Đồng sáng lập Anthropic Jack Clark đẩy sớm mốc dự báo về AI tự cải thiện sang năm 2027

Plus Nghiên cứu AI Sao chép liên kết vào bộ nhớ tạm Chia sẻ bài viết này Đi tới phần bình luận Đồng sáng lập Anthropic Jack Clark đẩy sớm dự báo về AI tự cải tiến lên năm 2027 Manuel Uth Ngày 25/10/2026 Nano Banana Pro thực hiện theo yêu cầu của THE DECODER Một bộ đo chuẩn mới mang tên TasteVal đánh giá mức độ hiệu quả của các hệ thống AI trong việc tự thiết kế thí nghiệm và phân tích kết quả. Các kết quả ghi nhận một đường cong tiến bộ dốc bất thường. Theo ông Jack Clark, đồng sáng lập Anthropic, năng lực này đã tăng gần gấp đôi sau mỗi ba tháng kể từ tháng 12/2025. Phòng thí nghiệm P-Zero Research gọi đây là "gu nghiên cứu" (research taste), tức khả năng lựa chọn đúng thí nghiệm và rút ra kết luận chuẩn xác từ đó. Mô hình đạt kết quả cao nhất trong thử nghiệm đã vượt qua nhóm đối sánh gồm 24 chuyên gia là con người với chi phí chỉ bằng một phần nhỏ. Ông Clark là đồng sáng lập Anthropic và là tác giả của bản tin Import AI. Dựa trên các số liệu thực tế, ông nhận định quá trình tự cải tiến đệ quy (recursive self-improvement - RSI), tức các hệ thống AI tự phát triển các phiên bản kế nhiệm, có thể khả thi ngay từ năm 2027. Trước đó, ông dự báo mốc thời gian này là năm 2028. Bộ đo chuẩn này không chứng minh rằng các hệ thống AI hiện đã có thể tự cải tiến, do phạm vi đánh giá mới chỉ bao quát một phần hạn hẹp trong công tác nghiên cứu khoa học. Tuy nhiên, kết quả này cho thấy hướng đi của các cuộc tranh luận, dịch chuyển từ hiệu năng thuần túy của mô hình sang câu hỏi về khối lượng công việc nghiên cứu độc lập mà các mô hình ngôn ngữ thực sự có thể đảm nhiệm. TasteVal chỉ phản ánh một phần của bức tranh toàn cảnh P-Zero Research định nghĩa "gu nghiên cứu" gồm ba năng lực: xác định các câu hỏi nghiên cứu đáng theo đuổi, thiết kế các thí nghiệm để giải quyết các câu hỏi đó, và diễn giải chính xác các kết quả thu được. TasteVal mới chỉ đánh giá hai năng lực sau. Việc lựa chọn hướng nghiên cứu triển vọng nhất thường được coi là cốt lõi của trực giác khoa học, song trong TasteVal, quyết định này đã được thiết lập sẵn cho mô hình. Mỗi nhiệm vụ trong số tám nhiệm vụ đều xác định một mục tiêu nghiên cứu cố định từ quá trình phát triển mô hình AI, đi kèm điểm số có thể đo lường. Các nhiệm vụ bao gồm những lĩnh vực như lựa chọn dữ liệu huấn luyện, tiền huấn luyện (pretraining) và tinh chỉnh (fine-tuning) mô hình ngôn ngữ, huấn luyện dựa trên phản hồi của con người, cùng khả năng phòng vệ trước các câu lệnh tấn công (adversarial prompts). Mô hình tự quyết định thí nghiệm tiếp theo cần triển khai và sử dụng kết quả để định hướng cho bước tiếp theo. Nhằm tránh để kỹ năng lập trình làm sai lệch kết quả, một tác tử lập trình (coding agent) cố định đảm nhận chạy toàn bộ các thí nghiệm trên một GPU Nvidia H100 duy nhất. Mỗi lượt thử nghiệm kết thúc sau 40 giờ tính toán của GPU hoặc 120 giờ thời gian thực. Mức chuẩn đối sánh từ con người được lấy từ 24 chuyên gia từng làm việc tại các đơn vị như OpenAI, Google DeepMind, Nvidia và Microsoft Research. Nhóm chuyên gia thực hiện cùng các nhiệm vụ nói trên, với tối thiểu hai người cho mỗi nhiệm vụ. Kết quả tốt nhất của con người ở từng nhiệm vụ được sử dụng làm mốc chuẩn. Đo lường "gu nghiên cứu" qua hiệu quả tính toán Để lượng hóa "gu nghiên cứu", P-Zero Research quy đổi tiêu chí này thành hiệu quả tính toán. Cơ sở của phương pháp này là tài nguyên tính toán cho thí nghiệm trong nghiên cứu AI vốn khan hiếm; do đó, việc chọn đúng thí nghiệm và đọc đúng kết quả sẽ giúp giảm số lượt thử nghiệm và đạt nhiều tiến bộ hơn với cùng một mức ngân sách. Phòng thí nghiệm dựa trên mô hình "AI Futures Model", vốn dự báo rằng tài nguyên tính toán thí nghiệm sẽ trở thành nút thắt cổ chai lớn nhất một khi khâu lập trình được tự động hóa. Do đó, TasteVal đo lường lượng tài nguyên tính toán mà một mô hình cần để đạt điểm số tương đương các chuyên gia. Theo định nghĩa này, mô hình đạt kết quả đó với một nửa tài nguyên tính toán sẽ có "gu nghiên cứu" cao gấp đôi. P-Zero Research gọi tỷ lệ này là hệ số nhân tính toán (compute multiplier). Mô hình dẫn đầu, Opus 5.5 của Anthropic, đạt hệ số nhân năng lực tính toán (compute multiplier) là 2,3, qua đó đạt mức điểm tương đương chuyên gia với mức tiêu hao chưa bằng một nửa năng lực tính toán. Tuy nhiên, phạm vi thống kê dao động từ 1,15 đến 4,37. Ở cận dưới, mô hình này hầu như không tạo ra cách biệt đáng kể. Chi phí cho một lượt chạy thử nghiệm chỉ bằng khoảng 1/30 so với mức chi phí trung bình của một chuyên gia. Qua nhiều thế hệ mô hình, hệ số nhân năng lực tính toán đã tăng gấp đôi xấp xỉ ba tháng một lần kể từ tháng 12/2025. Mức độ bất định ở chỉ số này cũng rất lớn, khi thời gian tăng gấp đôi được ghi nhận dao động trong khoảng từ 1,7 đến 5,0 tháng. Theo P-Zero Research, năng lực định hướng nghiên cứu (research taste) của các mô hình AI hàng đầu đã tăng gần gấp đôi sau mỗi ba tháng kể từ tháng 12/2025. | Ảnh: P-Zero Research Trong những năm trước, năng lực định hướng nghiên cứu của các mô hình tăng trưởng chậm hơn nhiều. Đường cong tăng trưởng chỉ bắt đầu dốc đứng vào thời điểm chuyển giao giữa năm 2025 và 2026. Chưa thể xác định liệu đây có phải là một xu hướng bền vững hay không chỉ dựa trên một bộ tiêu chuẩn đánh giá duy nhất, và chính các tác giả cũng thừa nhận kết quả của họ có thể đã phóng đại "tốc độ cải thiện năng lực định hướng nghiên cứu". Các nhiệm vụ thử nghiệm có thể được kiểm tra nhanh chóng với chi phí thấp, vốn là dạng nhiệm vụ mà các phòng thí nghiệm AI dễ tối ưu hóa nhất. Ngoài ra, nhóm đối chứng cũng không bao gồm các nhà nghiên cứu hàng đầu. Clark rút ngắn lộ trình dự báo Clark từ lâu đã coi tính sáng tạo là yếu tố then chốt quyết định tốc độ tự cải tiến của các hệ thống AI. Đầu năm nay, ông nhận định các mô hình vẫn chưa thể hiện được năng lực này ở quy mô mang tính đột phá. Hiện nay, ông dẫn chứng những bước tiến mang tính đột phá về toán học cùng các bộ chuẩn đánh giá như TasteVal là dấu hiệu cho thấy tình hình đang thay đổi. Trong một bài viết dài vào tháng 5, Clark từng đưa ra những số liệu thận trọng hơn. Ông dự báo xác suất một hệ thống có khả năng tự động đào tạo ra thế hệ kế cận mạnh hơn đạt khoảng 60% vào cuối năm 2028 và 30% vào năm 2027. Dự báo này được đưa ra bởi một đồng sáng lập của công ty sở hữu mô hình đứng đầu bảng xếp hạng, yếu tố này phần nào tạo ra sự thiếu khách quan cho nhận định. Giới phê bình từng đặt ra ranh giới đối với chính năng lực này TasteVal có ý nghĩa quan trọng do bộ chuẩn này đo lường chính xác năng lực mà những người hoài nghi từng coi là rào cản đối với một bước đột phá lớn của AI. Nhà nghiên cứu AI Herbie Bradley đã phản bác bài viết hồi tháng 5 của Clark, lập luận rằng dù các mô hình có thể đảm nhận công việc của các nghiên cứu viên sơ cấp, nhưng những kỹ năng đòi hỏi trình độ cao hơn như định hướng nghiên cứu, tính sáng tạo và lập kế hoạch nghiên cứu dài hạn mạch lạc vẫn chưa hề xuất hiện. Xét về khả năng lập kế hoạch và đánh giá các thử nghiệm, TasteVal đã phản bác lại đánh giá đó, dù bộ chuẩn này chưa phản ánh được năng lực lựa chọn một chương trình nghiên cứu dài hạn. Khoảng cách trong thực tế còn lớn đến mức nào được thể hiện rõ qua một nghiên cứu về sự phát triển của AI sử