Học trừu tượng hóa: Ranh giới phát triển tiếp theo của AI

Jonathan Mugan @jmugan Trí tuệ nhân tạo (AI) sở hữu năng lực xử lý thông minh nhưng chưa đạt được hiệu suất học tập tương đương con người. Khi chuyển dịch từ các giao diện văn bản sang dạng thức robot, bước tiến tiếp theo của AI là tiếp nhận khả năng tiếp thu các khái niệm trừu tượng thông qua những khoảnh khắc lóe sáng nhận thức, từ đó truyền tải lại cho con người. Khả năng học trừu tượng: Ranh giới tiếp theo của AI Thời lượng đọc: 18 phút Khả năng học trừu tượng: Ranh giới tiếp theo của AI Trong một lần quan sát không gian kiến trúc, người bạn đi cùng đã chỉ cho người viết thấy những đường phào chỉ trần nhà (crown moldings). Điều kỳ lạ là trước đó, người viết chưa từng nhận biết về loại chi tiết này. Dù chúng từng xuất hiện trong tầm mắt nhiều lần, nhận thức khi ấy vẫn chưa thể định hình. Kể từ thời điểm đó, các đường phào chỉ xuất hiện ở khắp mọi nơi và trở thành cơ sở giúp đánh giá niên đại cũng như mức độ tinh xảo của các công trình. Khái niệm trừu tượng này đã làm thay đổi cả những gì mắt thấy lẫn những gì trí óc có thể thấu hiểu. Thế giới công nghệ cần những tác tử AI (AI agent) có khả năng tiếp thu tức thì theo cơ chế này. Các hệ thống cần tiếp nhận khái niệm từ con người, tự phát triển khái niệm mới và kết hợp chúng để thấu hiểu những tình huống chưa từng gặp. Năng lực này sẽ ngày càng đóng vai trò then chốt khi các mô hình chuyển dịch từ môi trường văn bản thuần túy sang các robot hoạt động trong thế giới vật lý đa chiều và biến động không ngừng. Vào cuối năm 2026, thế giới đang chứng kiến sự bùng nổ mạnh mẽ của các tác tử AI. Các tác tử lập trình có thể viết mã và sử dụng công cụ, trong khi những tác tử cá nhân như Dot, Muse và OpenClaw hỗ trợ thực hiện các tác vụ thường nhật. Những tác tử này tồn tại trong khuôn khổ cấu trúc do con người thiết lập: các hàm có tên gọi cụ thể, các giao diện lập trình ứng dụng (API) quy định rõ dữ liệu đầu vào và đầu ra, còn lịch trình hiển thị các sự kiện được định danh là những cuộc họp. Ngược lại, máy ảnh của robot chỉ thu nhận các giá trị điểm ảnh, còn cảm biến lực chỉ cung cấp các số đo cơ học. Trên mạng internet xuất hiện nhiều video thử nghiệm ấn tượng về năng lực của robot, nhưng trong không gian bếp thực tế, một thực thể vẫn phải xác định lý do ngăn ngăn kéo chứa đồ mở ra: do chốt an toàn trẻ em bị khóa, cây kéo bị kẹt hay một nguyên nhân nào khác. Trong các bài viết trước, người viết từng nhận định rằng AI cần xây dựng và kết hợp các mô hình dựa trên nền tảng nhận thức từ kinh nghiệm thực tiễn. Trí tuệ nhân tạo tạo sinh (Generative AI) dựa trên các mô hình ngôn ngữ lớn hiện cung cấp phương thức khả thi để tạo ra những khái niệm trừu tượng mà các mô hình đó yêu cầu. Những hệ thống này đã tiến hóa từ việc chỉ dự đoán từ kế tiếp (token) sang trả lời câu hỏi một cách hữu ích nhờ phương pháp học tăng cường. Để giản tiện, các hệ thống như vậy được gọi chung là LLM. Bài viết này sẽ phân tích cách một tác tử hoặc robot có thể ứng dụng LLM để đề xuất các khái niệm mới khi dự đoán thất bại, kiểm chứng những khái niệm đó qua trải nghiệm thực tế và tiếp tục phát triển dựa trên những gì đã học. 1. Trừu tượng hóa là phương thức con người nhìn nhận thế giới Con người quan sát xung quanh và tin rằng bản thân đang nhìn thấy thực tại khách quan, nhưng những đường phào chỉ trần nhà đã hiện diện suốt nhiều năm trước khi người viết nhận biết được chúng. Khi khái niệm được định hình, góc nhìn nhận thức cũng thay đổi theo. Hiện tượng này tương tự như trường hợp của các loài cây: trước khi phân biệt được từng loài, mắt người chỉ nhìn thấy cây cối nói chung; sau khi tiếp thu khái niệm, tầm mắt nhận diện được sồi thường xanh, du hương tuyết tùng hay ngô đồng. Con người xây dựng trải nghiệm về thế giới dựa trên vốn hiểu biết sẵn có. Trong bài viết trước về nền tảng nhận thức, người viết đã đề cập đến loài chim cu cu thông thường, vốn đẻ trứng vào tổ của loài chim khác để tránh việc ấp và nuôi dưỡng. Chim mẹ bị lừa gạt đã nuôi nấng một con chim non khổng lồ, vượt xa kích thước của bản thân. Vì sao chim mẹ không thể nhận ra mình đang nuôi một sinh vật hoàn toàn khác biệt? Con người thường xem loài chim đó là ngây thơ, dễ mắc lừa, trong khi vẫn mặc nhiên cho rằng bản thân nhìn nhận thế giới đúng như bản chất vốn có. Tuy nhiên, cùng trải qua tiến trình tiến hóa, con người chắc chắn cũng tồn tại những điểm mù nhận thức và chỉ nhìn thấy thế giới ở mức độ vừa đủ để sinh tồn. Quan điểm này có thể được phát triển xa hơn, cho thấy ngay cả những sự vật cơ bản như quả táo... ...chỉ tồn tại trong tâm trí (tham khảo cuốn sách The Case Against Reality của Donald Hoffman). Rõ ràng có các nguyên tử (hoặc các nhiễu loạn trong các trường lượng tử nền tảng, hay ở bất kỳ cấp độ sâu hơn nào) tương ứng với những gì được nhìn nhận là quả táo, nhưng vấn đề cốt lõi là các đối tượng được trải nghiệm thực chất là một giao diện do quá trình tiến hóa định hình. Những quả táo theo cách con người biết đến không tồn tại từ góc nhìn của Thượng đế. Quả táo không có thực nhưng hữu ích cho sự sinh tồn. Cần có những robot có khả năng xây dựng các dạng trừu tượng hóa như vậy. Các thuật ngữ trừu tượng hóa, khái niệm, khuôn mẫu và lý thuyết ở đây được sử dụng theo nghĩa rộng, chỉ những yếu tố tổ chức kinh nghiệm để phục vụ quá trình tư duy tiếp theo. Chúng có thể mô tả các phạm trù, mối quan hệ hoặc tiến trình diễn biến của sự việc, bao gồm cả yếu tố bất định. Ở mức độ xấp xỉ bước đầu, các phép trừu tượng hóa mang lại các phạm trù và quy tắc. Phạm trù cho biết đối tượng đang xử lý thuộc loại nào, trong khi quy tắc cho biết điều cần kỳ vọng và hành động có thể thực hiện. Việc nhận biết một quả táo mang lại những kỳ vọng về quả táo đó, chẳng hạn như vị ngon. Khi những kỳ vọng này không được đáp ứng, có thể cần thiết lập một phạm trù mới, ví dụ như táo trang trí hoặc táo Red Delicious (vốn không có vị ngon). Xét một ví dụ đơn giản để cụ thể hóa các khái niệm trừu tượng. Giả định một tác tử (agent) có góc nhìn duy nhất về thế giới là một màn hình điểm ảnh (pixel), trong đó mỗi điểm ảnh được biểu diễn bằng ba giá trị số xác định cường độ màu đỏ, xanh lục và xanh lam. Trong thế giới này, những thực thể duy nhất thực sự xuất hiện trên màn hình là các hình chữ nhật không chồng lấn, mỗi hình có màu cam hoặc màu tím đồng nhất. Nhằm đơn giản hóa, các hình chữ nhật được căn chỉnh theo lưới điểm ảnh, phần nền giữ nguyên và không có nhiễu thị giác. Những gì tác tử quan sát được thể hiện trong Hình 1. Hình 1. Màn hình được biểu diễn dưới dạng các giá trị RGB. Có thể thấy ngay rằng một phép trừu tượng hóa hữu ích cho thế giới này là một danh sách các hình chữ nhật: python [Rectangle(x, y, width, height, color)] Tại đây, x và y xác định góc trên cùng bên trái, còn color là màu cam hoặc màu tím. Một hình chữ nhật rộng 100 pixel và cao 50 pixel chứa 5.000 pixel, nhưng có thể được mô tả chỉ bằng một vị trí, hai kích thước và một màu sắc. Mô hình này cũng cần một định nghĩa chung về hình chữ nhật cùng các giá trị RGB cho màu cam và màu tím. Khi đáp ứng được các điều kiện đó, một màn hình chứa các hình chữ nhật lớn sẽ có phần mô tả ngắn gọn hơn đáng kể, và có thể được biểu diễn như minh họa trong Hình 2. Tác tử (agent) có thể sử dụng mô tả này để suy luận. Thực thể này có thể so sánh chiều rộng của hai hình chữ nhật, đếm các hình màu cam, hoặc mô tả sự thay đổi vị trí mà không cần phải xử lý riêng lẻ từng pixel bị thay đổi. Phép trừu tượng hóa này quyết định những gì