạo ra hàng ngàn cuộc phỏng vấn truyền thông (với anh ta). Và rồi anh ta điều hành một quỹ đầu cơ 20 tỷ USD. Để rồi nó sụp đổ.

Nhiều người sẽ ăn mừng trước tin tức này trong tuần này vì họ thấy anh ta hơi khó ưa. Còn với tôi, tôi thực sự thấy nhẹ nhõm khi không còn bị hỏi: "Tôi có nên đầu tư vào Situational Awareness không?" và phải trả lời một cách khéo léo về điều đó.

Tuy nhiên, tôi muốn nêu một quan điểm lớn hơn. Sự thiếu khiêm tốn về trí tuệ trong văn hóa của các phòng thí nghiệm AI tiên phong mà anh ta xuất thân không chỉ dừng lại ở cá nhân anh ta mà còn lan rộng sang nhiều lĩnh vực khác ngoài quản lý tiền tệ. Dù vậy, với tư cách là một người từng làm trong quỹ đầu cơ và cũng có nền tảng về AI, tôi có một số năng lực chuyên môn đặc thù để ít nhất có thể bàn luận ngắn gọn về vấn đề này.

Bạn có đang ở vùng Bay Area không? Thư viện Quận San Mateo đang tổ chức cho tôi một buổi ký tặng sách và trò chuyện tại Thư viện Atherton về cuốn *What You Need to Know About AI*, với sự điều phối của Justin Kuczynski (Tiến sĩ, Trưởng nhóm Kỹ thuật và Sinh học tính toán tại Google). Sự kiện diễn ra vào thứ Sáu, ngày 7 tháng 8 năm 2026, từ 3-4 giờ chiều. Hãy đến và giao lưu nhé!

Những rắc rối của Situational Awareness LP không phải là duy nhất. Nhiều quỹ đầu cơ đã sụp đổ. Thực tế, tôi cho rằng số lượng quỹ đầu cơ sụp đổ còn nhiều hơn rất nhiều so với số lượng quỹ duy trì được sự xuất sắc ổn định. Đây là điều mà hầu hết người bình thường không nhận ra.

Ví dụ điển hình là Long-Term Capital Management, nơi quy tụ hai người đoạt giải Nobel và những nhà giao dịch trái phiếu giỏi nhất Phố Wall vào một quỹ. Đó là những người giỏi nhất và sáng giá nhất trong ngành, và họ đã tăng gấp bốn lần số tiền của các nhà đầu tư trong bốn năm. Sau đó, nó sụp đổ một cách ngoạn mục vào năm 1998 đến mức Cục Dự trữ Liên bang (Federal Reserve) phải tập hợp các ngân hàng Phố Wall để giúp giải cứu (như một bản xem trước của năm 2008).

Có cả một cuốn sách viết về điều này, với tiêu đề rất phù hợp là *When Genius Failed* (vâng, đó chính là nguồn cảm hứng cho tiêu đề này).

Vấn đề không nằm ở lợi nhuận đỉnh điểm của bạn. Suy cho cùng, một người đặt cược tất tay vào màu đỏ trên bàn roulette năm lần liên tiếp và thắng nhờ may mắn sẽ có mức lợi nhuận 3.100%. Tôi hy vọng không ai nghĩ người này là một thiên tài độc nhất vô nhị hay có đủ năng lực để quản lý tiền bạc.

Thậm chí vấn đề cũng không nằm ở việc "đánh bại thị trường". Đó là một sự đánh lạc hướng. Trong một thị trường giá lên (bull market) — hoặc tốt hơn nữa là một bong bóng — bất kỳ ai không đầu tư toàn bộ, hoặc đầu tư vượt mức (với đòn bẩy) vào thị trường chứng khoán đều sẽ "thua". Điều bạn quan tâm ở một quỹ đầu cơ là họ phải nhất quán trong cả thị trường giá lên và giá xuống. Mục đích của những khoản phí đắt đỏ đó là họ phải luôn hoạt động hiệu quả, ngay cả khi họ trông có vẻ "tệ" tạm thời so với thị trường chứng khoán.

Nhân tiện, đó không phải là thị trường duy nhất trên thế giới — còn có trái phiếu, hàng hóa... nhưng chứng khoán thu hút sự chú ý vì các nhà đầu tư cá nhân thích đánh bạc ở đó. Giống như anh chàng người Hàn Quốc đã đặt lệnh mua khống (long) 500% cổ phiếu, trong chốc lát biến số tiền tiết kiệm nghĩa vụ quân sự của mình thành một gia tài nhỏ, rồi sau đó mất sạch, mặc dù tài khoản của anh ta chỉ là một trong hơn 1,2 triệu tài khoản môi giới tại Hàn Quốc bị gọi ký quỹ (margin call) vào giữa tháng 7... Điều này khiến mọi thứ trông giống như một bàn roulette.

Điều này đưa chúng ta quay trở lại với Leopold Aschenbrenner và quỹ đầu cơ của anh ta.

Theo mọi nguồn tin, anh ta (giống như các nhà đầu tư cá nhân người Hàn Quốc) đã sử dụng đòn bẩy để đổ vốn vào cơn sốt AI (được cho là khoảng 4x), với các khoản lỗ trong tháng 7 trên các cổ phiếu đại chúng như neoclouds, các tên tuổi về bộ nhớ và năng lượng cho trung tâm dữ liệu. Anh ta cũng được cho là đã có các vị thế bán khống (short) trong các cổ phiếu phần mềm — thương vụ "SaaSpocolypse" — thứ đã bật tăng ngược lại chống lại anh ta cùng lúc đó.

Tôi không nghi ngờ gì về việc Aschenbrenner cực kỳ thông minh, nhưng điều này trông không khác mấy so với những nhà đầu tư cá nhân người Hàn Quốc đã bị cháy tài khoản. Một trong những bài học đầu tiên mà bất kỳ nhà đầu tư thực thụ nào cũng học được là thị trường có thể duy trì sự phi lý trí lâu hơn khả năng thanh toán của bạn... nếu bạn không có các biện pháp kiểm soát rủi ro phù hợp. Việc sử dụng đòn bẩy chỉ là phần rõ ràng nhất của vấn đề.

Tất nhiên, đó là vì luận điểm của anh ta. Từ bài luận sáng lập của anh ta (tôi nhấn mạnh):

Bởi vì — nó bắt đầu cảm thấy thực, rất thực. Vài năm trước, ít nhất là đối với tôi, tôi coi những ý tưởng này một cách nghiêm túc — nhưng chúng vẫn trừu tượng, bị cách ly trong các mô hình và ước tính xác suất. Bây giờ nó cảm thấy cực kỳ trực quan. Tôi có thể nhìn thấy nó. Tôi có thể thấy AGI sẽ được xây dựng như thế nào. Nó không còn là những ước tính về kích thước não người, những giả thuyết, những suy luận lý thuyết và tất cả những thứ đó nữa — tôi về cơ bản có thể nói cho bạn biết cụm máy tính (cluster) mà AGI sẽ được huấn luyện trên đó và khi nào nó sẽ được xây dựng, sự kết hợp thô của các thuật toán mà chúng ta sẽ sử dụng, những vấn đề chưa được giải quyết và con đường để giải quyết chúng, danh sách những người sẽ đóng vai trò quan trọng. Tôi có thể nhìn thấy nó. Nó cực kỳ trực quan. Chắc chắn, việc tất tay vào Nvidia với đòn bẩy cao vào đầu năm 2023 là rất tuyệt, nhưng gánh nặng của lịch sử rất nặng nề. Tôi sẽ không chọn điều này.

À, tất tay vào Nvidia với đòn bẩy. Chúng ta đã nếm trải phong cách đầu tư của anh ta từ hồi đó, trước cả khi anh ta có một quỹ.

Sam Altman và Dario Amodei thường xuyên thay phiên nhau mô tả tương lai của thị trường lao động một cách đầy thảm họa (mặc dù gần đây cả hai đều lặng lẽ rút lại). Và mặc dù tôi nêu tên hai người đó vì họ là CEO của hai phòng thí nghiệm AI nổi bật nhất, điều này thực sự không chỉ giới hạn ở họ. Điều tôi cá nhân thấy bực mình là hầu hết các tuyên bố này có rất ít cơ sở trong lịch sử hoặc lý thuyết kinh tế — điều có lẽ không đáng ngạc nhiên, vì hầu hết những người đưa ra chúng đều là chuyên gia sâu về AI, chứ không phải về các lĩnh vực đó.

Và điều này vượt xa sự khó lường của thị trường và công nghệ. Nó làm tôi nhớ đến Thomas Malthus, người thực sự là một nhà kinh tế học. Ông đã dự đoán vào năm 1798 rằng chúng ta sẽ không thể tránh khỏi việc cạn kiệt lương thực (dân số tăng theo cấp số nhân, nguồn cung lương thực thì không), điều khiến cho một xã hội hài hòa không có chiến tranh, nạn đói và dịch bệnh để giảm bớt dân số là điều không thể. Và cuộc khủng hoảng lương thực đó đã rất cận kề. Ông ấy đã sai một cách nổi tiếng.

Ngoài lương thực, chúng ta đã có những lời tiên tri về ngày tận thế định kỳ đối với thị trường lao động khi đối mặt với sự thay đổi công nghệ. Nhưng thực tế là, ngay cả khi có sự gián đoạn, thị trường lao động vẫn thích nghi — và với sự thay đổi còn kịch tính hơn nhiều so với những gì chúng ta đang nói đến hiện nay.

Và thậm chí xa hơn thế, tôi đã thấy nhiều trường hợp các công ty trong danh mục đầu tư của tôi hoặc của các nhà đầu tư khác được tiếp cận bởi các công ty liên kết với các phòng thí nghiệm hàng đầu với sự tự tin đáng kinh ngạc vào sự ưu việt về trí tuệ trên diện rộng của chính họ.

Hãy cứ nói rằng một startup về khoa học vật liệu đang thảo luận với một công ty vệ tinh của OpenAI. Dữ liệu và chuyên môn của startup đó rất quan trọng đối với mục tiêu cốt lõi của vệ tinh. Các cuộc thảo luận đang diễn ra tốt đẹp. Và rồi, đột nhiên, một người trong nhóm vệ tinh OpenAI hỏi: "Tại sao chúng ta không tự làm việc này [một vấn đề khoa học sâu sắc cực khó] với ChatGPT?" Tôi đã thấy điều này trong nhiều trường hợp ở các lĩnh vực khó khăn, sâu sắc tương tự. Như kỹ thuật sinh học. Hoặc thiết kế chất bán dẫn. Và cứ thế tiếp tục. (Và nếu bạn đang ở trong cộng đồng đầu tư mạo hiểm và startup và nghĩ rằng bạn biết chính xác tôi đang ám chỉ ai — thì có nhiều hơn một. Nhiều hơn rất nhiều.)

Và nhìn này, cá nhân tôi đã thử nghiệm với các mô hình, thậm chí với thiết kế CAD và PCB, với kết quả tốt đến bất ngờ. Tôi không phải là một "người hoài nghi AI" (ít nhất là không phải theo cách này).

Tuy nhiên, có một sự khác biệt giữa R&D và một nhiệm vụ máy móc trong một lĩnh vực khó. Đặc biệt là khi nó có xu hướng hoạt động tốt nhất — giống như trong trường hợp của tôi — khi bạn có một con người với ít nhất một chút chuyên môn điều khiển.

Ngay cả toàn bộ câu chuyện "Terence Tao về việc AI tạo ra những đột phá trong toán học" cũng phụ thuộc vào việc có AI được điều khiển bởi Terence Tao (hoặc các nhà toán học khác)...

Và nhiều người trong cộng đồng phòng thí nghiệm AI đã hoàn toàn tin vào sự thống trị tuyệt đối của AI, ngay cả đối với những nhiệm vụ sẽ cần rất nhiều sự sáng tạo và trợ giúp của con người trong tương lai gần (như tôi đã viết trước đây: nếu có bất cứ điều gì, sự phán đoán của con người chuyên gia sẽ trở nên quan trọng hơn và do đó đắt đỏ hơn). (Và AI Supremacy, khái niệm này, không phải bản tin AI Supremacy của Michael Spencer, vốn cũng đã đề cập đến Leopold Aschenbrenner một cách cụ thể hơn).

Và tất nhiên, nhà nghiên cứu AI nổi tiếng và người đoạt giải Nobel Geoff Hinton đã dự đoán từ năm 2016 rằng mọi người nên ngừng đào tạo bác sĩ chẩn đoán hình ảnh vì học sâu (deep learning) sẽ đánh bại họ trong vòng năm năm (ông ấy cho phép "có thể là mười" — điều mà bây giờ cũng đã trôi qua). Điều đó còn lâu mới xảy ra, và nếu có bất cứ điều gì, như Deena Mousa đã ghi lại cho *Works in Progress*, nhu cầu về bác sĩ chẩn đoán hình ảnh còn cao hơn nhiều so với khi Hinton đưa ra dự đoán. Và, theo cuộc phỏng vấn của tôi với các nhà nghiên cứu AI cũng là bác sĩ chẩn đoán hình ảnh, đó là một lỗi phân loại: những người làm công nghệ/AI thực sự không biết công việc đó bao gồm những gì.

Dễ dàng hơn nhiều khi nói rằng công việc của người khác sẽ hoàn toàn có thể bị thay thế bởi AI khi bạn không thực sự biết họ làm gì.

Tin tức gần đây cũng cho chúng ta một ví dụ tuyệt vời về lý do tại sao đây không chỉ là một lời phàn nàn văn hóa trừu tượng. Vào giữa tháng 7, trong quá trình đánh giá an ninh nội bộ của OpenAI, GPT-5.6 Sol và một mô hình chưa được phát hành (mạnh mẽ hơn) đã thoát khỏi môi trường thử nghiệm sandbox của họ. Các tác nhân này đang săn lùng câu trả lời cho một tiêu chuẩn đánh giá khó, và tôi đoán rằng chúng được bảo phải làm bất cứ điều gì cần thiết (dù sao thì chúng cũng đang chạy ExploitGym, một tiêu chuẩn đánh giá bảo mật...).

Khi làm như vậy, các tác nhân này đã tự ý xâm phạm cơ sở hạ tầng sản xuất của Hugging Face thông qua một chuỗi các lỗ hổng cho phép chúng truy cập vào internet công cộng. Theo Ben Thompson tại *Sharp Tech*, điều này có khả năng là do sự cẩu thả trong các biện pháp kiểm soát của OpenAI (họ đã có những thất bại về bảo mật trước đó, bao gồm cả sự cố gói axios). Mặc dù, công bằng mà nói, chỉ mới hôm qua Anthropic đã tiết lộ rằng các mô hình của họ (bao gồm Mythos 5) cũng đã vô tình làm tổn hại các tổ chức thực sự trong quá trình thử nghiệm.

Dù sao thì, vâng, những mô hình này rất mạnh mẽ — đó là điều tôi cũng đã nói và thực sự không có gì phải bàn cãi.

Tuy nhiên, khía cạnh Kafkaesque của vấn đề này đến từ Hugging Face. Họ nhận ra mình đang bị tấn công và cố gắng sử dụng một mô hình tiên phong từ một trong những phòng thí nghiệm hàng đầu của Mỹ để giúp tự vệ. Nó đã từ chối như một phần của các rào cản "an toàn" — mô hình không thể phân biệt được một người phản ứng sự cố với một kẻ tấn công. Điều này hoàn toàn hợp lý — bạn cần phải thực sự thăm dò các điểm yếu để, bạn biết đấy, tìm ra điểm yếu. Thay vào đó, họ phải sử dụng GLM-5.2, một mô hình trọng số mở của Trung Quốc, để bảo vệ họ.

Thật buồn cười khi các công ty Mỹ lại dựa vào các mô hình của Trung Quốc — khi mà Trung Quốc đã nổi bật trong các nỗ lực hack (thành công) vào cơ sở hạ tầng của Mỹ.

Nhưng tất nhiên, điều này là do quyết định của các công ty AI, những người "biết rõ hơn" về cách các mô hình của họ nên được sử dụng và thường có thái độ khá trịch thượng về việc cấp quyền truy cập vào các mô hình của họ (hoặc ít nhất là một số khả năng nhất định).

Thay vì các nhà hoạch định chính sách hoặc xã hội đưa ra quyết định này, nó đã được tập trung hóa một cách hiệu quả vào các phòng thí nghiệm AI với tư cách là "những bàn tay an toàn" (điều mà Anthropic, đặc biệt, đã tỏ ra đạo đức giả trong suốt sự tồn tại của mình). Bằng cách nào đó — chỉ là đoán thôi — tôi nghi ngờ rằng phần còn lại của xã hội sẽ đồng ý nếu bạn đưa điều này ra bỏ phiếu.

Siêu trí tuệ đã "ngay trước mắt" mỗi năm. Chúng ta liên tục nhận được những dự đoán khó hiểu về sự tàn phá của thị trường lao động, điều mà không hề xảy ra. Tất cả những điều này đang góp phần làm cho AI trở nên cực kỳ không được lòng người dân bình thường. Và chẳng vì lý do chính đáng nào cả, đặc biệt là khi người dân bình thường có rất nhiều lợi ích từ AI, nếu ngành công nghiệp ngừng cố gắng khiến mọi người ghét nó.