Trẻ em học ngôn ngữ giỏi hơn AI: Bí ẩn chưa có lời giải

Loài người đã trò chuyện với nhau ít nhất 100.000 năm, và trong suốt thời gian đó, chỉ có một thực thể duy nhất trên thế giới có thể học một ngôn ngữ đến mức hoàn hảo: một đứa trẻ. Giờ đây, đã có thêm một thực thể thứ hai — nhưng với một cái giá khổng lồ về dữ liệu.

Bốn năm sau khi ChatGPT ra mắt, chúng ta coi việc trò chuyện tự nhiên với điện thoại là điều hiển nhiên. Tuy nhiên, các mô hình ngôn ngữ lớn (LLM) như Claude, DeepSeek hay GPT vẫn phải "ngốn" một lượng dữ liệu khổng lồ gấp hàng trăm nghìn lần những gì một đứa trẻ tiếp nhận để thành thạo tiếng mẹ đẻ. Khoảng cách này được gọi là khoảng cách hiệu quả dữ liệu (data efficiency gap) — một thách thức lớn cho cả ngành AI lẫn khoa học nhận thức.

Vì sao trẻ em vượt trội hơn máy móc?

Theo Michael C. Frank, nhà khoa học nhận thức tại Đại học Stanford: "Tiến bộ gần đây thật đáng kinh ngạc, nhưng chúng ta vẫn phải đốt cả khu rừng và cạo sạch toàn bộ tri thức nhân loại để tái tạo một cột mốc mà trẻ em đạt được trong phòng khách chỉ sau một năm."

Một đứa trẻ trước tuổi vị thành niên có thể nghe khoảng 100 triệu từ trong môi trường giàu ngôn ngữ, trong khi một mô hình như Llama 3.1 của Meta được huấn luyện trên 15 nghìn tỷ token. Sự chênh lệch này được ví như việc in toàn bộ dữ liệu ra giấy — một chồng giấy cao tới Trạm Vũ trụ Quốc tế, còn lượng từ của trẻ chỉ cao 20 mét.

Bài toán "nghèo nàn kích thích" và cuộc tranh luận kéo dài

Từ những năm 1950, nhà ngôn ngữ học Noam Chomsky đã lập luận rằng trẻ em sinh ra với kiến thức ngữ pháp bẩm sinh, bởi ngôn ngữ quá phức tạp so với lượng kích thích ít ỏi mà trẻ nhận được. Quan điểm này thống trị ngành ngôn ngữ học Mỹ suốt nhiều thập kỷ và ảnh hưởng đến cách tiếp cận AI theo quy tắc (symbolic AI), vốn thất bại trong việc tạo ra mô hình xử lý ngôn ngữ quy mô lớn.

Tuy nhiên, sự trỗi dậy của mô hình transformer từ năm 2018–2019 đã đảo ngược tình thế. Những cỗ máy học thống kê "ngây thơ" này đã chứng minh rằng chúng có thể học ngữ pháp từ dữ liệu lớn — điều mà giới ngôn ngữ học truyền thống cho là bất khả thi. Alison Gopnik, nhà tâm lý học phát triển tại UC Berkeley, thừa nhận: "Tôi không nghĩ điều đó sẽ thành hiện thực. Hầu hết mọi người đều nghĩ bạn không thể chỉ nhìn vào thống kê của một mẫu ngôn ngữ lớn mà ra được ngữ pháp."

BabyLM: Nỗ lực thu nhỏ quy mô học ngôn ngữ

Năm 2022, nhà ngôn ngữ học Alex Warstadt (UC San Diego) cùng các cộng sự khởi xướng cuộc thi BabyLM — huấn luyện mô hình ngôn ngữ trên bộ dữ liệu tối đa 100 triệu từ (hoặc 10 triệu cho hạng mục trẻ mới biết đi), lấy từ sách truyện, phụ đề phim, hội thoại và bản ghi âm lời nói hướng đến trẻ em.

Kết quả ban đầu gây bất ngờ: curriculum learning (học theo lộ trình từ đơn giản đến phức tạp) — phương pháp được nhiều đội lựa chọn vì giống cách trẻ học — lại không hiệu quả như kỳ vọng. Aaron Mueller (Đại học Boston), một điều phối viên BabyLM, nhận xét: "Sức hút của nó thật khó cưỡng. Nhưng có vẻ các mô hình transformer không cần dữ liệu được sắp xếp theo cách đó để học hiệu quả."

Đáng chú ý, mô hình vô địch BabyLM 2024, GPT-BERT, dù chỉ được huấn luyện trên 100 triệu từ, đã đánh bại Llama 2 70B — mô hình có dữ liệu lớn gấp 15.000 lần — ở một số bài kiểm tra ngữ pháp.

Học qua đôi mắt và đôi tai của trẻ

Các nhà khoa học cho rằng một thiếu sót lớn của mô hình hiện tại là chúng chỉ học từ văn bản, trong khi trẻ em tiếp nhận thế giới qua giác quan. Dự án SAYCam của Michael Frank đã ghi lại cuộc sống của ba em bé từ 6 tháng đến 2,5 tuổi thông qua camera gắn trên đầu. Nhóm nghiên cứu của Brenden Lake (Princeton) đã dùng 61 giờ dữ liệu này để huấn luyện mô hình nhận diện vật thể và liên kết với từ ngữ — và kết quả cho thấy có thể bắt đầu học ngôn ngữ với ít định kiến hơn nhiều so với các lý thuyết trước đó.

Một bước tiến xa hơn là dự án của Uri Hasson (Princeton), ghi lại 1.000 ngày đầu đời của 17 đứa trẻ với camera và mic trong toàn bộ ngôi nhà, 12 giờ mỗi ngày. Đây là bộ dữ liệu có quy mô chưa từng có, nhờ vào các công cụ AI mới về phiên âm và phân tích video.

Thiếu sót còn lại: Tính chủ động và xã hội

Dù có dữ liệu video, các mô hình vẫn chưa đạt được sự trôi chảy như mô hình văn bản. Gopnik tin rằng vấn đề nằm ở việc trẻ em chủ động khám phá thế giới, liên tục thử nghiệm và tìm kiếm thông tin lấp đầy lỗ hổng hiểu biết. Elizabeth Bonawitz (Harvard) bổ sung: "Trẻ em không chỉ suy luận về bằng chứng chúng được nghe, mà còn suy luận về người dạy, kiến thức của người dạy và lý do người dạy truyền đạt thông tin cụ thể đó."

Đây là điểm khác biệt cốt lõi: trẻ em học trong bối cảnh xã hội có tương tác, còn mô hình học một cách thụ động và cô lập. Tuy nhiên, thử nghiệm mở rộng BabyLM cho phép các mô hình tương tác với nhau trong năm ngoái đã không mang lại kết quả vượt trội.

Tương lai: Thu hẹp khoảng cách để hiểu chính mình

Việc thu hẹp khoảng cách dữ liệu không chỉ giúp AI hiệu quả hơn mà còn mở ra cơ hội cho các ngôn ngữ ít tài nguyên. David Samuel (Đại học Oslo), kiến trúc sư của GPT-BERT, chia sẻ động lực cá nhân: "Làm sao phát triển mô hình ngôn ngữ cho tiếng Séc, tiếng Na Uy hay tiếng Sami — vốn chỉ có vài chục triệu token — tốt như tiếng Anh?"

Các nhà nghiên cứu như Warstadt tin rằng LLM có thể trở thành "sinh vật mẫu" trong ngôn ngữ học so sánh: "Trong 100.000 năm, con người là thực thể duy nhất sử dụng ngôn ngữ. Giờ đây có thêm một thực thể ngôn ngữ khác. Cuối cùng chúng ta đã có một mô hình — không phải mô hình ngôn ngữ, mà là một mô hình sinh vật."

Đối với cộng đồng nghiên cứu Việt Nam, bài toán này cũng đặc biệt ý nghĩa khi tiếng Việt vốn có ít dữ liệu số hóa so với tiếng Anh. Hiểu được cách trẻ em học có thể giúp xây dựng các mô hình tiếng Việt hiệu quả hơn với chi phí thấp hơn, mở đường cho AI phục vụ cộng đồng ngôn ngữ đa dạng.

Mô hình học ngôn ngữ từ video ghi hình trẻ em