AGI là gì? Khi AI học cách tự học như con người

AGI là gì?

AGI là một hướng nghiên cứu AI mang tính lý thuyết, theo đuổi việc tạo ra phần mềm có trí thông minh giống con người và khả năng tự học. Mục tiêu là để hệ thống có thể thực hiện những nhiệm vụ mà nó chưa từng được huấn luyện hay thiết kế riêng để làm.

Các mô hình AI hiện nay đều hoạt động trong một phạm vi tham số đã được xác định từ trước. Một mô hình được huấn luyện để nhận diện và tạo hình ảnh sẽ không thể tự dưng biết cách dựng một trang web. AGI hướng tới điều ngược lại: một hệ thống có khả năng tự chủ, có mức độ "hiểu bản thân" nhất định, và có thể học kỹ năng mới để giải quyết vấn đề trong những bối cảnh mà nó chưa từng gặp khi được tạo ra. Cho đến nay, một AGI thực sự đạt năng lực ngang con người vẫn chỉ tồn tại trên lý thuyết.

AI và AGI khác nhau ở đâu?

Suốt nhiều thập kỷ, các nhà nghiên cứu AI đã đạt được những cột mốc giúp máy móc bắt chước trí thông minh con người trong các nhiệm vụ cụ thể. Chẳng hạn, các công cụ tóm tắt văn bản dùng machine learning (máy học, ML) để trích ra ý chính từ tài liệu và viết lại thành bản tóm tắt dễ hiểu. Nói cách khác, AI ngày nay là một lĩnh vực cho phép phần mềm xử lý những nhiệm vụ mới, khó, với hiệu suất tiệm cận con người — nhưng chỉ trong phạm vi nó được huấn luyện.

AGI thì khác: một hệ thống AGI có thể giải quyết vấn đề ở nhiều lĩnh vực khác nhau như con người vẫn làm, mà không cần ai can thiệp thủ công để "dạy thêm". Thay vì bị bó hẹp trong một phạm vi cụ thể, nó tự học và xử lý được cả những vấn đề chưa từng gặp. Vì vậy, AGI thường được xem là hình mẫu lý thuyết của một trí tuệ nhân tạo hoàn chỉnh — có năng lực nhận thức tổng quát tương đương con người.

Nhiều nhà khoa học máy tính hình dung AGI là một hệ thống có khả năng hiểu và nhận thức như con người: học cách xử lý nhiệm vụ lạ mà không cần huấn luyện bổ sung. Trong khi đó, các hệ thống AI hiện tại luôn cần một lượng dữ liệu huấn luyện đáng kể trước khi có thể làm tốt các nhiệm vụ trong cùng một lĩnh vực. Ví dụ, một large language model (mô hình ngôn ngữ lớn, LLM) đã huấn luyện trước vẫn cần được fine-tune (tinh chỉnh) trên tập dữ liệu y tế trước khi có thể vận hành ổn định như một chatbot tư vấn sức khỏe.
 

AI mạnh và AI yếu

Giới nghiên cứu thường dùng cặp khái niệm strong AI (AI mạnh) và weak AI (AI yếu) để phân biệt hai cấp độ này.

AI mạnh chính là AGI — một AI đầy đủ, có thể thực hiện nhiệm vụ ở mức nhận thức của con người dù chỉ có ít kiến thức nền. Đây cũng là hình ảnh quen thuộc trong khoa học viễn tưởng: một cỗ máy tư duy với sự hiểu biết không bị giới hạn trong một lĩnh vực nào.

Ngược lại, AI yếu (hay narrow AI — AI hẹp) là các hệ thống bị giới hạn trong những thông số kỹ thuật, thuật toán và nhiệm vụ cụ thể mà nó được thiết kế để xử lý. Ngay cả những ứng dụng AI tạo sinh mới nhất, dù đã có khả năng ghi nhớ ngữ cảnh tốt hơn nhiều, vẫn được xếp vào nhóm AI yếu — vì chúng không thể tự chuyển sang làm tốt một lĩnh vực hoàn toàn khác.

Những hướng tiếp cận lý thuyết để đạt được AGI

Để chinh phục AGI, cần một quy mô công nghệ, dữ liệu và khả năng kết nối vượt xa những gì các mô hình AI hiện nay cần. Tính sáng tạo, nhận thức, khả năng học hỏi và trí nhớ đều là những yếu tố phải có để tái tạo hành vi phức tạp của con người. Giới chuyên gia AI đã đề xuất một số hướng đi khác nhau.

Symbolic (biểu tượng). Hướng tiếp cận này giả định rằng máy tính có thể đạt AGI bằng cách mô phỏng tư duy con người thông qua các mạng logic quy mô lớn — biểu diễn vật thể vật lý bằng logic if-else để hệ thống "hiểu" ý tưởng ở tầng trừu tượng cao hơn. Hạn chế là cách này không tái hiện được những khả năng nhận thức tinh vi ở tầng thấp, như tri giác.

Connectionist (kết nối). Hướng này tập trung tái tạo cấu trúc não bộ con người vào kiến trúc mạng nơ-ron (neural network). Tế bào thần kinh có thể thay đổi đường truyền tín hiệu khi con người tiếp xúc với kích thích bên ngoài, và giới nghiên cứu kỳ vọng các mô hình mô phỏng cơ chế này có thể tái hiện trí thông minh giống con người ở cả tầng nhận thức thấp. Các mô hình ngôn ngữ quy mô lớn hiện nay chính là ví dụ điển hình cho hướng kết nối, khi chúng hiểu ngôn ngữ tự nhiên theo cách này.

Universalist (phổ quát). Hướng tiếp cận này nhìn AGI như một bài toán độ phức tạp ở cấp độ tính toán, và cố gắng xây dựng các giải pháp lý thuyết có thể chuyển hóa thành hệ thống AGI thực tế.

Whole-body architecture (kiến trúc toàn thân). Hướng này cho rằng AGI chỉ có thể đạt được khi hệ thống AI được gắn với một "cơ thể" vật lý và học hỏi thông qua tương tác trực tiếp với thế giới thực, chứ không chỉ dữ liệu.

Hybrid (lai). Đây là hướng kết hợp cả symbolic lẫn connectionist nhằm mô phỏng tư duy con người toàn diện hơn, với kỳ vọng đạt kết quả vượt trội so với việc chỉ dùng một phương pháp đơn lẻ.

Những công nghệ đang thúc đẩy nghiên cứu AGI

AGI vẫn là một đích đến còn xa, nhưng giới nghiên cứu liên tục có thêm động lực từ những bước tiến công nghệ mới.

Deep learning (học sâu). Đây là một nhánh của AI, tập trung huấn luyện mạng nơ-ron nhiều lớp ẩn để trích xuất và hiểu các mối quan hệ phức tạp từ dữ liệu thô. Công nghệ này là nền tảng để xây dựng các hệ thống hiểu được văn bản, âm thanh, hình ảnh, video. Trên AWS, các nhà phát triển dùng Amazon SageMaker để xây dựng những mô hình học sâu gọn nhẹ, phù hợp cho thiết bị IoT và di động.

Generative AI (AI tạo sinh). Đây là một nhánh của học sâu, nơi hệ thống tạo ra nội dung mới và chân thực dựa trên kiến thức đã học. Các mô hình tạo sinh được huấn luyện trên tập dữ liệu khổng lồ, cho phép chúng phản hồi truy vấn của con người bằng văn bản, âm thanh hay hình ảnh gần giống sản phẩm do người tạo ra. Các LLM của AI21 Labs, Anthropic, Cohere hay Meta là ví dụ điển hình, còn Amazon Bedrock là nền tảng giúp doanh nghiệp triển khai nhanh các mô hình này trên đám mây mà không cần tự quản lý hạ tầng máy chủ.

NLP (natural language processing — xử lý ngôn ngữ tự nhiên). Nhánh này giúp máy tính hiểu và tạo ra ngôn ngữ con người, dựa trên ngôn ngữ học tính toán và machine learning để chuyển dữ liệu ngôn ngữ thành các token và nắm bắt quan hệ ngữ cảnh. Amazon Lex là một công cụ NLP điển hình, giúp doanh nghiệp xây dựng chatbot hội thoại (conversational AI).

Computer vision (thị giác máy tính). Công nghệ này giúp hệ thống trích xuất, phân tích và hiểu thông tin không gian từ dữ liệu hình ảnh. Xe tự lái dùng thị giác máy tính để phân tích luồng camera theo thời gian thực và né chướng ngại vật an toàn. Nhờ deep learning, các hệ thống thị giác máy tính ngày nay có thể tự động hóa việc nhận diện, phân loại và giám sát ở quy mô lớn — Amazon Rekognition là một ví dụ cho việc tự động hóa phân tích hình ảnh.

Robotics (khoa học robot). Đây là lĩnh vực xây dựng các hệ thống cơ khí tự động thực hiện thao tác vật lý. Trong bối cảnh AGI, robot là cách để trí tuệ nhân tạo "hiện diện" trong thế giới vật lý — yếu tố then chốt cho khả năng cảm nhận giác quan và thao tác vật lý mà một hệ thống AGI cần có. Ví dụ, một cánh tay robot tích hợp AGI có thể cảm nhận, cầm nắm và gọt vỏ một quả cam như con người. Đội ngũ nghiên cứu có thể dùng AWS RoboMaker để mô phỏng hệ thống robot ảo trước khi lắp ráp thực tế.

Những thách thức của nghiên cứu AGI

Kết nối tri thức liên miền. Các mô hình AI hiện tại bị giới hạn trong một lĩnh vực cụ thể và không thể tự kết nối kiến thức giữa các miền khác nhau. Con người thì làm được điều này một cách tự nhiên — chẳng hạn, các lý thuyết giáo dục được áp dụng vào thiết kế game để tạo trải nghiệm học tập hấp dẫn hơn. Trong khi đó, các mô hình học sâu vẫn cần được huấn luyện đáng kể trên tập dữ liệu chuyên biệt mới có thể xử lý đáng tin cậy với dữ liệu lạ.

Trí tuệ cảm xúc. Các mô hình học sâu đã cho thấy vài dấu hiệu gợi mở về AGI, nhưng chưa chứng minh được sự sáng tạo thực sự như con người — thứ vốn đòi hỏi tư duy cảm xúc mà kiến trúc mạng nơ-ron hiện nay chưa tái tạo được. Con người phản hồi trong một cuộc trò chuyện dựa trên cảm xúc thật, còn các mô hình NLP chỉ tạo ra văn bản dựa trên các mẫu đã học từ dữ liệu ngôn ngữ.

Nhận thức giác quan. AGI đòi hỏi hệ thống AI phải tương tác vật lý với môi trường xung quanh. Ngoài năng lực robot, hệ thống còn cần "cảm nhận" thế giới như con người — điều mà công nghệ hiện tại vẫn chưa làm được ở mức phân biệt chính xác hình dạng, màu sắc, vị giác, mùi và âm thanh.

Vai trò của các nền tảng đám mây trong hành trình tới AGI

Dù AGI vẫn là đích đến lý thuyết, những công nghệ nền tảng phục vụ cho nó — deep learning, generative AI, NLP, computer vision, robotics — đã có sẵn để doanh nghiệp khai thác ngay hôm nay. Cloud Server AI cho phép truy cập các mô hình nền tảng hàng đầu qua API để tùy chỉnh và huấn luyện trên dữ liệu riêng; Cloud Server AI giúp rút ngắn thời gian xây dựng và triển khai mô hình; còn Cloud Server AI cung cấp năng lực GPU siêu máy tính để xử lý khối lượng dữ liệu khổng lồ với độ trễ thấp cho các workload AI tạo sinh.