Các giáo sư về trí tuệ nhân tạo (AI) đang đàm phán về những thực tế mới của nghiên cứu học thuật.

Trí tuệ nhân tạo Các giáo sư AI đang đàm phán những thực tế mới của nghiên cứu học thuật Tại một hội nghị của chương trình AI2050 thuộc Schmidt Sciences, tôi đã chứng kiến cách các nhà nghiên cứu học thuật đối mặt với những thách thức của kỷ nguyên AI. Bởi Grace Huckins Ngày 10/8/2026 Stephanie Arnett/MIT Technology Review | Adobe Stock Câu chuyện này ban đầu xuất hiện trên The Algorithm, bản tin AI hàng tuần của chúng tôi. Để nhận những câu chuyện như thế này vào hộp thư đến của bạn sớm nhất, hãy đăng ký tại đây. Tuần trước, tôi đã đi 30 dặm về phía nam San Francisco đến một khách sạn ở Mountain View, California, để gặp gỡ một số nhà nghiên cứu AI tài năng và triển vọng nhất thế giới. Tôi đã tổ chức các cuộc phỏng vấn bàn tròn và phát biểu tại một buổi đào tạo truyền thông cho hội nghị của chương trình AI2050 thuộc Schmidt Sciences, một sáng kiến được Eric và Wendy Schmidt tài trợ nhằm hỗ trợ các học giả có công việc liên quan đến AI. Danh sách các thành viên là những nhân vật nổi bật trong lĩnh vực AI, và mặc dù không phải tất cả đều đến Vùng Vịnh, nhưng mỗi khi tôi rẽ một góc, tôi lại thấy một nhà khoa học mà tôi đã từng phỏng vấn hoặc có nghiên cứu mà tôi ngưỡng mộ. (Tiết lộ đầy đủ: Tôi đã nhận được giải thưởng truyền thông khoa học do Schmidt Sciences tài trợ vào năm 2024.) Đây là một thời điểm kỳ lạ đối với các nhà nghiên cứu AI tại các trường đại học, những người chiếm phần lớn trong nhóm AI2050. Trong bốn năm qua, nghiên cứu AI đã định hướng lại xung quanh các mô hình ngôn ngữ lớn (LLM), và mũi nhọn của nó đã chuyển từ các tổ chức học thuật sang các công ty tư nhân. Các trường đại học đơn giản là không đủ khả năng chi trả các bộ xử lý đồ họa (GPU) cần thiết để đào tạo và vận hành các mô hình tiên tiến, và ngay cả khi có thể, Anthropic và OpenAI cũng không cho phép bất kỳ ai khác xem chi tiết bên trong của Claude hay ChatGPT. Trong một cuộc trò chuyện trong bữa trưa, Nika Haghtalab, giáo sư khoa học máy tính tại Đại học California, Berkeley, cho biết việc trở thành một học giả AI ngày nay giống như một nhà sinh vật học trong một thế giới mà các công ty tư nhân độc quyền kiểm soát công cụ chỉnh sửa gen CRISPR. Các chuyên gia bên ngoài các phòng thí nghiệm tiên tiến có thể nghiên cứu cách ChatGPT và Claude hoạt động, nhưng họ không thể thực hiện bất kỳ nghiên cứu chi tiết nào về thiết kế và đào tạo các công cụ đó, cũng như không thể tự mình định hướng thiết kế hoặc đào tạo đó. Chương trình AI2050 cung cấp cho các thành viên một số khoản tài trợ mà họ có thể sử dụng để mua GPU, điều mà một số nhà nghiên cứu tôi đã nói chuyện cho biết là một lợi ích lớn khi tham gia chương trình. Tuy nhiên, tiền vẫn là một mối lo ngại cấp bách, đặc biệt là khi nguồn tài trợ khoa học liên bang ở Hoa Kỳ bị cắt giảm. Ngay cả đối với các nhà nghiên cứu không tự chạy các mô hình cục bộ, chi phí truy vấn lặp đi lặp lại các mô hình của OpenAI, Anthropic và Google để nghiên cứu chúng một cách nghiêm ngặt có thể rất cao. Thay vì tập trung vào việc nâng cao năng lực, nhiều thành viên hướng sự chú ý của họ vào những câu hỏi mà Anthropic hoặc OpenAI khó có thể giải quyết. "Tôi cố gắng không làm việc với những vấn đề mà tôi nghĩ sẽ được một công ty công nghệ giải quyết," Anjalie Field, giáo sư khoa học máy tính tại Đại học Johns Hopkins, cho biết. Các công ty cần kiếm tiền, và những câu hỏi nghiên cứu ít hứa hẹn lợi nhuận có thể không đáng để đầu tư – đặc biệt nếu câu trả lời của chúng có thể khiến các công ty trông không tốt. Gần đây, ví dụ, Field đã thực hiện một nghiên cứu trong đó cô phát hiện ra rằng các mô hình ngôn ngữ đưa ra những phản hồi kém tinh vi hơn đối với các câu lệnh được diễn đạt theo cách phổ biến hơn ở phụ nữ so với nam giới. Thật khó để hình dung loại nghiên cứu đó xuất phát từ Anthropic hoặc OpenAI. Ngoài ra, còn có một nhóm lớn các học giả về AI không làm việc với các mô hình ngôn ngữ lớn (LLM). Nhiều người trong số họ là các nhà khoa học xây dựng các mô hình AI chuyên biệt có khả năng phân tích dữ liệu, đưa ra dự đoán hữu ích hoặc thậm chí mô phỏng toàn bộ hệ thống vật lý. Những nhà nghiên cứu này không nhất thiết phải cạnh tranh với các phòng thí nghiệm tiên phong—đội ngũ AlphaFold của Google DeepMind, đơn vị đã xây dựng mô hình đoạt giải Nobel dự đoán cấu trúc protein, đã bị giải thể vào tháng trước. Tuy nhiên, họ phải đối mặt với nhiều thách thức riêng. Tại hội nghị, một số người đã bày tỏ lo ngại về việc sự thiếu hiểu biết rộng rãi về AI không phải LLM đang ảnh hưởng đến công việc của họ như thế nào. Chẳng hạn, các nhà nghiên cứu xây dựng công cụ AI chuyên biệt để giải quyết vấn đề biến đổi khí hậu đôi khi gặp khó khăn trong việc vận động cho công trình của mình khi nhiều người tin rằng "AI" có nghĩa là "LLM ngốn năng lượng". Tất cả những thách thức này đang thay đổi bối cảnh học thuật: Một số học giả nổi tiếng gần đây đã tạm nghỉ việc tại các trường đại học để gia nhập các phòng thí nghiệm tiên phong, và nhiều thành viên của AI2050 cũng giữ các vị trí trong ngành công nghiệp bên cạnh công việc học thuật của họ. Trong sáu tháng qua, một mối đe dọa khác đã xuất hiện. Các mô hình của OpenAI đã giải quyết một số vấn đề nghiên cứu thực tế trong toán học, và một số chuyên gia lo ngại rằng con người có thể không còn tương lai trong toán học thuần túy. Một thành viên mà tôi đã nói chuyện cho biết cô ấy lo lắng về sức khỏe tinh thần của các đồng nghiệp toán học của mình. Tuy nhiên, không phải tất cả đều là bi quan. Thứ nhất, khoa học thực nghiệm có thể khó tự động hóa hơn nhiều so với toán học, vì việc thu thập dữ liệu là một quá trình vốn dĩ chậm chạp. Và một số nhà nghiên cứu coi các nhà toán học và khoa học AI là một lợi ích hơn là một mối đe dọa—bao gồm Tim Dettmers, một nhà khoa học máy tính tại Đại học Carnegie Mellon, người đang nỗ lực làm cho các mô hình AI chạy nhanh hơn và rẻ hơn. Các nhà khoa học AI sẽ không thay thế con người, Dettmers nói. Ngược lại, họ có thể làm cho các nhà khoa học con người hiệu quả hơn nhiều, để ông và các đồng nghiệp có cơ hội theo đuổi tất cả những ý tưởng táo bạo và đầy cảm hứng mà họ có thể không bao giờ có thời gian thực hiện. Và các nhà khoa học là những người kiên cường. Chính những hạn chế về tài nguyên ngăn cản họ đào tạo các mô hình tiên phong cũng thúc đẩy họ khám phá những cách mới để làm cho các mô hình nhỏ hơn và hiệu quả hơn, hoặc khám phá các kiến trúc hoàn toàn mới. Nếu bước đột phá lớn tiếp theo về AI không đến từ một công ty lớn mà từ một phòng thí nghiệm học thuật nhỏ, tôi sẽ không ngạc nhiên.