Liệu các nhà nghiên cứu có nên viết bài báo cho AI thay vì con người?

Tháng 5 vừa qua, 37 nhà nghiên cứu từ khoảng hai chục trường đại học và công ty công nghệ hàng đầu đã công bố một bài báo trên ArXiv, lập luận rằng các nhà khoa học nên ngừng viết bài báo. Lý do là trí tuệ nhân tạo (AI) cần một định dạng khác, và nhu cầu của AI, theo họ, nên được ưu tiên. Các tác giả viết trong bài báo gây tranh cãi, có tựa đề “Bài báo cuối cùng do con người viết”, rằng: “Các tác nhân AI đang trở thành những người tham gia hạng nhất vào quy trình nghiên cứu, không phải là công cụ hỗ trợ con người mà là những người đóng góp tự chủ, đọc, tái tạo và mở rộng công trình khoa học. Sự chuyển đổi đó đòi hỏi cơ sở hạ tầng được xây dựng xung quanh các tác nhân ngay từ đầu”. Bài báo đề xuất một sự thay thế, được gọi là “Tạo phẩm nghiên cứu gốc tác nhân” (Agent-Native Research Artifact - ARA), trình bày công việc dưới định dạng mà các tác nhân AI có thể sử dụng hiệu quả. (Ví dụ, chính bài báo này cũng có sẵn trực tuyến dưới dạng ARA.) Jiachen Liu đồng sáng lập Phòng thí nghiệm Nghiên cứu Gốc tác nhân vào tháng 5. Jiachen Liu. Sự phát triển của các công cụ AI trong quy trình nghiên cứu không phải không có những lời chỉ trích, và ý kiến của các nhà khoa học về sự thay đổi này còn chia rẽ. Một số bằng chứng cho thấy nghiên cứu được hỗ trợ bởi AI có thể thúc đẩy sự nghiệp của các cá nhân trong một lĩnh vực nhưng tạo ra ít ý tưởng và chủ đề mới hơn. Tuy nhiên, một số nhà sinh vật học đã bắt đầu nhìn thấy tiềm năng của AI như một “nhà khoa học đồng hành”. Tác giả chính Jiachen Liu đã thực hiện công việc về đề xuất ARA trong khi theo học chương trình tiến sĩ khoa học máy tính tại Đại học Michigan, mà cô đã nhận bằng vào năm 2025. Tháng 5 này, cô trở thành đồng sáng lập của Phòng thí nghiệm Nghiên cứu Gốc tác nhân, một công ty khởi nghiệp AI vì khoa học ở Palo Alto, California. Cô đã trao đổi với IEEE Spectrum về bài báo và tương lai của AI trong nghiên cứu khoa học. Xây dựng cơ sở hạ tầng cho một cộng tác viên AI Làm thế nào cô tin rằng AI đã trở thành một cộng tác viên cho các nhà khoa học chứ không chỉ là một công cụ đơn thuần? Jiachen Liu: Cuối năm 2024, khi tác nhân mã hóa [Cursor] ra đời, tôi nhận ra nó có tiềm năng lớn để thay thế tôi với tư cách là một nhà nghiên cứu. Tuy nhiên, tôi vẫn cần thực hiện nhiều công việc điều chỉnh trên AI [tạo ra cơ sở hạ tầng hướng dẫn mô hình và kết nối nó với thế giới]. Nó vẫn cần rất nhiều công việc thủ công. Tôi thậm chí đã viết một bài báo vào thời điểm đó để nhấn mạnh tầm quan trọng của con người trong vòng lặp. Nhưng AI đã tiến bộ kể từ đó. Đến năm 2026, đã có một lượng kiến thức gần như hoàn chỉnh ở cấp độ đại học trong các mô hình ngôn ngữ lớn. Sẽ đến lúc, tất cả kiến thức cấp độ tiến sĩ hoặc giáo sư sẽ nằm trong các mô hình đó. Đó là thời điểm mà con người không thể cung cấp thêm giá trị. AI sẽ phải tự phát triển xa hơn. Vì vậy, chúng ta sẽ cần một cơ sở hạ tầng cho phép AI phát triển một cách an toàn và thoải mái. Giao thức ARA là bước đầu tiên để hiện thực hóa điều này. Cô đã nhận được phản hồi như thế nào về bài báo? Liu: Tôi nhận được nhiều phản hồi đa dạng, tất cả đều tích cực. Nếu không tích cực, họ có lẽ sẽ không bận tâm liên hệ với bạn, phải không? Một loại phản hồi đến từ ngành công nghiệp. Họ thấy rằng điều này có thể làm cho hệ thống nghiên cứu và kiến thức của họ trở nên gốc AI hơn. Điều đó về cơ bản có thể cho phép hợp tác giữa toàn bộ doanh nghiệp. Một loại phản hồi khác đến từ phía các nhà nghiên cứu học thuật. Mọi người ở đó đều thấy rằng việc chia sẻ kết quả nghiên cứu đã là một vấn đề nan giải trong hàng trăm năm, bởi vì bất kỳ đột phá khoa học nào cũng là một nỗ lực chung. Nó không đến từ những nhà khoa học xuất chúng cá nhân. Nó đến từ nỗ lực của cộng đồng, những người khác nhau thúc đẩy theo những hướng khác nhau. Bài báo khoa học được phát minh cách đây 350 năm. Trước đó, các nhà khoa học giấu kín nghiên cứu của họ để người khác không đánh cắp ý tưởng của họ. Sau đó, chúng ta có các kho lưu trữ công trình. Chúng ta có các bài đánh giá của đồng nghiệp và các hội nghị, v.v. Khoa học bắt đầu phát triển nhanh hơn nhiều. Đó là một bước ngoặt. Tôi nghĩ bây giờ cũng là một bước ngoặt. Bởi vì hiện tại chúng ta có AI, chúng ta có thể mở khóa nhiều cơ hội mới. Chúng ta đang phát minh ra một định dạng mới để ghi lại nghiên cứu một cách hiệu quả hơn, từ những nguyên tắc cơ bản. Một số tổ chức phi lợi nhuận đang làm những điều tương tự, và ở đó chúng ta có thể giúp đỡ lẫn nhau. Ông và các đồng nghiệp của mình cho rằng bài báo khoa học truyền thống có hai lỗi cơ bản từ góc độ của AI. Ông có thể giải thích những lỗi đó là gì không? Liu: Một là "thuế kể chuyện". Khi chúng ta viết mọi thứ vào một bài báo, 80% thông tin về công việc bị mất. Chúng ta chỉ viết ra 20% cuối cùng. Toàn bộ quá trình, nhiều quyết định quan trọng, những thất bại, những nỗ lực không thành công, tất cả đều biến mất. Trong công việc của tôi, tôi có thể dành nhiều thời gian để tinh chỉnh một thành phần nhỏ, có thể chỉ là một tham số hoặc vài dòng mã để làm cho hệ thống hoạt động tốt hơn. Tuy nhiên, không có điều nào trong số đó được thể hiện trong bài báo cuối cùng của tôi. Ai đó có thể đọc bài báo, nghĩ rằng công việc này rất tuyệt, nhưng họ sẽ không biết mẹo thực sự nào làm cho nó hoạt động tốt hơn trên một khối lượng công việc nhất định. Rất nhiều nhánh phụ bị bỏ qua khi tạo ra câu chuyện về cách công việc được thực hiện. Sau đó, [ngay cả thông tin còn sót lại trong bài báo] cũng không đầy đủ. Đó là điều chúng tôi gọi là "thuế kỹ thuật". Bản thân bài báo là một sự nén mất mát của quá trình nghiên cứu. Vì vậy, tôi không thể tái tạo công việc trong bài báo vì ngôn ngữ quá mơ hồ hoặc thiếu các chi tiết về việc triển khai hoặc thử nghiệm. Tại sao chúng ta không thể chỉ đào tạo AI để thích nghi với con người – ví dụ, để tương tác với một nhà nghiên cứu để lấy thông tin cần thiết? Liu: Thực ra, một thành phần của hệ thống ARA của chúng tôi là một "Người quản lý nghiên cứu trực tiếp" (Live Research Manager), về cơ bản là một quan sát viên AI trung thành của toàn bộ quá trình nghiên cứu của bạn. Vì vậy, bạn, nhà nghiên cứu, không cần phải làm bất cứ điều gì về việc ghi lại kiến thức nghiên cứu. Mọi thứ bạn làm đều được tự động quan sát và ghi lại trong giao thức này. Vì vậy, nếu bạn muốn xuất bản nó theo định dạng hiện tại, một bài báo dưới dạng PDF, thì việc chuyển đổi trở lại thành một câu chuyện hoàn chỉnh là dễ dàng. Kiểm tra lỗi Các mô hình ngôn ngữ lớn mắc lỗi. Chúng tạo ra thông tin sai lệch (hallucinate). Vậy làm thế nào con người có thể kiểm tra tất cả công việc mà AI thực hiện trong giao thức này? Liu: Con người có băng thông hạn chế. Vì vậy, nếu bạn kiểm tra thủ công tất cả mã AI tạo ra, tất cả kết quả và tất cả các phân tích, điều đó sẽ tạo ra một nút thắt cổ chai. [Thay vào đó, giải pháp