Mạng nơ-ron và 'cấu trúc biểu tượng' ẩn: Chìa khóa giải mã trí tuệ nhân tạo

Nghiên cứu mới từ arXiv cho thấy mạng nơ-ron sở hữu một lớp cấu trúc biểu tượng ẩn, giúp dung hòa hai trường phái tư tưởng lớn trong AI: logic hình thức và học sâu dựa trên vector.

Trong nhiều thập kỷ, giới khoa học máy tính tồn tại một cuộc tranh luận kinh điển: liệu trí tuệ nhân tạo nên được mô hình hóa như một hệ thống thao tác trên các biểu tượng (symbols) và quy tắc logic — hay nên mô phỏng não bộ bằng các mạng nơ-ron học từ dữ liệu? Các mô hình lớn nhất hiện nay như GPT, Claude hay Gemini đều theo hướng thứ hai, nhưng một câu hỏi lớn vẫn bỏ ngỏ: làm sao một hệ thống chỉ xử lý các con số và vector lại có thể thành thạo ngôn ngữ, logic và toán học đến vậy?

Phương pháp tiếp cận mang tính bước ngoặt

Nhóm nghiên cứu gồm R. Thomas McCoy, Paul Soulos, Tal Linzen và Paul Smolensky — những tên tuổi gắn liền với lĩnh vực ngôn ngữ học tính toán — đã công bố một bản thảo trên arXiv (số hiệu: 2608.29530) với một giả thuyết táo bạo: biểu diễn vector của mạng nơ-ron có thể được xấp xỉ chính xác bằng các cấu trúc biểu tượng. Nói cách khác, bên trong “hộp đen” vector vẫn tồn tại một lớp cấu trúc ngữ pháp và quy tắc mà mắt thường khó nhìn ra.

“Vectors dường như không đủ khả năng nắm bắt cấu trúc của ngôn ngữ và logic — nhưng mạng nơ-ron vẫn đạt hiệu suất ấn tượng trong các lĩnh vực này. Chúng tôi tin rằng câu trả lời nằm ở việc các biểu diễn bên trong của chúng tiềm ẩn một cấu trúc biểu tượng” — trích tóm tắt nghiên cứu.

Cách họ kiểm chứng giả thuyết

Để chứng minh, nhóm nghiên cứu đã thực hiện một thí nghiệm độc đáo:

• Thay thế toàn bộ quá trình sinh biểu diễn của mạng nơ-ron bằng một phương trình khép kín (closed-form equation) được thiết lập để mô phỏng chính xác một cấu trúc biểu tượng.
• Kết quả cho thấy hành vi của mô hình gần như không thay đổi sau khi thay thế — một tín hiệu mạnh cho thấy cấu trúc biểu tượng đó thực sự tồn tại trong các biểu diễn vector.

Thí nghiệm được tiến hành trên cả hai loại mô hình:

• Mạng nơ-ron quy mô nhỏ được huấn luyện để thao tác trên danh sách.
• Các mô hình ngôn ngữ lớn (LLM) kiểm tra trên bốn lĩnh vực kinh điển của truyền thống biểu tượng: số học, logic, mã máy tính và ngôn ngữ tự nhiên.

Can thiệp có chủ đích: bước tiến mới cho khả năng kiểm soát AI

Điểm đáng chú ý nhất của nghiên cứu này không nằm ở việc mô phỏng lại hành vi, mà là ở khả năng điều khiển mô hình theo một cách hoàn toàn mới. Bằng cách can thiệp trực tiếp vào các biểu diễn nội bộ — những phần mà phương pháp xấp xỉ biểu tượng đã xác định — nhóm nghiên cứu có thể:

• Thay đổi hành vi của LLM một cách có chủ đích trong các tác vụ số học hoặc logic.
• Chứng minh rằng hoạt động của mô hình phụ thuộc một cách đáng kể vào các cấu trúc biểu tượng mà họ đã phát hiện.

Điều này mở ra cánh cửa cho một hướng kiểm soát độ tin cậy của AI an toàn và tinh tế hơn nhiều so với các phương pháp hiện tại như prompt engineering hay fine-tuning thông thường.

Ý nghĩa đối với sự phát triển AI tại Việt Nam

Với cộng đồng nghiên cứu và phát triển AI tại Việt Nam — nơi các nhóm như VinAI hay các khoa khoa học máy tính tại Đại học Bách khoa, Đại học Công nghệ (ĐHQGHN) đang tích cực bắt kịp xu hướng thế giới — nghiên cứu này cho thấy một hướng kết hợp đầy hứa hẹn:

• Thay vì xem mạng nơ-ron và logic biểu tượng là hai thái cực đối lập, các nhà nghiên cứu trẻ có thể tìm kiếm các phương pháp lai ghép — dùng sức mạnh học biểu diễn của deep learning, nhưng bổ sung các ràng buộc logic từ bên ngoài hoặc kiểm tra tính nhất quán qua các lớp cấu trúc ẩn.
• Kỹ thuật can thiệp có chủ đích cũng có tiềm năng lớn trong các bài toán thực tiễn như kiểm soát nội dung đầu ra tiếng Việt của LLM, đảm bảo các mô hình tuân thủ ngữ pháp và văn hóa bản địa.

Nghiên cứu này một lần nữa khẳng định một thực tế quan trọng: các mô hình ngôn ngữ lớn không đơn giản là những “con vẹt xác suất” như một số quan điểm hoài nghi vẫn nói. Bên trong lớp vỏ vector rối rắm, những quy tắc trừu tượng mà con người đã phát triển trong hàng nghìn năm văn minh — từ số học, logic cho đến ngôn ngữ — dường như vẫn được tái hiện theo một cách mà chính những người thiết kế ra chúng cũng chưa từng dự đoán hết.

Các tác giả cho biết bản in chính thức và dữ liệu thí nghiệm sẽ sớm được công bố, hứa hẹn mở ra làn sóng nghiên cứu mới về khả năng giải thích và kiểm soát trí tuệ nhân tạo trên quy mô toàn cầu.