Hơn 50 năm sau khi qua đời, Helen Keller vẫn được nhắc đến trong các cuộc tranh luận về trí tuệ nhân tạo. Những bước đột phá trong khả năng giao tiếp của nữ nhà văn người Mỹ bị mất cả thị giác lẫn thính giác thường được viện dẫn như bằng chứng cho thấy ngôn ngữ là con đường tốt nhất để tạo ra những cỗ máy thông minh ngang con người.

Bất chấp những tiếng nói hoài nghi mạnh mẽ ban đầu, các mô hình ngôn ngữ lớn (LLM), công nghệ nền tảng của phần lớn khoản đầu tư vào AI hiện nay, đã cho thấy khả năng nắm bắt thực tế tốt hơn nhiều so với dự đoán của giới phê bình. Máy tính không thể nhúng chân xuống biển, nhưng có thể nhận diện đủ quy luật trong kho văn bản trên toàn internet để mô phỏng sự hiểu biết về cảm giác chân chạm nước. Sự say mê của chúng ta với LLM tiếp nối một truyền thống lâu đời: Gắn ngôn ngữ với trí thông minh.

Tuy nhiên, trong lời kể của chính Keller, cột mốc nổi tiếng khi bà hiểu từ “w-a-t-e-r” không chỉ là câu chuyện về từ ngữ. Khi cô giáo Anne Sullivan dùng ngón tay đánh vần từng chữ cái vào lòng bàn tay, Keller đồng thời cảm nhận được “một thứ mát lạnh tuyệt diệu” chảy qua bàn tay còn lại. Bà không chỉ liên hệ từ này với từ khác, mà kết nối ngôn ngữ với một cảm giác cơ thể.

Sự khác biệt đó có ý nghĩa quan trọng khi từ CEO Nvidia Jensen Huang đến chủ tịch Trung Quốc Tập Cận Bình đều nói về sự mở đầu của kỷ nguyên AI vật lý. Trong giai đoạn tiếp theo của cuộc cách mạng công nghệ này, khi robot được điều khiển bằng AI hoạt động trong thế giới thực, giới hạn của LLM ngày càng khó bỏ qua. Biết mọi câu từng được viết về cách dùng đũa hay buộc dây giày không đồng nghĩa với khả năng tự ăn hoặc bước ra khỏi cửa.

Tôi từng viết rằng hai rào cản lớn nhất để robot nhân dạng trở nên hữu ích nằm ở bàn tay, khả năng thao tác khéo léo, và “bộ não,” các mô hình AI có thể điều khiển hành động trong thế giới thực. Giải quyết được cả hai có thể mở ra thị trường mà Morgan Stanley dự báo sẽ đạt quy mô 5.000 tỉ USD vào năm 2050. Nhưng nếu hai vấn đề này gắn bó chặt chẽ hơn chúng ta tưởng thì sao?

Các nhà sinh học nghiên cứu hóa thạch thuộc nhánh tiến hóa của con người phát hiện khả năng thao tác khéo léo của linh trưởng và sự phát triển của bộ não đã tiến hóa song hành qua nhiều thế hệ. Theo nghiên cứu công bố năm ngoái trên Communications Biology, thuộc hệ thống tạp chí Nature, kết quả này gợi ý rằng trí thông minh được định hình không chỉ qua việc quan sát thế giới, mà còn qua hành động và tương tác trực tiếp trong đó.

Junghee Ryu, CEO RLWRLD, một công ty khởi nghiệp về AI vật lý có văn phòng tại Seoul, San Francisco và Tokyo, nói với tôi rằng con đường để máy móc đạt trí tuệ nhân tạo tổng quát (AGI) có thể cũng không khác nhiều. Công ty của ông đang phát triển các mô hình nền tảng giúp robot làm chủ những thao tác khéo léo bằng bàn tay năm ngón. Ông cho rằng phần cứng và phần mềm phục vụ “bộ não” và bàn tay robot phải phát triển song hành. Đầu năm nay, RLWRLD công bố hợp tác với Nvidia để xây dựng một chuẩn đánh giá mới về khả năng thao tác khéo léo.

Theo Ryu, LLM rất giỏi hiểu bối cảnh và lập kế hoạch hành động, nhưng vẫn không thể thực hiện công việc đòi hỏi sự khéo léo của đôi tay, khiến chúng chưa có tác dụng trong nhiều mảng lớn của thị trường lao động. Với ông, điều này là lời cảnh tỉnh trước những tuyên bố gần đây rằng chúng ta đã đạt AGI, cột mốc gần như huyền thoại về những hệ thống có khả năng làm việc với hiệu quả kinh tế tương đương con người.

Ông không đơn độc với quan điểm này. Trong báo cáo ngành công bố đầu năm nay, các chuyên gia phân tích tại Korea Investment & Securities nhận định khả năng thao tác khéo léo như con người, đặc biệt ở bàn tay robot, là “mảnh ghép cuối cùng giúp AGI trở thành hiện thực.” Theo họ, bàn tay có liên hệ với 25% vỏ não vận động và 30% vỏ não cảm giác, nên đóng vai trò then chốt trong cách con người tiếp nhận và phản ứng với thông tin từ bên ngoài.

Tuy nhiên, trong khi liên tục dự báo chúng ta đang tiến gần AGI, các chuyên gia lại có xu hướng lùi xa thời điểm máy móc có thể hoàn thành những công việc chân tay cơ bản. Trong một khảo sát được thực hiện qua nhiều năm với hàng trăm nhà nghiên cứu AI, những người trả lời năm 2016 dự đoán máy móc có thể gấp quần áo tốt hơn con người vào khoảng năm 2022 và lắp ráp bất kỳ bộ Lego nào tốt hơn con người vào khoảng năm 2025. Trong đợt khảo sát mới nhất, thực hiện năm 2024, hai cột mốc này lần lượt bị đẩy lùi đến năm 2030 và 2031.

Điều này có cơ sở. Báo cáo AI Index mới nhất của Stanford lưu ý rằng những bài đánh giá vẫn khó nhất đối với AI liên quan đến hành động trong thế giới thực, nơi môi trường khó dự đoán và sai sót có thể gây hậu quả vật lý. Khi so sánh khả năng hoạt động của robot trong phòng thí nghiệm có điều kiện được kiểm soát với môi trường mô phỏng nhà ở, các nhà nghiên cứu nhận thấy khoảng cách rất lớn. Đó là lời nhắc tỉnh táo về thực tế, mà những nhà nghiên cứu như Ryu cho rằng bắt nguồn từ việc robot chưa đủ khéo léo.

Đây cũng là lời cảnh tỉnh với Trung Quốc. Nhận thức được những thay đổi về nhân khẩu học, Bắc Kinh đã đưa AI vật lý thành ưu tiên chính sách. Nước này dường như đang có lợi thế trong lĩnh vực robot hình người: theo Smart Analytics Global có trụ sở tại Mỹ, các công ty Trung Quốc chiếm hơn 97% số robot nhân dạng được giao trên toàn cầu trong nửa đầu năm nay. Nhưng phía sau những màn trình diễn hào nhoáng, ấn tượng về năng lực ấy không đứng vững khi đối chiếu với thực tế.

Điều này mở ra cơ hội cho các bên khác giải quyết những phần khó nhất để robot thực sự hữu ích. Quá trình đó có thể tiếp tục phơi bày giới hạn của việc chỉ xây dựng các mô hình ngôn ngữ ngày càng lớn. Cơn sốt đầu tư vào LLM cũng làm tăng nguy cơ vốn đổ vào nhanh hơn tốc độ tiến bộ của khoa học. Khoảng 76% nhà nghiên cứu AI được khảo sát năm ngoái cho rằng việc “mở rộng quy mô các phương pháp AI hiện tại” khó hoặc rất khó đưa đến AGI.

Giới hạn của ngôn ngữ và khả năng sử dụng nó không ở đâu bộc lộ rõ hơn trong chính nỗ lực chung của chúng ta nhằm tìm từ ngữ để định nghĩa AGI. Con đường hướng đến trí thông minh giống con người trong thế giới thực rốt cuộc có thể giống hành trình của Keller hơn: Không chỉ cần từ ngữ, mà còn cần xúc giác.