Insights AI

Tìm hiểu bộ não sinh học và bộ não kỹ thuật số: Góc nhìn của Ilya Sutskever về hướng phát triển cuối cùng của AI

Podcast · Nghe (19 phút)

Ilya Sutskever: AI Will Do Everything You Can in 3-10 Years

Mục lục
  1. 1. Luận điểm cốt lõi: Vì sao máy tính số sẽ đạt năng lực ngang bằng con người
  2. 2. Cơ chế tăng tốc: Vòng phản hồi nghiên cứu và phát triển
  3. 3. Tác động đối với ngành và nền kinh tế: Vượt ra ngoài thích nghi nghề nghiệp
  4. 4. Hạn chế nền tảng, rủi ro căn chỉnh và những câu hỏi còn bỏ ngỏ
  5. Các con số chính
  6. Những yếu tố có thể thay đổi bức tranh này
  7. Tài liệu tham khảo

Trong bài phát biểu nhận bằng danh dự ngày 6 tháng 6 năm 2025 tại Đại học Toronto, nhà nghiên cứu trí tuệ nhân tạo Ilya Sutskever đã trình bày cơ sở lý thuyết nền tảng lý giải vì sao năng lực tính toán nhân tạo cuối cùng sẽ thực hiện được toàn bộ các nhiệm vụ của con người: nhận thức của con người vận hành hoàn toàn trên một máy tính sinh học, hàm ý rằng các kiến trúc phần cứng và phần mềm số cuối cùng có thể tái tạo những năng lực nền tảng của nó. Một nhận định chiến lược quan trọng từ phân tích của Sutskever là khi các mô hình tiên tiến nhất được tích hợp vào hoạt động sản xuất kinh tế và được tái đầu tư theo vòng lặp vào nghiên cứu và phát triển trí tuệ nhân tạo chuyên biệt, tốc độ tiến bộ công nghệ sẽ tăng cực kỳ nhanh. Đối với nhà đầu tư tổ chức, nhà hoạch định chiến lược doanh nghiệp và lãnh đạo hoạch định chính sách, hướng phát triển này nhấn mạnh yêu cầu cấp bách phải chuẩn bị cho việc tái phân bổ lực lượng lao động trên toàn hệ thống, sự thay đổi trong định giá kỹ năng và quá trình chuyển đổi kinh tế vĩ mô từ hỗ trợ bằng phần mềm sang thực hiện công việc nhận thức một cách tự chủ.

1. Luận điểm cốt lõi: Vì sao máy tính số sẽ đạt năng lực ngang bằng con người

Đánh giá hướng phát triển năng lực dài hạn của trí tuệ nhân tạo đòi hỏi phải cân đối những thiếu hụt chức năng hiện tại với các giới hạn tính toán xét từ nguyên lý cơ bản. Các mô hình trí tuệ nhân tạo tiên tiến nhất hiện nay thể hiện những năng lực tương tác với người dùng rất ấn tượng: giao tiếp lưu loát bằng giọng nói tự nhiên, phân tích ngữ cảnh đa phương thức phức tạp và tạo mã phần mềm có thể thực thi. Tuy nhiên, bất chấp những đột phá này, các hệ thống hiện nay vẫn bị hạn chế nghiêm trọng trong nhiều nhiệm vụ suy luận và thực thi, để lại những khoảng cách chức năng đáng kể giữa các công cụ hiện tại và trí tuệ tổng quát của con người.

Bất chấp những thiếu hụt ngắn hạn này, Ilya Sutskever đưa ra một tiền đề dứt khoát dựa trên nguyên lý cơ bản để lý giải vì sao năng lực tính toán nhân tạo sẽ đạt khả năng thực hiện nhiệm vụ hoàn toàn ngang bằng người lao động: bộ não con người về bản chất là một máy tính sinh học. Cũng như mạng nơ-ron sinh học xử lý thông tin thông qua các tín hiệu điện hóa truyền qua hàng nghìn tỷ kết nối khớp thần kinh giữa các nơ-ron sống, hệ thống máy tính số xử lý thông tin thông qua điện thế trên hàng tỷ bóng bán dẫn bán dẫn. Vì cả hai nền tảng đều chịu sự chi phối của cùng các quy luật vật lý về tính toán và lý thuyết thông tin, máy tính số—hoạt động như bộ não nhân tạo—cuối cùng có thể được thiết kế để tái tạo bất kỳ quá trình học tập hoặc nhiệm vụ nhận thức nào mà bộ não sinh học của con người có thể tiếp thu. Các công cụ trí tuệ nhân tạo hiện nay phần lớn chỉ giới hạn ở trao đổi hội thoại và hoàn thành nhiệm vụ cục bộ, nhưng logic vật lý nền tảng cho thấy một trạng thái tương lai trong đó hệ thống số không chỉ thực hiện một phần các nhiệm vụ nhận thức mà còn mọi nhiệm vụ con người có thể thành thạo.

Luận điểm cốt lõi này phản ánh quãng thời gian học tập mười năm của Sutskever tại Đại học Toronto, nơi ông nhận được bốn bằng cấp, với công trình tiến sĩ là đỉnh cao trong khoảng từ 2005 đến 2015. Trong thập niên này, Đại học Toronto thực hiện một số nghiên cứu trí tuệ nhân tạo mang tính cách mạng nhất thế giới. Sutskever học trực tiếp dưới sự hướng dẫn của nhà tiên phong trí tuệ nhân tạo Geoff Hinton—một cơ hội mà Sutskever khẳng định rõ là một trong những điều may mắn lớn nhất đời mình—xây dựng nền tảng thực nghiệm thúc đẩy những đột phá ban đầu trong học sâu.

2. Cơ chế tăng tốc: Vòng phản hồi nghiên cứu và phát triển

Quá trình chuyển đổi từ các mô hình trợ lý chuyên biệt theo lĩnh vực sang năng lực đầy đủ ở cấp độ con người không tuân theo chu kỳ phát hành phần mềm tuyến tính. Thay vào đó, tiến bộ chịu sự chi phối của một vòng phản hồi tích lũy, giúp rút ngắn mạnh mẽ thời gian phát triển thông qua ba giai đoạn vận hành riêng biệt:

  1. Năng suất ban đầu và tích hợp kinh tế: Các mô hình trí tuệ nhân tạo tiên tiến nhất được triển khai trong các quy trình làm việc của doanh nghiệp để tự động hóa những nhiệm vụ hành chính thường lệ, nâng cao năng suất lao động và thúc đẩy sản lượng kinh tế vĩ mô ngay lập tức.
  2. Tái đầu tư vào nghiên cứu và phát triển tiên tiến: Vốn và năng lực tính toán tạo ra từ những lợi ích kinh tế ban đầu được phân bổ trở lại một cách có hệ thống vào nghiên cứu và phát triển khoa học, tập trung cụ thể vào tối ưu hóa kiến trúc mô hình, thông lượng thuật toán và kỹ thuật phần mềm tự động hóa.
  3. Rút ngắn thời gian theo vòng lặp: Khi các hệ thống trí tuệ nhân tạo được áp dụng thành công vào chính hoạt động nghiên cứu trí tuệ nhân tạo tiên tiến, tốc độ đổi mới tăng cực kỳ nhanh, hình thành một cơ chế lặp tự củng cố giúp giảm đáng kể thời gian cần thiết để đạt những đột phá kiến trúc lớn.

Khác với các mô hình phần mềm truyền thống vốn phụ thuộc hoàn toàn vào năng lực kỹ thuật của con người cho mỗi lần cập nhật phần mềm, vòng lặp nghiên cứu và phát triển tự tăng tốc này cho phép các hệ thống trí tuệ nhân tạo thúc đẩy tốc độ phát triển của chính mình. Dù các nhà quan sát ngành đưa ra những ước tính thời gian khác nhau—từ 3, 5, đến 10 năm—và thừa nhận khó khăn cố hữu trong việc dự đoán chính xác thời điểm đột phá, logic hệ thống của hoạt động nghiên cứu và phát triển tự cải thiện cho thấy xu hướng tăng tốc hướng tới tự động hóa toàn bộ công việc nhận thức.

3. Tác động đối với ngành và nền kinh tế: Vượt ra ngoài thích nghi nghề nghiệp

Sự tiến bộ liên tục của năng lực tính toán nhân tạo tạo ra những xáo trộn cơ cấu sâu sắc trong giáo dục, thị trường lao động và các mô hình thiết kế sản phẩm. Các hệ thống trí tuệ nhân tạo hiện nay đã thay đổi căn bản môi trường giáo dục, định hình lại cách học sinh, sinh viên tiếp thu thông tin và phát triển kỹ năng phân tích nền tảng. Đồng thời, việc triển khai trí tuệ nhân tạo đang bắt đầu làm biến dạng cách định giá kỹ năng chuyên môn theo những hướng khó dự đoán, buộc người lao động tri thức phải liên tục đánh giá lại những năng lực nào còn giữ được giá trị thị trường có thể bảo vệ.

Trong khi phân tích kinh tế trước mắt tập trung vào cách trí tuệ nhân tạo hỗ trợ các vai trò hiện có của lực lượng lao động, thách thức chiến lược căn bản chắc chắn sẽ chuyển từ việc học cách sử dụng trí tuệ nhân tạo như một công cụ năng suất sang hoạt động trong một nền kinh tế nơi các hệ thống nhân tạo thực hiện toàn bộ lao động nhận thức. Dẫn lại câu nói chính trị kinh điển, Sutskever nhấn mạnh một thực tế không thể tránh khỏi: "Bạn có thể không quan tâm đến chính trị, nhưng chính trị sẽ quan tâm đến bạn. Điều tương tự cũng áp dụng với trí tuệ nhân tạo, ở mức độ lớn hơn nhiều lần." Những người ra quyết định trong doanh nghiệp và các cá nhân hành nghề không thể xem việc ứng dụng trí tuệ nhân tạo là một chiến lược tùy chọn; những chủ thể thị trường thụ động sẽ thấy mô hình kinh doanh và con đường sự nghiệp của mình bị tác động trực tiếp, bất kể họ có chủ động tham gia hay không.

Do đó, các mô hình kỹ thuật sản phẩm sẽ trải qua một sự chuyển đổi cơ cấu. Ứng dụng phần mềm sẽ chuyển từ giao diện người dùng đồ họa tĩnh và lời nhắc hội thoại cơ bản sang các tác nhân kinh tế hoàn toàn tự chủ, có khả năng thực hiện nhiệm vụ từ đầu đến cuối mà không cần con người giám sát.

4. Hạn chế nền tảng, rủi ro căn chỉnh và những câu hỏi còn bỏ ngỏ

Định hướng quá trình chuyển đổi sang trí tuệ nhân tạo ở cấp độ con người đòi hỏi phải đối mặt với những hạn chế kỹ thuật đáng kể, rủi ro căn chỉnh đe dọa sự tồn vong và thách thức thực thi của tổ chức:

  • Thiếu hụt chức năng hiện tại: Các mô hình tiên tiến nhất hiện nay bộc lộ những khoảng trống vận hành nghiêm trọng. Dù đạt hiệu suất cao trong phân tích ngôn ngữ tự nhiên và tạo mã, các mô hình hiện nay vẫn thiếu khả năng lập kế hoạch dài hạn vững chắc, suy luận không gian và độ tin cậy trong thực tế, khiến việc tự động hóa doanh nghiệp từ đầu đến cuối chưa thể thực hiện ngay.
  • Căn chỉnh siêu trí tuệ và che giấu mang tính lừa dối: Khi các hệ thống nhân tạo vượt qua năng lực con người, căn chỉnh trở thành nút thắt kỹ thuật trọng tâm. Bảo đảm các hệ thống siêu trí tuệ duy trì sự căn chỉnh đòi hỏi tính minh bạch tuyệt đối, bảo đảm các mô hình luôn trình bày đúng trạng thái nội tại thực sự và không che giấu chức năng một cách lừa dối—hay, như Sutskever nhấn mạnh, bảo đảm các hệ thống "nói đúng điều chúng nói và không giả vờ là thứ khác." Sutskever khẳng định rõ rằng vượt qua thách thức căn chỉnh trí tuệ nhân tạo là "thách thức lớn nhất từ trước đến nay của nhân loại," đồng thời lưu ý rằng giải quyết thành công sẽ đem lại "phần thưởng lớn nhất."
  • Trực giác thực nghiệm thông qua trải nghiệm trực tiếp: Các bài nghiên cứu trừu tượng và bài luận lý thuyết không đủ để thấu hiểu tốc độ phát triển năng lực trí tuệ nhân tạo. Như Sutskever lưu ý, "không có lượng bài luận và lời giải thích nào có thể sánh với những gì chúng ta thấy bằng chính các giác quan, bằng chính hai mắt mình." Tương tác trực tiếp, thực hành với các mô hình đang cải thiện trong khoảng 1-đến-3 năm giúp xây dựng trực giác thực nghiệm cần thiết để chuyển rủi ro trừu tượng thành thực tế hữu hình, tạo ra sự tập trung về tâm lý và nguồn lực con người cần thiết để giải quyết những thách thức phức tạp về căn chỉnh và an toàn.
  • Tư duy vận hành trong môi trường có mức độ bất định cao: Để quản lý những thay đổi công nghệ sâu sắc, Sutskever đề xuất một khuôn khổ tư duy thực tế: chấp nhận thực tại như nó vốn có, tránh mãi suy nghĩ về những sai lầm trong quá khứ hoặc hoàn cảnh bất lợi, và tập trung hoàn toàn vào thực hiện bước đi tốt nhất tiếp theo. Đối với lãnh đạo doanh nghiệp và những người ra quyết định tại các tổ chức, áp dụng tư duy này là một yêu cầu vận hành thiết yếu, giúp tổ chức duy trì sự rõ ràng về chiến lược và thực thi quyết đoán giữa những biến đổi thị trường triệt để.

Các con số chính

  • Ngày 6 tháng 6 năm 2025: Ngày Ilya Sutskever phát biểu nhận bằng danh dự tại Đại học Toronto.
  • 20 năm: Thời gian đã trôi qua kể từ khi Sutskever nhận bằng cử nhân tại Đại học Toronto (khoảng 2005).
  • 4 bằng cấp: Tổng số bằng cấp Sutskever nhận được từ Đại học Toronto.
  • 10 năm: Tổng thời gian Sutskever theo học đại học và sau đại học tại Đại học Toronto.
  • 3, 5, đến 10 năm: Các ước tính thời gian được những nhà quan sát ngành đưa ra cho các cột mốc năng lực trí tuệ nhân tạo tiên tiến.
  • 1 đến 3 năm: Khoảng thời gian mà trải nghiệm thực hành với các hệ thống trí tuệ nhân tạo đang cải thiện sẽ làm rõ đáng kể tác động thực tế của chúng.

Những yếu tố có thể thay đổi bức tranh này

  1. Chững lại trong nghiên cứu và phát triển do trí tuệ nhân tạo thúc đẩy: Bằng chứng cho thấy việc áp dụng các mô hình trí tuệ nhân tạo hiện tại vào nghiên cứu trí tuệ nhân tạo không giúp đẩy nhanh các đột phá về kiến trúc mô hình hoặc hiệu quả huấn luyện.
  2. Giải quyết các vấn đề lừa dối/căn chỉnh: Chứng minh được các bảo đảm toán học hoặc kiến trúc có thể kiểm chứng, ngăn siêu trí tuệ nhân tạo trình bày sai trạng thái hoặc ý định của mình.
  3. Nút thắt phần cứng và năng lực tính toán: Các giới hạn vật lý hoặc sinh học đối với việc mở rộng năng lực tính toán khiến máy tính số không thể đạt hiệu quả năng lượng và mật độ ngang bằng bộ não sinh học của con người.
  4. Kiểm chứng thực nghiệm các mốc thời gian nhiều năm: Sự tăng tốc hoặc giảm tốc của các chuẩn đánh giá tự động hóa nhiệm vụ trong những lĩnh vực thể chất và nhận thức phức tạp trong 1 đến 3 năm tới.

Để có những hiểu biết sâu hơn, không bị thổi phồng về các kiến trúc trí tuệ nhân tạo tiên tiến nhất và các chuẩn đánh giá thực nghiệm, hãy khám phá thêm nghiên cứu mã nguồn mở trên trang DeepValues Research hoặc dùng thử ứng dụng DeepValues.

Tài liệu tham khảo

Ilya Sutskever, U of T honorary degree recipient, June 6, 2025, University of Toronto YouTube Channel

Xem

Liên kết nguồn

Xem & nghe

Nội dung nghiên cứu CC BY 4.0, trích dẫn: DeepValues Research, Tìm hiểu bộ não sinh học và bộ não kỹ thuật số: Góc nhìn của Ilya Sutskever về hướng phát triển cuối cùng của AI, https://research.deepvalues.ai/insights/2026-10-25-navigating-the-ai-era-vi/

Email hằng tuần miễn phí

Margin of Safety Weekly

Mỗi thứ Bảy: mức độ nóng của thị trường, các nhà đầu tư lớn đã mua bán gì (hồ sơ 13F), nghiên cứu mới trong tuần, cùng video và podcast của chúng tôi — miễn phí, không cần tài khoản.

Send me the DeepValues Margin of Safety Weekly, one email every Saturday. I can unsubscribe at any time. Information only, not investment advice. Quyền riêng tư

Tìm hiểu sâu hơn

Phân tích bất kỳ cổ phiếu nào như thế này trong 2 phút

Deep Value Intelligence, chuyên gia phân tích AI đa tác tử tạo ra báo cáo này, có thể viết báo cáo tương tự cho bất kỳ công ty niêm yết nào theo yêu cầu.

Mở Deep Value Intelligence

Theo dõi 300+ cổ phiếu trên ứng dụng DeepValues

Nhận định, giá trị nội tại và báo cáo mới nhất, ngay trên điện thoại.

Cho lập trình viên: nhận định và báo cáo qua API

Dữ liệu cơ bản, giá trị nội tại, nhận định và liên kết báo cáo làm nền tảng cho các trang này, ở dạng JSON.

Tài liệu API

Thảo luận