Tại MIT, AI đã trở thành "ngôn ngữ chung" của mọi lĩnh vực nghiên cứu

Tại MIT, trí tuệ nhân tạo (AI) đã trở nên phổ biến đến mức bạn có thể chạm tới nó ngay cả khi không có ý định từ đầu. Hãy lấy ví dụ về Sili Deng, phó giáo sư kỹ thuật cơ khí. Deng chia sẻ rằng bà vẫn chưa chắc chắn liệu mình có sẽ dấn thân toàn lực vào AI nếu không có đại dịch COVID-19.

Bà gia nhập ngũ giảng vào năm 2019 và đang trong quá trình thiết lập phòng thí nghiệm để nghiên cứu động lực học đốt cháy, giảm thiểu khí thải và tổng hợp ngọn lửa cho các vật liệu năng lượng khi COVID-19 ập đến, buộc phải tạm dừng mọi việc tu sửa phòng lab. Vì phải bắt đầu lại từ đầu, bà đã thách thức bản thân và các nghiên cứu sinh sau tiến sĩ thử nghiệm máy học "và xem xét, với kiến thức nền tảng của chúng ta về đốt cháy, những khoảng trống nào mà máy học có thể lấp đầy". Dưới sự lãnh đạo của bà, Nhóm Năng lượng và Công nghệ Nano đã sử dụng AI để phát triển một "bản sao kỹ thuật số" (digital twin) phản chiếu hiệu suất của thiết bị năng lượng/dòng chảy — một bản sao kỹ thuật số của một hệ thống vật lý. Mục tiêu là mô hình này có thể dự đoán và kiểm soát hoạt động của hệ thống đốt cháy nhiên liệu theo thời gian thực.

AI đang hỗ trợ nghiên cứu trong phòng thí nghiệm

Khác với Deng, người đã đến với AI qua những hoàn cảnh bất ngờ, Zachary Cordero, phó giáo sư hàng không vũ trụ, bắt đầu sử dụng AI nhờ vào chuyên môn của một đồng nghiệp. Năm 2024, John Hart, trưởng bộ phận Kỹ thuật cơ khí, đã đề nghị Cordero — người phát triển vật liệu và cấu trúc mới cho các ứng dụng hàng không vũ trụ mới nổi — gặp gỡ Fae Ahmed, phó giáo sư kỹ thuật cơ khí và là chuyên gia về máy học và tối ưu hóa cho thiết kế kỹ thuật.

Cordero nói rằng trước đó ông chưa từng theo đuổi nghiên cứu liên quan đến AI: "Tất cả những thứ này hoàn toàn mới lạ với tôi". Làm việc với Ahmed và các cộng tác viên khác trong một dự án được tài trợ bởi Cơ quan Dự án Nghiên cứu Phòng thủ Tiên tiến (DARPA) của Mỹ, Cordero đã phát triển một công cụ AI có thể tối ưu hóa thành phần vật liệu của một bộ phận được gọi là "blisk" — một đĩa cánh là thành phần chính trong động cơ tuabin của máy bay và tên lửa. Công việc của họ nhằm mục đích cải thiện hiệu suất và tuổi thọ của động cơ, đồng thời có thể dẫn đến các động cơ tên lửa tái sử dụng đáng tin cậy hơn cho các phương tiện phóng trọng tải lớn. Cordero nhận định hệ thống AI này đã bổ sung cho trực giác của con người — "ngay cả trên những vấn đề mà gần như không thể có trực giác".

Cách mạng trong phát triển thuốc và sinh học

Những câu chuyện như vậy rất phổ biến tại MIT. Ở mọi khoa, trong hầu hết mọi phòng thí nghiệm, các công nghệ AI như máy học, mô hình ngôn ngữ lớn (LLM) và mạng nơ-ron đang thay đổi nghiên cứu — tăng tốc các phương pháp hiện có, mở ra các con đường trước đây chưa được khám phá hoặc không thể tiếp cận, đồng thời tạo ra những cơ hội mới trong phát triển thuốc, điện toán, công nghệ năng lượng, sản xuất, robot học, khoa học thần kinh, luyện kim và thậm chí là bảo tồn động vật hoang dã.

Regina Barzilay đã làm việc về AI kể từ khi đến MIT vào năm 2003. Ngày nay, bà là Giáo sư xuất sắc của Trường Kỹ thuật về AI và Sức khỏe và là lãnh đạo giảng viên AI tại Phòng khám Máy học Y tế MIT Abdul Latif Jameel. Bà nói rằng nếu ai đó nói với bà cách đây 10 năm về lĩnh vực sẽ ở vị trí hiện tại và những loại công việc bà sẽ làm, bà "tuyệt đối" sẽ không tin điều đó.

Các ứng dụng AI để phát hiện và phát triển thuốc, một trong những lĩnh vực chuyên môn của Barzilay, đã đặc biệt phong phú và thành công tại MIT. Ví dụ, phòng thí nghiệm của Giovanni Traverso đã sử dụng AI để thiết kế các hạt nano có thể phân phối vắc-xin RNA và các liệu pháp khác hiệu quả hơn các hệ thống trước đây. Các nhà nghiên cứu tại CSAIL (Phòng thí nghiệm Khoa học Máy tính & Trí tuệ Nhân tạo) đã sử dụng các mô hình AI để giải thích cách một kháng sinh phổ hẹp đặc biệt nhắm vào các vi sinh vật gây hại ở những người mắc bệnh Crohn.

Một công cụ điển hình là Boltz, một mô hình AI mã nguồn mở được phát triển bởi một nhóm tại Phòng khám Jameel. Được phát hành lần đầu vào tháng 11 năm 2024 dưới tên Boltz-1 và lấy cảm hứng từ AlphaFold2 của DeepMind, Boltz-1 giúp các nhà khoa học dự đoán cấu trúc 3D của protein và các phân tử sinh học khác. Các nhà nghiên cứu tại Jameel Clinic đã tiếp nối với Boltz-2, ngoài việc dự đoán cấu trúc phân tử còn có thể dự đoán ái lực — độ mạnh mà protein liên kết với một phân tử nhỏ.

Vào tháng 10 năm 2025, Jameel Clinic đã phát hành phiên bản mới nhất, BoltzGen — một mô hình AI tạo sinh có khả năng thiết kế các protein tùy chỉnh có thể liên kết với nhiều mục tiêu sinh học phân tử. Hannes Stärk, sinh viên PhD năm thứ tư tại CSAIL, người đã xây dựng BoltzGen cho biết mô hình này hoạt động vì nó thực sự học hỏi — rút ra suy luận từ dữ liệu đào tạo và sau đó tạo ra các ý tưởng mới được lấy cảm hứng từ dữ liệu đó.

AI hỗ trợ thiết kế phân tử và dược phẩm

Vượt ra ngoài y học: Năng lượng và môi trường

Trong khi các phòng thí nghiệm làm việc về phát triển thuốc tiếp tục gặt hái lợi ích từ AI, các nhà nghiên cứu khác của Viện đang bận rộn áp dụng các công cụ AI hiện có hoặc phổ biến hơn là phát triển các mô hình của riêng họ để sử dụng trong vô số các ngành học.

Một nhóm liên ngành bao gồm Khoa Kỹ thuật Điện và Khoa học Máy tính (EECS), CSAIL và Bệnh viện Đa khoa Massachusetts đã ra mắt MultiverSeg, một công cụ nhanh chóng chú thích các vùng quan trọng trong hình ảnh y tế và có thể giúp các nhà khoa học phát triển các phương pháp điều trị mới và lập bản đồ sự tiến triển của bệnh tật.

Trong lĩnh vực năng lượng, Priya Donti, trợ lý giáo sư tại EECS, đã phát triển các phương pháp tối ưu hóa có hỗ trợ AI để giúp lập lịch tài nguyên sản xuất điện trên lưới điện. Các công cụ máy học mà nhóm của bà xây dựng sẽ giúp các nhà khai thác tiện ích phản ứng với nhiều vấn đề không thể tránh khỏi của lưới điện. "Thách thức lớn là trên một lưới điện, bạn cần duy trì sự cân bằng chính xác giữa lượng điện bạn sản xuất và đưa vào lưới và lượng điện bạn lấy ra ở phía bên kia," bà giải thích. Thông tin về vật lý hoạt động của lưới điện được nhúng trong mô hình AI của Donti, giúp nó hoạt động và phản ứng giống như một lưới điện thực.

Các nhà nghiên cứu MIT thậm chí còn đang áp dụng các công cụ AI để khám phá và phân tích thế giới tự nhiên. Sara Beery, trợ lý giáo sư tại EECS chuyên về AI và ra quyết định, phát triển các phương pháp AI khám phá và khai thác dữ liệu sinh thái thu thập được bởi nhiều công nghệ cảm biến từ xa khác nhau để phân tích và dự đoán cách các loài và hệ sinh thái đang thay đổi trên toàn cầu. Beery cho biết mục tiêu là có thể dễ dàng khai thác các loại dữ liệu thô khác nhau — từ dữ liệu vệ tinh và cảm biến sinh học đến hình ảnh camera và ADN — và "thực sự biến nó thành một số loại hiểu biết khoa học, thứ giúp chúng ta hiểu điều gì đang đưa các loài vào nguy cơ."

Thách thức: Khi mô hình gặp thực tế

Các phòng thí nghiệm của Viện cũng đang gặp phải một số ranh giới thực sự đầu tiên của thế giới mới được tăng cường bởi AI. Nhiều nhà nghiên cứu tại MIT và những nơi khác đồng ý rằng hầu hết các "trái cây thấp" đã được thu hoạch. Điều đó bao gồm các đóng góp của AI trong việc quản lý các bộ dữ liệu khổng lồ và tăng tốc quá trình khám phá và kiểm tra hiện có. Tuy nhiên, vượt ra ngoài những lợi ích tức thời đó, kết quả lại khác nhau — ngay cả trong phát triển thuốc, lĩnh vực đã chứng kiến một số thành công rực rỡ nhất của AI.

"Từ có một số lĩnh vực mà bạn cho rằng chúng ta nên làm tốt hơn nhiều ở đây và chúng ta thì không," Barzilay nhận xét. "Lý do chúng ta không thể chữa khỏi các bệnh thoái hóa thần kinh như Alzheimer hoặc ung thư giai đoạn cuối là vì chúng ta thực sự không hiểu đầy đủ — ở cấp độ phân tử — về bản thân căn bệnh, các tác nhân thúc đẩy và cách kiểm soát nó." Và AI vẫn chưa tạo ra những gì bà gọi là "sự chuyển đổi đáng kể" về việc hiểu các cơ chế bệnh cơ bản đó.

Những giới hạn trong khoa học vật liệu cũng đang nổi lên, đặc biệt là trong việc chuyển đổi các giải pháp kỹ thuật số do AI đề xuất thành các vật thể được tạo thành từ nguyên tử và phân tử. Rafael Gómez-Bombarelli, phó giáo sư khoa học và kỹ thuật vật liệu, phát triển các mô phỏng máy học dựa trên vật lý để tăng tốc chu trình khám phá cho các polymer bền vững và vật liệu sử dụng cho năng lượng, chăm sóc sức khỏe và pin. Mặc dù các mô phỏng dựa trên vật lý tự thân là một thành công rực rỡ, ông nói rằng kết quả lại kém chắc chắn hơn khi đến việc sản xuất các vật liệu đó; nhiều giải pháp được tạo ra bởi các trình mô phỏng này thất bại trong thế giới thực.

Tối ưu hóa vật liệu và quy trình sản xuất với AI

"Hóa ra là những trình mô phỏng này không nắm bắt được nhiều điều quan trọng," ông nói. "Chúng hoạt động trên các vấn đề được giải quyết ở cấp độ nguyên tử cho các câu hỏi trong thời gian nano giây. Nhưng rất, rất nhiều vấn đề vật liệu không xảy ra trong nano giây và không chỉ liên quan đến vài chục nghìn nguyên tử." Hơn nữa, khi mục tiêu có thể là sản xuất hàng triệu tấn một vật liệu mới, các lỗi sai khi mở rộng quy mô có thể là thảm khốc. "Trong AI, việc mở rộng quy mô là cộng sinh và tốt. Trong hóa học và vật liệu, việc mở rộng quy mô là một con vật đáng sợ mà bạn cần đánh bại để tạo ra ảnh hưởng," Gómez-Bombarelli nói.

Tương lai của AI tại MIT

Mặc dù AI đã tạo ra vô số kết quả và bất ngờ, các nhà nghiên cứu tại MIT tin rằng nhiều tiềm năng của nó vẫn đang chờ được khám phá. Họ khao khát tìm kiếm các ứng dụng có tác động cao. Ila Fiete, giáo sư về khoa học não và nhận thức, xây dựng các công cụ AI và mô hình toán học để mở rộng kiến thức của chúng ta về cách não bộ phát triển và định hình lại các kết nối nơ-ron của mình. Công việc của bà, bà tin rằng có thể giúp chúng ta hiểu cách chúng ta hình thành ký ức hoặc nhận thức về không gian của chính mình — và điều đó, đến lượt nó, có thể dẫn đến những cải tiến trong AI.

Ju Li, giáo sư Kỹ thuật Năng lượng, đồng ý rằng một số yếu tố của trí thông minh và học tập của con người có thể mang lại lợi ích cho AI và giúp nó giải quyết một số vấn đề phức tạp và cấp bách nhất của thế giới chúng ta, bao gồm đói nghèo toàn cầu và biến đổi khí hậu. "Các mô hình ngôn ngữ lớn ngày nay đã đọc hàng chục triệu bài báo và sách," ông nói, thêm rằng chúng "đa ngành hơn nhiều so với bất kỳ chúng ta." Tuy nhiên, ông lưu ý rằng tài liệu khoa học bị thiên lệch mạnh mẽ towards thành công. "Trải nghiệm hàng ngày trong phòng thí nghiệm là 95% sự thất vọng, và tôi nghĩ chính các trường hợp thất bại xây dựng tính cách," ông nói. Ông cho rằng nếu AI được tự chủ để thực hiện các thí nghiệm, thử những thứ khác nhau, thất bại và học hỏi từ điều đó, nó có thể tiến hóa thành thứ rất giống với trí thông minh của con người.

Các nhà nghiên cứu tại MIT tin rằng khi AI tiếp tục phát triển, mở rộng và gia tăng, Viện có một trách nhiệm đặc biệt là định hướng các công nghệ này hướng tới các mục đích hữu ích và có thể đạt được. "Lúc này, trong thế giới AI có rất nhiều sự cường điệu và phù phiếm," Ahmed nói. "Thế giới kỹ thuật số đang tràn ngập những thứ," ông nói và có rất nhiều điều đang diễn ra trên mặt trận AI với hình ảnh, văn bản và video. "Nhưng thế giới vật lý vẫn ít chịu ảnh hưởng hơn, và chúng ta đang thấy nhiều điều hơn xảy ra ở giao điểm giữa vật lý và AI tại MIT."

Tương lai của AI bao gồm cả những chiến thắng tiềm năng và những rủi ro tiềm ẩn. Các nhà nghiên cứu vẫn lo lắng về "ảo giác" — những kết quả được AI tạo ra không có ý nghĩa trong thế giới thực. Họ cũng lo ngại rằng một số người thực hành sẽ quá phụ thuộc vào các công cụ AI, bỏ qua các thông tin chi tiết và biện pháp an toàn quan trọng giúp giữ cho một thí nghiệm hoặc nhà máy sản xuất đi đúng hướng. Nhưng thay vì cảm thấy nguy hiểm, John Hart nhìn thấy cơ hội, đặc biệt là tại MIT: "Chúng tôi có chuyên môn và kinh nghiệm được học hỏi cho phép chúng tôi đặt ra đúng câu hỏi và sử dụng các công cụ này theo đúng cách."