Google I/O: Sự chuyển dịch của AI trong nghiên cứu khoa học - Từ công cụ chuyên biệt đến "khoa học gia" tự chủ

Trong bài phát biểu quan trọng tại Google I/O vào tuần trước, Demis Hassabis, CEO của Google DeepMind, đã tuyên bố rằng chúng ta hiện đang "đứng ở dưới chân đồi của điểm kỳ dị" (foothills of the singularity). Đây là một nhận định đầy ấn tượng, bởi "điểm kỳ dị" được hiểu là khoảnh khắc trong tương lai khi trí tuệ nhân tạo vượt qua trí tuệ con người một cách nhanh chóng và làm thay đổi hoàn toàn thế giới.

Tuy nhiên, điều khiến tôi suy nghĩ nhiều nhất không phải là câu nói hùng hồn đó, mà chính là bối cảnh thực tế khi ông ấy nói ra nó. Hassabis có mặt trên sân khấu để kết thúc phiên khai mạc bằng một phần về AI trong khoa học, với điểm nhấn là video chi tiết cách phần mềm dự báo thời tiết của công ty đã đưa ra cảnh báo sớm về cơn bão Melissa tàn khốc đổ bộ vào Jamaica vào năm ngoái, qua đó giúp cứu mạng sinh mạng con người.

Sự căng thẳng giữa hai hướng tiếp cận

Nếu phần mềm mang tên WeatherNext thực sự giúp ai đó thoát khỏi cơn bão hoặc gia cố nhà cửa an toàn hơn, đó là một thành tựu to lớn và ý nghĩa. Nhưng rõ ràng, điều đó chưa phải là bằng chứng của một "điểm kỳ dị" sắp xảy ra.

Sự đặt cạnh nhau giữa tu từ hào nhoáng của Hassabis và kết quả thực tế của WeatherNext đã làm nổi bật sự căng thẳng giữa hai cách tiếp cận hoàn toàn khác nhau đối với AI trong khoa học.

Cách tiếp cận đầu tiên tập trung vào các công cụ AI được thiết kế và huấn luyện để giải quyết các vấn đề khoa học cụ thể, như WeatherNext hay AlphaFold. Cách tiếp cận thứ hai là các hệ thống dựa trên Mô hình Ngôn ngữ Lớn (LLM) có khả năng tự chủ (agentic), có khả năng một ngày nào đó thực hiện các dự án nghiên cứu tiên tiến mà không cần sự can thiệp của con người.

Tầm nhìn thứ hai đang thúc đẩy rất nhiều sự nhiệt tình đối với AI hiện nay, bao gồm cả sự hưng phấn gần đây xung quanh việc "tự cải thiện đệ quy" (recursive self-improvement) — ý tưởng rằng các hệ thống AI cuối cùng có thể trở thành động lực chính cho sự tiến bộ của chính chúng, một quá trình sẽ diễn ra ngày càng nhanh hơn khi các hệ thống này trở nên thông minh hơn.

Sự dịch chuyển nguồn lực tại Google

Pushmeet Kohli, nhà khoa học trưởng của Google Cloud, mới đây đã viết trên tạp chí Daedalus rằng: "Chúng ta đang chuyển hướng sang AI không chỉ hỗ trợ khoa học mà bắt đầu thực hiện khoa học".

Với sự xuất hiện của các nhà khoa học AI tự chủ, việc biện minh cho những nỗ lực khổng lồ nhằm phát triển các công cụ siêu chuyên biệt — thậm chí là những công cụ như AlphaFold (mang về giải Nobel cho các nhà khoa học DeepMind) hay hệ thống cứu người như WeatherNext — trở nên khó khăn hơn. Nó cũng báo hiệu một tương lai kỳ lạ hơn nhiều cho khoa học, nơi con người và hệ thống AI hợp tác như những người ngang hàng, hoặc thậm chí AI tự mình tạo ra sự tiến bộ khoa học.

Dù vậy, Google không có vẻ như từ bỏ việc phát triển các công cụ AI chuyên biệt cho khoa học. AlphaGenome và AlphaEarth Foundations, được huấn luyện cho các ứng dụng về di truyền học và khoa học Trái đất, đã được phát hành vào mùa hè năm ngoái, và phiên bản mới nhất của WeatherNext ra mắt vào tháng 11.

Tuy nhiên, có những dấu hiệu cụ thể về sự điều chỉnh lại, cả về sự nhiệt tình và nguồn lực. Tháng trước, báo Los Angeles Times đưa tin rằng John Jumper, thành viên ưu tú của Google người đã giành giải Nobel nhờ AlphaFold, hiện đang chuyển sang làm việc về AI lập trình (coding), thay vì các công cụ AI chuyên biệt cho khoa học.

Việc Google giao những bộ óc xuất sắc nhất cho vấn đề lập trình không có gì ngạc nhiên, khi công ty này gần đây đã bị ảnh hưởng về danh tiếng vì các công cụ lập trình của họ chưa thể so sánh với các đối thủ như Anthropic và OpenAI. Nhưng điều này cũng có thể là tín hiệu cho thấy Google đang ưu tiên khoa học dựa trên các tác nhân AI (agentic science), vì khả năng lập trình là chìa khóa cho sự thành công của một số hệ thống này.

Gemini for Science và sự trỗi dậy của AI đại diện

Trên toàn ngành, các hệ thống nhà nghiên cứu đại diện (agentic researcher) đang cho thấy tiềm năng thực sự. Tuần này, OpenAI công bố rằng một trong các mô hình của họ đã bác bỏ một giả thuyết toán học quan trọng — có lẽ là đóng góp ý nghĩa nhất của AI tạo sinh đối với toán học cho đến nay, theo một số nhà toán học.

Điều quan trọng là mô hình mà OpenAI sử dụng không chuyên dụng để giải toán, hay thậm chí để nghiên cứu; theo công ty, đó là mô hình suy luận đa mục đích giống như dòng GPT-5.5. Nếu các tác nhân chung có thể đóng góp độc lập cho nghiên cứu toán học, chúng sớm có thể làm điều tương tự trong khoa học (mặc dù việc các ý tưởng trong khoa học phải được xác nhận thực nghiệm khiến nó trở thành lĩnh vực khó khăn hơn đối với AI).

Google chắc chắn đang dành rất nhiều sự chú ý cho tương lai khoa học được dẫn dắt bởi các tác nhân AI. Thông báo khoa học lớn tại I/O là gói Gemini for Science, thống nhất một số hệ thống khoa học dựa trên LLM của công ty dưới một thương hiệu duy nhất.

Điều này bao gồm AI tạo giả thuyết Co-Scientist và công cụ tối ưu hóa thuật toán AlphaEvolve, hiện chưa được công khai rộng rãi — nhưng vì Google hiện đang cho phép bất kỳ nhà nghiên cứu nào đăng ký quyền truy cập vào Gemini for Science, chúng có thể sớm được cộng đồng khoa học áp dụng rộng rãi hơn. Các nhà khoa học tham gia thử nghiệm sớm rất hào hứng với tiềm năng của chúng: Gary Peltz, một nhà di truyền học tại Stanford, đã so sánh việc sử dụng AI Co-Scientist giống như "tham khảo ý từ thánh thần Delphi" trong một bài viết trên tạp chí Nature Medicine.

Tương lai hợp tác hay thay thế?

Gemini for Science không xung khắc với các công cụ chuyên biệt; ngược lại, các hệ thống đại diện có thể được thiết kế để gọi các công cụ đó khi cần thiết. Và không có hệ thống đại diện nào có thể dự đoán cấu trúc mà một protein sẽ gấp vào nếu không có sự trợ giúp của AlphaFold (ít nhất là cho đến hiện tại). Nhưng công ty dường như đang chuyển đổi hình ảnh công khai — và ít nhất là một phần nguồn lực và nhân sự, như Jumper — ra khỏi việc phát triển cụ thể những loại công cụ đó.

Mặc dù chỉ mới năm năm trôi qua kể từ khi AlphaFold giải quyết vấn đề gấp protein, cả công nghệ và các cuộc thảo luận đã nhanh chóng vượt xa thành tích từng mang tính cách mạng đó.

Google đã rất thận trọng khi định vị bộ công cụ đại diện khoa học mới này là chất xúc tác cho các nhà khoa học con người, thay vì thay thế họ — việc chọn tên AI Co-Scientist thay vì AI Scientist dường như là một sự cân nhắc rất có chủ đích. Hassabis cũng sử dụng khung định hướng tập trung vào con người khi nói về những thay đổi trong bối cảnh AI khoa học.

"Trong thập kỷ tới hoặc lâu hơn, chúng ta nên coi AI là công cụ tuyệt vời này để giúp đỡ các nhà khoa học," Hassabis cho biết trong một cuộc phỏng vấn. "Vượt ra ngoài khung thời gian đó, rất khó để nói chắc chắn, nhưng có lẽ những hệ thống này sẽ trở nên giống như những người cộng tác hơn."

Tuy nhiên, không ai có thể là một cộng tác viên khoa học hiệu quả nếu không phải là một nhà khoa học có tay nghề cao trong lĩnh vực của riêng họ. Và nếu Hassabis đánh trúng khi nói về "đ dưới chân đồi của điểm kỳ dị", thì các nhà khoa học AI cuối cùng có thể vượt qua khả năng của những người đồng nghiệp loài người.

Trong một cuộc thảo luận với nhà báo Mike Allen tại I/O, Hassabis đã nói về cách ông ban đầu được truyền cảm hứng theo đuổi AI khi ông quan thấy sự tiến bộ trong vật lý đã đình trệ từ những năm 1970; ông tự hỏi liệu trí óc con người đã đạt đến giới hạn trong lĩnh vực đó, và liệu AI có giúp vượt qua rào cản đó hay không. Những nhà khoa học đại diện siêu nhân chắc chắn sẽ đáp ứng được yêu cầu đó. Chúng ta có thể không bao giờ đạt được đỉnh cao đó, nhưng Google dường như đang hướng mình về đỉnh đó.