Siêu trí tuệ 2030: Tự động hóa nghiên cứu AI đang đến rất gần

Trong bài viết mới đăng ngày 13/11/2026, Dwarkesh Patel cho biết ông đã thay đổi quan điểm: thay vì cho rằng còn gần một thập kỷ nữa mới tới siêu trí tuệ, ông tin chúng ta chỉ còn cách vài năm — thậm chí vài tháng — để có những AI giỏi nghiên cứu AI ngang ngửa con người giỏi nhất. Lập luận cốt lõi: nếu tự động hóa được nghiên cứu AI, tiến bộ sẽ dồn nén đến mức siêu trí tuệ có thể xuất hiện trước năm 2030.

Minh họa về tốc độ tiến bộ của AI

AI đã và đang tăng tốc chính quá trình phát triển AI

Theo Patel, đây không còn là suy đoán. Tổ chức đánh giá độc lập METR, sau ba tháng làm việc bên trong Anthropic, kết luận tốc độ tiến bộ tổng thể của Anthropic trên các tác vụ được định nghĩa rõ ràng hiện gấp đôi so với một năm trước, và "phần lớn mức tăng tốc này nhiều khả năng đến từ việc Anthropic sử dụng rộng rãi AI để làm R&D".

OpenAI cũng công bố vào tháng 9 rằng nhóm 10% nhà nghiên cứu dùng AI nhiều nhất đã tăng mức sử dụng các coding agent (tác nhân lập trình) nội bộ từ khoảng 1.000 USD/ngày đầu mùa hè lên hơn 7.000 USD/ngày vào cuối tháng 8. Anthropic báo cáo rằng tính đến tháng 8, Claude "dẫn dắt" hơn 26% công việc R&D AI của họ, so với mức dưới 1% hồi tháng 2.

Toán học là màn trình diễn thử của nghiên cứu AI

Điều khiến Patel thay đổi quan điểm mạnh mẽ nhất là tốc độ bùng nổ năng lực toán học của AI. Ông nhắc lại chuỗi tiến bộ: năm 2023 mô hình còn "không cộng nổi số có bốn chữ số một cách đáng tin cậy", năm 2024 gần như không giải được bài thi toán cấp phổ thông, năm 2025 giành huy chương vàng Olympic Toán quốc tế, rồi giải được các bài toán mở của Erdős, và gần đây nhất là giải một bài toán thuộc Thiên niên kỷ (Millennium Prize) trong 88 giờ.

Ông dẫn lời Toby Ord rằng AI hiện chủ yếu tự động hóa phần chứng minh, chưa thể đặt câu hỏi lớn hay mở ra lĩnh vực toán học mới. Nhưng Patel lập luận ngược lại: chính việc giải được bài toán Thiên niên kỷ mà không cần năng lực đặt câu hỏi lớn ấy đã cho thấy sức mạnh của khả năng giải các bài toán được định nghĩa rõ.

Biểu đồ tiến bộ năng lực toán học của AI

Vì sao nghiên cứu AI "dễ tự động hóa" hơn tưởng tượng

Khác với toán học, mục tiêu của nghiên cứu AI không phải mở rộng hiểu biết lý thuyết mà là tìm ra công thức thuật toán giúp huấn luyện hiệu quả hơn hoặc tạo ra mô hình thông minh hơn. Patel lấy ví dụ kiến trúc transformer: trước khi bài báo năm 2017 ra đời, các mảnh ghép như attention hay residual network đã có sẵn trong tài liệu, nhưng chỉ khi kết hợp thêm nửa tá cải tiến nhỏ thì kiến trúc mới tỏ ra vượt trội. Việc kiên trì ghép hàng chục tổ hợp ý tưởng chính là điểm mạnh mà AI đã thể hiện trong toán học.

Các hạng mục chính của R&D AI — pretraining (tiền huấn luyện), post-training (hậu huấn luyện) và hiệu quả suy luận — đều có chỉ số đo lường được. Ví dụ: loss trên tập kiểm tra giữ riêng, lượng compute để đạt một mức loss, mức sử dụng GPU, kích thước KV cache, độ trễ. Anthropic có benchmark nội bộ CoBench gồm khoảng 500 bài toán thực mà kỹ sư của họ đã giải trong năm, và mỗi benchmark như vậy cũng là một môi trường RL (học tăng cường) để mô hình luyện tập.

Ba lý do khiến tiến bộ bùng nổ

Khi AI đã giỏi nghiên cứu AI ngang người giỏi nhất, Patel cho rằng tốc độ tiến bộ thuật toán sẽ tăng vọt vì ba lý do:

• Nhanh hơn: AI hiện làm việc khoảng 10 lần tốc độ người và có thể chạy liên tục cả đêm lẫn cuối tuần, tương đương khoảng 50 lần khối lượng công việc mỗi tuần so với một nhà nghiên cứu.
• Thông minh hơn: Mỗi "nhà nghiên cứu tự động" sẽ ngang trình độ những người giỏi nhất. Theo cảm nhận của Patel, khoảng 80% tiến bộ thuật toán tại một phòng lab biên giới đến từ 50 nhà nghiên cứu hàng đầu.
• Nhiều hơn: Nghiên cứu AI gồm nhiều mảng việc độc lập, có thể kiểm chứng cục bộ — giống việc hình thức hóa Định lý cuối cùng của Fermat hơn là viết tiểu thuyết — nên có thể huy động hàng loạt agent song song.

Tuy vậy, Patel thừa nhận lợi suất sẽ giảm dần rất mạnh: 100.000 cộng sự không có nghĩa là nhanh gấp 100.000 lần.

Minh họa quy trình nghiên cứu song song của nhiều agent

Hai kịch bản: "tia lửa" hay "điểm kỳ dị phần mềm"

Có hai xu hướng đối nghịch. Một mặt, RSI (self-improvement, tự cải thiện đệ quy) khiến các nhà nghiên cứu tự động ngày càng nhanh, giỏi và đông hơn. Mặt khác, nghiên cứu AI ngày càng khó vì ý tưởng dễ bị "ăn hết". Patel dẫn chứng: các công ty AI phải tăng gấp bốn lần compute R&D và gấp đôi nhân lực mỗi năm chỉ để giữ nguyên tốc độ tiến bộ.

Nếu RSI thắng, ta có "điểm kỳ dị phần mềm" — chỉ trong vài tháng, bầy AI tạo ra các phiên bản thông minh hơn của chính mình cho đến khi chạm giới hạn vật lý của chip hiện có. Nếu "ý tưởng khó tìm" thắng, ta có "tia lửa": khoảng ba đến sáu năm tiến bộ AI dồn vào một năm, rồi chậm lại chờ xây thêm compute. Patel ước lượng 50/50 cho hai kịch bản này.

Ông dự đoán mốc trung vị để có nhà nghiên cứu tự động ngang người giỏi nhất là năm 2028, với 25% khả năng phải sau năm 2032, và vẫn có khả năng đạt được vào năm 2027.

Góc nhìn

Với kỹ sư và doanh nghiệp Việt Nam, bài viết này là lời nhắc rằng lợi thế cạnh tranh trong phát triển phần mềm sẽ ngày càng phụ thuộc vào việc dùng AI để tăng tốc chính quy trình kỹ thuật, chứ không chỉ dùng AI như công cụ viết code đơn lẻ. Các đội ngũ nên chủ động xây chỉ số đo lường rõ ràng — độ phủ test, thời gian ra bản phát hành, hiệu quả sử dụng compute — để có thể giao việc cho agent và kiểm chứng kết quả tự động.

Đồng thời, những kỹ năng khó kiểm chứng tự động như đặt đúng bài toán, chọn hướng đi và hiểu bối cảnh kinh doanh sẽ càng có giá trị. Đầu tư vào năng lực đánh giá và ra quyết định dựa trên dữ liệu là cách chuẩn bị thực tế nhất trước một thị trường lao động công nghệ biến động nhanh.