Kỷ nguyên dự án của AI4S: 'Tử Đông Thái Sơ' nâng tầm AI từ giải quyết tác vụ sang thực thi dự án

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

25/08/2026 13:48:05 Nguồn: QbitAI

Năng lực nghiên cứu khoa học của AI chuyển dịch từ cấp độ công cụ sang cấp độ hệ thống

Wen Le, đưa tin từ Aofeisi

QbitAI | Tài khoản chính thức QbitAI

AI for Science (AI cho khoa học) đang bước vào một bước ngoặt mới.

Trong vài năm qua, cùng với sự phát triển nhanh chóng của các mô hình lớn (Large Models) và công nghệ tác nhân thông minh (Agent), AI đã dần thâm nhập vào các khâu nghiên cứu khoa học như mô phỏng tính toán, phân tích thực nghiệm, bên cạnh các công việc truyền thống như tra cứu tài liệu, phân tích dữ liệu và tạo mã nguồn.

"Liệu AI có thể giúp các nhà khoa học làm nghiên cứu hay không" không còn là câu hỏi duy nhất nữa.

Những vấn đề mới đang dần xuất hiện:

Liệu AI có thể thực sự đảm nhận một dự án nghiên cứu khoa học hoàn chỉnh, thay vì chỉ hoàn thành từng tác vụ (Task) riêng lẻ?

Đằng sau đó là sự thay đổi về mô hình năng lực của AI4S.

Trước đây, AI đóng vai trò chủ yếu là công cụ hoặc tác nhân thực hiện tác vụ, hoàn thành các Task tương đối độc lập sau khi các nhà nghiên cứu đã xác định rõ mục tiêu, phạm vi và lộ trình.

Nhưng nghiên cứu khoa học thực thụ không phải là một tập hợp đơn giản của các tác vụ.

Một dự án (Project) thường bắt đầu từ những ý tưởng nghiên cứu mơ hồ, bao gồm nhiều tác vụ phụ thuộc lẫn nhau và liên tục điều chỉnh lộ trình nghiên cứu dựa trên tài liệu mới, kết quả thực nghiệm và các dữ liệu bất thường.

Làm tốt từng Task không đồng nghĩa với việc thực sự hoàn thành một Project.

Nghiên cứu khoa học cấp độ dự án thực thụ đòi hỏi AI phải hiểu được mục tiêu khoa học, chủ động phân tách tác vụ, điều phối sự phụ thuộc giữa các tác vụ, thực thi liên tục và điều chỉnh linh hoạt dựa trên phản hồi nghiên cứu, từ đó thúc đẩy toàn bộ dự án đi đến kết luận.

Đây cũng chính là năng lực then chốt cần đột phá trong giai đoạn tiếp theo của AI4S.

Chính tại điểm uốn của ngành này, ScienceClaw – thế hệ tác nhân thông minh bản địa dành cho nghiên cứu khoa học mới của Zhongke Zidong Taichu – đã hoàn thành một bước nâng cấp quan trọng.

Công cụ nghiên cứu khoa học tự chủ cấp dự án AutoProject vừa ra mắt nhằm giải quyết bài toán "làm thế nào để thực hiện một dự án nghiên cứu khoa học tốt hơn", thúc đẩy AI chuyển từ việc thực thi các tác vụ cô lập sang đảm nhận toàn bộ quá trình khám phá khoa học.

Đơn vị làm việc của AI trong nghiên cứu khoa học đang chuyển dịch từ Task sang Project.

Nghiên cứu khoa học thực thụ cần phải "gánh vác" được Project.

Để thực sự đảm nhận một Project nghiên cứu khoa học, AI không chỉ đối mặt với việc thực thi một tác vụ đơn lẻ, mà là cả một quy trình nghiên cứu hoàn chỉnh từ lập kế hoạch dự án đến kết luận cuối cùng.

Do đó, AutoProject không đơn thuần là kéo dài chuỗi thực thi tác vụ của AI, mà xây dựng năng lực nghiên cứu tự chủ cấp dự án xoay quanh việc lập kế hoạch, thực thi dài hạn và xác thực bằng chứng. Điều này cho phép các nhà nghiên cứu chỉ cần gửi ý tưởng hoặc mục tiêu vĩ mô, AI có thể tự động hoàn thành:

Lập kế hoạch dự án → Phân tách tác vụ con → Thực thi dài hạn → Xác thực bằng chứng → Khắc phục động → Đúc kết kết quả.

Toàn bộ hệ thống được cấu thành từ ba lớp năng lực cốt lõi:

Project2Task: Lập kế hoạch cấp dự án, tự động tạo tác vụ con.

Đối mặt với một mục tiêu nghiên cứu mơ hồ, Project2Task tổng hợp các mục tiêu nghiên cứu, bằng chứng tài liệu, ràng buộc tài nguyên và sự phụ thuộc giữa các tác vụ để tự xác định lộ trình nghiên cứu, phân tách các Task con, đồng thời lập kế hoạch về mối quan hệ tuần tự/song song và tái sử dụng tài nguyên, cuối cùng tạo ra một mạng lưới tác vụ dự án có thể thực thi và lặp lại.

Lấy ví dụ về đề tài nhận diện thông minh khuyết tật bề mặt thép, người dùng chỉ cần nhập mục tiêu nghiên cứu ngắn gọn, AutoProject có thể dựa vào Project2Task để chuyển đổi nhu cầu mơ hồ thành kế hoạch tác vụ toàn chu kỳ.

Địa chỉ video: https://mp.weixin.qq.com/s/Y6IKxQQjqq1Y6Fgwh94r9g

Hệ thống tự động nhận diện các tác vụ có thể thực hiện song song và các khâu bắt buộc phải thực hiện tuần tự, lập kế hoạch ưu tiên cho nhiều lộ trình nghiên cứu, xây dựng mối quan hệ phụ thuộc giữa các tác vụ, đồng thời khai thác dữ liệu và tài nguyên mô hình có thể tái sử dụng giữa các tác vụ.

Đồng thời, hệ thống hỗ trợ bốn loại cấu trúc dự án: phân tách ngang, phân tách dọc, ngang trước dọc sau, và dọc trước ngang sau, tạo ra lộ trình nghiên cứu phù hợp dựa trên đặc điểm của từng đề tài, từ đó đưa mục tiêu nghiên cứu vĩ mô xuống các tác vụ cụ thể có thể thực thi.

Từ "con người định nghĩa Task, AI thực thi" sang "con người đề xuất mục tiêu, AI lập kế hoạch lộ trình", Project2Task cho phép AI bắt đầu đảm nhận việc lập kế hoạch cấp cao cho các dự án nghiên cứu.

Nhưng lập kế hoạch chỉ là sự khởi đầu. Sau khi có kế hoạch rõ ràng ở cấp dự án, cần phải có một nền tảng thực thi đáng tin cậy.

TaskExecutor: Thực thi tự chủ dài hạn, thúc đẩy dự án liên tục trong phản hồi động.

Dự án nghiên cứu khoa học là một vòng lặp khám phá tiến hóa, không phải là tác vụ bàn giao một lần. Bất kỳ sự bất thường nào ở tác vụ con cũng sẽ ảnh hưởng đến quy trình thượng nguồn và hạ nguồn. AI kiểu gọi đơn lẻ truyền thống không thể thích ứng với đặc tính lặp phi tuyến tính của nghiên cứu khoa học, khó có thể hỗ trợ các nghiên cứu chu kỳ dài.

AutoProject phá vỡ mô hình thực thi tuyến tính "một lần gọi, một lần trả kết quả", và TaskExecutor chính là sự hiện thực hóa của nó đối với các kịch bản nghiên cứu khoa học, cung cấp năng lực thực thi tự chủ dài hạn cấp dự án.

Lấy ví dụ về mô hình hóa YOLO, dự án được phân tách thành ba mô-đun: xử lý dữ liệu, thực nghiệm mô hình hóa và tối ưu hóa lặp, các khâu được kết nối tự động với nhau.