Từ "Nước đi 37" Chấn động Toàn Cầu - Giờ AI đã đi Xa đến đâu?

nội dung

1 Mười năm trước, hệ thống AI AlphaGo đã trở thành chương trình đầu tiên đánh bại một nhà vô địch thế giới trong trò chơi cờ vây đầy phức tạp – cột mốc mà các chuyên gia từng dự đoán phải mất một thập kỷ nữa mới có thể đạt được.

Mười năm trước, hệ thống AI AlphaGo đã trở thành chương trình đầu tiên đánh bại một nhà vô địch thế giới trong trò chơi cờ vây đầy phức tạp – cột mốc mà các chuyên gia từng dự đoán phải mất một thập kỷ nữa mới có thể đạt được.

Thành tựu này đã đánh dấu sự khởi đầu của kỷ nguyên AI hiện đại. Với một nước đi duy nhất, ‘Nước đi 37’ (Move 37) giờ đây đã trở thành huyền thoại, AlphaGo đã chứng minh tiềm năng của trí tuệ nhân tạo và báo hiệu rằng chúng ta đã sở hữu những kỹ thuật nền tảng để bắt đầu giải quyết các vấn đề khoa học trong thế giới thực.

Ngày nay, bước đột phá này tiếp tục dẫn lối cho việc xây dựng các hệ thống trên con đường tiến tới trí tuệ nhân tạo tổng quát (AGI). Chúng tôi tin rằng AGI sẽ là công nghệ mang tính bước ngoặt nhất từng được phát minh và tiềm năng trở thành công cụ tối ưu để thúc đẩy khoa học, y học và năng suất làm việc.

Một cú hích sáng tạo

Vào năm 2016, hơn 200 triệu người đã theo dõi AlphaGo đối đầu với nhà vô địch thế giới Lee Sae Dol tại Seoul. Trận đấu ghi dấu ấn bởi ‘Nước đi 37’ ở Ván thứ 2, một nước đi khác biệt đến mức các bình luận viên chuyên nghiệp ban đầu còn tưởng đó là một sai lầm.

Nhưng thực tế, nước đi đó lại là bước ngoặt xoay chuyển bàn cờ. Khoảng một trăm nước đi sau đó, quân cờ nằm chính xác ở vị trí cần thiết để AlphaGo giành chiến thắng. Đó là biểu hiện của khả năng nhìn xa trông rộng đáng kinh ngạc và năng lực của AI trong việc vượt qua giới hạn bắt chước các chuyên gia con người để tìm ra những chiến lược hoàn toàn mới.

Cờ vây từ lâu đã là nơi thử nghiệm lý tưởng cho nghiên cứu AI bởi sự phức tạp tột độ của nó. Có tới 10170 vị trí có thể xảy ra trên bàn cờ — nhiều hơn cả số lượng nguyên tử hiện hữu trong vũ trụ.

Để giải mã trò chơi này, AlphaGo đã sử dụng mạng thần kinh sâu (deep neural networks) kết hợp với các thuật toán tìm kiếm tiên tiến và học tăng cường (reinforcement learning) – một hướng tiếp cận AI mà DeepMind đã tiên phong khai phá .

AlphaGo tự học mô hình của các nước đi khả thi hợp lý bằng việc đầu tiên là phân tích dữ liệu ván đấu từ các cao thủ con người, sau đó tiến hành tự chơi hàng trăm nghìn ván đấu. qua đó đúc kết và tôi luyện những chiến thuật mang lại tỉ lệ thắng cao nhất. Sau đó, hệ thống tập trung phân tích các lộ trình tiềm năng nhất, sàng lọc ra nước đi duy nhất có khả năng định đoạt chiến thắng.

Sau AlphaGo, chúng tôi xây dựng AlphaGo Zero — hệ thống tự học từ các nước đi ngẫu nhiên để trở thành kỳ thủ mạnh nhất lịch sử. Không dừng lại ở đó, chúng tôi tiếp tục tổng quát hóa AI với AlphaZero , mô hình sở hữu khả năng tự học để làm chủ bất kỳ bộ môn cờ đối kháng nào, bao gồm cả cờ vây, cờ vua và Shogi. Chỉ với luật chơi cơ bản mà không cần bất kỳ dữ liệu đầu vào nào, AlphaZero đã làm chủ cờ vua chỉ trong vỏn vẹn vài giờ đồng hồ. Nó không chỉ hạ gục các đại kiện tướng hàng đầu, mà còn đánh bại cả những siêu máy tính chuyên biệt về cờ vua xuất sắc nhất thời bấy giờ như Stockfish. Và điều đáng kinh ngạc hơn cả: dù cờ vua vốn dĩ đã được giới chuyên môn phân tích đến tận cùng nhờ sự trợ giúp của các phần mềm, AlphaZero — giống hệt như cách nó đã làm với cờ vây — vẫn tiếp tục khai phá ra những tư duy chiến thuật mới đầy đột phá.

Đó là minh chứng rõ nét cho điều tôi đã nhận ra ngay từ khoảnh khắc chiến thắng tại Seoul — công nghệ đã hoàn toàn sẵn sàng để ứng dụng vào mục tiêu đích thực trong việc thúc đẩy các đột phá khoa học.

“Tôi tin rằng bài học lớn nhất mà AlphaGo mang lại là một cái nhìn thực tế và rõ nét về kỷ nguyên AI – minh chứng rằng AI không còn là một tương lai xa vời, mơ hồ, mà đã là một thực tại đang gõ cửa từng nhà. AlphaGo giống như một ‘lộ trình đến từ tương lai’, gửi đi tín hiệu rõ rệt cho nhân loại về cách thế giới sẽ thay đổi.” — Lee Sae Dol, Kỳ thủ Cờ vây thế giới, Giáo sư thỉnh giảng tại UNIST chia sẻ.

Thúc đẩy những đột phá khoa học

Bằng việc thành công làm chủ các biến số vô tận trên bàn cờ vây, AlphaGo đã cho thấy tiềm năng của AI trong việc giúp chúng ta thấu hiểu sự phức tạp khôn cùng của thế giới vật lý. Chúng tôi khởi đầu bằng nỗ lực giải quyết bài toán cuộn gấp protein — một thử thách vĩ đại tồn tại suốt nửa thế kỷ nhằm dự đoán cấu trúc 3D của protein và là chìa khóa then chốt để thấu hiểu bệnh lý và phát triển dược phẩm mới.

Vào năm 2020, chúng tôi cuối cùng đã hóa giải thành công bài toán khoa học nan giải này bằng hệ thống AlphaFold 2 . Từ bước ngoặt đó, chúng tôi tiếp tục giải mã cấu trúc của toàn bộ 200 triệu protein mà nhân loại từng biết đến và cung cấp hoàn toàn miễn phí cho giới khoa học thông qua một cơ sở dữ liệu mở. Ngày nay, hơn 3 triệu nhà nghiên cứu trên toàn thế giới đang sử dụng dữ liệu từ AlphaFold để thúc đẩy các dự án quan trọng của họ — từ việc phát triển vaccine sốt rét cho đến chế tạo các enzyme phân hủy nhựa. Và vào năm 2024, tôi cùng John Jumper đã thay mặt toàn bộ đội ngũ AlphaFold đón nhận Giải Nobel Hóa học cho vai trò dẫn dắt dự án này, đó là vinh dự lớn lao nhất trong cuộc đời chúng tôi.

Kể từ sau chiến thắng của AlphaGo, chúng tôi đã áp dụng cách tiếp cận đột phá của AlphaGo vào nhiều lĩnh vực khoa học và toán học, bao gồm:

Suy luận toán học: “Hậu duệ” trực tiếp nhất của kiến trúc AlphaGo là AlphaProof . AlphaProof đã học cách giải mã các mệnh đề toán học bằng sự kết hợp đột phá giữa mô hình ngôn ngữ và sức mạnh tìm kiếm của AlphaZero. Cùng với AlphaGeometry 2, đây là hệ thống đầu tiên đạt được thành tích tương đương huy chương bạc tại Kỳ thi Olympic Toán quốc tế (IMO), chứng minh rằng các phương pháp của AlphaGo có thể khai mở khả năng suy luận toán học nâng cao và đặt nền móng cho các mô hình tổng quát mạnh mẽ nhất của chúng tôi.

Mall) Loa Kiểm Âm Bluetooth EDIFIER MR3/MR5 I Công Suất 36W | Bluetooth 5.4 |

Gemini — mô hình AI quy mô nhất và toàn năng nhất của chúng tôi — đã tiến đến cột mốc mới. Một phiên bản nâng cao của chế độ Deep Think đã chinh phục thành tích tương đương Huy chương Vàng tại kỳ thi IMO 2025 nhờ áp dụng lối tư duy lấy cảm hứng từ AlphaGo. Nối tiếp thành công đó, Deep Think đang tiếp tục áp dụng vào các thử thách có độ phức tạp cao hơn nữa trong cả hai lĩnh vực khoa học và kỹ thuật.

Khám phá thuật toán: Giống như AlphaGo tìm kiếm nước đi tốt nhất trong một ván cờ, tác nhân lập trình AlphaEvolve của chúng tôi khám phá mọi phương án thiết lập mã nguồn để tìm ra các thuật toán hiệu quả hơn. Hệ thống này đã tự tạo nên ‘Nước đi 37’ của riêng mình khi tìm ra một phương thức nhân ma trận hoàn toàn mới — một phép toán cơ bản vận hành gần như tất cả các mạng thần kinh hiện đại. AlphaEvolve hiện đang được thử nghiệm trên nhiều bài toán thực tế, từ tối ưu hóa trung tâm dữ liệu cho đến điện toán lượng tử.

Cộng tác khoa học: Chúng tôi đang tích hợp các nguyên lý tìm kiếm và suy luận từ AlphaGo vào một ” cộng sự khoa học AI ” (AI co-scientist). Bằng cách cho các tác nhân ‘tranh luận’ về các ý tưởng và giả thuyết khoa học, hệ thống này đóng vai trò như một cộng sự có khả năng tư duy chặt chẽ cần thiết để nhận diện các quy luật trong dữ liệu và giải quyết các vấn đề phức tạp. Trong các nghiên cứu thực chứng tại Imperial College London , hệ thống này đã phân tích các tài liệu trong nhiều thập kỷ và độc lập đưa ra cùng một giả thuyết về tình trạng kháng thuốc kháng sinh mà các nhà nghiên cứu đã phải mất nhiều năm mới phát triển và xác thực được qua thực nghiệm.

Chúng tôi cũng đã sử dụng AI để hiểu rõ hơn về bộ gen , thúc đẩy nghiên cứu năng lượng nhiệt hạch , cải thiện khả năng dự báo thời tiết và nhiều lĩnh vực khác.

Dù sở hữu năng lực ấn tượng, các mô hình khoa học hiện tại của chúng tôi vẫn mang tính chuyên biệt hóa cao. Để đạt được những đột phá căn bản như tạo ra năng lượng sạch vô hạn hay chữa khỏi những căn bệnh nan y, chúng ta cần các hệ thống AI tổng quát có thể tìm ra cấu trúc và mối liên hệ tiềm ẩn giữa các lĩnh vực khác nhau, giúp chúng ta đưa ra những giả thuyết mới như cách các nhà khoa học vĩ đại nhất vẫn làm.

Tương lai của trí tuệ

Để một AI thực sự mang tính tổng quát, nó cần hiểu được thế giới vật lý. Chúng tôi đã xây dựng Gemini theo hướng đa phương thức ngay từ đầu để nó có thể thấu hiểu không chỉ qua ngôn ngữ mà còn qua âm thanh, video, hình ảnh và mã lệnh để lập trình nên mô hình của thế giới.

Để tư duy và suy luận đa phương thức, các mô hình Gemini mới nhất đang ứng dụng chính những kỹ thuật mà chúng tôi từng tiên phong khai phá cùng AlphaGo và AlphaZero.

Thế hệ AI tiếp theo cũng sẽ đòi hỏi khả năng vận hành các công cụ chuyên biệt, ví dụ như: nếu một mô hình cần giải mã cấu trúc protein, nó hoàn toàn có thể chủ động tìm đến sự trợ giúp của AlphaFold.

Chúng tôi tin rằng sự giao thoa giữa mô hình thế giới của Gemini, năng lực tìm kiếm và lập kế hoạch của AlphaGo, cùng khả năng sử dụng các công cụ AI chuyên sâu, sẽ là chiếc chìa khóa mang tính quyết định để tiến tới AGI.

Một thành phần quan trọng khác của AGI là sự sáng tạo. Nước đi 37 là cái nhìn thoáng qua về tiềm năng của AI trong việc tư duy đột phá. Nhưng để hoàn toàn sáng tạo, AGI sẽ cần khả năng phát minh thực thụ. Một bài kiểm tra cho năng lực này: liệu mô hình có thể phát minh ra một trò chơi sâu sắc và tinh tế như cờ vây, chứ không chỉ đơn thuần là đưa ra một chiến thuật mới lạ?

Mười năm sau chiến thắng lịch sử của AlphaGo, trí tuệ nhân tạo tổng quát (AGI) đã ở ngay ngưỡng cửa của hiện thực hoá. Ngọn lửa sáng tạo nhen nhóm từ AlphaGo ngày ấy đã thúc đẩy những đột phá phi thường, giờ đây đang hội tụ để khai mở con đường tiến tới AGI — mở ra một kỷ nguyên vàng của sự khám phá và tiến bộ vượt bậc cho nhân loại.

Bài viết đến từ ông Demis Hassabis – CEO Google DeepMind, tiêu đề do Ban biên tập đặt lại.

Tags