AI đang mở rộng từ toán học sang toàn bộ khoa học lý thuyết

Các mô hình AI tiên tiến đang ngày càng giải được nhiều bài toán lý thuyết trong vật lý, kinh tế và xác suất — những lĩnh vực tưởng chừng chỉ dành cho con người. Nghiên cứu mới từ MIT cho thấy tốc độ tiến bộ này diễn ra nhanh đến mức giới khoa học khó có thể bắt kịp.

Trong một buổi nói chuyện kéo dài nửa giờ tại MIT, Neil Thompson — nhà nghiên cứu về tiến bộ trong lĩnh vực máy tính và trí tuệ nhân tạo — đã đưa ra một lập luận đáng chú ý: nhiều lĩnh vực khoa học đang đứng trước ngưỡng bị AI đảo lộn hoàn toàn.

Từ toán học lan sang vật lý, kinh tế và xác suất

Khi giới toán học vẫn còn choáng váng trước cách AI tự động hóa công việc của họ, nghiên cứu mới nhất của Thompson chỉ ra rằng các lĩnh vực tiếp theo có thể là lý thuyết xác suất, thống kê, kinh tế học lý thuyết, vật lý năng lượng cao, hấp dẫn và vũ trụ học, cùng vật lý lượng tử.

Dữ liệu từ nghiên cứu rất đáng chú ý: từ giữa năm 2024 đến giữa năm 2026, các mô hình AI tốt nhất đã nâng khả năng giải đúng bài toán lý thuyết trong những lĩnh vực này từ khoảng 2% lên khoảng 35%. Và chưa có dấu hiệu nào cho thấy đà tiến này sẽ chậm lại.

"Chỉ trong vài năm tới, chúng tôi kỳ vọng rất nhiều câu hỏi lý thuyết sẽ được biến đổi hoàn toàn về khả năng AI giải quyết chúng," Thompson nhận định.

Cách nghiên cứu được thực hiện

Nhóm của Thompson — cùng Gabriel Manso, nghiên cứu sinh tiến sĩ, và Claudio Mayrink Verdun, nhà khoa học nghiên cứu — đã lấy các bài toán được nêu trong những bài báo khoa học đăng trực tuyến từ tháng 12 năm 2025 đến tháng 5 năm 2026. Sau đó, họ kiểm tra xem các mô hình OpenAI khác nhau — o1, o3, GPT-5, GPT-5.1, GPT-5.4 và GPT-5.5 — có thể giải được hay không.

Điểm mấu chốt nằm ở chỗ: lời giải của những bài toán này chỉ xuất hiện trong các bài báo công bố sau thời điểm cắt dữ liệu huấn luyện của GPT-5.5 và các mô hình trước đó. Điều này có nghĩa các mô hình buộc phải tự tìm ra lời giải thay vì dựa vào đáp án đã được nạp sẵn trong dữ liệu huấn luyện. Nhóm nghiên cứu cũng chặn quyền truy cập internet để ngăn mô hình tra cứu đáp án trực tuyến.

Phạm vi nghiên cứu còn hạn chế — nhóm tập trung vào những lĩnh vực mà mô hình AI có thể suy luận mà không cần chạy mô phỏng hay thí nghiệm thực tế. Nhưng kết quả cho thấy những cơn địa chấn đang diễn ra trong toán học nhiều khả năng sẽ lan sang các lĩnh vực khoa học nặng về toán và lý thuyết khác.

Cú sốc mang tên Navier-Stokes

Tháng trước, OpenAI gây chấn động giới toán học khi công bố rằng một mô hình chưa phát hành đã giải được bài toán Navier-Stokes — một thách thức lớn tồn tại lâu đời liên quan đến phương trình mô tả chuyển động của chất lỏng. Sự việc càng gây tranh cãi khi một nhà toán học tại Đại học NYU — người đang làm việc với một học giả có liên hệ với Anthropic — cáo buộc OpenAI đã "cướp công" sau khi biết về tiến độ của họ.

OpenAI và các đơn vị khác sau đó đã công bố hàng trăm lời giải cho những bài toán tồn tại lâu năm, gây ra một cuộc khủng hoảng trong giới toán học. Một số nhà toán học đã kêu gọi giới hạn việc sử dụng AI, cảnh báo rằng quá trình giải bài toán thường có giá trị ngang với việc có đáp án cuối cùng.

Lợi ích và rủi ro song hành

Theo Thompson, chúng ta nên kỳ vọng những tiến bộ trong các lĩnh vực khác cũng sẽ mang lại cả tác động tích cực lẫn tiêu cực. Ông lưu ý rằng các đột phá lý thuyết đôi khi thúc đẩy tiến bộ thực tiễn trong khoa học, và việc sử dụng AI nhiều hơn có thể đồng nghĩa với việc nhiều tiến bộ sẽ diễn ra theo hướng này.

Một số nhà nghiên cứu AI nổi tiếng đã thành lập các phòng thí nghiệm mới tập trung vào AI vì khoa học, và các phòng lab AI lớn đều đang đẩy mạnh nghiên cứu khoa học. Những nỗ lực này khám phá cách AI có thể được trao quyền để tiến hành thí nghiệm thực tế song song với phân tích lý thuyết.

Vẫn cần con người để kiểm chứng và kết nối

AI có thể khiến các nhà lý thuyết không còn cần thiết để giải những bài toán then chốt, nhưng theo các nhà nghiên cứu, điều đó không có nghĩa là không cần đến chuyên gia để hiểu ý nghĩa các lời giải và đảm bảo chúng đáng tin cậy.

"Chúng ta vẫn sẽ cần con người tạo ra những ý tưởng tốt để kết nối các dữ kiện," Manso nói. Ông bổ sung rằng với những bài toán rất phức tạp, AI có thể mắc sai lầm.

Dẫn chứng cụ thể: OpenAI trên thực tế đã rút lại một số lời giải trong bộ dữ liệu mới nhất sau khi công bố. "Chúng ta cũng cần cách kiểm chứng những gì đã làm, bởi vì một mô hình rất dễ nói với bạn rằng 'đây là đáp án đúng', và khi bạn xem xét toàn bộ lời giải, bạn bắt đầu thấy có thể nó không đúng."

Ý nghĩa đối với khoa học và công nghệ

Đối với cộng đồng nghiên cứu và phát triển công nghệ, xu hướng này đặt ra câu hỏi quan trọng về vai trò của con người trong chuỗi sáng tạo tri thức. Khi AI ngày càng giỏi giải các bài toán lý thuyết, giá trị của nhà khoa học có thể dịch chuyển từ "người giải" sang "người đặt vấn đề, kiểm chứng và kết nối" — những kỹ năng khó tự động hóa hơn.

Với các nhà phát triển phần mềm, nhà nghiên cứu tại Việt Nam và khu vực, đây là tín hiệu cho thấy việc trang bị kỹ năng làm việc cùng AI, đánh giá kết quả do AI tạo ra và tư duy phản biện sẽ ngày càng quan trọng hơn kỹ năng tính toán thuần túy.