ByteDance phát hiện quy luật mới có thể kéo dài cuộc đua AI
Khi giới công nghệ lo ngại các mô hình AI đang dần chạm giới hạn vì thiếu dữ liệu huấn luyện mới, các nhà nghiên cứu của ByteDance, công ty mẹ TikTok, vừa phát hiện quy luật mới đáng chú ý trong cuộc đua AI.
Theo phát hiện của ByteDance, AI có thể tiếp tục cải thiện năng lực không chỉ bằng cách học từ dữ liệu ban đầu mà còn thông qua trải nghiệm thực tế sau khi được triển khai, mở ra hướng phát triển mới trong cuộc đua AI.
AI không chỉ học trước khi làm việc
Trong nhiều năm qua, sự phát triển của trí tuệ nhân tạo chủ yếu dựa trên một công thức quen thuộc: Càng nhiều dữ liệu, càng nhiều sức mạnh tính toán thì mô hình càng thông minh. Cách tiếp cận này đã tạo nên những bước tiến vượt bậc, đưa các chatbot như ChatGPT hay Claude trở thành công cụ được sử dụng rộng rãi trên toàn cầu.
Tuy nhiên, nhiều chuyên gia cho rằng phương pháp "mở rộng quy mô huấn luyện" (scaling) đang dần chạm giới hạn. Andrej Karpathy, đồng sáng lập OpenAI và là một trong những chuyên gia AI có ảnh hưởng lớn, từng cảnh báo rằng việc chỉ tiếp tục tăng dữ liệu và năng lực tính toán sẽ không thể duy trì mãi tốc độ phát triển hiện nay.
Một nguyên nhân quan trọng là nguy cơ cạn kiệt dữ liệu chất lượng cao. Viện nghiên cứu Epoch AI của Mỹ dự báo lượng văn bản do con người tạo ra và được công khai trên Internet, nguồn nguyên liệu chính để huấn luyện các mô hình ngôn ngữ lớn, có thể cạn kiệt chỉ trong khoảng sáu năm tới.
Trong hoàn cảnh đó, nhóm Seed AI của ByteDance vừa công bố một nghiên cứu mới cho thấy AI có thể tiếp tục tiến bộ theo một con đường khác.
Theo bài báo khoa học được công bố hôm 3/7, các tác tử AI, những hệ thống có khả năng tự thực hiện nhiệm vụ thay con người, có thể tăng gấp đôi tốc độ học hỏi sau mỗi ba tháng nếu được liên tục tương tác với môi trường thực trong thời gian dài.
Khác với chatbot truyền thống chỉ phản hồi câu hỏi của người dùng, tác tử AI có thể chủ động lập kế hoạch, sử dụng công cụ, thực hiện chuỗi hành động phức tạp và tự điều chỉnh trong quá trình hoàn thành nhiệm vụ. Chính vì vậy, khả năng học hỏi sau khi được triển khai được xem là yếu tố quyết định để AI có thể hoạt động hiệu quả trong môi trường thực tế.
Theo nhóm nghiên cứu, ngành AI hiện đã đầu tư rất nhiều vào giai đoạn huấn luyện trước khi triển khai nhưng lại chưa hiểu đầy đủ cách các tác tử AI tiếp tục học hỏi sau khi bắt đầu làm việc.
"Học từ trải nghiệm" có thể trở thành động lực mới trong cuộc đua AI
Để kiểm chứng giả thuyết, nhóm nghiên cứu của ByteDance xây dựng bộ đánh giá mới mang tên EdgeBench.
Khác với các bài kiểm tra AI thông thường chỉ kéo dài vài phút hoặc vài giờ, EdgeBench gồm 134 nhiệm vụ có thời gian thực hiện rất dài, trải rộng từ lập trình phần mềm, nghiên cứu khoa học, toán học đến các công việc chuyên môn. Mỗi nhiệm vụ yêu cầu AI hoạt động liên tục ít nhất 12 giờ để hoàn thành.
Tổng cộng, nhóm nghiên cứu đã ghi nhận khoảng 38.000 giờ tương tác giữa AI và môi trường nhằm đánh giá năng lực của năm mô hình AI tiên tiến, bao gồm Claude Opus của Anthropic, các phiên bản GPT của OpenAI cùng các mô hình từ hai công ty Trung Quốc là Zhipu AI và DeepSeek.
Kết quả cho thấy hiệu suất của tác tử AI tăng theo một đường cong toán học khá ổn định và có thể dự đoán được. Điều này đồng nghĩa năng lực của AI không chỉ phụ thuộc vào những gì đã học trước khi ra mắt mà còn tiếp tục cải thiện khi liên tục làm việc, thử nghiệm và thích nghi với môi trường.
Theo ByteDance, quá trình "học sau triển khai" (post-deployment learning) xứng đáng được đầu tư và nghiên cứu nghiêm túc tương tự như giai đoạn huấn luyện ban đầu, vốn đã tạo nên cuộc cách mạng AI trong những năm qua.
Phát hiện này đặc biệt quan trọng khi ngành công nghệ đang chuyển trọng tâm sang tác tử AI. Nếu chatbot thế hệ đầu chủ yếu trả lời câu hỏi, thì tác tử AI được kỳ vọng sẽ thay con người xử lí các công việc kéo dài nhiều giờ hoặc nhiều ngày như viết phần mềm, quản lí doanh nghiệp, phân tích dữ liệu, hỗ trợ nghiên cứu khoa học hay điều phối các quy trình kỹ thuật phức tạp.
Trong những môi trường như vậy, AI không thể chỉ dựa vào kiến thức đã học từ Internet. Chúng cần liên tục thích nghi với các tình huống mới, ghi nhớ kinh nghiệm, sửa sai và tối ưu cách giải quyết vấn đề giống như con người tích lũy kinh nghiệm sau mỗi lần làm việc.
Các nhà nghiên cứu ByteDance cho rằng chính khả năng học hỏi liên tục này sẽ quyết định việc AI có thể được triển khai ở quy mô lớn trong thế giới thực hay không.
Nếu quy luật mới tiếp tục được xác nhận bởi các nghiên cứu độc lập, nó có thể mở ra giai đoạn phát triển tiếp theo của AI. Thay vì chỉ đầu tư vào những mô hình ngày càng lớn và tốn kém, các công ty công nghệ có thể tập trung xây dựng những AI biết tự học từ trải nghiệm, liên tục nâng cao năng lực sau khi được đưa vào sử dụng.
Điều đó cũng đồng nghĩa cuộc đua AI trong tương lai sẽ không chỉ được quyết định bởi lượng dữ liệu hay số GPU mà một doanh nghiệp sở hữu, mà còn bởi khả năng giúp các tác tử AI học hỏi, thích nghi và trưởng thành trong chính môi trường làm việc thực tế. Đây có thể là hướng đi giúp ngành AI duy trì tốc độ đổi mới ngay cả khi mô hình huấn luyện truyền thống đang dần chạm tới giới hạn.
