Vì sao tôi vẫn bi quan về LLM sau cột mốc Navier-Stokes

Gần đây, cộng đồng công nghệ xôn xao trước những kết quả ấn tượng của các mô hình ngôn ngữ lớn trong toán học và an ninh mạng. Tuy nhiên, tác giả của bài viết gốc trên blog Dank Systems cho rằng những thành tựu này không chứng minh rằng AI đã đạt được khả năng tự chủ thực sự. Ông vẫn giữ quan điểm bi quan về triển vọng thay thế lao động tri thức của LLM, và lý do nằm ở cấu trúc nền tảng của công nghệ hiện tại.

Những luận điểm cần suy ngẫm

Tác giả mở đầu bằng một loạt luận điểm đáng chú ý:

• Các phòng thí nghiệm hàng đầu đang được định giá dựa trên câu chuyện rằng họ đã hoặc sắp tạo ra một sản phẩm thay thế hoàn toàn cho phần lớn lao động tri thức. Nhưng thực tế, các mô hình tiên tiến nhất vẫn cần sự giám sát và rào chắn công phu ngay cả với những tác vụ đơn giản.
• Các mô hình chỉ tổng quát hóa tốt trong một vùng lân cận hẹp của những tác vụ chúng từng được huấn luyện. Chỉ cần một nhiễu loạn nhỏ trong cùng một lớp tác vụ cũng có thể dẫn đến thất bại hoàn toàn hoặc hành vi "hack phần thưởng" (reward hacking).
• Nếu bị những màn trình diễn hào nhoáng như chứng minh Navier-Stokes, khai thác lỗ hổng từ xa trên FreeBSD hay sự cố HuggingFace đánh lừa, hãy nhìn vào thực tế: các công ty phần mềm vẫn đang tuyển dụng những kỹ sư ở nhóm yếu nhất — những người có điểm số trên các bài kiểm tra chuẩn còn thấp hơn cả những mô hình mà họ đang giám sát.

Vấn đề cốt lõi: đặc tả chặt chẽ rất tốn kém

Tác giả lập luận rằng vấn đề reward hacking chỉ có thể giải quyết bằng đặc tả nghiêm ngặt do các chuyên gia trong lĩnh vực thực hiện.

Thời gian của chuyên gia lĩnh vực rất đắt đỏ. Bản thân việc đặc tả chặt chẽ đã là một kỹ năng, đòi hỏi chuyên môn riêng nằm ngoài lĩnh vực vấn đề. Ngay cả nhiều kỹ sư phần mềm giỏi cũng làm việc này kém.

Với phần lớn các lĩnh vực, giao điểm giữa chuyên gia lĩnh vực và chuyên gia đặc tả là cực kỳ nhỏ. Chi phí lao động cho việc đặc tả chặt chẽ có thể vượt xa chi phí triển khai trực tiếp theo một đặc tả không chính thức.

Ngành kỹ thuật phần cứng là một ví dụ điển hình: một dự án CPU thông thường có số kỹ sư đặc tả và kiểm định gấp khoảng ba lần số kỹ sư thiết kế, thậm chí tỷ lệ 5:1 cũng không phải hiếm.

Tệ hơn nữa, nhiều tác vụ không cho phép cơ chế "đặc tả một lần rồi quên đi". Các đặc tả hình thức chặt chẽ thường xuyên tiến hóa song song với những hiểu biết mới phát sinh trong quá trình triển khai. Với những tác vụ có đặc tả cấp cao dùng một lần, chi phí kiểm chứng lại vượt quá khả năng của công nghệ hiện tại, buộc phải dùng các đặc tả cấp thấp hơn — vừa đắt đỏ hơn để xây dựng, vừa dễ vỡ hơn trước những thay đổi thiết kế.

Navier-Stokes là trường hợp lý tưởng nhất, và hầu hết công việc không giống vậy

Theo tác giả, Navier-Stokes và các phát biểu toán học thuần túy tương tự là kịch bản tốt nhất có thể cho công việc tác tử dựa trên đặc tả chặt chẽ:

• Bản thân phát biểu định lý đã là một đặc tả chặt chẽ.
• Nó đã trải qua hàng thập kỷ được cộng đồng toán học kiểm tra.
• Việc biểu diễn nó trong Lean chỉ là một phép dịch đơn giản dựa trên các đối tượng toán học đã được kiểm chứng trong thư viện mathlib.
• Trình kiểm chứng — Lean — đã được thiết kế riêng để tránh những loại lỗi không nhất quán khiến nó dễ bị reward hack.

Ngay cả Lean và các trình chứng minh định lý tương tự cũng không bất khả xâm phạm: từng có lỗi về tính đúng đắn cho phép LLM "rửa" những chứng minh giả qua nhân kiểm chứng, và không loại trừ khả năng còn nhiều lỗi như vậy tồn tại.

Đây là thiết lập lý tưởng nhất; phần lớn công việc tri thức của con người không hề giống như vậy.

Kiểm duyệt của con người không thể mở rộng

Giải pháp thay thế tốt nhất cho đặc tả chặt chẽ là kiểm duyệt của con người. Nhưng kiểm duyệt thủ công không mở rộng tốt theo khối lượng đầu ra của mô hình ngôn ngữ.

Tệ hơn, ngay cả kiểm duyệt của chuyên gia cũng cực kỳ dễ bị reward hack. Tác giả dẫn chứng hai sự cố nổi tiếng: backdoor xz và những commit giả mạo từ Đại học Minnesota từng lọt vào nhân Linux.

Nếu con người vẫn là mắt xích quan trọng trong vòng lặp sản xuất của tác tử AI, tốc độ sản xuất tất yếu bị giới hạn bởi thời gian và sự tập trung của con người. Điều này hoàn toàn không phù hợp với viễn cảnh "một đất nước toàn thiên tài trong trung tâm dữ liệu" mà các CEO phòng thí nghiệm hàng đầu vẫn thường vẽ ra.

LLM sẽ vẫn giống một thực tập sinh tài năng nhưng bị giới hạn

Kết luận của tác giả: với hầu hết lĩnh vực, LLM sẽ tiếp tục giống như một thực tập sinh xuất sắc — nhanh và hiệu quả trong tay người lớn, nhưng không thể giao toàn quyền điều hành.

Phần lớn doanh nghiệp sẽ không thể áp dụng AI tự chủ hoàn toàn, không phải vì thiếu kỹ năng hay công nghệ lan tỏa chậm, mà vì những lý do mang tính cấu trúc dường như cố hữu trong các kiến trúc hiện tại.

Tác giả điểm ra ba nhóm doanh nghiệp có thể chấp nhận dùng LLM tự chủ:

1. Những nơi chấp nhận thất bại với chi phí thấp: công ty vốn thường thuê thực tập sinh, các nhóm làm nguyên mẫu nhanh, v.v.
2. Những nơi cần một số ít tác vụ hẹp với rào chắn rõ ràng sẵn có: lao động chân tay lặp đi lặp lại trong môi trường được kiểm soát, tổng đài và chat chăm sóc khách hàng, v.v.
3. Những nơi chấp nhận — hoặc vốn đã mặc nhiên gánh — chi phí đặc tả và kiểm định chặt chẽ: thiết kế chip, khám phá thuốc, và các lĩnh vực mà thất bại khi triển khai là vấn đề sống còn.

Hai nhóm đầu rất nhạy cảm về giá và có thể không cần bước nhảy vọt về chất lượng suy luận từ mô hình rẻ lên mô hình tiên tiến. Phần lớn trong số họ sẽ được phục vụ tốt nhất bằng các mô hình mở chạy trên phần cứng rẻ, thậm chí chạy cục bộ ngay tại nơi sử dụng.

Hệ quả cho hạ tầng tính toán và thị trường AI

Tác giả đưa ra một nhận định đáng chú ý: kiểu tìm kiếm tổ hợp mờ đã tạo ra những kết quả gây tiếng vang trong toán học và nghiên cứu an ninh mạng dường như nhạy cảm hơn với độ rộng của bầy tác tử (agentic swarm width) chứ không phải năng lực suy luận đơn lẻ.

Điều này càng củng cố lý do dùng các mô hình mở rẻ tiền, cho phép chạy cùng khối lượng công việc với nhiều tác tử hơn.

Với nhóm doanh nghiệp thứ ba — những nơi gánh chi phí kiểm định chặt chẽ — họ có thể vẫn dùng mô hình tiên tiến, nhưng chưa chắc công việc không thể hoàn thành bằng các mô hình rẻ như DeepSeek. Đặc điểm thú vị của nhóm này là họ thường rất kín tiếng về tài sản trí tuệ và khó có thể vui vẻ gửi hết dữ liệu cho Anthropic hay OpenAI, kể cả khi có cam kết không huấn luyện trên dữ liệu người dùng.

Cuối cùng, tác giả phản biện lập luận cho rằng ngay cả khi không đạt được siêu trí tuệ nhân tạo, kịch bản "trung tâm dữ liệu đầy những bộ não hạng trung" vẫn tiêu thụ lượng tính toán khổng lồ tương đương. Sự khác biệt nằm ở chỗ: trung tâm dữ liệu toàn thiên tài có khả năng tự vận hành và chỉ bị giới hạn bởi lượng tính toán, trong khi bầy "não hạng trung" sẽ bị nghẽn nghiêm trọng bởi những người điều phối là con người.

Dự đoán cá nhân của tác giả: tác động sẽ lan ra rất xa ngoài phạm vi các phòng thí nghiệm hàng đầu.

Đối với độc giả Việt Nam theo dõi làn sóng AI, bài viết này là lời nhắc nhở rằng khoảng cách giữa trình diễn và triển khai thực tế vẫn còn rất lớn. Các doanh nghiệp trong nước cân nhắc ứng dụng LLM tự chủ nên đặc biệt chú ý đến chi phí đặc tả, kiểm định và giám sát — những yếu tố thường bị bỏ qua trong các bài thuyết trình hào nhoáng về AI tác tử.