Cựu Phó chủ tịch DeepMind: AI sẽ tự cải tiến nhưng không gây ra 'bùng nổ trí tuệ'

Oriol Vinyals, người cho đến gần đây vẫn là Phó chủ tịch phụ trách Nghiên cứu tại Google DeepMind, nhận định rằng khả năng tự cải thiện đệ quy (recursive self-improvement) trong các hệ thống AI là điều tất yếu nhưng sẽ diễn ra chậm chạp, và không hề có dấu hiệu của một "vụ nổ trí tuệ" (intelligence explosion) trong tương lai gần. Hiện tại, ông đang thành lập một startup để giải quyết hai nút thắt lớn nhất đang kìm hãm quá trình này.

Chỉ vài ngày sau khi rời Google DeepMind, Oriol Vinyals đã có bài phát biểu tại Hội nghị Agentic AI Summit 2026 về khả năng tự cải thiện đệ quy (RSI), một chủ đề đang rất nóng trong giới nghiên cứu AI. Ông đã giải thích lý do tại sao mình không tin rằng điều này sẽ dẫn đến một vụ nổ trí tuệ đột ngột. Vinyals từng giữ chức Phó chủ tịch Nghiên cứu tại DeepMind và tham gia vào các dự án như AlphaStar, AlphaCode và Gemini.

Vinyals lập luận rằng tiến trình tự cải thiện rất khó đo lường và thậm chí còn khó thực hiện hơn trong thực tế. AI sẽ giúp tăng tốc một số tác vụ nghiên cứu và kỹ thuật lên gấp mười lần hoặc hơn, nhưng ông cho rằng một vụ nổ trí tuệ tự tăng tốc đột ngột là điều khó xảy ra.

"Tự cải thiện" thực sự có nghĩa là gì?

Câu hỏi đầu tiên mà Vinyals đặt ra là chính xác thì cái gì cần được cải thiện. Một hệ thống AI có nhiều thành phần chuyển động và nó có thể thay đổi bất kỳ thành phần nào trong số đó. Nó có thể điều chỉnh trọng số mạng thần kinh, thay thế dữ liệu huấn luyện hoặc cải tiến các phương pháp huấn luyện. Nó cũng có thể tinh chỉnh các chỉ dẫn nhận được sau mỗi truy vấn hoặc xây dựng lại các công cụ bên ngoài như truy cập cơ sở dữ liệu và thực thi mã. Tương tự, nó có thể thay đổi các chỉ số dùng để theo dõi tiến trình của chính mình. Mỗi thay đổi đều mang đến những thách thức khác nhau về mặt kỹ thuật và quy định.

Vinyals cho biết, một hệ thống AI muốn tự cải thiện cần có một ý tưởng khả thi, mã nguồn để triển khai ý tưởng đó, các thí nghiệm để kiểm chứng và một cách đáng tin cậy để đánh giá xem thay đổi đó có thực sự hiệu quả hay không. AI hiện đã đạt được tiến bộ ở hai bước giữa, nhưng việc tạo ra ý tưởng và đánh giá kết quả vẫn là nơi các hệ thống AI còn hạn chế.

Tìm kiếm ý tưởng và đánh giá kết quả vẫn là hai nút thắt lớn nhất.

Các phòng thí nghiệm hiện nay chủ yếu đo lường khả năng tự cải thiện một cách gián tiếp thông qua các bộ tiêu chuẩn đánh giá (benchmarks) như SWE-Bench Pro hoặc ML-Bench, cố gắng leo lên bảng xếp hạng với hy vọng rằng khả năng tự cải thiện sẽ xuất hiện như một tác dụng phụ. Những bài kiểm tra này rẻ và được xác định rõ ràng, nhưng chúng chủ yếu bao gồm việc triển khai và thử nghiệm – những bước vốn đã hoạt động tốt.

Hơn nữa, tình trạng quá khớp (overfitting) và các hành vi "mưu mô" (scheming) là những vấn đề thực sự. Từ nhiều năm xây dựng các tác nhân chơi game, Vinyals hiểu rằng các hệ thống thường khai thác mục tiêu theo những cách không ngờ tới, chúng tìm cách "đánh bại" hệ thống tính điểm thay vì thực sự chơi trò chơi đó.

Các bộ tiêu chuẩn đánh giá ý nghĩa hơn sẽ kiểm tra trực tiếp khả năng tự cải thiện, và những bộ tiêu chuẩn đầu tiên đang bắt đầu xuất hiện. Một hệ thống được cung cấp một chỉ số đo lường và ngân sách tính toán, sau đó các nhà nghiên cứu sẽ đo lường mức độ tự cải thiện của nó. Cách tiếp cận này rất tốn kém vì mỗi lần đánh giá đòi hỏi tác nhân phải làm việc hàng giờ trên các tác vụ vốn khác xa với mục tiêu cuối cùng. Vinyals đưa ra ví dụ: tác nhân tối ưu hóa trò chơi Tetris, trong khi mục tiêu thực sự là tự động hóa toàn bộ một phòng thí nghiệm nghiên cứu và xây dựng mô hình tốt nhất thế giới.

Việc tạo ra ý tưởng cũng kém phát triển tương tự. Nghiên cứu tốt đòi hỏi bản năng để biết ý tưởng nào đáng để theo đuổi, điều mà Vinyals gọi là "gu nghiên cứu" (research taste). Trong quá trình huấn luyện LLM, chưa ai thực sự nghiên cứu cách để dạy điều đó cho máy móc.

Ông kỳ vọng rằng các đánh giá trong tương lai sẽ không chỉ đo lường mức độ cải thiện mà một hệ thống đạt được, mà còn đo lường cách thức nó đạt được điều đó. Đối với các ý tưởng, điều này có nghĩa là áp dụng các tiêu chí tương tự như các nhà phản biện hội nghị: tính nguyên bản, sự tinh tế, hiệu quả và liệu một kỹ thuật có đứng vững trước thử thách của thời gian hay không. Một phần trong số này có thể được nắm bắt bằng các quy tắc và kiểm tra thông qua các mô hình phần thưởng, sau đó huấn luyện bằng học tăng cường (reinforcement learning), nhưng việc thực hiện điều này rất khó và sẽ mất nhiều thời gian. Các quy trình đánh giá của con người cũng tốn kém và bản thân chúng cũng không thực sự giỏi trong việc phát hiện các ý tưởng đột phá.

Vinyals cũng chỉ ra những hạn chế vật lý cứng nhắc. Chip không thể tính toán nhanh hơn thiết kế của chúng và tốc độ ánh sáng cho phép, vì vậy ngay cả khi AI thiết kế được một thuật toán tốt hơn, nó vẫn bị ràng buộc bởi phần cứng mà nó chạy trên đó. Hiệu suất của con người có thể đã gần đạt đến giới hạn tối đa trong một số lĩnh vực. AlphaGo thực sự giỏi đến mức nào so với một ván cờ vây hoàn hảo? Vinyals nói rằng không ai biết được điều đó.

Discovery Loop muốn tự động hóa toàn bộ chu trình nghiên cứu.

Vinyals đang đưa các phân tích của mình vào thực tế với Discovery Loop, một startup mà ông đồng sáng lập cùng với CEO Jeff Dean, thành viên cấp cao của Google Sanjay Ghemawat và đồng sáng lập Google Brain Quoc Le. Công ty muốn tự động hóa toàn bộ vòng lặp khoa học, từ việc hình thành giả thuyết đến chạy thí nghiệm và đánh giá kết quả, bao gồm cả hai bước mà AI vẫn còn hạn chế. Ba trong số bốn nhà sáng lập nằm trong số những nhà nghiên cứu AI được trích dẫn nhiều nhất, và Ghemawat là một trong những người được trích dẫn nhiều nhất trong lĩnh vực hệ thống phân tán.

Nhóm dự định sẽ tự động hóa nghiên cứu AI trước tiên, với Discovery Loop là khách hàng đầu tiên của chính mình, như cách Dean đã nói. Các lĩnh vực khoa học khác sẽ theo sau. Trên trang web của công ty, các nhà sáng lập mô tả một tương lai nơi "một nhóm nhỏ người có thể thực hiện các tác vụ nghiên cứu khoa học và kỹ thuật nhanh hơn nhiều, với chất lượng cao hơn so với các đội ngũ khổng lồ gồm các nhà khoa học và kỹ sư hiện nay." Vinyals thừa nhận rằng việc tạo ra ý tưởng vẫn là phần khó nhất, vì vậy trong giai đoạn đầu, con người và máy móc sẽ cùng nhau phát triển các giả thuyết.

Tin tức AI không cường điệu – Được tuyển chọn bởi con người.

Đăng ký THE DECODER để đọc không quảng cáo, nhận bản tin AI hàng tuần, báo cáo độc quyền "AI Radar" sáu lần một năm, quyền truy cập toàn bộ kho lưu trữ và tham gia phần bình luận của chúng tôi.

Đăng ký ngay.