Làm sao để LLM "Hệ thống 1" đạt được năng lực của "Hệ thống 2"?

Một bài báo học thuật mới công bố trên tạp chí của Hiệp hội vì sự Tiến bộ Trí tuệ Nhân tạo Hoa Kỳ (AAAI) đang thu hút sự chú ý của giới nghiên cứu khi đặt ra câu hỏi nền tảng: liệu các mô hình ngôn ngữ lớn (LLM) vận hành theo cơ chế phản xạ nhanh có thể được trang bị năng lực suy luận sâu, có chủ đích hay không?

Bài báo được chia sẻ trên diễn đàn công nghệ Hacker News, dù chưa có nhiều thảo luận, nhưng chủ đề này chạm đúng vào một trong những tranh luận nóng nhất của ngành AI hiện nay.

Hệ thống 1 và Hệ thống 2 là gì?

Khái niệm này bắt nguồn từ tâm lý học nhận thức, được nhà tâm lý học Daniel Kahneman phổ biến trong cuốn sách Thinking, Fast and Slow.

• Hệ thống 1 (System 1): Hoạt động nhanh, tự động, theo phản xạ, tốn ít năng lượng nhận thức. Ví dụ: nhận ra khuôn mặt, trả lời câu hỏi đơn giản.
• Hệ thống 2 (System 2): Hoạt động chậm, có chủ đích, đòi hỏi tập trung và nỗ lực. Ví dụ: giải một bài toán phức tạp, lập luận logic nhiều bước.

Khi áp dụng vào AI, phần lớn LLM hiện nay — vốn sinh văn bản từng token một dựa trên xác suất — được xem là gần với Hệ thống 1. Chúng phản hồi cực nhanh nhưng đôi khi mắc lỗi logic, "ảo giác" (hallucination) hoặc thiếu nhất quán trong suy luận dài.

Câu hỏi trung tâm của bài báo

Bài báo đặt vấn đề: liệu một mô hình được huấn luyện chủ yếu để dự đoán token tiếp theo có thể thể hiện được các năng lực của Hệ thống 2 hay không?

Đây không chỉ là câu hỏi lý thuyết. Nó liên quan trực tiếp đến nhiều hướng nghiên cứu đang diễn ra:

• Chain-of-Thought (CoT): Kỹ thuật yêu cầu mô hình "suy nghĩ từng bước" trước khi đưa ra đáp án.
• Reinforcement Learning từ phản hồi: Huấn luyện mô hình tự đánh giá và điều chỉnh lập luận.
• Test-time compute: Cho mô hình "suy nghĩ lâu hơn" khi gặp bài toán khó, tương tự các mô hình reasoning thế hệ mới.

Điểm mấu chốt là liệu khả năng suy luận sâu có thể nổi lên tự nhiên (emerge) từ quy mô và dữ liệu huấn luyện, hay cần những kiến trúc và phương pháp huấn luyện hoàn toàn khác.

Vì sao điều này quan trọng với người dùng Việt Nam?

Cuộc tranh luận này không chỉ dành cho giới nghiên cứu. Nó ảnh hưởng trực tiếp đến các sản phẩm AI mà người dùng Việt Nam đang tiếp cận hằng ngày:

• Trợ lý ảo và chatbot: Nếu LLM có thể suy luận tốt hơn, các ứng dụng như trợ lý học tập, hỗ trợ khách hàng hay viết code sẽ đáng tin cậy hơn.
• Chi phí vận hành: Suy luận "chậm" tốn nhiều năng lượng tính toán hơn, ảnh hưởng đến giá API — điều các startup Việt Nam xây dựng trên nền tảng AI rất quan tâm.
• Ứng dụng trong giáo dục và tài chính: Những lĩnh vực đòi hỏi độ chính xác cao cần mô hình có khả năng lập luận chặt chẽ, không chỉ phản hồi nhanh.

Kết luận

Câu hỏi mà bài báo đặt ra — làm sao để một mô hình "nhanh" như Hệ thống 1 đạt được năng lực "chậm" của Hệ thống 2 — có thể là một trong những bài toán định hình thế hệ AI tiếp theo. Dù chưa có câu trả lời dứt khoát, hướng nghiên cứu này hứa hẹn sẽ thay đổi cách chúng ta xây dựng và sử dụng AI trong nhiều năm tới.