# Dario Amodei: Tầm nhìn về tương lai tươi sáng của AI từ sinh học đến kinh tế

- Nguồn: Dario Amodei: Blog (Web)
- Thời gian phát hành: 2026-09-28 12:32 (giờ Việt Nam)
- Điểm AI: 82/100
- Link AIHOT.vn: https://aihot.vn/items/d97930d6c436a618
- Nguồn dữ liệu AI HOT: https://aihot.news/items/ti8rcjr4ey1sn87cgq6oeg9mn
- Link gốc: https://www.darioamodei.com/essay/machines-of-loving-grace

## Tóm tắt AI

CEO của Anthropic, Dario Amodei, công bố bài luận 'Machines of Loving Grace', phác thảo những thay đổi tích cực mang tính cách mạng mà AI mạnh mẽ có thể mang lại trong 5-10 năm tới, từ y tế đến quản trị toàn cầu.

## Thân bài

![Dario Amodei — Machines of Loving Grace](https://cdn.prod.website-files.com/67ecbba31246a69e485fdd4b/6814ea4333d8e47f3e36f811_og_machines-of-loving-grace.jpg)

### Những cỗ máy của lòng nhân ái

AI có thể thay đổi thế giới theo hướng tốt đẹp hơn như thế nào

Tháng 10 năm 2024

Tôi suy nghĩ và nói rất nhiều về những rủi ro của AI mạnh. Công ty mà tôi đang giữ vai trò CEO, Anthropic, thực hiện rất nhiều nghiên cứu về cách giảm thiểu những rủi ro này. Chính vì vậy, mọi người đôi khi kết luận rằng tôi là một người bi quan hoặc một kẻ “thảm họa” (doomer), người cho rằng AI chủ yếu sẽ gây hại hoặc nguy hiểm. Tôi hoàn toàn không nghĩ như vậy. Thực tế, một trong những lý do chính khiến tôi tập trung vào các rủi ro là vì chúng là rào cản duy nhất giữa chúng ta và một tương lai mà tôi coi là tích cực về mặt bản chất. Tôi nghĩ rằng hầu hết mọi người đang đánh giá thấp lợi ích to lớn mà AI có thể mang lại, cũng giống như cách họ đang đánh giá thấp mức độ nghiêm trọng của các rủi ro.

Trong bài luận này, tôi cố gắng phác thảo viễn cảnh về lợi ích đó—một thế giới với AI mạnh sẽ trông như thế nào nếu mọi thứ diễn ra suôn sẻ. Tất nhiên, không ai có thể biết trước tương lai với sự chắc chắn hay chính xác tuyệt đối, và tác động của AI mạnh có khả năng khó dự đoán hơn nhiều so với những thay đổi công nghệ trong quá khứ, vì vậy tất cả những điều này chắc chắn sẽ chỉ là những phỏng đoán. Nhưng tôi đang hướng tới những phỏng đoán có cơ sở và hữu ích, nắm bắt được bản chất của những gì sẽ xảy ra ngay cả khi hầu hết các chi tiết cuối cùng có thể không chính xác. Tôi đưa vào rất nhiều chi tiết chủ yếu vì tôi nghĩ rằng một tầm nhìn cụ thể sẽ thúc đẩy thảo luận tốt hơn là một tầm nhìn trừu tượng và đầy sự dè dặt.

Tuy nhiên, trước hết, tôi muốn giải thích ngắn gọn lý do tại sao tôi và Anthropic chưa nói nhiều về những lợi ích của AI mạnh, và tại sao chúng tôi có lẽ vẫn sẽ tiếp tục nói nhiều về các rủi ro. Cụ thể, tôi đưa ra lựa chọn này vì mong muốn:

- Tối đa hóa đòn bẩy. Sự phát triển cơ bản của công nghệ AI và nhiều (không phải tất cả) lợi ích của nó dường như là tất yếu (trừ khi các rủi ro làm chệch hướng mọi thứ) và về cơ bản được thúc đẩy bởi các lực lượng thị trường mạnh mẽ. Mặt khác, các rủi ro không được định sẵn và hành động của chúng ta có thể thay đổi đáng kể khả năng xảy ra của chúng.
- Tránh cảm giác tuyên truyền. Việc các công ty AI nói về tất cả những lợi ích tuyệt vời của AI có thể bị coi là tuyên truyền, hoặc như thể họ đang cố gắng đánh lạc hướng khỏi những mặt trái. Tôi cũng nghĩ rằng về mặt nguyên tắc, việc dành quá nhiều thời gian để “tự quảng bá cho chính mình” là điều không tốt cho tâm hồn.
- Tránh sự khoa trương. Tôi thường cảm thấy khó chịu với cách nhiều nhân vật công chúng về rủi ro AI (chưa kể đến các lãnh đạo công ty AI) nói về thế giới hậu AGI, như thể sứ mệnh của họ là đơn phương mang nó đến như một nhà tiên tri dẫn dắt người dân của mình đến sự cứu rỗi. Tôi nghĩ rằng việc coi các công ty là những thực thể định hình thế giới một cách đơn phương là nguy hiểm, và việc nhìn nhận các mục tiêu công nghệ thực tiễn dưới góc độ tôn giáo là điều nguy hiểm.
- Tránh hành trang “khoa học viễn tưởng”. Mặc dù tôi nghĩ hầu hết mọi người đánh giá thấp lợi ích của AI mạnh, nhưng cộng đồng nhỏ những người thảo luận về tương lai AI cấp tiến thường làm điều đó với giọng điệu quá “khoa học viễn tưởng” (ví dụ như tâm trí được tải lên, khám phá không gian, hoặc các cảm quan cyberpunk). Tôi nghĩ điều này khiến mọi người ít coi trọng các tuyên bố hơn và gán cho chúng một vẻ phi thực tế. Để rõ ràng, vấn đề không nằm ở chỗ các công nghệ được mô tả có khả thi hay có khả năng xảy ra hay không (bài luận chính thảo luận chi tiết về điều này)—mà là ở chỗ “cảm giác” đó vô tình mang theo một loạt hành trang văn hóa và các giả định không được nói ra về loại tương lai nào là đáng mong đợi, các vấn đề xã hội khác nhau sẽ diễn ra như thế nào, v.v. Kết quả thường giống như một câu chuyện giả tưởng dành cho một nhóm nhỏ, trong khi lại gây khó chịu cho hầu hết mọi người.

Tuy nhiên, bất chấp tất cả những lo ngại trên, tôi thực sự nghĩ rằng việc thảo luận về một thế giới tốt đẹp với AI mạnh là rất quan trọng, trong khi chúng ta cố gắng hết sức để tránh những cạm bẫy nêu trên. Thực tế, tôi nghĩ việc có một tầm nhìn thực sự truyền cảm hứng về tương lai là rất quan trọng, chứ không chỉ là một kế hoạch để đối phó với các sự cố. Nhiều tác động của AI mạnh mang tính đối kháng hoặc nguy hiểm, nhưng cuối cùng, phải có thứ gì đó mà chúng ta đang đấu tranh vì nó, một kết quả cùng thắng (positive-sum) nơi mọi người đều tốt hơn, thứ gì đó để tập hợp mọi người vượt lên trên những tranh cãi và đối mặt với những thách thức phía trước. Nỗi sợ hãi là một loại động lực, nhưng nó là chưa đủ: chúng ta cũng cần hy vọng.

Danh sách các ứng dụng tích cực của AI mạnh là cực kỳ dài (bao gồm robot, sản xuất, năng lượng và nhiều lĩnh vực khác), nhưng tôi sẽ tập trung vào một số ít lĩnh vực mà tôi cho là có tiềm năng lớn nhất để cải thiện trực tiếp chất lượng cuộc sống con người. Năm danh mục mà tôi hào hứng nhất là:

1. Sinh học và sức khỏe thể chất
2. Khoa học thần kinh và sức khỏe tâm thần
3. Phát triển kinh tế và xóa đói giảm nghèo
4. Hòa bình và quản trị
5. Công việc và ý nghĩa cuộc sống

Những dự đoán của tôi sẽ mang tính cấp tiến theo hầu hết các tiêu chuẩn (ngoại trừ các tầm nhìn về “điểm kỳ dị” trong khoa học viễn tưởng), nhưng tôi đưa ra chúng một cách nghiêm túc và chân thành. Mọi điều tôi nói đều có thể dễ dàng sai lệch (nhắc lại quan điểm của tôi ở trên), nhưng ít nhất tôi đã cố gắng đặt quan điểm của mình trên cơ sở đánh giá bán phân tích về mức độ tiến bộ trong các lĩnh vực khác nhau có thể tăng tốc như thế nào và điều đó có ý nghĩa gì trong thực tế. Tôi may mắn có kinh nghiệm chuyên môn trong [cả sinh học và khoa học thần kinh](https://scholar.google.com/citations?user=6-e-ZBEAAAAJ), và tôi là một người nghiệp dư có hiểu biết trong lĩnh vực phát triển kinh tế, nhưng tôi chắc chắn mình sẽ mắc nhiều sai sót. Một điều mà việc viết bài luận này khiến tôi nhận ra là sẽ rất giá trị nếu tập hợp được một nhóm các chuyên gia trong lĩnh vực (về sinh học, kinh tế, quan hệ quốc tế và các lĩnh vực khác) để viết một phiên bản tốt hơn và có hiểu biết hơn về những gì tôi đã trình bày ở đây. Có lẽ tốt nhất nên coi những nỗ lực của tôi ở đây như một gợi ý khởi đầu cho nhóm đó.

### Các giả định và khuôn khổ cơ bản

Để làm cho toàn bộ bài luận này chính xác và có cơ sở hơn, việc xác định rõ ràng ý nghĩa của AI mạnh (tức là ngưỡng mà đồng hồ 5-10 năm bắt đầu đếm) là rất hữu ích, cũng như thiết lập một khuôn khổ để suy nghĩ về tác động của AI như vậy khi nó xuất hiện.

AI mạnh (tôi không thích thuật ngữ AGI) sẽ trông như thế nào và khi nào (hoặc liệu) nó sẽ xuất hiện là một chủ đề lớn. Đây là chủ đề tôi đã thảo luận công khai và có thể viết một bài luận hoàn toàn riêng biệt về nó (có lẽ tôi sẽ làm vậy vào một lúc nào đó). Rõ ràng, nhiều người hoài nghi rằng AI mạnh sẽ sớm được xây dựng và một số người hoài nghi rằng liệu nó có bao giờ được xây dựng hay không. Tôi nghĩ nó có thể xuất hiện sớm nhất vào năm 2026, mặc dù cũng có những cách mà nó có thể mất nhiều thời gian hơn. Nhưng vì mục đích của bài luận này, tôi muốn gạt những vấn đề này sang một bên, giả định rằng nó sẽ sớm xuất hiện và tập trung vào những gì xảy ra trong 5-10 năm sau đó. Tôi cũng muốn giả định một định nghĩa về hệ thống đó sẽ trông như thế nào, khả năng của nó là gì và cách nó tương tác, mặc dù vẫn có chỗ cho sự bất đồng về điều này.

Với AI mạnh, tôi đang nghĩ đến một mô hình AI—có khả năng tương tự như các LLM ngày nay về hình thức, mặc dù nó có thể dựa trên một kiến trúc khác, có thể liên quan đến một vài mô hình tương tác và có thể được huấn luyện theo cách khác—với các đặc điểm sau:

- Xét về trí thông minh thuần túy, nó thông minh hơn một người đoạt giải Nobel trong hầu hết các lĩnh vực liên quan – sinh học, lập trình, toán học, kỹ thuật, viết lách, v.v. Điều này có nghĩa là nó có thể chứng minh các định lý toán học chưa có lời giải, viết những cuốn tiểu thuyết cực kỳ xuất sắc, viết các cơ sở mã nguồn phức tạp từ đầu, v.v.
- Ngoài việc chỉ là một "thực thể thông minh để trò chuyện", nó còn sở hữu tất cả các "giao diện" mà một con người làm việc trực tuyến có thể sử dụng, bao gồm văn bản, âm thanh, video, điều khiển chuột và bàn phím, cùng quyền truy cập internet. Nó có thể tham gia vào bất kỳ hành động, giao tiếp hoặc vận hành từ xa nào được hỗ trợ bởi các giao diện này, bao gồm thực hiện các thao tác trên internet, nhận hoặc đưa ra chỉ dẫn cho con người, đặt hàng vật liệu, chỉ đạo các thí nghiệm, xem video, tạo video, v.v. Nó thực hiện tất cả các tác vụ này với kỹ năng vượt xa những con người tài năng nhất trên thế giới.
- Nó không chỉ thụ động trả lời các câu hỏi; thay vào đó, nó có thể được giao các nhiệm vụ cần hàng giờ, hàng ngày hoặc hàng tuần để hoàn thành, sau đó tự mình thực hiện các nhiệm vụ đó một cách độc lập, giống như một nhân viên thông minh, và sẽ hỏi làm rõ khi cần thiết.
- Nó không có hình hài vật lý (ngoài việc tồn tại trên màn hình máy tính), nhưng nó có thể điều khiển các công cụ vật lý, robot hoặc thiết bị phòng thí nghiệm hiện có thông qua máy tính; về lý thuyết, nó thậm chí có thể tự thiết kế robot hoặc thiết bị để sử dụng.
- Các tài nguyên dùng để huấn luyện mô hình có thể được tái sử dụng để chạy hàng triệu phiên bản của nó (điều này phù hợp với quy mô cụm máy chủ dự kiến vào khoảng năm 2027), và mô hình có thể tiếp nhận thông tin cũng như tạo ra hành động với tốc độ nhanh gấp khoảng 10-100 lần con người. Tuy nhiên, nó có thể bị giới hạn bởi thời gian phản hồi của thế giới vật lý hoặc của phần mềm mà nó tương tác.
- Mỗi bản sao trong số hàng triệu bản này có thể hoạt động độc lập trên các tác vụ không liên quan, hoặc nếu cần, tất cả có thể cùng phối hợp theo cách con người cộng tác, có lẽ với các nhóm nhỏ khác nhau được tinh chỉnh để đặc biệt giỏi trong các nhiệm vụ cụ thể.

Chúng ta có thể tóm tắt điều này như một "quốc gia của những thiên tài trong một trung tâm dữ liệu".

Rõ ràng một thực thể như vậy sẽ có khả năng giải quyết các vấn đề rất khó khăn, rất nhanh chóng, nhưng việc xác định tốc độ đó nhanh đến mức nào không hề đơn giản. Hai quan điểm "cực đoan" đối với tôi đều có vẻ sai. Thứ nhất, bạn có thể nghĩ rằng thế giới sẽ ngay lập tức bị biến đổi trong quy mô vài giây hoặc vài ngày ("[Điểm kỳ dị](https://en.wikipedia.org/wiki/Technological_singularity#:~:text=The%20technological%20singularity%E2%80%94or%20simply,unforeseeable%20consequences%20for%20Human%20civilization.)"), khi trí tuệ siêu việt tự phát triển và giải quyết mọi nhiệm vụ khoa học, kỹ thuật và vận hành có thể ngay lập tức. Vấn đề ở đây là có những giới hạn vật lý và thực tế tồn tại, ví dụ như việc xây dựng phần cứng hoặc tiến hành các thí nghiệm sinh học. Ngay cả một quốc gia thiên tài mới cũng sẽ vấp phải những giới hạn này. Trí thông minh có thể rất mạnh mẽ, nhưng nó không phải là phép thuật.

Thứ hai, ngược lại, bạn có thể tin rằng tiến bộ công nghệ đã bão hòa hoặc bị giới hạn tốc độ bởi dữ liệu thực tế hoặc các yếu tố xã hội, và trí thông minh vượt trội hơn con người sẽ không đóng góp được nhiều. Điều này đối với tôi cũng có vẻ không hợp lý—tôi có thể nghĩ ra hàng trăm vấn đề khoa học hoặc thậm chí xã hội mà ở đó một nhóm lớn những người thực sự thông minh sẽ đẩy nhanh tiến độ một cách đáng kể, đặc biệt nếu họ không bị giới hạn ở việc phân tích mà có thể biến mọi thứ thành hiện thực (điều mà quốc gia thiên tài giả định của chúng ta có thể làm, bao gồm cả việc chỉ đạo hoặc hỗ trợ các nhóm con người).

Tôi nghĩ sự thật có khả năng là một sự pha trộn hỗn độn giữa hai bức tranh cực đoan này, một thứ thay đổi tùy theo nhiệm vụ và lĩnh vực, và rất tinh tế trong các chi tiết của nó. Tôi tin rằng chúng ta cần những khuôn khổ mới để suy nghĩ về các chi tiết này một cách hiệu quả.

Các nhà kinh tế thường nói về "các yếu tố sản xuất": những thứ như lao động, đất đai và vốn. Cụm từ "lợi nhuận biên của lao động/đất đai/vốn" nắm bắt ý tưởng rằng trong một tình huống nhất định, một yếu tố cụ thể có thể là yếu tố giới hạn hoặc không – ví dụ, một lực lượng không quân cần cả máy bay và phi công, và việc thuê thêm phi công sẽ không giúp ích gì nhiều nếu bạn hết máy bay. Tôi tin rằng trong kỷ nguyên AI, chúng ta nên nói về lợi nhuận biên của trí thông minh, và cố gắng tìm ra những yếu tố khác bổ sung cho trí thông minh và trở thành yếu tố giới hạn khi trí thông minh ở mức rất cao. Chúng ta không quen suy nghĩ theo cách này—để hỏi "việc thông minh hơn giúp ích bao nhiêu cho nhiệm vụ này, và trên thang thời gian nào?"—nhưng đó dường như là cách đúng đắn để khái niệm hóa một thế giới với AI cực kỳ mạnh mẽ.

Dự đoán của tôi về danh sách các yếu tố giới hạn hoặc bổ sung cho trí thông minh bao gồm:

- Tốc độ của thế giới bên ngoài. Các tác nhân thông minh cần hoạt động tương tác trong thế giới để hoàn thành công việc và cũng để học hỏi. Nhưng thế giới chỉ di chuyển với một tốc độ nhất định. Các tế bào và động vật hoạt động ở một tốc độ cố định nên các thí nghiệm trên chúng mất một khoảng thời gian nhất định mà có thể không thể rút ngắn được. Điều tương tự cũng đúng với phần cứng, khoa học vật liệu, bất cứ thứ gì liên quan đến giao tiếp với con người, và thậm chí cả cơ sở hạ tầng phần mềm hiện có của chúng ta. Hơn nữa, trong khoa học, nhiều thí nghiệm thường cần được thực hiện theo trình tự, mỗi thí nghiệm học hỏi hoặc xây dựng dựa trên thí nghiệm trước đó. Tất cả những điều này có nghĩa là tốc độ hoàn thành một dự án lớn—ví dụ như phát triển phương pháp chữa ung thư—có thể có một mức tối thiểu không thể giảm bớt ngay cả khi trí thông minh tiếp tục tăng lên.
- Nhu cầu về dữ liệu. Đôi khi dữ liệu thô bị thiếu hụt và khi không có nó, trí thông minh hơn cũng không giúp ích gì. Các nhà vật lý hạt ngày nay rất tài tình và đã phát triển nhiều lý thuyết, nhưng thiếu dữ liệu để lựa chọn giữa chúng vì dữ liệu máy gia tốc hạt [rất hạn chế](https://www.technologyreview.com/2024/02/20/1088002/higgs-boson-physics-particle-collider-large-hadron-collider/). Không rõ liệu họ có làm tốt hơn đáng kể nếu họ siêu thông minh hay không—ngoại trừ việc có thể đẩy nhanh quá trình xây dựng một máy gia tốc lớn hơn.
- Độ phức tạp nội tại. Một số thứ vốn dĩ không thể dự đoán được hoặc hỗn loạn và ngay cả AI mạnh nhất cũng không thể dự đoán hoặc giải quyết chúng tốt hơn đáng kể so với con người hoặc máy tính ngày nay. Ví dụ, ngay cả AI cực kỳ mạnh mẽ cũng chỉ có thể dự đoán xa hơn một chút trong một hệ thống hỗn loạn (như [bài toán ba vật thể](https://en.wikipedia.org/wiki/Three-body_problem)) trong trường hợp tổng quát, so với con người và máy tính hiện nay.
- Các ràng buộc từ con người. Nhiều việc không thể thực hiện được nếu không vi phạm pháp luật, gây hại cho con người hoặc làm đảo lộn xã hội. Một AI được căn chỉnh sẽ không muốn làm những điều này (và nếu chúng ta có một AI không được căn chỉnh, chúng ta lại quay lại nói về các rủi ro). Nhiều cấu trúc xã hội của con người không hiệu quả hoặc thậm chí gây hại, nhưng rất khó thay đổi trong khi vẫn phải tôn trọng các ràng buộc như yêu cầu pháp lý về thử nghiệm lâm sàng, sự sẵn lòng thay đổi thói quen của mọi người, hoặc hành vi của các chính phủ. Các ví dụ về những tiến bộ hoạt động tốt về mặt kỹ thuật, nhưng tác động bị giảm đáng kể bởi các quy định hoặc nỗi sợ hãi không đáng có, bao gồm năng lượng hạt nhân, [bay siêu thanh](https://en.wikipedia.org/wiki/Concorde), và [thậm chí cả thang máy](https://www.nytimes.com/2024/07/08/opinion/elevator-construction-regulation-labor-immigration.html).
- Các định luật vật lý. Đây là phiên bản khắc nghiệt hơn của luận điểm đầu tiên. Có những định luật vật lý dường như không thể phá vỡ. Không thể di chuyển nhanh hơn ánh sáng. [Pudding không thể được khuấy ngược lại](https://en.wikipedia.org/wiki/Arcadia_(play)). Các con chip chỉ có thể chứa một số lượng bóng bán dẫn nhất định trên mỗi centimet vuông [trước khi chúng trở nên không đáng tin cậy](https://en.wikipedia.org/wiki/Quantum_tunnelling). Việc tính toán đòi hỏi một [mức năng lượng tối thiểu nhất định trên mỗi bit](https://en.wikipedia.org/wiki/Landauer%27s_principle) bị xóa, làm giới hạn mật độ tính toán trên thế giới.

Có một sự phân biệt sâu xa hơn dựa trên khung thời gian. Những thứ là ràng buộc cứng trong ngắn hạn có thể trở nên linh hoạt hơn đối với trí tuệ trong dài hạn. Ví dụ, trí tuệ có thể được sử dụng để phát triển một mô hình thực nghiệm mới cho phép chúng ta tìm hiểu trong ống nghiệm (in vitro) những gì trước đây đòi hỏi thí nghiệm trên động vật sống, hoặc để xây dựng các công cụ cần thiết nhằm thu thập dữ liệu mới (ví dụ: máy gia tốc hạt lớn hơn), hoặc để (trong giới hạn đạo đức) tìm cách vượt qua các ràng buộc dựa trên con người (ví dụ: giúp cải thiện hệ thống thử nghiệm lâm sàng, giúp tạo ra các khu vực pháp lý mới nơi các thử nghiệm lâm sàng ít quan liêu hơn, hoặc cải thiện chính khoa học để làm cho các thử nghiệm lâm sàng trên người trở nên ít cần thiết hoặc rẻ hơn).

Do đó, chúng ta nên hình dung một bức tranh nơi trí tuệ ban đầu bị thắt nút nặng nề bởi các yếu tố sản xuất khác, nhưng theo thời gian, chính trí tuệ ngày càng tìm cách vượt qua các yếu tố khác, ngay cả khi chúng không bao giờ tan biến hoàn toàn (và một số thứ như định luật vật lý là tuyệt đối). Câu hỏi chính là tất cả diễn ra nhanh đến mức nào và theo thứ tự nào.

Với khuôn khổ trên, tôi sẽ cố gắng trả lời câu hỏi đó cho năm lĩnh vực đã đề cập trong phần giới thiệu.

### 1. Sinh học và sức khỏe

Sinh học có lẽ là lĩnh vực mà tiến bộ khoa học có tiềm năng lớn nhất để cải thiện trực tiếp và rõ ràng chất lượng cuộc sống con người. Trong thế kỷ trước, một số căn bệnh cổ xưa nhất của nhân loại (như bệnh đậu mùa) cuối cùng đã bị đánh bại, nhưng còn rất nhiều bệnh khác vẫn tồn tại, và việc đánh bại chúng sẽ là một thành tựu nhân đạo to lớn. Thậm chí vượt xa việc chữa bệnh, khoa học sinh học về nguyên tắc có thể cải thiện chất lượng sức khỏe cơ bản của con người bằng cách kéo dài tuổi thọ khỏe mạnh, tăng cường khả năng kiểm soát và tự do đối với các quá trình sinh học của chính chúng ta, và giải quyết các vấn đề hàng ngày mà hiện nay chúng ta coi là những phần bất biến của thân phận con người.

Theo ngôn ngữ "yếu tố giới hạn" của phần trước, những thách thức chính khi áp dụng trực tiếp trí tuệ vào sinh học là dữ liệu, tốc độ của thế giới vật lý và sự phức tạp nội tại (thực tế, cả ba đều liên quan đến nhau). Các ràng buộc của con người cũng đóng một vai trò ở giai đoạn sau, khi các thử nghiệm lâm sàng được thực hiện. Hãy xem xét từng yếu tố một.

Các thí nghiệm trên tế bào, động vật và thậm chí cả các quá trình hóa học đều bị giới hạn bởi tốc độ của thế giới vật lý: nhiều quy trình sinh học liên quan đến việc nuôi cấy vi khuẩn hoặc các tế bào khác, hoặc đơn giản là chờ đợi các phản ứng hóa học xảy ra, và đôi khi việc này có thể mất nhiều ngày hoặc thậm chí nhiều tuần mà không có cách nào rõ ràng để đẩy nhanh tốc độ. Các thí nghiệm trên động vật có thể mất nhiều tháng (hoặc hơn) và các thí nghiệm trên người thường mất nhiều năm (hoặc thậm chí nhiều thập kỷ đối với các nghiên cứu kết quả dài hạn). Liên quan đến điều này, dữ liệu thường thiếu hụt—không phải về số lượng mà là chất lượng: luôn thiếu dữ liệu rõ ràng, không mơ hồ để tách biệt một tác động sinh học quan tâm khỏi 10.000 yếu tố gây nhiễu khác đang diễn ra, hoặc để can thiệp một cách nhân quả vào một quá trình nhất định, hoặc để đo lường trực tiếp một tác động nào đó (thay vì suy luận hậu quả của nó theo cách gián tiếp hoặc nhiễu). Ngay cả dữ liệu phân tử định lượng khổng lồ, như dữ liệu proteomics mà tôi đã thu thập khi làm việc với các kỹ thuật khối phổ, cũng bị nhiễu và thiếu sót rất nhiều (đây là những protein trong loại tế bào nào? Phần nào của tế bào? Ở giai đoạn nào trong chu kỳ tế bào?).

Một phần nguyên nhân gây ra các vấn đề về dữ liệu này là sự phức tạp nội tại: nếu bạn từng thấy một [sơ đồ hiển thị hóa sinh của quá trình trao đổi chất ở người](https://today.ucsd.edu/story/international_consortium_builds_google_map_of_human_metabolism), bạn sẽ biết rằng rất khó để tách biệt tác động của bất kỳ phần nào trong hệ thống phức tạp này, và thậm chí còn khó hơn để can thiệp vào hệ thống theo cách chính xác hoặc có thể dự đoán được. Và cuối cùng, ngoài thời gian nội tại cần thiết để thực hiện một thí nghiệm trên người, các thử nghiệm lâm sàng thực tế còn liên quan đến rất nhiều thủ tục hành chính và yêu cầu pháp lý mà (theo ý kiến của nhiều người, bao gồm cả tôi) làm tăng thêm thời gian không cần thiết và trì hoãn tiến độ.

Với tất cả những điều này, nhiều nhà sinh học từ lâu đã [hoài nghi](https://www.nature.com/articles/d41586-024-00306-2) về giá trị của AI và "dữ liệu lớn" nói chung trong sinh học. Trong lịch sử, các nhà toán học, nhà khoa học máy tính và nhà vật lý đã áp dụng kỹ năng của họ vào sinh học trong 30 năm qua đã khá thành công, nhưng chưa tạo ra tác động thực sự mang tính chuyển đổi như kỳ vọng ban đầu. Một phần sự hoài nghi đã giảm bớt nhờ những đột phá lớn và mang tính cách mạng như [AlphaFold](https://alphafold.ebi.ac.uk/) (vừa mang về cho những người tạo ra nó [Giải Nobel Hóa học](https://www.nobelprize.org/prizes/chemistry/2024/summary/) một cách xứng đáng) và [AlphaProteo](https://deepmind.google/discover/blog/alphaproteo-generates-novel-proteins-for-biology-and-health-research/), nhưng vẫn có quan điểm cho rằng AI chỉ (và sẽ tiếp tục) hữu ích trong một số trường hợp hạn chế. Một cách diễn đạt phổ biến là "AI có thể phân tích dữ liệu của bạn tốt hơn, nhưng nó không thể tạo ra nhiều dữ liệu hơn hoặc cải thiện chất lượng dữ liệu. Rác vào thì rác ra".

Nhưng tôi nghĩ quan điểm bi quan đó đang suy nghĩ về AI theo cách sai lầm. Nếu giả thuyết cốt lõi của chúng ta về tiến bộ AI là đúng, thì cách đúng đắn để nghĩ về AI không phải là một phương pháp phân tích dữ liệu, mà là một nhà sinh học ảo thực hiện tất cả các nhiệm vụ mà các nhà sinh học làm, bao gồm thiết kế và thực hiện các thí nghiệm trong thế giới thực (bằng cách điều khiển robot phòng thí nghiệm hoặc đơn giản là chỉ đạo con người thực hiện thí nghiệm nào – như cách một Nghiên cứu viên chính (PI) làm với các nghiên cứu sinh của họ), phát minh ra các phương pháp sinh học hoặc kỹ thuật đo lường mới, v.v. Chính bằng cách đẩy nhanh toàn bộ quá trình nghiên cứu, AI mới có thể thực sự thúc đẩy sinh học. Tôi muốn nhắc lại điều này vì đây là quan niệm sai lầm phổ biến nhất xuất hiện khi tôi nói về khả năng biến đổi sinh học của AI: Tôi không nói về AI như một công cụ chỉ để phân tích dữ liệu. Theo định nghĩa về AI mạnh mẽ ở đầu bài luận này, tôi đang nói về việc sử dụng AI để thực hiện, chỉ đạo và cải thiện gần như mọi thứ mà các nhà sinh học làm.

Để cụ thể hơn về nơi tôi nghĩ sự tăng tốc có khả năng đến từ đâu, một tỷ lệ đáng ngạc nhiên trong tiến bộ sinh học đến từ một số lượng rất nhỏ các khám phá, thường liên quan đến các công cụ hoặc kỹ thuật đo lường rộng rãi cho phép can thiệp chính xác nhưng tổng quát hoặc có thể lập trình được vào các hệ thống sinh học. Có lẽ có khoảng 1 khám phá lớn như vậy mỗi năm và nhìn chung chúng được cho là thúc đẩy >50% tiến bộ trong sinh học. Những khám phá này mạnh mẽ chính xác vì chúng cắt ngang sự phức tạp nội tại và các hạn chế về dữ liệu, trực tiếp làm tăng sự hiểu biết và khả năng kiểm soát của chúng ta đối với các quá trình sinh học. Một vài khám phá mỗi thập kỷ đã cho phép chúng ta đạt được phần lớn sự hiểu biết khoa học cơ bản về sinh học, đồng thời thúc đẩy nhiều phương pháp điều trị y tế mạnh mẽ nhất.

Một số ví dụ bao gồm:

- [CRISPR](https://en.wikipedia.org/wiki/CRISPR): một kỹ thuật cho phép chỉnh sửa trực tiếp bất kỳ gen nào trong các sinh vật sống (thay thế bất kỳ trình tự gen tùy ý nào bằng một trình tự tùy ý khác). Kể từ khi kỹ thuật ban đầu được phát triển, đã có những [cải tiến liên tục](https://www.nature.com/articles/s41581-022-00636-2) để nhắm mục tiêu vào các loại tế bào cụ thể, tăng độ chính xác và giảm thiểu việc chỉnh sửa nhầm gen—tất cả đều là những yếu tố cần thiết để sử dụng an toàn trên người.
- Các loại kính hiển vi đa dạng để quan sát những gì đang diễn ra ở cấp độ chính xác: kính hiển vi quang học tiên tiến (với nhiều loại kỹ thuật huỳnh quang, quang học đặc biệt, v.v.), kính hiển vi điện tử, kính hiển vi lực nguyên tử, v.v.
- Giải trình tự và tổng hợp bộ gen, vốn đã [giảm chi phí](https://www.genome.gov/about-genomics/fact-sheets/Sequencing-Human-Genome-cost) xuống vài bậc độ lớn trong vài thập kỷ qua.
- Các kỹ thuật [Optogenetic](https://en.wikipedia.org/wiki/Optogenetics#:~:text=Optogenetics%20is%20a%20biological%20technique,specifically%20in%20the%20target%20cells.) cho phép bạn kích hoạt một tế bào thần kinh bằng cách chiếu ánh sáng vào nó.
- [Vắc-xin mRNA](https://pubmed.ncbi.nlm.nih.gov/34433919/) về nguyên tắc cho phép chúng ta thiết kế vắc-xin chống lại bất cứ thứ gì và sau đó nhanh chóng điều chỉnh nó (vắc-xin mRNA tất nhiên đã trở nên nổi tiếng trong thời kỳ COVID).
- Các liệu pháp tế bào như [CAR-T](https://en.wikipedia.org/wiki/CAR_T_cell) cho phép lấy các tế bào miễn dịch ra khỏi cơ thể và "lập trình lại" chúng để tấn công, về nguyên tắc, bất cứ thứ gì.
- Những hiểu biết mang tính khái niệm như thuyết mầm bệnh hoặc việc nhận ra mối liên hệ giữa hệ thống miễn dịch và ung thư.

Tôi cất công liệt kê tất cả những công nghệ này vì tôi muốn đưa ra một khẳng định quan trọng về chúng: Tôi nghĩ tốc độ khám phá của chúng có thể tăng gấp 10 lần hoặc hơn nếu có thêm nhiều nhà nghiên cứu tài năng và sáng tạo. Hay nói cách khác, tôi nghĩ lợi nhuận từ trí tuệ là rất cao đối với những khám phá này, và mọi thứ khác trong sinh học và y học chủ yếu đều bắt nguồn từ chúng.

Tại sao tôi lại nghĩ như vậy? Bởi vì câu trả lời cho một số câu hỏi mà chúng ta nên tập thói quen đặt ra khi cố gắng xác định "lợi nhuận từ trí tuệ". Thứ nhất, những khám phá này thường được thực hiện bởi một số lượng rất nhỏ các nhà nghiên cứu, thường là cùng một nhóm người lặp đi lặp lại, cho thấy đó là kỹ năng chứ không phải tìm kiếm ngẫu nhiên (yếu tố sau có thể gợi ý rằng các thí nghiệm kéo dài mới là yếu tố hạn chế). Thứ hai, chúng thường "đáng lẽ có thể được thực hiện" sớm hơn nhiều năm so với thực tế: ví dụ, CRISPR là một thành phần tự nhiên của hệ thống miễn dịch ở vi khuẩn đã [được biết đến từ những năm 1980](https://link.springer.com/article/10.1134/S1062360422040075), nhưng phải mất thêm 25 năm nữa người ta mới nhận ra nó có thể được tái sử dụng cho việc chỉnh sửa gen nói chung. Chúng cũng thường bị trì hoãn nhiều năm do thiếu sự hỗ trợ từ cộng đồng khoa học cho các hướng đi đầy hứa hẹn (xem [hồ sơ này](https://www.vox.com/future-perfect/2023/10/5/23903292/katalin-kariko-drew-weissman-nobel-prize-medicine-mrna-vaccines-covid-coronavirus) về người phát minh ra vắc-xin mRNA; những câu chuyện tương tự rất phổ biến). Thứ ba, các dự án thành công thường là những dự án nhỏ lẻ hoặc là những ý tưởng phụ mà ban đầu mọi người không nghĩ là đầy hứa hẹn, thay vì là những nỗ lực được tài trợ khổng lồ. Điều này cho thấy không chỉ việc tập trung nguồn lực khổng lồ mới thúc đẩy các khám phá, mà chính là sự khéo léo, sáng tạo.

_Bài gốc còn tiếp._ Xem tiếp tại: <https://www.darioamodei.com/essay/machines-of-loving-grace>