AI thực sự biết suy luận hay chỉ đang 'học vẹt' bằng đường tắt?

Tôi sẽ nói thẳng thế này: Chuyện quái gì đang xảy ra với cái gọi là “lập luận” (reasoning) của AI vậy?

Xin lỗi vì dấu ngoặc kép đó. Kiểu hoài nghi bằng dấu câu này từng phổ biến hơn vào năm 2024, khi những "người anh em" được huấn luyện chuyên biệt của các mô hình ngôn ngữ lớn (LLM) – hiện được gọi là “mô hình lập luận lớn” (LRM) – vẫn còn là một khái niệm mới mẻ. Ngày nay, điều đó có vẻ khá thô lỗ, nhất là khi một “mô hình lập luận đa năng” từ OpenAI đã giải quyết được một bài toán nghiên cứu mở nổi tiếng chỉ trong một lần thử vào tháng 5 năm 2026. Tuy nhiên, tôi vẫn không chắc làm cách nào khác để diễn tả sự choáng váng về mặt trí tuệ của mình trước cách giải thích khoa học về những gì các hệ thống AI này thực sự đang làm.

Lập luận có nhiều hình thức được định nghĩa về mặt kỹ thuật, nhưng quy trình cơ bản thì rất dễ nhận biết: đi đến một kết luận hợp lý bằng cách liên kết các bước trung gian có tính logic với nhau. Chúng ta làm điều này bằng tư duy; còn các LRM sử dụng cái gọi là chuỗi suy nghĩ (chains of thought), một thuật ngữ chuyên môn chỉ các dòng văn bản tổng hợp mà mô hình tạo ra trước khi đưa ra câu trả lời cho một truy vấn phức tạp. Có lúc, ý tưởng cho rằng AI có thể lập luận thông qua các chuỗi này bị chỉ trích một cách nổi bật và đáng tin cậy (bởi một nhóm nghiên cứu từ Apple) là một “Ảo tưởng về tư duy” dễ dẫn đến “sự sụp đổ độ chính xác hoàn toàn” trong những điều kiện đơn giản đến bất ngờ. Nhưng ngay sau đó, các LRM lại giành huy chương vàng tại Olympic Toán học Quốc tế, một kỳ tích khó đến mức “ngay cả những nhà toán học và khoa học thành công nhất cũng có thể tự hào ghi vào CV của họ suốt đời”, như nhà khoa học và nhà phê bình AI Gary Marcus cùng Ernest Davis đã viết vào năm 2025. Nếu đó không phải là dấu hiệu của sự lập luận “thực sự”, thì là gì?

Nhưng khoan đã — không lâu sau đó, nhiều nghiên cứu hơn từ Viện Santa Fe cho thấy các LRM có thể dễ dàng vượt qua cả những bài kiểm tra đánh giá lập luận được thiết kế kỹ lưỡng (như tập hợp các câu đố hình ảnh dạng tương tự) chỉ bằng cách sử dụng các “lối tắt bề mặt”. Những gì chúng làm trông giống như đang "chơi chiêu" với hệ thống hơn là lập luận có tính khái quát. Sau đó, như thể đã được sắp đặt, lại có thêm một khoảnh khắc “để đó tôi lo”: Google DeepMind và nhà toán học Terence Tao (huyền thoại!) đã sử dụng AI để tìm ra hoặc cải thiện lời giải cho 67 bài toán “trải dài từ phân tích toán học, tổ hợp, hình học đến lý thuyết số”. Đối mặt với điều đó đi, những kẻ hoài nghi!

Còn về những bằng chứng bổ sung cho thấy các LRM không thể lập luận một cách đáng tin cậy, ngay cả khi chúng sở hữu thuật toán và ngân sách tính toán cần thiết, và phải chịu đựng một danh sách các trạng thái thất bại được ghi nhận khoa học dài đến mức có thể dùng làm máng trượt nước thì sao? Kệ đi — tôi đoán đó chỉ là “trí tuệ không đồng nhất” (jagged intelligence) mà thôi (thuật ngữ AI dùng để chỉ việc “khi nó hoạt động thì nó hoạt động”).

Mọi chuyện cứ thế tiếp diễn từ cuối năm 2025 sang năm 2026. Tôi đã là một nhà báo khoa học trong 20 năm và là nhà báo chuyên về AI trong một nửa thời gian đó, nên tôi đủ kinh nghiệm để không mong đợi sự nhất quán gọn gàng từ các nghiên cứu đang tiến triển nhanh chóng. Nhưng ngay cả với tôi, sự giằng co này cũng hơi quá sức. Xin mượn lời Al Pacino trong phim The Insider: “Tôi đang cảm thấy hai thứ: tức giận và tò mò”. Tôi không tin có sự gian lận ở đây. Tôi chỉ muốn biết đâu là sự thật. Liệu lập luận của AI có thể vừa là nhảm nhí (BS) vừa không phải là nhảm nhí cùng một lúc không? Và nếu có, thì điều đó diễn ra như thế nào?

Tôi biết ngay mình cần gọi cho ai đầu tiên.

Sự nghiệp của Melanie Mitchell trong lĩnh vực AI bắt đầu từ những năm 1980, nhưng gần đây bà đã tạo dựng được danh tiếng như một người nói lên sự thật về AI, viết những bài giải thích sáng tỏ cho tạp chí Science và bản tin được đọc rộng rãi của mình, cũng như thực hiện nghiên cứu tại Viện Santa Fe. (Nghiên cứu về các “lối tắt bề mặt” là của bà). Khi tôi hỏi bà những gì chúng ta thực sự biết về lập luận của AI, câu trả lời của bà ngắn gọn đến mức có thể viết vừa trên một tấm thẻ ghi chú.

“Thứ nhất: Nó hoạt động. Nó cải thiện mọi thứ”, bà nói, đề cập đến độ chính xác vượt trội của LRM trong các tác vụ lập luận so với LLM. “Thứ hai: Văn bản thực tế được tạo ra” — tức là chuỗi suy nghĩ mà mọi LRM được huấn luyện để tạo ra nhằm cải thiện hiệu suất — “không nhất thiết phản ánh trung thực những gì đang diễn ra [bên trong mô hình]. Và thứ ba: Rất nhiều văn bản đó thậm chí còn không hữu ích. Bạn thực sự có thể loại bỏ nó đi”.

Hãy cùng phân tích điểm hai và ba, vì đó chính là nơi tồn tại sự chồng chất của trạng thái “vừa nhảm nhí vừa không”. Chuỗi suy nghĩ được phát hiện và xây dựng một nửa vào năm 2022 như một thủ thuật gợi ý (prompting hack) cho các LLM: Cung cấp cho chúng các ví dụ về lập luận được viết ra (hoặc nổi tiếng nhất là chỉ cần yêu cầu chúng “suy nghĩ từng bước một”), và chúng sẽ đột nhiên đưa ra những câu trả lời bớt ngớ ngẩn hơn cho các bài toán logic và toán học đơn giản. Các LRM, bắt đầu với mô hình o1 của OpenAI vào năm 2024, được huấn luyện để tự động hóa thủ thuật này bằng cách tạo ra các gợi ý như vậy — còn được gọi là các dấu vết lập luận (reasoning traces) hoặc token suy nghĩ (thinking tokens) — rồi tự nạp lại chúng vào chính mình. Vì các LRM về cơ bản chỉ là các mô hình ngôn ngữ, những đoạn văn bản bổ sung đó tạo ra thứ trông rất thuyết phục như một dấu vết của “quá trình tư duy” của mô hình.

Chỉ là mọi chuyện không đơn giản như vậy. Một loạt các nghiên cứu từ giới học thuật và công nghiệp đã đặt dấu hỏi về việc liệu các “token trung gian” này có phải là sự thể hiện trung thực cho hoạt động bên trong của LRM hay không. Thay vì là những biên lai có thể kiểm toán hoặc báo cáo chính xác, chúng có vẻ giống với những gì nhà nghiên cứu Subbarao Kambhampati của Đại học Bang Arizona gọi là “những lời lẩm bẩm” — đúng là các mảnh ngôn ngữ, nhưng ý nghĩa của chúng có thể hoàn toàn ngẫu nhiên đối với bất kỳ quá trình lập luận nào đã xảy ra. Phòng thí nghiệm của Kambhampati đã chứng minh vào năm 2025 rằng việc thay thế hoàn toàn các “dấu vết” đúng của mô hình bằng những dấu vết sai hoặc không liên quan cũng không làm giảm hiệu suất của nó trong một tác vụ lập luận chính thức. Trong khi đó, việc chỉ huấn luyện mô hình trên dữ liệu dấu vết đúng vẫn khiến nó thỉnh thoảng tạo ra các bản ghi lập luận không hợp lệ — ngay cả khi nó đưa ra lời giải đúng cho bài toán ban đầu. Một bài báo năm 2024 từ các nhà nghiên cứu tại Đại học New York cho thấy “các token lấp đầy vô nghĩa” — theo nghĩa đen là các chuỗi dấu chấm — có thể hoạt động hiệu quả thay cho một “chuỗi suy nghĩ” mà con người có thể đọc được.

William Merrill, một trong những tác giả của bài báo đó và hiện là giáo sư tại Viện Công nghệ Toyota ở Chicago, đã nói thẳng vấn đề: “Không có gì đảm bảo rằng chuỗi suy nghĩ phải có ý nghĩa theo bất kỳ cách nào”. Pavel Izmailov, một nhà nghiên cứu tại NYU cũng làm việc cho Anthropic (và là một phần của nhóm mô hình lập luận ban đầu của họ), cho biết ông nghi ngờ việc học tăng cường (reinforcement learning) — một phương pháp huấn luyện điển hình cho LRM — có thực sự khuyến khích các mô hình tạo ra các chuỗi suy nghĩ trung thực ngay từ đầu hay không. “Ý tôi là, có lẽ nó sẽ làm được”, ông nói với tôi. “Nhưng tôi cho rằng khả năng đó không cao lắm”.

OK, vậy nội dung ngôn ngữ của các dấu vết lập luận có thể đáng ngờ. Nhưng chắc chắn bản thân các token đó phải đóng một vai trò nào đó trong việc tạo ra kết quả đầu ra của mô hình chứ? (Hãy nghĩ về một chiếc máy pinball: Nó chạy bằng tiền xu, chứ không phải bằng những từ ngữ in trên đó).

Đừng vội. Một bài báo năm 2025 từ Đại học Northeastern và Đại học California, Berkeley về các LRM mã nguồn mở tiên tiến cho thấy từ 30% đến 60% “các bước suy nghĩ” của chúng có “tác động nhân quả tối thiểu” đến câu trả lời mà các mô hình tạo ra cho các câu hỏi toán học chuẩn. Cắt bỏ một nửa số đó, hiệu suất của mô hình hầu như không bị ảnh hưởng. “Chúng ta cần cẩn thận khi xem xét các gợi ý chuỗi suy nghĩ này vì chúng có thể không liên kết với kết quả cuối cùng”, Weiyan Shi, một trong những tác giả của nghiên cứu, cho biết.

Vậy các dấu vết lập luận, thứ được cho là phân biệt LRM với các LLM chỉ biết dự đoán từ tiếp theo, không nhất thiết phải có ý nghĩa hoặc mang tính nhân quả đối với … lập luận của mô hình? Tôi không phải là triết gia, nhưng điều này dường như kéo giãn ý nghĩa của từ “lập luận” vượt quá giới hạn chịu đựng của nó. Nhóm nghiên cứu của Kambhampati thực sự đã tỏ ra chán nản trong tiêu đề bài báo quan điểm của họ về chủ đề này (được trình bày tại Hội nghị Quốc tế về Học máy năm 2026, một trong những hội nghị học thuật uy tín nhất trong lĩnh vực): “Hãy ngừng nhân hóa các Token trung gian thành các Dấu vết Lập luận/Tư duy!”

Cần nói rõ rằng, Kambhampati, cựu chủ tịch của Hiệp hội vì sự Tiến bộ của Trí tuệ Nhân tạo (AAAI), với nền tảng về các thuật toán lập kế hoạch AI, không phủ nhận rằng các LRM có thể hoạt động (khi chúng hoạt động). “Chúng ta đang ở trong những thời kỳ kỳ diệu”, ông nói với tôi khi tôi hỏi ông nghĩ gì về chiến thắng năm 2026 của OpenAI trong việc giải quyết bài toán khoảng cách đơn vị (unit distance problem) nổi tiếng trong toán học. Nếu ông có điều gì muốn phàn nàn, thì đó chính là sự vội vàng trong cả giới học thuật và công nghiệp nhằm chấp nhận những lời giải thích quá tiện lợi.

“Nhiều ý tưởng đã được đề xuất [về] nguồn gốc sức mạnh [của các mô hình này] đã bị hiểu lầm hoặc mô tả sai”, ông nói. “Có một tư duy chung rằng: ‘Hãy cứ tuyên bố về những khả năng nhất định đi, vì dù sao thì cuối cùng nó cũng có thể trở thành sự thật’. Và cảm nhận của tôi là: Đó không phải là khoa học. Đó là đầu tư”.

Ở phía bên kia của hàng rào lập luận AI, sự khinh miệt dường như là tương hỗ. “Những bài báo ‘khoa học’ từ mùa hè năm ngoái — tôi sẽ đặt nó trong dấu ngoặc kép thật lớn”, Sébastien Bubeck, một thành viên trong đội ngũ kỹ thuật của OpenAI (và là người truyền bá nổi tiếng cho các mô hình lập luận của công ty trong giới khoa học và toán học) nói. Ông gọi các kết quả trước đó của Apple khi chỉ trích lập luận của AI là “sai”, khẳng định rằng chúng là do một đặc điểm huấn luyện trong các mô hình hiện đã lỗi thời. “Các mô hình hiện đại bắt đầu từ GPT-5.5 không gặp phải vấn đề này”, ông nói. “Sẽ rất thú vị nếu xem xét lại các kết quả đó”. (Apple đã không cung cấp các nhà nghiên cứu của họ để phỏng vấn).

Vấn đề là thế này: Không ai phủ nhận rằng các mô hình lập luận AI thực sự có thể tạo ra những kết quả quan trọng và chính xác. Hơn nữa, mọi nhà nghiên cứu mà tôi trò chuyện đều thừa nhận rằng những phát hiện tiêu cực về khả năng của các mô hình trong một số tác vụ lập luận (đặc biệt là các LRM mã nguồn mở nhỏ hơn) có thể không phải lúc nào cũng khái quát hóa được cho các sản phẩm AI mới nhất và tốt nhất. Hoạt động bên trong của chúng vẫn là bí mật thương mại. Nhưng nếu chúng ta không muốn (như tôi) đơn giản là bác bỏ các bằng chứng mâu thuẫn về các cơ chế thúc đẩy lập luận của AI, thì câu hỏi vẫn còn đó: Làm thế nào để chúng ta giải thích về nó?

Hóa ra, Kambhampati lại quan tâm đến việc làm chính xác điều đó. “Tôi không tiêu cực. Tôi chỉ nghe có vẻ tiêu cực vì mọi người khác đều quá tích cực”, ông nói. “Trong khoa học, bạn phải thực sự hiểu cái hiện tại làm được gì và không làm được gì”.

Một lý do đơn giản khiến các LRM hiện đại hoạt động hiệu quả, ông nói với tôi (một điểm cũng được Mitchell đồng tình), là chúng thường được bao quanh bởi phần mềm “bình thường” giúp hướng dẫn và xác minh kết quả đầu ra của chúng. Các hệ thống AI tác nhân (agentic AI), vốn đã thay đổi kỹ thuật phần mềm kể từ mùa thu năm 2025, hoạt động theo cách này. AlphaProof Nexus của Google DeepMind cũng vậy, nó dựa vào Lean, một công cụ chứng minh định lý tự động. Nhưng Kambhampati quan tâm hơn đến việc tìm hiểu các mô hình lập luận độc lập chỉ dựa vào các dấu vết lập luận tự tạo của chúng — “phần ‘suy nghĩ’”, ông nói.

Phần “suy nghĩ” là thứ mà OpenAI, chẳng hạn, đang tập trung đầu tư mạnh mẽ. Khi tôi hỏi Bubeck liệu bằng chứng về khoảng cách đơn vị đầy ấn tượng đó có được tạo ra bằng các phương pháp nằm ngoài chuỗi suy nghĩ của chính LRM hay không — có lẽ là với Lean xác minh kết quả của nó — ông dường như thấy câu hỏi đó gần như vô nghĩa.

“Không phải chúng tôi đang tạo ra bí ẩn gì cả”, ông nói. “Chúng tôi đã công bố chuỗi suy nghĩ. Bạn chỉ cần vào xem nó thôi. Toàn bộ vấn đề là mô hình đang lập luận giống như cách con người làm. Và khi con người lập luận, chúng ta không sử dụng Lean”. Về mặt kỹ thuật, OpenAI đã công bố một “bản tóm tắt được viết lại” về chuỗi suy nghĩ của mô hình do hai chuyên gia con người thực hiện bằng cách sử dụng Codex, một mô hình khác của OpenAI. Kể từ năm 2024, công ty đã không công khai các chuỗi suy nghĩ “thô” từ các mô hình lập luận của mình, một chính sách cũng được Google DeepMind và Anthropic áp dụng.

Phân tích của Kambhampati bắt đầu ở một điểm tương đồng đáng ngạc nhiên: với ý tưởng rằng các LRM chỉ là các LLM với sự huấn luyện cụ thể hơn. “Không có phép thuật nào ở đây cả”, ông nói. Nhưng ông tách biệt hoàn toàn từ đó. “Đối với tôi, việc một LLM thực sự mô tả từng bước những gì nó đang [lập luận] trước khi đưa ra lời giải là không hợp lý — vì đó là một tác vụ khó hơn nhiều so với việc chỉ đoán lời giải, dựa trên cách các LLM được huấn luyện”.

Giả thuyết làm việc của ông là một LRM, giống như các tiền thân LLM của nó, thực hiện cái mà ông gọi là “truy xuất xấp xỉ” (approximate retrieval) trên kho dữ liệu huấn luyện khổng lồ của nó: “nằm đâu đó ở giữa” việc khớp mẫu và lập luận, ông nói, nhưng gần với cái trước hơn. Vậy thì, vai trò của các “token suy nghĩ” không phải là thuật lại một chuỗi suy nghĩ thực sự (vì không có chuỗi nào cả). Thay vào đó, nó là để nạp đầy cửa sổ ngữ cảnh của mô hình theo cách giúp nó có nhiều khả năng dự đoán, hoặc “truy xuất xấp xỉ”, các chuỗi văn bản có hình dạng của lập luận.

Kambhampati so sánh quá trình này với việc lẩm bẩm các từ ngữ để gợi nhớ trí nhớ của chính mình: Việc các từ đó là gì hầu như không quan trọng (mặc dù các từ liên quan có thể giúp ích), miễn là chúng khơi gợi được thứ gì đó hữu ích. “Bộ nhớ” khổng lồ của một LRM bao gồm tất cả các ví dụ dạng hỏi-đáp về lập luận bằng văn bản mà nó được huấn luyện, được nghiền nát thành các “nhúng” (embeddings) số hóa mã hóa sự tương đồng và khác biệt của chúng (cộng với các liên kết khó hiểu khác) dưới dạng các mối quan hệ hình học trong không gian đa chiều. Việc đạt được câu trả lời theo xác suất trong không gian đó có thể liên quan đến các token trung gian có các nhúng ánh xạ tới những “ý nghĩ” trông có vẻ mạch lạc bằng tiếng Anh thuần túy, nhưng không nhất thiết phải như vậy. Chúng có thể là các mảnh ngôn ngữ khác. Chúng có thể là những từ cảm thán giả tạo như “aha”. Trong điều kiện thích hợp, chúng có thể chỉ là những dấu chấm.

“Việc [nhúng] đó có thực sự tương ứng với một từ đơn lẻ hay không” — chứ đừng nói đến một quá trình lập luận trung thực — “không phải là vấn đề chính”, Kambhampati nói.

Cách đặt vấn đề này có thể giúp giải thích cả tính “nhảm nhí” kỳ lạ của một số chuỗi suy nghĩ và thực tế là chúng vẫn có thể tạo ra kết quả chính xác. Nó cũng giải thích gọn gàng sự cải thiện ổn định của các LRM trong lập trình và toán học — cái mà các nhà nghiên cứu AI gọi là “các lĩnh vực có thể kiểm chứng”. Mã chạy được hoặc không; các chứng minh là đúng hoặc sai. Những điều kiện nhị phân này và các bước viết kèm theo chúng có thể tạo ra các tín hiệu huấn luyện thuận tiện cho các LRM. Mô hình không cần phải học hoặc áp dụng một cách đáng tin cậy một quá trình lập luận tổng quát, Kambhampati nói; nó chỉ cần hấp thụ đủ các ví dụ về hình dạng của các bước đó để bắt chước chúng một cách dự đoán trên con đường “ghép nối” một kết quả hợp lý mà sau đó có thể được xác minh.

Giới hạn về khả năng huấn luyện và tuân theo các bước của một mô hình lập luận, được gọi là “chân trời suy luận” (inference horizon), Kambhampati nói thêm, là điều mà các nhà nghiên cứu Apple đã phơi bày với bài báo “Ảo tưởng về tư duy” của họ vào năm 2025. Các mô hình mới hơn dường như đã đẩy chân trời này đi xa hơn, mặc dù một cách không đồng đều. “Hầu hết thời gian chúng có lẽ không học thuật toán” liên quan đến một quá trình lập luận, ông nói. Khả năng cao hơn nhiều là chúng đang tận dụng một tập hợp các ví dụ ngày càng mở rộng và các tín hiệu phần thưởng thông minh.

Kambhampati khó có thể coi vụ việc của mình đã khép lại, và tôi cũng vậy. Nhưng đó là một khởi đầu — và là một khởi đầu mà tôi thấy hợp lý, vì các nhà nghiên cứu khác cũng đã sử dụng các cách tiếp cận tương tự “đó là do huấn luyện, đồ ngốc” để giải mã hành vi của AI. Tuy nhiên, vẫn còn một “con voi trong phòng”: Việc chúng ta có thể quan sát, mô tả và xác thực chính xác các quá trình đang diễn ra bên trong các mô hình lập luận lớn hay không quan trọng đến mức nào?

Câu trả lời trung thực, theo Mitchell, là nó tùy thuộc vào từng trường hợp. “Hãy nghĩ về AlphaFold”, bà nói, đề cập đến công cụ AI của Google để dự đoán cấu trúc protein. “Nó đang thực hiện một loại liên kết thống kê cực kỳ phức tạp. Chúng ta không biết chúng là gì, nhưng chúng có vẻ hiệu quả. Những thứ này [đã] là các hộp đen rồi, ngay cả khi không có ‘dấu vết lập luận’”. Nếu các LRM có thể tăng cường nghiên cứu toán học theo cách AlphaFold đã làm cho sinh học tính toán, thì theo dòng suy nghĩ này, tại sao không chấp nhận chúng, với tất cả những đặc điểm riêng biệt đó, và chỉ cần xác minh kết quả? “Quan điểm của tôi là: Chúng ta đang cố gắng trở nên hữu ích. Chúng ta đang cố gắng xây dựng các mô hình này để chúng có thể giải quyết các vấn đề quan trọng, để chúng ta thực sự thúc đẩy nghiên cứu khoa học”, Bubeck nói. “Thú vị và hiệu quả hơn khi nói về những gì chúng có thể làm, thay vì: ‘Ồ, nhưng chúng chỉ có thể làm điều đó vì lý do X’”.

Nhưng như Mitchell cũng chỉ ra, khả năng một LRM có thể “đúng vì những lý do sai” có một sự liên quan rõ ràng đến tương lai của việc thực hiện nghiên cứu. “Bạn muốn có câu trả lời đúng vì lý do đúng, để bạn có thể tin tưởng những thứ này”, bà nói, và không chỉ trong các lĩnh vực có thể kiểm chứng.

Tal Linzen, một nhà nghiên cứu tại NYU và Google, người có Phòng thí nghiệm Tính toán và Tâm lý học Ngôn ngữ đã công bố các kết quả tương tự như bài báo “Ảo tưởng về tư duy” của Apple, cho biết rằng “bạn muốn một hệ thống AI có thể áp dụng một thuật toán một cách đáng tin cậy, bất kể bạn gọi [nó] là lập luận hay không”. Việc đối xử với các chuỗi suy nghĩ quá tôn kính — ngay cả khi kết quả của chúng có thể kiểm chứng được — cũng có thể ngăn cản các nhà khoa học khám phá ra những cách tốt hơn để định hướng các LRM hướng tới kết quả chính xác. “Chúng ta có thể đang bỏ lỡ một số cơ hội chưa được khám phá”, Pradeep Dasigi, một nhà nghiên cứu đã giúp huấn luyện các LRM mã nguồn mở tại Viện Trí tuệ Nhân tạo Allen, cho biết. Kambhampati, không có gì ngạc nhiên, diễn đạt điều đó bằng những thuật ngữ thậm chí còn gay gắt hơn: Việc coi trọng ý nghĩa của các dấu vết lập luận AI, ông nói, là một “cái hố thỏ” khoa học, giống như việc tin vào thuyết địa tâm hay thuyết ether.

Có lẽ hơi khắc nghiệt, nhưng ông ấy có lý. Những mô hình tinh thần không chính xác đó đã có ý nghĩa trực quan vào thời điểm đó, cũng giống như các chuỗi suy nghĩ hiện nay. Khi một LRM đưa ra câu trả lời đúng — cùng với hàng trang “suy nghĩ” cho thấy cách nó đạt được kết quả — trực giác mách bảo chúng ta rằng hai điều đó phải liên kết với nhau. Thật khó để tưởng tượng rằng quá trình và kết quả có thể chẳng liên quan gì đến nhau. Nhưng vào những năm 1990 (trong một tình tiết mà cả Mitchell và Izmailov đều nhắc đến), thật khó để tưởng tượng làm thế nào việc tìm kiếm bằng vũ lực (brute-force search) có thể đánh bại nhà vô địch thế giới Garry Kasparov trong môn cờ vua. Và vào năm 2023, thật khó để hình dung làm thế nào một đống khổng lồ các phép nhân ma trận có thể viết bằng thơ iambic pentameter. Đối với hầu hết chúng ta, đây chỉ đơn giản là những suy nghĩ không thể nghĩ tới. Cho đến khi, đột nhiên, chúng trở thành hiện thực.

Vào mùa hè năm 2024, chỉ vài tháng trước khi LRM đầu tiên xuất hiện, Mitchell đã giới thiệu cho tôi một khái niệm mà tôi cứ quay lại trong các bài báo về AI của mình: “wishful mnemonics” (tạm dịch: các thuật ngữ gợi nhớ đầy ước vọng). Cụm từ này được sử dụng lần đầu tiên từ năm 1976 bởi nhà khoa học máy tính Drew McDermott, trong một bài báo với tiêu đề cực kỳ cáu kỉnh: “Trí tuệ nhân tạo gặp gỡ sự ngu ngốc tự nhiên”. Tôi sẽ trích dẫn lại đoạn văn mà Mitchell đã dùng:

Một nguồn gốc chính của sự đơn giản hóa trong các chương trình AI là việc sử dụng các thuật ngữ gợi nhớ như “UNDERSTAND” (HIỂU) hoặc “GOAL” (MỤC TIÊU) để chỉ các chương trình và cấu trúc dữ liệu. … Nếu một nhà nghiên cứu … gọi vòng lặp chính của chương trình của mình là “UNDERSTAND”, anh ta (cho đến khi được chứng minh là vô tội) chỉ đơn giản là đang lảng tránh vấn đề. Anh ta có thể đánh lừa rất nhiều người, nổi bật nhất là chính mình. … Thay vào đó, điều anh ta nên làm là gọi vòng lặp chính này là “G0034”, và xem liệu anh ta có thể thuyết phục bản thân hoặc bất kỳ ai khác rằng G0034 thực hiện một phần của sự hiểu biết hay không. … Nhiều ví dụ mang tính hướng dẫn về các thuật ngữ gợi nhớ đầy ước vọng của các nhà nghiên cứu AI hiện ra trong tâm trí ngay khi bạn hiểu được vấn đề.

Đây là cách tôi hiểu về lập luận của AI. LRM, chuỗi suy nghĩ, token suy nghĩ: tất cả đều là các thuật ngữ gợi nhớ đầy ước vọng — một sự pha trộn đầy mê hoặc giữa cách viết tắt và sự hoài nghi bị đình chỉ, giống như kiểu “biểu hiện” (manifesting) theo phong cách Oprah nhưng với một chút biến tấu của khoa học máy tính. Đây không nhất thiết là một lời chỉ trích; tất cả các nghiên cứu mới lạ có lẽ đều cần một phiên bản nào đó của tư duy này chỉ để bắt đầu. Nó chắc chắn không có nghĩa là lập luận của AI không thể hoặc không hoạt động. Nhưng phần “đầy ước vọng” dường như vẫn mạnh mẽ như bao giờ hết.