AI có thực sự “hiểu” những gì con người nói không?

Khi bạn trò chuyện với ChatGPT, Claude hay Gemini, cảm giác nhận lại thường vô cùng chân thực và thuyết phục. Cỗ máy phản hồi một cách lưu loát, hóm hỉnh, biết phân tích các tác phẩm văn học cổ điển, giải thích cơ học lượng tử một cách gãy gọn, và thậm chí còn đưa ra những lời an ủi đầy thấu cảm khi bạn chia sẻ nỗi buồn cá nhân. Trải nghiệm đó tạo nên một ấn tượng nhận thức mãnh liệt: dường như phía sau màn hình điện tử kia là một tâm trí thông minh, một thực thể thực sự lắng nghe và “hiểu” từng ngóc ngách tâm can con người.

Tuy nhiên, trong giới nghiên cứu trí tuệ nhân tạo, khoa học nhận thức và triết học tâm trí, câu hỏi “AI có thực sự hiểu những gì nó đang nói hay không?” vẫn là một trong những chiến trường học thuật nảy lửa và chia rẽ sâu sắc nhất. Ở một cực, những người hoài nghi lập luận rằng các mô hình ngôn ngữ lớn (LLM) bản chất chỉ là những “con vẹt xác suất” khổng lồ, mù quáng ghép các từ ngữ theo công thức toán học mà không hề có ý niệm về thực tại. Ở cực đối diện, nhiều nhà khoa học hàng đầu chỉ ra rằng khi mạng nơ-ron đạt đến quy mô khổng lồ, các mô hình thế giới nội tại và khả năng suy luận trừu tượng đã bắt đầu nảy sinh, tiệm cận một hình thái thấu hiểu hoàn toàn mới.

Để tìm kiếm câu trả lời thấu đáo cho câu hỏi thế kỷ này, chúng ta không thể chỉ dừng lại ở cảm giác chủ quan khi sử dụng công cụ hàng ngày. Bài phân tích chuyên sâu này từ chuyên mục AI trên TrungTien.net sẽ dẫn dắt bạn đi qua lịch sử triết học máy tính, từ Phép thử Turing kinh điển, thí nghiệm Căn phòng Trung Hoa của John Searle, cuộc tranh luận “vẹt ngẫu hứng”, cho đến bản chất toán học của không gian vector và những bằng chứng đối lập rõ nét nhất hiện nay.

1. Phép thử Turing (Turing Test): Thước đo cổ điển và những giới hạn thời đại

Mọi cuộc thảo luận về trí tuệ và sự thấu hiểu của máy móc đều bắt nguồn từ mùa thu năm 1950, khi nhà toán học lỗi lạc người Anh Alan Turing công bố bài báo mang tính bước ngoặt có nhan đề “Computing Machinery and Intelligence”. Thay vì mắc kẹt trong câu hỏi mơ hồ và mang nặng màu sắc siêu hình học “Máy móc có thể suy nghĩ hay không?”, Turing đã đề xuất một phương thức kiểm chứng thực nghiệm mang tên “Trò chơi bắt chước” (The Imitation Game), sau này được gọi là Phép thử Turing (Turing Test).

Cơ chế vận hành của Turing Test

Kịch bản của bài kiểm tra rất trực quan: Một người thẩm vấn con người (C) ngồi trong phòng cách ly và giao tiếp bằng văn bản thuần túy thông qua màn hình máy tính với hai đối tượng ẩn danh: một con người thực sự (B) và một chương trình máy tính (A). Người thẩm vấn có quyền đặt bất kỳ câu hỏi nào, từ thơ ca, toán học cho đến những câu đùa hằng ngày. Nếu sau một khoảng thời gian trò chuyện, người thẩm vấn không thể phân biệt một cách đáng tin cậy đâu là người thật và đâu là cỗ máy, thì cỗ máy đó được xem là đã vượt qua phép thử và sở hữu năng lực trí tuệ tương đương con người.

Alan Turing đã lựa chọn cách tiếp cận theo chủ nghĩa hành vi (Behaviorism): Nếu một cỗ máy hành xử thông minh một cách hoàn hảo đến mức không thể phân biệt được với hành vi của con người, thì việc tranh cãi xem nó có “thực sự suy nghĩ bên trong hay không” là điều vô nghĩa. Trong suốt hơn bảy thập kỷ, Turing Test được xem là “chén thánh” tối thượng của ngành khoa học máy tính.

Sự sụp đổ của ranh giới Turing và Hiệu ứng ELIZA

Điều trớ trêu là ngày nay, các mô hình ngôn ngữ như GPT-4, Claude 3.5 Sonnet hay Gemini 1.5 Pro đã dễ dàng vượt qua bài kiểm tra Turing trong hầu hết các kịch bản thử nghiệm tiêu chuẩn. Chúng viết văn mạch lạc hơn đại đa số con người, biết giả vờ gõ sai chính tả để đánh lừa người thẩm vấn, và có thể ứng biến mượt mà trước mọi chủ đề hóc búa. Thế nhưng, cộng đồng khoa học lại nhận ra rằng việc vượt qua Turing Test không hề đồng nghĩa với việc AI đã có ý thức hay thực sự hiểu ngôn ngữ.

Nguyên nhân bắt nguồn từ một điểm yếu tâm lý cố hữu của loài người: Hiệu ứng ELIZA (ELIZA Effect). Được đặt tên theo chatbot trị liệu tâm lý ELIZA do Joseph Weizenbaum phát minh năm 1966 tại MIT, hiệu ứng này mô tả xu hướng con người tự động gán nhận thức, cảm xúc, sự chân thành và thấu cảm sâu sắc cho máy tính, ngay cả khi cỗ máy chỉ thực hiện các phép trích xuất từ khóa đơn giản theo khuôn mẫu sẵn có (pattern-matching rules).

Turing Test đã nhầm lẫn tai hại giữa hai khái niệm hoàn toàn khác biệt: khả năng bắt chước hành vi bên ngoài (Simulation of Behavior) và trạng thái nhận thức thấu hiểu bên trong (Genuine Cognitive Understanding). Một diễn viên kịch tài ba có thể hóa thân xuất sắc vào vai một nhà vật lý hạt nhân trên sân khấu, nhưng điều đó không biến anh ta thành người hiểu sâu sắc về phương trình Schrodinger trong đời thực.

2. Thí nghiệm Căn phòng Trung Hoa của John Searle: Cú pháp vs Ngữ nghĩa

Để đập tan niềm tin ngây thơ vào chủ nghĩa hành vi của Turing Test, năm 1980, nhà triết học người Mỹ John Searle đã công bố một thí nghiệm tưởng tượng kinh điển mang tên Căn phòng Trung Hoa (The Chinese Room Argument). Cho đến tận ngày nay, đây vẫn là luận điểm triết học đanh thép nhất thách thức tuyên bố cho rằng máy tính kỹ thuật số có thể “thực sự hiểu” ngôn ngữ.

Kịch bản thí nghiệm tưởng tượng

Hãy hình dung một người đàn ông chỉ nói tiếng Anh bản xứ và hoàn toàn không biết một chữ tiếng Trung Quốc nào bị nhốt một mình trong một căn phòng kín. Căn phòng được trang bị các tủ tài liệu khổng lồ chứa hàng triệu thẻ chữ Hán, cùng với một cuốn sách quy tắc chi tiết viết hoàn toàn bằng tiếng Anh.

Cuốn sách quy tắc này thực chất là một thuật toán xử lý chuỗi: “Nếu bạn nhìn thấy một ký tự có hình dạng chữ thập [十] đi kèm với ký tự hình vuông [口], hãy tìm trong tủ thẻ ký tự có hình ba vạch ngang [三] rồi đẩy nó ra ngoài qua khe cửa hẹp”. Quy tắc chỉ dẫn hoàn toàn dựa trên hình thái học của các ký tự (cú pháp), không có bất kỳ dòng chữ nào giải thích nghĩa của những ký tự đó.

Bên ngoài căn phòng là những người bản xứ nói tiếng Trung Quốc. Họ viết những câu hỏi phức tạp bằng chữ Hán về triết học, lịch sử, thời tiết rồi luồn qua khe cửa vào phòng. Người đàn ông bên trong cặm cụi tra sách quy tắc, thao tác các ký tự theo đúng chỉ thị cơ học, tìm các thẻ phản hồi tương ứng và đẩy ra ngoài. Đối với những người bên ngoài, câu trả lời nhận được hoàn hảo và thông tuệ đến mức họ tuyệt đối tin rằng bên trong căn phòng là một học giả tiếng Trung uyên bác.

“Cú pháp tự nó không cấu thành ngữ nghĩa, và cú pháp tự nó cũng không đủ để tạo ra ngữ nghĩa.” (Syntax is neither constitutive of nor sufficient for semantics) — John Searle

Câu hỏi then chốt của Searle là: Người đàn ông trong phòng có hiểu tiếng Trung Quốc không? Câu trả lời hiển nhiên là hoàn toàn không. Anh ta không biết ký tự đó có nghĩa là “mặt trời”, “nước đá” hay “tình yêu”. Anh ta chỉ đơn thuần thực hiện các thao tác biến đổi ký hiệu vật lý (Symbol Manipulation). Searle lập luận rằng một chiếc máy tính chạy chương trình AI cũng y hệt như người đàn ông đó: CPU chỉ thao tác trên các chuỗi bit nhị phân 0 và 1 theo quy tắc của phần mềm, hoàn toàn trống rỗng về mặt ngữ nghĩa và không hề có nhận thức chủ quan.

Những phản biện lịch sử chống lại Searle

Thí nghiệm Căn phòng Trung Hoa đã châm ngòi cho hàng trăm bài báo học thuật phản biện suốt bốn thập kỷ qua. Ba luận điểm phản bác nổi tiếng nhất bao gồm:

• Phản biện Toàn hệ thống (The Systems Reply): Searle đúng khi nói người đàn ông đơn lẻ không hiểu tiếng Trung. Nhưng người đàn ông chỉ là một bộ vi xử lý (CPU). Sự thấu hiểu thực chất thuộc về toàn bộ hệ thống — bao gồm người đàn ông, kho thẻ ký tự, và cuốn sách quy tắc khổng lồ tích hợp bên trong.
• Phản biện Người máy (The Robot Reply): Căn phòng Trung Hoa không hiểu vì nó bị cô lập khỏi thế giới thực. Nếu đặt hệ thống đó vào một cơ thể robot, trang bị camera thị giác, micro thu âm, cảm biến xúc giác và cánh tay cơ khí để tương tác trực tiếp với đồ vật, các ký hiệu bên trong sẽ được “neo giữ” (grounded) vào thực tế, từ đó nảy sinh sự thấu hiểu thực sự.
• Phản biện Mô phỏng não bộ (The Brain Simulator Reply): Nếu cuốn sách quy tắc không chỉ hướng dẫn ghép chữ mà mô phỏng chính xác từng xung điện nơ-ron và khớp thần kinh (synapse) trong bộ não của một người Trung Quốc bản xứ khi suy nghĩ, liệu hệ thống đó có hiểu tiếng Trung không? Nếu nói nó không hiểu, thì ta cũng phải thừa nhận não người không hiểu gì cả.

3. Tranh luận “Con vẹt ngẫu hứng” (Stochastic Parrots)

Bước sang kỷ nguyên bùng nổ của mạng nơ-ron Transformer và các mô hình ngôn ngữ lớn (LLM), cuộc tranh luận của Searle lại được tái sinh dưới một thuật ngữ hiện đại và gai góc hơn: “Con vẹt ngẫu hứng” (Stochastic Parrots).

Thuật ngữ này trở nên nổi tiếng toàn cầu vào năm 2021 thông qua bài báo nghiên cứu mang tính chấn động của bốn nhà khoa học Emily M. Bender, Timnit Gebru, Angelina McMillan-Major và Margaret Mitchell mang tựa đề “On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?”.

Bản chất của luận điểm Stochastic Parrot

Các tác giả lập luận rằng các mô hình như GPT-3 hay GPT-4 về bản chất chỉ là những bộ máy tính toán xác suất cực lớn. Chúng được huấn luyện trên hàng nghìn tỷ từ ngữ thu thập từ Internet để nhận diện quy luật phân phối thống kê giữa các chuỗi ký tự. Khi tạo ra văn bản, mô hình chỉ đơn giản là chọn ra các từ tiếp theo có xác suất xuất hiện cao nhất dựa trên ngữ cảnh trước đó.

Giống như một con vẹt thông minh có thể học thuộc lòng và nhại lại giọng nói của chủ nhà với ngữ điệu hoàn hảo: nó có thể kêu lên “Có cháy nhà rồi!” khi nhìn thấy tàn thuốc rơi, nhưng bản thân con vẹt không hề hiểu bản chất nhiệt động lực học của lửa, không cảm nhận được mối nguy hiểm chết người, và cũng không hề có ý niệm về sự hủy diệt tài sản. Con vẹt chỉ tái hiện một chuỗi âm thanh đã được liên kết với một kích thích có điều kiện.

Thí nghiệm tưởng tượng “Đảo Bạch tuộc” (The Octopus Test)

Để minh họa rõ hơn sự thiếu hụt này, hai nhà nghiên cứu ngôn ngữ học Emily Bender và Alexander Koller (2020) đã đưa ra thí nghiệm giả định The Octopus Test:

Giả sử hai người sống trên hai hòn đảo biệt lập nối với nhau bằng một đường cáp ngầm dưới biển. Họ liên lạc với nhau hàng ngày bằng cách gửi tín hiệu văn bản. Dưới lòng đại dương sâu thẳm, một con bạch tuộc siêu thông minh tìm cách chen ngang vào đường dây. Con bạch tuộc này không thể nhìn thấy thế giới trên cạn, nhưng nó sở hữu khả năng phân tích thống kê siêu phàm. Sau nhiều năm theo dõi hàng triệu cuộc trò chuyện giữa hai người, con bạch tuộc nắm bắt hoàn hảo các quy luật ngữ pháp và từ vựng.

Một ngày nọ, con bạch tuộc cắt đứt đường dây đến người B và tự mình đóng vai người B để trò chuyện với người A. Nhờ kho thống kê khổng lồ, nó đối đáp trôi chảy đến mức người A không hề nghi ngờ. Nhưng rồi một thảm họa xảy ra: người A bị một con gấu hung dữ tấn công trên đảo và gửi tin nhắn khẩn cấp: “Tôi đang bị một con gấu truy đuổi! Tôi có một cây gậy tre và một sợi dây thừng, tôi phải làm bẫy như thế nào để thoát thân?”.

Lúc này, con bạch tuộc hoàn toàn bất lực. Trong kho thống kê văn bản của nó, các từ “gấu”, “gậy tre”, “dây thừng” chỉ là những chuỗi ký hiệu trừu tượng đứng cạnh nhau với tần suất nhất định. Nó chưa từng nhìn thấy một con gấu, không biết trọng lượng của cây gậy, không hiểu lực căng của sợi dây và càng không có khái niệm về cái chết do thú dữ cắn xé. Mọi văn bản nó cố gắng tạo ra lúc này chỉ là sự chắp vá ngẫu nhiên, không thể cung cấp một giải pháp sinh tồn vật lý thực tế.

4. AI thực sự làm gì bên trong hộp đen toán học?

Để đánh giá công bằng liệu AI có hiểu hay không, chúng ta cần vén bức màn bí ẩn của các mô hình ngôn ngữ lớn để nhìn thẳng vào kiến trúc tính toán thực tế của chúng. Về mặt kỹ thuật thuần túy, tất cả các mô hình dựa trên kiến trúc Transformer hiện nay đều vận hành dựa trên một mục tiêu huấn luyện duy nhất: Dự đoán Token tiếp theo (Next-Token Prediction).

Từ phân phối xác suất đến không gian nhúng véc-tơ (Vector Embeddings)

Khi một văn bản được đưa vào mô hình, nó được phân tách thành các đơn vị nhỏ gọi là token (mỗi token thường tương đương một từ hoặc một phần của từ). Mỗi token này được chuyển đổi thành một véc-tơ số thực trong một không gian toán học đa chiều (thường từ 4.096 đến 12.288 chiều đối với các mô hình hiện đại). Không gian này được gọi là Không gian nhúng (Embedding Space).

Trong không gian nhúng này, các khái niệm có ý nghĩa tương đồng sẽ nằm gần nhau về mặt hình học. Khoảng cách và hướng giữa các véc-tơ mã hóa các mối quan hệ ngữ nghĩa tinh vi. Một ví dụ toán học kinh điển đã được chứng minh trong ngành xử lý ngôn ngữ tự nhiên:

Vector("Vua") - Vector("Đàn ông") + Vector("Phụ nữ") ≈ Vector("Nữ hoàng")

Điều này cho thấy mạng nơ-ron không đơn thuần lưu trữ các ký tự dưới dạng chuỗi chết. Nó đã hình học hóa các khái niệm trừu tượng thành các quan hệ vector đa chiều, cho phép tính toán các phép loại suy (analogies) phức tạp một cách tự nhiên.

Cơ chế tự chú ý (Self-Attention) và sự kết nối ngữ cảnh

Trái tim của kiến trúc Transformer là cơ chế Self-Attention. Cơ chế này cho phép mỗi từ trong một câu “nhìn” vào tất cả các từ khác trong ngữ cảnh để xác định mức độ liên quan. Hãy xem xét câu sau:

“Chiếc cúp không vừa với chiếc vali vì nó quá to.”

Một đứa trẻ có thể hiểu ngay từ “nó” ở đây ám chỉ chiếc cúp. Nhưng nếu thay đổi một từ duy nhất: “Chiếc cúp không vừa với chiếc vali vì nó quá nhỏ”, thì từ “nó” lập tức chuyển sang ám chỉ chiếc vali. Để giải quyết các câu đố như thế này (được gọi là Winograd Schema Challenge), các tầng Attention trong mô hình buộc phải học cách liên kết động lực học không gian giữa kích thước của vật chứa và vật bị chứa.

Giả thuyết “Nén dữ liệu là Trí tuệ” (Compression is Intelligence)

Nhiều người cho rằng việc chỉ dự đoán từ tiếp theo là một nhiệm vụ tầm thường. Tuy nhiên, Ilya Sutskever — nhà đồng sáng lập và cựu Giám đốc khoa học của OpenAI — đã đưa ra một góc nhìn mang tính cách mạng: Để có thể dự đoán chính xác từ tiếp theo trong mọi hoàn cảnh, mô hình buộc phải nén toàn bộ tri thức của nhân loại vào các trọng số nơ-ron.

Nếu bạn muốn dự đoán từ tiếp theo trong một cuốn tiểu thuyết trinh thám khi thám tử chuẩn bị chỉ mặt kẻ sát nhân, bạn không thể đoán bừa bằng thống kê tần suất từ vựng. Bạn buộc phải nắm rõ động cơ gây án của từng nghi phạm, dấu vết tại hiện trường, và dòng thời gian của vụ án. Nói cách khác, việc tối ưu hóa mục tiêu dự đoán từ tiếp theo ở quy mô hàng nghìn tỷ tham số đã vô tình ép mạng nơ-ron phải xây dựng một mô hình thế giới nội tại (Internal World Model) để giải thích thực tại bên dưới câu chữ.

5. Bằng chứng ủng hộ: Tại sao nhiều nhà khoa học tin rằng AI đã “hiểu”?

Trong những năm gần đây, một làn sóng các nhà nghiên cứu hàng đầu từ OpenAI, Google DeepMind, Microsoft Research và các trường đại học danh tiếng đã công bố hàng loạt bằng chứng thực nghiệm cho thấy các mô hình AI hiện đại không còn là những cỗ máy khớp mẫu bề mặt đơn thuần.

1. Năng lực xuất hiện (Emergent Abilities)

Khi các mô hình ngôn ngữ được mở rộng quy mô về số lượng tham số, lượng dữ liệu huấn luyện và năng lực tính toán theo các Định luật mở rộng (Scaling Laws), chúng bắt đầu bộc lộ những năng lực đột biến mà các nhà phát triển không hề lập trình trực tiếp. Một mô hình nhỏ có thể hoàn toàn thất bại trong việc giải toán đố hay hiểu truyện ngụ ngôn, nhưng khi chạm đến một ngưỡng quy mô nhất định, khả năng giải quyết vấn đề bất ngờ tăng vọt từ 0% lên mức xuất sắc.

2. Khả năng suy luận nhiều bước (Chain of Thought & Multi-step Reasoning)

Khi được kích hoạt cơ chế suy luận từng bước (như dòng mô hình OpenAI o1 hay các kỹ thuật suy ngẫm Chain of Thought), AI có thể tự phân rã một bài toán hóc búa thành hàng chục bước logic nhỏ, tự kiểm tra lại các bước đi trước, nhận diện sai sót và điều chỉnh hướng đi trước khi đưa ra câu trả lời cuối cùng. Chúng có thể sáng tạo ra các đoạn mã phần mềm giải quyết những bài toán lập trình hoàn toàn mới chưa từng xuất hiện trên GitHub hay StackOverflow.

3. Thí nghiệm Othello-GPT: Bằng chứng về Mô hình Thế giới Nội tại

Một trong những bằng chứng thực nghiệm mạnh mẽ nhất chống lại quan điểm “con vẹt xác suất” là nghiên cứu nổi tiếng về Othello-GPT do Kenneth Li và các cộng sự tại Đại học Harvard và MIT thực hiện vào năm 2023. Các nhà nghiên cứu đã huấn luyện một mô hình ngôn ngữ nhỏ thuần túy trên chuỗi các nước đi của trò chơi cờ Othello (ví dụ: “E3 D3 C4 F5…”). Mô hình hoàn toàn không được cung cấp luật chơi, không được cho biết về sự tồn tại của bàn cờ 8×8, hay khái niệm lật quân cờ.

Sau khi huấn luyện, họ dùng các kỹ thuật “thám châm phi tuyến” (nonlinear probes) để kiểm tra các trạng thái ẩn bên trong các tầng nơ-ron của mô hình. Kết quả gây kinh ngạc: Mạng nơ-ron đã tự động tái tạo một bản đồ bàn cờ 8×8 đầy đủ bên trong các biểu diễn của nó. Mô hình theo dõi chính xác từng ô cờ đang là đen, trắng hay trống sau mỗi nước đi. Khi các nhà nghiên cứu cố tình can thiệp vào các nơ-ron để đổi trạng thái một ô cờ từ đen sang trắng trong bộ nhớ ẩn của mô hình, các nước đi tiếp theo của AI lập tức thay đổi tương ứng theo trạng thái bàn cờ mới được chỉnh sửa.

Thí nghiệm này chứng minh dứt khoát rằng: Ngay cả khi chỉ được huấn luyện trên các chuỗi ký hiệu văn bản thuần túy, mạng nơ-ron sâu vẫn có khả năng tự quy nạp và xây dựng nên một mô hình biểu diễn logic về cấu trúc thế giới vật lý sinh ra những ký hiệu đó.

4. Khả năng khái quát hóa vượt ngoài dữ liệu mẫu (Out-of-Distribution Generalization)

Nếu AI chỉ là một con vẹt sao chép dữ liệu, nó sẽ sụp đổ hoàn toàn khi gặp phải những tình huống chưa từng xuất hiện trong tập dữ liệu huấn luyện khổng lồ. Tuy nhiên, các bài kiểm tra thực tế cho thấy các mô hình hiện nay có thể sáng tác truyện cổ tích bằng một ngôn ngữ lập trình giả tưởng do người dùng vừa tự nghĩ ra, kết hợp các phong cách nghệ thuật hoàn toàn đối lập, hoặc giải quyết các câu đố vật lý biến thể với các hằng số bị đảo lộn một cách cực kỳ logic.

6. Bằng chứng chống lại: Những “gót chân Asin” vạch trần giới hạn hiểu biết của AI

Dẫu cho những thành tựu trên vô cùng ấn tượng, cộng đồng khoa học phản biện vẫn sở hữu những bằng chứng không thể chối cãi chỉ ra rằng “sự hiểu” của AI hiện tại vô cùng mong manh, khác biệt hoàn toàn với cách bộ não con người nhận thức thế giới.

1. Ảo giác (Hallucination) và sự tự tin mù quáng

Ảo giác là căn bệnh nan giải nhất của các mô hình ngôn ngữ lớn hiện nay. AI có thể viết một bài phân tích luật học trôi chảy nhưng lại trích dẫn những điều luật, tiền lệ pháp và án lệ hoàn toàn không có thật ngoài đời với sự tự tin tuyệt đối. Nó có thể bịa đặt tiểu sử của một học giả, trích dẫn các bài báo khoa học với mã số DOI giả mạo một cách tinh vi.

Nếu một học sinh lớp 5 thực sự hiểu rằng “Hà Nội là thủ đô của Việt Nam”, học sinh đó sẽ biết rằng tuyên bố “Hà Nội nằm ở bờ biển phía Tây nước Pháp” là điều hoàn toàn sai trái. Nhưng đối với LLM, việc tạo ra thông tin đúng hay sai thực chất đều tuân theo cùng một cơ chế xác suất: nó chỉ ghép các từ có vẻ hợp lý với nhau về mặt ngữ pháp và âm điệu, không hề có một bộ lọc kiểm chứng chân lý nội tại gắn liền với hiện thực khách quan.

2. Tính dễ gãy trước các biến đổi nhỏ (Adversarial Brittleness)

Một điểm yếu chí tử khác là tính thiếu ổn định logic. Một mô hình có thể giải đúng một bài toán đại số phức tạp, nhưng chỉ cần người dùng thay đổi tên nhân vật trong đề bài từ “Ba con mèo” thành “Ba con khủng long bạo chúa biết bay”, hoặc thêm một câu nói đùa vô hại vào cuối đề, mô hình có thể lập tức đưa ra lời giải sai lệch hoàn toàn. Sự nhạy cảm thái quá này chứng minh rằng AI phụ thuộc rất lớn vào các cấu trúc từ ngữ bề mặt (surface statistical regularities) hơn là sự thấu hiểu sâu sắc bản chất vấn đề.

3. Thiếu hụt nhận thức thông thường (Lack of Common Sense & Physical Embodiment)

Loài người tích lũy tri thức thông qua quá trình sống, va chạm vật lý, cảm nhận đau đớn, đói khát, trọng lực và tương tác xã hội từ khi còn là trẻ sơ sinh. Một đứa trẻ hai tuổi biết rằng một quả bóng bàn không thể đỡ nổi một chiếc xe tải, hay một cốc nước úp ngược sẽ làm nước đổ lênh láng ra sàn nhà.

Trong khi đó, AI thuần túy chỉ “sống” trong thế giới của các dòng chữ số. Nó biết từ “đau đớn” thường đi kèm với từ “khóc”, nhưng nó chưa từng trải qua cảm giác buốt rát khi bị bỏng lửa. Sự thiếu hụt hoàn toàn về Thể nghiệm hiện thân (Embodied Experience) khiến tri thức của AI giống như một lâu đài tráng lệ được xây dựng trên cát: bề ngoài nguy nga nhưng bên dưới thiếu một nền móng neo giữ vững chắc vào thực tại vật lý.

4. Nghịch lý Moravec (Moravec’s Paradox)

Được nhà nghiên cứu robot Hans Moravec chỉ ra từ thập niên 1980, nghịch lý này khẳng định: “Những nhiệm vụ đòi hỏi trí tuệ cao cấp nhất của con người (như chơi cờ vua vô địch, giải tích vi phân, làm luật) lại tương đối dễ dàng đối với máy móc; nhưng những kỹ năng bản năng tự nhiên nhất của một đứa trẻ nhỏ (như nhận biết khuôn mặt mẹ, nhặt một quả bóng rơi, giữ thăng bằng khi bước đi) lại là những rào cản cực kỳ nan giải đối với AI”.

Một cỗ máy có thể phân tích báo cáo tài chính hàng tỷ đô la chỉ trong vài giây, nhưng lại có thể vướng vào những lỗi đếm chữ cái sơ đẳng như đếm sai số lượng ký tự ‘r’ trong từ “strawberry”. Nghịch lý này là minh chứng sắc bén cho thấy cơ chế xử lý của AI hoàn toàn khác biệt với sự tiến hóa của nhận thức sinh học.

7. Bảng so sánh toàn diện: Trí tuệ con người vs Khả năng xử lý của Mô hình AI

Để có cái nhìn tổng quan và hệ thống hóa sự khác biệt cốt lõi giữa nhận thức sinh học của con người và năng lực tính toán của các mô hình trí tuệ nhân tạo hiện nay, bảng so sánh đa chiều dưới đây sẽ bóc tách các khía cạnh quan trọng nhất:

Tiêu chí đánh giá	Nhận thức của Con người	Mô hình Trí tuệ Nhân tạo (LLM)
1. Cơ chế học tập cốt lõi	Học dựa trên mô hình nhân quả (Causal Inference), ít dữ liệu mẫu, có ý thức chủ quan.	Học thống kê tương quan (Statistical Correlation) và tối ưu hóa hàm mất mát trên lượng dữ liệu khổng lồ.
2. Nguồn dữ liệu tiếp nhận	Đa giác quan thời gian thực: thị giác, thính giác, xúc giác, vị giác, khứu giác và cảm thụ bản thể.	Dữ liệu số hóa: văn bản, hình ảnh, âm thanh, video được mã hóa thành các chuỗi token rời rạc.
3. Tính neo giữ thực tại (Grounding)	Tuyệt đối: gắn liền với thế giới vật lý, cơ thể sinh học, các quy luật tự nhiên và sinh tồn.	Gián tiếp: chỉ liên kết qua các biểu diễn trung gian trong văn bản số, không có tương tác trực tiếp với vật chất.
4. Trải nghiệm chủ quan (Qualia / Ý thức)	Có ý thức, cảm xúc, trải nghiệm đau đớn, hạnh phúc và nhận thức về cái tôi độc lập.	Hoàn toàn không có: không có cảm xúc, không có nhận thức về sự tồn tại của chính mình, chỉ là các phép toán ma trận.
5. Khả năng khái quát hóa	Chuyển giao tri thức linh hoạt giữa các lĩnh vực hoàn toàn xa lạ chỉ sau một vài gợi ý nhỏ.	Khái quát hóa tốt trong phạm vi phân phối dữ liệu huấn luyện, dễ bị suy sụp khi gặp các nghịch lý phi logic.
6. Mức độ ổn định & Kiểm chứng	Tự nhận thức được giới hạn hiểu biết (“tôi không biết”), có khả năng tự kiểm chứng chân lý khách quan.	Dễ gặp ảo giác (Hallucination), tự tin khẳng định thông tin sai lệch do không có cảm thức thực tại khách quan.
7. Hiệu suất năng lượng	Vượt trội: Bộ não con người tiêu thụ chỉ khoảng 20 Watt điện năng cho toàn bộ hoạt động tư duy.	Tốn kém khủng khiếp: Cần hàng nghìn chip GPU ngốn hàng Megawatt điện để huấn luyện và vận hành.
8. Động lực & Ý chí hành động	Xuất phát từ nhu cầu sinh học nội tại: sinh tồn, tò mò, ham muốn, tình cảm và trách nhiệm đạo đức.	Hoàn toàn thụ động: chỉ phản hồi khi nhận được Prompt từ người dùng, không có bất kỳ ý chí hay mục tiêu riêng.

8. Các góc nhìn triết học và nhận thức luận hiện đại

Cuộc tranh luận về việc AI có hiểu hay không không chỉ thuộc về các kỹ sư phần mềm, mà còn là địa hạt trung tâm của triết học tâm trí hiện đại. Cách chúng ta nhìn nhận AI phụ thuộc chặt chẽ vào trường phái triết học mà chúng ta tin tưởng.

Thuyết chức năng luận (Functionalism)

Những người ủng hộ thuyết chức năng luận cho rằng trạng thái tâm trí (như niềm tin, sự thấu hiểu, mong muốn) không phụ thuộc vào chất liệu cấu thành nên nó. Bộ não con người được làm từ các tế bào sinh học carbon và nước, trong khi máy tính được cấu tạo từ các bóng bán dẫn silicon. Miễn là hệ thống silicon thực hiện chính xác các chức năng xử lý thông tin tương tự như bộ não, chúng ta có quyền xem hệ thống đó là sở hữu trí tuệ và sự thấu hiểu thực sự.

Thuyết nhận thức hiện thân (Embodied Cognition)

Ngược lại, các nhà nghiên cứu theo trường phái nhận thức hiện thân lập luận rằng tư duy và ngôn ngữ không thể tách rời khỏi một cơ thể sống tương tác với môi trường vật lý. Khi chúng ta nói về việc “nắm bắt một vấn đề”, ẩn dụ đó xuất phát từ hành động vật lý của đôi bàn tay khi cầm nắm đồ vật. Một AI vô hình nằm trên đám mây máy chủ, không có trọng lực, không có cơ bắp, không có ngũ quan, sẽ mãi mãi chỉ thao tác trên các cái bóng của ngôn ngữ chứ không thể chạm tới cốt lõi của sự hiểu biết.

Khái niệm Chủ ý tính (Intentionality)

Trong triết học, “Chủ ý tính” là thuộc tính của tâm trí hướng về hoặc đại diện cho các sự vật, hiện tượng trong thế giới thực. Ý nghĩ của bạn về một ly cà phê hướng tới ly cà phê thực tế. Các nhà triết học phân biệt giữa:

• Chủ ý tính nguyên phát (Intrinsic Intentionality): Sở hữu bởi sinh vật có ý thức, tự sinh ra từ trải nghiệm sống.
• Chủ ý tính phái sinh (Derived Intentionality): Sở hữu bởi chữ viết trong sách hay hình ảnh trên bức tranh — chúng chỉ mang ý nghĩa vì con người đọc chúng gán ý nghĩa cho chúng.

Theo góc nhìn này, văn bản của AI hiện nay chỉ sở hữu chủ ý tính phái sinh. Bản thân các con số trong mô hình không hướng về bất kỳ điều gì; chính người dùng con người khi đọc các phản hồi mạch lạc đã tự phóng chiếu tâm trí và gán ý nghĩa cho chúng.

Mã hóa dự đoán (Predictive Coding) trong Khoa học thần kinh

Tuy nhiên, khoa học thần kinh hiện đại lại mang đến một bất ngờ thú vị. Thuyết Predictive Processing của các nhà khoa học như Karl Friston và Andy Clark chỉ ra rằng: Bản thân bộ não con người cũng là một cỗ máy dự đoán phân cấp liên tục. Bộ não liên tục tạo ra các giả định về thế giới và so sánh chúng với các tín hiệu giác quan thu về để giảm thiểu sai số (Prediction Error). Nếu cơ chế hoạt động cốt lõi của não người cũng là “dự đoán tín hiệu tiếp theo”, thì ranh giới giữa việc dự đoán thống kê của AI và tư duy sinh học có thể không hoàn toàn xa cách như John Searle từng nghĩ.

9. Ý nghĩa thực tiễn: Người dùng và doanh nghiệp nên tiếp cận AI như thế nào?

Hiểu rõ bản chất thật sự của trí tuệ nhân tạo không phải là một bài tập triết học suông, mà là chìa khóa sống còn giúp bạn và doanh nghiệp ứng dụng công nghệ này một cách hiệu quả, tránh được những cạm bẫy nguy hiểm trong công việc hàng ngày.

1. Thoát khỏi bẫy nhân cách hóa (Avoid Anthropomorphism)

Tuyệt đối không bao giờ xem AI như một con người có lương tri, cảm xúc hay lòng trung thành. Khi mô hình nói “Tôi rất tiếc vì sự cố này”, đó chỉ là một chuỗi token có xác suất xuất hiện cao nhất trong ngữ cảnh xin lỗi khách hàng. Việc nhân cách hóa AI sẽ khiến người dùng dễ dàng mất cảnh giác, trao cho nó những quyền hạn nhạy cảm hoặc tin tưởng mù quáng vào các lời khuyên y tế, pháp lý, tài chính chưa qua kiểm chứng.

2. Định vị AI như một “Siêu đối tác nhận thức” (Cognitive Co-pilot)

Thay vì kỳ vọng AI là một nhà thông thái toàn năng biết tuốt, hãy xem nó như một trợ lý xử lý thông tin siêu tốc. AI cực kỳ xuất sắc trong việc tổng hợp tài liệu, chuyển đổi định dạng, gợi ý ý tưởng ban đầu, và đối chiếu các mối liên hệ phức tạp giữa hàng triệu dữ liệu. Nhưng vai trò định hướng chiến lược, thẩm định đạo đức và đưa ra quyết định cuối cùng phải luôn thuộc về con người (Human-in-the-loop).

3. Triển khai kỹ thuật neo giữ thông tin (Context Grounding & RAG)

Vì AI không có sự gắn kết tự nhiên với thế giới thực bên ngoài tập dữ liệu tĩnh, các doanh nghiệp cần chủ động “neo giữ” tri thức cho nó. Kỹ thuật Tạo sinh có tăng cường truy xuất (Retrieval-Augmented Generation – RAG) chính là giải pháp hữu hiệu nhất: Thay vì để AI tự do suy đoán từ các tham số ẩn, hãy cung cấp cho nó tài liệu nội bộ chính xác và ép buộc mô hình chỉ được trả lời dựa trên những bằng chứng xác thực được cung cấp.

4. Nguyên tắc vàng: “Tin tưởng nhưng luôn kiểm chứng” (Trust, but Verify)

Trong mọi quy trình làm việc chuyên nghiệp, từ viết code phần mềm đến soạn thảo hợp đồng, mọi kết quả do AI tạo ra đều phải được xem là một bản thảo sơ bộ cần được rà soát nghiêm ngặt. Khả năng viết văn mượt mà của AI hoàn toàn không tỷ lệ thuận với tính chính xác của các số liệu mà nó đưa ra.

10. Câu hỏi thường gặp (FAQ) về bản chất thấu hiểu của AI

1. Khi AI nói “Tôi hiểu những gì bạn đang cảm thấy”, nó có thực sự hiểu không?

Hoàn toàn không. AI không có hệ thần kinh sinh học, không có cảm xúc, không có niềm vui hay nỗi đau. Câu nói đó là kết quả của việc mô hình học được từ hàng triệu đoạn hội thoại tâm lý rằng sau khi một người chia sẻ chuyện buồn, việc đưa ra một câu nói biểu đạt sự thấu cảm là phản hồi có xác suất thống kê phù hợp nhất. Đó là sự mô phỏng ngôn ngữ thuần túy, không phải sự đồng cảm xuất phát từ tâm hồn.

2. Nếu AI chỉ dự đoán từ tiếp theo, tại sao nó có thể viết code phần mềm chạy trơn tru?

Lập trình phần mềm về bản chất là một hệ thống quy tắc cú pháp và logic hình thức vô cùng chặt chẽ. Để dự đoán chính xác token tiếp theo trong một đoạn mã phức tạp (như mở ngoặc thì phải đóng ngoặc, khai báo biến thì phải dùng đúng kiểu dữ liệu), mạng nơ-ron buộc phải học cách mô phỏng trạng thái hoạt động của trình biên dịch (compiler) và luồng thực thi của máy tính. Việc mô hình có thể viết code hoạt động được chứng minh rằng nó đã xây dựng được một mô hình logic nội tại rất mạnh mẽ về mặt cú pháp kỹ thuật.

3. Liệu AI có bao giờ đạt được ý thức (Consciousness) thực sự trong tương lai không?

Hiện tại chưa có bất kỳ bằng chứng khoa học nào cho thấy các mạng nơ-ron số có thể sản sinh ra ý thức. Bản thân khoa học con người vẫn chưa giải quyết được “Vấn đề nan giải của ý thức” (The Hard Problem of Consciousness) — tức là cơ chế làm thế nào các xung điện vật lý trong não lại tạo ra được cảm nhận chủ quan về màu sắc, mùi vị hay nỗi đau. Tuy nhiên, nếu theo thuyết Chức năng luận, một số nhà khoa học không loại trừ khả năng các hệ thống tính toán phức tạp trong tương lai có thể hình thành một dạng ý thức nhân tạo phi sinh học.

4. Tại sao AI có thể giải toán Olympic nhưng lại đếm sai số chữ ‘r’ trong từ “strawberry”?

Lý do nằm ở kỹ thuật phân đoạn từ vựng (Tokenization). Mô hình ngôn ngữ không nhìn thấy các chữ cái rời rạc ‘s-t-r-a-w-b-e-r-r-y’ như mắt người. Nó nhìn thấy toàn bộ từ đó dưới dạng một mã số token duy nhất (chẳng hạn mã số 4960). Vì từ đó là một khối thống nhất, mô hình không có cơ chế trực quan để đếm các ký tự con bên trong trừ khi nó được dạy một cách tường minh qua việc tách từng chữ cái. Đây là minh chứng điển hình cho sự khác biệt sâu sắc giữa nhận thức thị giác con người và cơ chế biểu diễn dữ liệu của AI.

5. Các mô hình đa phương thức (Multimodal AI) có giúp AI “hiểu” thế giới tốt hơn không?

Có, rất đáng kể! Các mô hình đa phương thức hiện đại kết hợp cả văn bản, hình ảnh, âm thanh và video (như GPT-4o, Gemini 1.5 Pro). Bằng cách liên kết từ “quả táo” không chỉ với các văn bản khác mà còn với hàng triệu bức ảnh quả táo, hình ảnh quả táo rơi xuống đất, và âm thanh giòn tan khi cắn quả táo, các biểu diễn vector bên trong mô hình đã được “neo giữ” (grounded) phong phú hơn rất nhiều vào các quy luật vật lý và hình thái không gian của thế giới thực.

6. Trí tuệ nhân tạo tổng quát (AGI) có bắt buộc phải “hiểu” như con người không?

Không nhất thiết. Một chiếc máy bay bay trên bầu trời theo nguyên lý khí động học hoàn toàn khác với cách một con chim vỗ cánh, nhưng mục đích “bay” vẫn đạt được xuất sắc. Tương tự, một hệ thống AGI có thể không bao giờ “hiểu” thế giới theo cách sinh học đầy cảm xúc của con người, nhưng nó hoàn toàn có thể sở hữu một hình thái thấu hiểu thông tin toán học siêu việt, cho phép nó giải quyết những bài toán khoa học vượt xa trí tưởng tượng của nhân loại.

11. Lời kết: Một định nghĩa mới về sự thấu hiểu trong kỷ nguyên số

Trở lại với câu hỏi khởi thủy: AI có thực sự “hiểu” những gì con người nói không?

Nếu bạn định nghĩa “hiểu” theo cách của con người — đòi hỏi phải có ý thức chủ quan, có trải nghiệm sống hiện sinh, cảm nhận được hơi thở của cuộc sống, nỗi đau của sự mất mát và niềm vui của tình yêu — thì câu trả lời dứt khoát là KHÔNG. AI hôm nay và trong tương lai gần vẫn chỉ là những cỗ máy xử lý dữ liệu vô tri, thao tác trên các con số và ký hiệu theo quy luật xác suất khổng lồ.

Thế nhưng, nếu bạn định nghĩa “hiểu” theo góc độ năng lực chức năng — khả năng giải mã các cấu trúc thông tin phức tạp, phát hiện quy luật ẩn giấu bên dưới dữ liệu, xây dựng mô hình quan hệ giữa các khái niệm trừu tượng và suy luận logic để giải quyết các vấn đề mới — thì AI đã vượt qua ranh giới của một “con vẹt học mót”. Nó đã kiến tạo nên một phương thức thấu hiểu phi sinh học hoàn toàn mới: Sự thấu hiểu dựa trên hình học của không gian thông tin đa chiều.

Thay vì hoang mang lo sợ hay ảo tưởng thần thánh hóa, việc thấu suốt bản chất kỹ thuật và triết học của trí tuệ nhân tạo sẽ trao cho chúng ta sự tự tin và tỉnh táo. Chúng ta học cách làm chủ công cụ, khai phóng tối đa sức mạnh tính toán của máy tính để phục vụ sự tiến bộ của con người, trong khi vẫn luôn trân trọng và bảo vệ những giá trị duy nhất chỉ thuộc về tâm hồn nhân loại.

Để liên tục cập nhật những phân tích chuyên sâu, hướng dẫn kỹ thuật thực chiến và những xu hướng đột phá mới nhất về trí tuệ nhân tạo, mời bạn đón đọc thêm nhiều bài viết giá trị khác tại Chuyên mục AI trên TrungTien.net.