Tôi đã xây dựng một AI tự cải thiện, và bạn cũng có thể làm được

Will Knight Kinh doanh Ngày 8/7/2026 16:09 Tôi đã xây dựng một AI tự cải tiến, và bạn cũng có thể làm được Các thử nghiệm sử dụng AI để xây dựng AI cho thấy tương lai không chỉ thuộc về các phòng thí nghiệm tiên phong. Ảnh minh họa: WIRED Staff; Getty Images Lưu bài viết này Lưu bài viết này Hiện nay, các phòng thí nghiệm AI tiên phong đều đang chạy đua để xây dựng các mô hình tự cải tiến. Một số người tin rằng đây là con đường chắc chắn nhất dẫn đến siêu trí tuệ—khi AI tự cải thiện trong một vòng lặp đáng kinh ngạc, nó sẽ vượt qua khả năng hiểu biết của con người (và thậm chí có thể là kiểm soát). Điều đó thật tốt, nhưng tôi có một bản tin cần sản xuất. Tôi tự hỏi liệu việc tự cải tiến đệ quy có hữu ích cho mình không. Liệu tôi có thể sử dụng AI để đào tạo và liên tục cải thiện một mô hình tự động hóa một số công việc bận rộn của bản tin này không? Sau khoảng một tuần thử nghiệm, câu trả lời dường như là một tiếng "có" vang dội—và đáng ngạc nhiên. Hơn nữa, việc thử nghiệm với các mô hình tự cải tiến cho thấy một tầm nhìn khác về cách AI có thể phát triển—một tầm nhìn không tập trung vào một số ít công ty kiểm soát toàn bộ ngành. Tôi bắt đầu bằng cách thử một vòng lặp tự cải tiến đơn giản Để làm quen, tôi đã thử nghiệm đào tạo một mô hình ngôn ngữ nhỏ từ đầu—nghĩa là tôi đã giao tất cả công việc khó khăn cho Claude. Tôi đã cài đặt AutoResearch, một công cụ giúp một mô hình AI có sẵn xây dựng và cải thiện một mô hình nhỏ hơn. AutoResearch là sản phẩm trí tuệ của Andrej Karpathy, một nhà nghiên cứu AI siêu sao đã giúp thành lập OpenAI, lãnh đạo công việc AI tại Tesla và gần đây đã gia nhập Anthropic. Tôi đã khởi động Claude và đưa ra hướng dẫn được khuyến nghị: “Chào, hãy xem program.md và chúng ta hãy bắt đầu một thử nghiệm mới!” Trong khi Claude thực hiện phần khó, tôi đã cung cấp phần cứng (một Nvidia DGX, một "siêu máy tính" để bàn được thiết kế cho các thử nghiệm AI), điện năng (chạy nóng trong vài ngày liên tục) và một sự sẵn lòng có thể không khôn ngoan khi cho phép mô hình bỏ qua tất cả các kiểm tra quyền thông thường để thực hiện công việc của nó (hãy để nó hoạt động!) Tôi đã kiểm tra dự án AutoResearch vài giờ một lần và kinh ngạc khi Claude điều chỉnh các tham số và chế độ đào tạo, xem xét cách điều này thay đổi đầu ra của mô hình nhỏ hơn và tiếp tục tinh chỉnh nó. Đây là những gì một phiên bản ban đầu của mô hình ngôn ngữ nhỏ hơn đó đã tạo ra khi tôi yêu cầu nó hoàn thành cụm từ “Ban đầu…” “Ban đầu của ban đầu của kết thúc của kết thúc của kết thúc kết thúc của kết thúc kết thúc kết thúc kết thúc kết thúc kết thúc kết thúc kết thúc ban đầu kết thúc kết thúc kết thúc kết thúc…” Tuy không quá xuất sắc, nhưng các phiên bản sau này, được Claude tự động cải tiến, đã trở nên mạch lạc hơn và ít lặp lại một cách vô nghĩa. Dù chưa thể sánh với GPT-5, nhưng điều này đã mở ra một hướng đi đầy hứa hẹn cho sự cải tiến liên tục. Hành trình của tôi tiếp tục với một điều phức tạp hơn và hữu ích hơn. Tôi đã sử dụng một tác nhân (agent) dựa trên Claude để giúp tìm các bài nghiên cứu đáng chú ý, vì vậy tôi quyết định xem liệu có thể xây dựng một thứ gì đó vượt xa hơn thế hay không. Tôi đã tìm đến một công cụ từ một công ty khởi nghiệp tên là Prime Intellect, công ty này sử dụng AI để huấn luyện một mô hình tùy chỉnh cho một nhiệm vụ cụ thể. Tôi đã thu thập khoảng 100 mục "Elsewhere on the frontier of AI" trước đây – những mẩu nghiên cứu nhỏ theo sau bài luận chính trong bản tin của tôi. Sau đó, tôi đã tạo một môi trường huấn luyện Prime Intellect và yêu cầu Claude giúp tôi xây dựng mô hình của riêng mình, mà nó đặt tên là Frontier_Paper_Curator, để tìm và tóm tắt các bài báo thú vị. Claude đã tìm thêm nhiều bài báo và tạo ra một lượng lớn dữ liệu tổng hợp để hỗ trợ quá trình huấn luyện. Sau đó, nó đã sử dụng một mô hình khác để đánh giá đầu ra của Frontier_Paper_Curator, trong khi môi trường huấn luyện cũng cải thiện mô hình bằng học tăng cường (reinforcement learning). Ông Vincent Weisser, Giám đốc điều hành của Prime Intellect, công ty gần đây đã nhận được khoản tài trợ 15 triệu USD, cho biết công ty của ông đặt mục tiêu đưa khả năng tự cải thiện đệ quy (recursive self-improvement) đến với tất cả mọi người, không chỉ giới hạn ở các phòng thí nghiệm tiên phong. Ông nhận định, các mô hình do các phòng thí nghiệm tiên phong tạo ra có thể rất xuất sắc, nhưng việc dân chủ hóa loại hình đào tạo AI này có thể tạo ra các mô hình chuyên biệt có năng lực tương đương. Ông Weisser phát biểu: “Cung cấp cho mọi công ty quyền tiếp cận cơ sở hạ tầng đào tạo tiên tiến, và sức sáng tạo tập thể của thị trường sẽ mở khóa nhiều hơn đáng kể so với bất kỳ nhóm phòng thí nghiệm nào có thể làm được. Chúng tôi không muốn một trí tuệ tập trung, gần như thần thánh, mà chúng tôi muốn hàng tỷ trí tuệ đi vào tất cả các ngóc ngách để tạo ra những điều tốt đẹp”. Prime Intellect không phải là công ty duy nhất nhìn thấy tương lai theo cách này. Adaption, một công ty khởi nghiệp khác, cung cấp một công cụ có tên AutoScientist, tự động hóa việc đào tạo mô hình AI. Bà Sara Hooker, Giám đốc điều hành của Adaption, cho biết công ty đang làm việc với một số doanh nghiệp lớn đang tiêu tốn nhiều token nhưng không có chuyên gia AI nội bộ. Khi Anthropic quyết định chặn một số yêu cầu đối với mô hình mới nhất của họ là Fable 5, điều này đã bộc lộ rủi ro khi phụ thuộc quá nhiều vào một mô hình tiên phong. Một số giám đốc điều hành, như ông Alex Karp của Palantir, đã cảnh báo rằng việc sử dụng các phòng thí nghiệm tiên phong cũng đồng nghĩa với việc giao dữ liệu của bạn và quyền kiểm soát công nghệ của bạn. Mục tiêu cuối cùng của khả năng tự cải thiện đệ quy là để AI áp dụng các ý tưởng mới vào một mô hình và đưa ra những hiểu biết riêng của nó. Các công cụ sẵn có cho phần còn lại của chúng ta có phần hạn chế hơn, nhưng vẫn rất ấn tượng. Sau chưa đầy một ngày sử dụng Prime Intellect, tôi đã có thể tạo ra một mô hình tốt đáng ngạc nhiên để tìm kiếm và tóm tắt nghiên cứu. Dưới đây là một ví dụ mà nó đã tạo ra cho tôi: Các nhà nghiên cứu tại iFLYTEK đã phát triển iFLYTEK-Embodied-Omni, một mô hình AI đa phương thức thống nhất tích hợp thị giác, ngôn ngữ và tạo hành động vào một khuôn khổ duy nhất. Không giống như các tác nhân thể hiện trước đây xử lý hiểu biết thị giác, dự đoán trạng thái tương lai và tạo hành động một cách riêng biệt, mô hình của họ sử dụng cơ chế tự chú ý đa phương thức chung để cho phép phối hợp chặt chẽ – tương tự như sự hợp tác giữa não và tiểu não – giữa “bộ não cấp cao” thị giác-ngôn ngữ và “tiểu não cấp thấp” tạo hành động. Cách tiếp cận này giúp giảm thiểu sự tích lũy lỗi và các nút thắt giao diện thường gặp trong các quy trình xếp tầng. Bằng cách đào tạo trên một tập dữ liệu lớn đa dạng bao gồm cả dữ liệu do con người và robot chú thích.