8.17.2026

Bốn Cuộc Hội Tụ: Lịch Sử Trí Tuệ Nhân Tạo Hiện Đại

Written by: Claude Sonnet 5.0 AI.

Curator/Editor: Học Trò.

Vào mùa hè năm 2012, một giáo sư người Canada cùng hai nghiên cứu sinh của ông tải lên một mạng nơ-ron (neural network) để dự một cuộc thi thị giác máy tính (computer vision) mà không ai kỳ vọng họ sẽ thắng, và họ đã phá vỡ kết quả với một khoảng cách khiến những người đã dành cả sự nghiệp cho lĩnh vực này phải sững sờ. Buổi chiều hôm đó là một điểm khởi đầu tốt cho câu chuyện này — chỉ có điều nó không thực sự là một khởi đầu. Đó là một cuộc va chạm. Ba canh bạc riêng biệt, được thực hiện độc lập bởi ba người phần lớn không quen biết nhau, mỗi canh bạc đã âm thầm chạy trong nhiều năm — một trong số đó là hàng chục năm — trước khi chúng đâm sầm vào nhau trong một mục nhập trên bảng xếp hạng của một phòng thí nghiệm ở Toronto. Mọi thứ tiếp theo trong bài viết này, từ buổi ra mắt lặng lẽ vào một tối thứ Ba của ChatGPT cho đến việc Jensen Huang bán card đồ họa cho những game thủ chẳng hề hay biết rằng mình đang tài trợ cho tương lai, đều là câu chuyện về những gì xảy ra sau cuộc va chạm đó, và về một nhóm nhỏ những con người cứ liên tục xuất hiện tại giao điểm của nó.

Đây là bản dịch tiếng Việt của bài luận "Four Convergences: A History of Modern AI," kèm theo một Bảng Thuật Ngữ giải thích các khái niệm AI then chốt dành cho độc giả có kiến thức máy tính cơ bản (thời kỳ trước AI) nhưng chưa quen với từ vựng chuyên ngành AI. Tên riêng của người, công ty, sản phẩm, và tựa đề bài báo khoa học được giữ nguyên tiếng Anh theo quy ước viết kỹ thuật phổ biến hiện nay — xem Bảng Thuật Ngữ ở cuối bài để tra cứu các từ viết tắt và khái niệm.

Luận Điểm, Nói Thẳng

AI hiện đại không xuất hiện như một phát minh đơn lẻ. Đó là câu chuyện về bốn thứ khan hiếm — một ý tưởng, một tập dữ liệu (dataset), một loại chip máy tính, và cuối cùng là một công thức huấn luyện cho chính ngôn ngữ — mỗi thứ đều bị mắc kẹt, thiếu vắng những thứ còn lại trong nhiều năm hoặc nhiều thập kỷ, cho đến khi chúng hội tụ trong tay một nhóm người khá nhỏ nhưng gắn kết chặt chẽ với nhau, những người cứ liên tục gặp lại nhau tại cùng một số ít tổ chức: Đại học Toronto, Đại học Stanford, Google, và một phòng nghiên cứu phi lợi nhuận (nonprofit) sau này tách ra thành hai trong số những công ty giá trị nhất thế giới.

Ý tưởng đó là mạng nơ-ron (neural network) và thuật toán lan truyền ngược (backpropagation), được Geoffrey Hinton cùng một nhóm nhỏ những người tin tưởng duy trì sống sót, bất chấp sự hoài nghi chủ đạo của cả ngành, trong phần lớn ba mươi năm. Tập dữ liệu đó là ImageNet, canh bạc không mấy hào nhoáng, ban đầu không hợp thời của Fei-Fei Li, rằng nút thắt cổ chai thực sự của thị giác máy tính là sự thiếu vắng dữ liệu ở quy mô mà thế giới thị giác thực sự đòi hỏi, chứ không phải một thuật toán tinh xảo còn thiếu. Con chip đó là bộ xử lý đồ họa (GPU), cụ thể là canh bạc đi trước cả một thập kỷ của Jensen Huang, rằng phần cứng chơi game của NVIDIA có thể biến thành một máy tính khoa học đa dụng nhiều năm trước khi ai đó thực sự cần đến nó. Và công thức đó, xuất hiện năm năm sau khi ba thứ đầu tiên hội tụ, là một bài báo khoa học duy nhất năm 2017 từ nhóm nghiên cứu của Google, đề xuất rằng cơ chế "chú ý" (attention) — cơ chế mà một từ trong câu quyết định từ nào khác đáng được nó quan tâm — tự thân nó đã đủ để xây dựng những mô hình ngôn ngữ mạnh mẽ nhất mà con người từng làm ra. Bốn cuộc hội tụ. Bài luận này sẽ đi qua cả bốn, và đi qua những con người đã xây dựng từng phần rồi tiếp tục xây trên nền móng mà những người khác đã dựng.

I. Mùa Đông Lạnh Giá, Những Người Tin Tưởng

Rất lâu trước khi có một tập dữ liệu đủ lớn hay một con chip đủ nhanh, phải có một ý tưởng đáng để chờ đợi, và trong phần lớn nửa sau thế kỷ 20, ý tưởng đó lại không hợp thời. Mạng nơ-ron nhân tạo — những mô hình đơn giản hóa, lỏng lẻo về cách các nơ-ron trong não bộ có thể truyền tín hiệu cho nhau — từng có một thời kỳ ngắn được ưa chuộng vào thập niên 1950 rồi sau đó rơi vào giai đoạn mà chính ngành gọi là "mùa đông AI" (AI winter), khi nguồn tài trợ cạn kiệt và hầu hết các nhà khoa học máy tính nghiêm túc chuyển sang hướng tiếp cận khác. Geoffrey Hinton thì không.

Con đường riêng của Hinton đến với chủ đề này khác thường ngay cả theo tiêu chuẩn học thuật. Sinh năm 1947 tại Wimbledon, trong một gia đình có nhiều nhà toán học và những nhà tư tưởng phi truyền thống — ông cố của ông là George Everest, người mà ngọn núi Everest được đặt theo tên; một người họ hàng trước đó đã đặt ra từ "tesseract" — ông học tại Cambridge, chuyển đổi qua lại giữa vật lý, triết học và sinh lý học trước khi chọn tâm lý học thực nghiệm, rồi dành một năm học nghề mộc trước khi quay lại học thuật để lấy bằng tiến sĩ ngành trí tuệ nhân tạo tại Edinburgh năm 1978, với luận án về mạng nơ-ron được viết vào thời điểm mà cả ngành coi đây là một ngõ cụt gần như chắc chắn. Ông đã ở Đại học Toronto từ năm 1987, và chính tại đó, xuyên suốt thập niên 1980, 1990 và 2000, ông đã thực hiện công trình cuối cùng khiến ông trở thành một trong ba nhà nghiên cứu mà báo chí sau này gọi là "những người cha đỡ đầu của học sâu" (the godfathers of deep learning) — một danh xưng gắn cho Hinton cùng hai người cùng thời, Yann LeCun và Yoshua Bengio, những người đến với các ý tưởng liên quan một cách độc lập chứ không phải là học trò của ông — một sự phân biệt đáng lưu ý vì các học trò thực sự của Hinton lại có vai trò cực kỳ trực tiếp trong phần còn lại của câu chuyện này.

Hai công trình nghiên cứu của chính Hinton hóa ra là nền tảng cho mọi thứ diễn ra sau đó. Thứ nhất là thuật toán lan truyền ngược (backpropagation) — về mặt kỹ thuật không phải do Hinton phát minh từ con số không, vì những ý tưởng toán học liên quan đã từng xuất hiện trước đó trong lý thuyết điều khiển, nhưng được đưa đến sự chú ý rộng rãi của giới khoa học qua bài báo năm 1986 của ông trên tạp chí Nature, cùng với David Rumelhart và Ronald Williams, "Learning representations by back-propagating errors" (Học biểu diễn bằng cách lan truyền ngược sai số). Lan truyền ngược là thuật toán cho phép một mạng nơ-ron nhiều lớp, sau khi đoán sai, tính ra chính xác mỗi kết nối nội bộ của nó đã góp phần vào sai số đó bao nhiêu, rồi điều chỉnh từng kết nối cho phù hợp. Đó là, theo một nghĩa thực sự, thuật toán mà gần như mọi mạng nơ-ron ngày nay vẫn dùng để huấn luyện, bao gồm cả mọi mô hình ngôn ngữ lớn (LLM — large language model) được nhắc đến sau này trong bài. Thứ hai là "máy Boltzmann" (Boltzmann machine), mà Hinton xây dựng cùng Terrence Sejnowski vào đầu thập niên 1980, mượn công cụ từ vật lý thống kê để dựng nên một mạng có thể học nhận diện các khuôn mẫu (pattern) trong dữ liệu bằng cách "lắng xuống" những trạng thái năng lượng thấp — công trình nền tảng đến mức, nhiều thập kỷ sau, đã giúp Hinton giành giải Nobel trong một lĩnh vực mà ông chưa từng chính thức theo đuổi.

Nhưng trong phần lớn hai thập kỷ sau năm 1986, không điều gì trong số này có ý nghĩa nhiều với ai ngoài một nhóm nhỏ, vì mạng nơ-ron cứ liên tục thua các phương pháp đơn giản hơn, đã được thiết lập vững chắc hơn trong những bài toán mà mọi người quan tâm, và sự chú ý chung của cả ngành trôi dạt sang hướng khác. Hinton vẫn tiếp tục làm việc. Năm 2006, cùng với Simon Osindero và Yee-Whye Teh, ông công bố "A fast learning algorithm for deep belief nets" (Một thuật toán học nhanh cho mạng niềm tin sâu), cho thấy cách "tiền huấn luyện" (pretrain) một mạng sâu — một mạng có nhiều lớp — từng lớp một, dùng các máy Boltzmann xếp chồng lên nhau, giúp cả hệ thống có một điểm khởi đầu tốt hơn nhiều trước khi huấn luyện cuối cùng. Đây là một trong những bước đi kỹ thuật then chốt đã âm thầm hồi sinh sự quan tâm đến học sâu nhiều năm trước khi công chúng để ý đến, và năm 2006 đôi khi được nhắc tới, nửa đùa nửa thật, như năm mà cuộc hồi sinh thực sự bắt đầu — một sự trùng hợp, và cũng không hoàn toàn trùng hợp, với cùng năm mà một công ty sản xuất chip mà hầu hết mọi người chỉ biết đến qua phần cứng chơi game đã âm thầm đặt cược riêng của mình vào tương lai.

II. Dữ Liệu Không Ai Muốn Gán Nhãn

Nếu vấn đề của Hinton là ý tưởng của ông không có "ngôi nhà" hợp thời nào, thì vấn đề của Fei-Fei Li lại ngược lại: bà đã xác định chính xác điều mà cả ngành cần, nhưng gần như không ai nghĩ rằng đáng bỏ ra số năm cần thiết để xây dựng nó.

Con đường riêng của Li đến với nhận định đó lại xuất phát từ hoàn cảnh xa cách một phòng nghiên cứu tinh hoa nhất có thể tưởng tượng được. Sinh năm 1976 tại Bắc Kinh, bà nhập cư vào Mỹ năm 15 tuổi, đến Parsippany, bang New Jersey cùng cha mẹ, hầu như không biết tiếng Anh và không có tiền — cha bà đã sang trước ba năm để tìm việc trong khi cả nhà chờ đợi. Bà từng làm việc trong một nhà hàng Trung Hoa với mức lương hai đô la một giờ, và khi còn là sinh viên vật lý tại Princeton với học bổng gần như toàn phần, bà đã vay tiền từ bạn bè, thậm chí từ cả thầy giáo toán cấp ba cũ của mình, để mua lại một tiệm giặt ủi cho cha mẹ, rồi tự mình điều hành nó — trả lời điện thoại, xử lý hóa đơn, làm việc với các đợt thanh tra, tất cả bằng tiếng Anh mà cha mẹ bà không thể tự làm được — suốt bảy năm, từ năm 18 tuổi cho đến giữa những năm học sau đại học sau này của bà. Bà từng nói trong các cuộc phỏng vấn và trong chính cuốn hồi ký của mình rằng giai đoạn này không phải là một sự lạc hướng khỏi công cuộc vận động "AI lấy con người làm trung tâm" (human-centered AI) sau này của bà, mà chính là nguồn gốc trực tiếp của nó: sự sống còn của một gia đình nhập cư chưa bao giờ là một điều trừu tượng đối với bà, và bà đã lập luận xuyên suốt sự nghiệp của mình rằng việc phát triển AI phải chịu trách nhiệm với cuộc sống bình thường của con người, giống như tiệm giặt ủi của gia đình bà từng phụ thuộc vào điều đó.

Nhận định kỹ thuật đến sau này, khi bà còn giảng dạy tại Princeton năm 2007. Đến giữa thập niên 2000, phần lớn nghiên cứu thị giác máy tính vẫn tập trung vào việc tinh chỉnh thuật toán trên những tập dữ liệu hình ảnh nhỏ, được chọn lọc kỹ càng — quan điểm phổ biến khi đó cho rằng nút thắt cổ chai của ngành là một kỹ thuật tinh xảo còn thiếu. Canh bạc trái ngược thông lệ của Li, đủ không hợp thời vào thời điểm đó khiến đồng nghiệp được cho là đã đặt câu hỏi tại sao bà lại bỏ ra nhiều năm cho "chỉ" một tập dữ liệu, là: nút thắt cổ chai thực sự nằm ở dữ liệu, ở một quy mô mà chưa ai từng thử — không phải hàng nghìn ảnh được gán nhãn, mà là hàng triệu. Cùng với nhóm của mình, bà sắp xếp các hình ảnh theo hệ thống phân cấp từ vựng WordNet và sử dụng Amazon Mechanical Turk — bản thân đây cũng là một lựa chọn mới mẻ cho nghiên cứu thị giác máy tính — để huy động cộng đồng (crowdsource) xác minh nhãn của con người ở quy mô cuối cùng lên tới hơn mười bốn triệu bức ảnh, trải rộng trên hơn hai mươi nghìn danh mục. Tập dữ liệu này, mang tên ImageNet, lần đầu được giới thiệu tại một hội nghị thị giác máy tính ở Miami năm 2009. Năm sau đó, Li cùng nhóm của mình khởi động Cuộc thi Nhận dạng Thị giác Quy mô Lớn ImageNet (ImageNet Large Scale Visual Recognition Challenge — ILSVRC), một cuộc thi thường niên được thiết kế, theo chính cách diễn đạt của bà, để "dân chủ hóa" việc sử dụng những tập dữ liệu được gán nhãn quy mô lớn và trao cho cả ngành một chuẩn đối sánh (benchmark) chung, nghiêm ngặt.

Trong hai năm đầu tiên, cuộc thi khẳng định đúng nghi ngờ của mọi người rằng chưa có gì bất thường sắp xảy ra. Không có mô hình học sâu nào tham gia vào năm 2010 hay 2011; tỷ lệ lỗi top-5 tốt nhất — tỷ lệ phần trăm ảnh mà một hệ thống phân loại sai ngay cả khi được phép đoán năm lần — chỉ ở khoảng 25,8%, đạt được bằng các kỹ thuật thị giác máy tính truyền thống, không dùng mạng nơ-ron. Tập dữ liệu đang làm đúng chức năng mà nó được xây dựng để làm: cung cấp một đấu trường công bằng, nhất quán. Nó chỉ chưa gặp được thuật toán có thể thực sự tận dụng nó.

Câu chuyện về việc Li quan tâm đến "đấu trường" này cũng nhiều như quan tâm đến bản thân tập dữ liệu vẫn tiếp diễn trong mọi việc bà làm sau này, và đáng để theo mạch này ngay tại đây thay vì quay lại sau, vì nó chưa bao giờ thực sự tách rời khỏi công trình ImageNet của bà — nó chỉ đơn giản là mở rộng ra. Năm 2015, bà đồng sáng lập AI4ALL cùng nhà nghiên cứu Olga Russakovsky, một tổ chức phi lợi nhuận nhằm mở đường cho những người mà "đường ống" nhân tài của ngành AI thường bỏ qua, phát triển từ một chương trình mùa hè của Stanford dành cho nữ sinh trung học. Năm 2017 bà tạm nghỉ giảng dạy ở Stanford để trở thành Phó Chủ tịch kiêm Nhà khoa học trưởng về AI/Học máy tại Google Cloud, và tháng 6 năm 2018 — khi đó đã quay lại Stanford, nơi bà đồng sáng lập Viện AI Lấy Con Người Làm Trung Tâm (Human-Centered AI Institute) vào năm sau — bà điều trần trước Hạ viện Hoa Kỳ tại một phiên điều trần mang tên "Trí Tuệ Nhân Tạo — Quyền Lực Lớn Đi Kèm Trách Nhiệm Lớn," nhấn mạnh rằng việc phát triển AI cần phải chịu trách nhiệm với cuộc sống của con người bình thường, chứ không chỉ được đánh giá dựa trên năng lực. Bà đã nói thẳng, trong cuốn hồi ký năm 2023 The Worlds I See (Những Thế Giới Tôi Thấy), rằng đây không phải là một cam kết tách biệt song song với sự nghiệp kỹ thuật của bà, mà chính là bản năng đã từng vận hành chiếc điện thoại của tiệm giặt ủi: "Tôi tin rằng nền văn minh của chúng ta đang đứng trên bờ vực của một cuộc cách mạng công nghệ có sức mạnh định hình lại cuộc sống như chúng ta biết. Nhưng nếu bỏ qua hàng thiên niên kỷ đấu tranh của con người vốn là nền tảng cho xã hội chúng ta — nếu chỉ 'phá vỡ' (disrupt)... thì đó sẽ là một sai lầm không thể tha thứ." Phần cuối bài luận này sẽ quay lại với bà một lần nữa, trong một cung bậc khác hẳn, khi cùng bản năng tìm ra một nền móng chưa được xây dựng đầy đủ tái xuất hiện lần thứ hai, gần hai thập kỷ sau ImageNet.

III. Canh Bạc Không Ai Hiểu Nổi

Trong khi ý tưởng của Hinton chờ đợi ở Toronto và tập dữ liệu của Li chờ đợi ở Princeton, một canh bạc thứ ba, hoàn toàn không liên quan, đang âm thầm sinh sôi tại Santa Clara, California, được thực hiện bởi một người chưa từng làm việc trong nghiên cứu AI và, trong phần lớn thập niên 2000, không có lý do rõ ràng nào để quan tâm đến nó.

Jensen Huang sinh năm 1963 tại Đài Bắc và di cư sang Mỹ năm chín tuổi — ông và anh trai được gửi đi trước cha mẹ, và do một sự nhầm lẫn về địa chỉ, họ bị ghi danh trong một thời gian vào một trường nội trú dành cho thanh thiếu niên gặp khó khăn ở vùng nông thôn bang Kentucky thay vì ngôi trường mà cha mẹ họ dự định. Ông trở thành một vận động viên bóng bàn chuyên nghiệp khi còn niên thiếu, lấy bằng kỹ sư tại Đại học Oregon State và Stanford, rồi làm việc như một kỹ sư thiết kế chip trước khi đồng sáng lập NVIDIA năm 1993 cùng Chris Malachowsky và Curtis Priem, được cho là tại một quán Denny's ở phía đông San Jose, với mục tiêu đơn giản là mang đồ họa 3D đến với game và đa phương tiện. Con chip đầu tiên của công ty, NV1, thất bại thảm hại về mặt thương mại năm 1995; nỗ lực nghiêm túc thứ hai của họ, RIVA 128, được xây dựng gần như hoàn toàn bằng mô phỏng sau thất bại đầu tiên, và đã cứu sống công ty. Năm 1999, NVIDIA ra mắt GeForce 256, được họ tiếp thị — không hề khiêm tốn — là "GPU" (bộ xử lý đồ họa) đầu tiên trên thế giới, khác biệt với bộ xử lý trung tâm (CPU) đa dụng nằm ở lõi máy tính.

Quyết định quan trọng nhất đối với bài luận này đến vào năm 2006, và vào thời điểm đó trông kém tất yếu hơn nhiều so với khi nhìn lại. NVIDIA giới thiệu CUDA, một nền tảng cho việc tính toán đa dụng trên chip đồ họa của hãng — canh bạc rằng thế mạnh đặc thù của một GPU, vốn là thực hiện cùng một phép tính đơn giản trên hàng nghìn điểm ảnh cùng lúc, có thể được chuyển hướng để giải quyết bất kỳ bài toán tính toán nào có cùng hình dạng "làm đi làm lại cùng một việc song song," chứ không chỉ để dựng hình đồ họa game. Vào năm 2006, không hề có thị trường cho điều này. Huang từng mô tả cả CUDA lẫn cú hồi sinh RIVA 128 trước đó bằng cùng một cụm từ — "đặt cược cả công ty" (bet the company) — dù ông cũng khẳng định, trong một cuộc phỏng vấn năm 2023 nhân kỷ niệm 30 năm NVIDIA, rằng những canh bạc ấy đã được giảm thiểu rủi ro tối đa có thể thông qua mô phỏng và giả lập trước khi thực hiện, chứ không phải là những cú liều lĩnh mù quáng. Dù thế nào, phải mất khoảng một thập kỷ đầu tư bền bỉ, bị hoài nghi suốt thời gian đó, trước khi có ai tìm ra một ứng dụng cho CUDA đủ để biện minh cho nó. Và hóa ra, nhóm người cuối cùng sẽ biện minh cho nó lại đang làm việc cách đó hai nghìn dặm, hoàn toàn không hay biết rằng một công ty sản xuất card đồ họa đã âm thầm dành nhiều năm xây dựng chính xác công cụ mà ý tưởng của họ cần.

IV. AlexNet: Nơi Ba Đường Thẳng Giao Nhau

Đến năm 2012, cuộc thi ImageNet đã diễn ra hai năm mà không có thí sinh nào dùng học sâu, CUDA đã có mặt sáu năm mà chưa có ứng dụng AI nào được công nhận rộng rãi, và chương trình nghiên cứu về lan truyền ngược cùng mạng niềm tin sâu của Hinton đã dành một phần tư thế kỷ phần lớn đứng ngoài dòng chảy chính của thị giác máy tính. Rồi Alex Krizhevsky và Ilya Sutskever, hai nghiên cứu sinh của Hinton tại Đại học Toronto, tham gia cuộc thi với một mạng nơ-ron tích chập sâu (deep convolutional neural network) — được huấn luyện, một cách then chốt, trên GPU của NVIDIA, bởi vì khả năng tính toán song song ồ ạt của một GPU hóa ra chính là thứ mà việc huấn luyện một mạng nơ-ron lớn trên hàng triệu bức ảnh cần đến, và bởi vì CUDA đã khiến việc lập trình cho phần cứng ấy cho một tác vụ không liên quan đến đồ họa trở nên khả thi lần đầu tiên.

Hệ thống này, được huấn luyện trên một cặp card đồ họa tiêu dùng NVIDIA GTX 580 — phần cứng chơi game, được tái sử dụng qua CUDA cho một tác vụ mà NVIDIA chưa từng thiết kế để nó thực hiện — và sớm được biết đến với tên AlexNet, đạt tỷ lệ lỗi top-5 là 15,3%, thấp hơn hẳn mười một điểm phần trăm so với tỷ lệ 26,2% của thí sinh về nhì — một mức cải thiện lớn đến mức, so với một chuẩn đối sánh trước đó chỉ nhích lên từng chút một, nó thường được mô tả là đã thực sự làm chấn động cả ngành thị giác máy tính. Chính Hinton từng nói trong các cuộc phỏng vấn sau này rằng quy mô của chiến thắng ấy khiến cả ông cũng bất ngờ. Trong khoảng một năm, học sâu đã đi từ một mối quan tâm thiểu số trong thị giác máy tính trở thành cách tiếp cận thống trị mà gần như cả ngành đua nhau áp dụng.

Đáng để nói chính xác về những gì thực sự xảy ra trong sự kiện duy nhất đó, bởi vì đó là bản lề mà nửa đầu bài luận này xoay quanh. ImageNet của Fei-Fei Li cung cấp quy mô dữ liệu được gán nhãn mà một mạng sâu cần để khái quát hóa thay vì chỉ ghi nhớ. Hàng chục năm nghiên cứu không hợp thời của Geoffrey Hinton cung cấp thuật toán — lan truyền ngược, được tinh chỉnh qua các lựa chọn kiến trúc của chính học trò ông — có khả năng học từ dữ liệu đó. Canh bạc CUDA đi trước thời đại, bị hoài nghi rộng rãi của Jensen Huang cung cấp phần cứng duy nhất đủ nhanh để khiến việc huấn luyện mạng đó trở nên khả thi về mặt tính toán trong một khoảng thời gian hợp lý. Không ai trong ba người này xây dựng phần của mình với kỳ vọng sẽ gặp hai người kia trên một bảng xếp hạng. Mỗi người đơn giản là cứ tiếp tục xây dựng phần mà mình kiểm soát, trong nhiều năm, vì những lý do gần như chẳng liên quan gì đến nhau, cho đến khi các mảnh ghép khớp lại.

Google để ý ngay lập tức. Chỉ trong vòng vài tháng, Hinton, Krizhevsky và Sutskever thành lập một công ty vỏ bọc, DNNresearch, dựa trên kết quả của họ; Google mua lại công ty này với giá khoảng 44 triệu đô la vào đầu năm 2013, và Hinton trở thành nhân viên bán thời gian của Google, chia thời gian giữa Toronto và Mountain View trong thập kỷ tiếp theo.

V. Cuộc Giành Giật Nhân Tài

Những năm ngay sau AlexNet là một cuộc chạy đua hỗn loạn, khi mọi công ty công nghệ lớn đua nhau thu nạp số ít nhà nghiên cứu hiểu được cách xây dựng và huấn luyện mạng nơ-ron quy mô lớn — và cùng lúc đó, một dòng chảy nghiên cứu AI thứ hai, hoàn toàn tách biệt, gần như không có điểm giao thoa nào với dòng chảy Hinton/Fei-Fei Li, đang tự chứng minh mình trong một đấu trường rất khác.

Dòng chảy thứ hai đó thuộc về Demis Hassabis, người có con đường đến với AI chẳng giống chút nào so với hai nhà nghiên cứu đã được nhắc trong bài luận này. Sinh năm 1976 tại London, Hassabis là một kỳ thủ cờ vua thi đấu từ năm bốn tuổi và trở thành kiện tướng cờ vua năm mười ba tuổi; năm mười bảy tuổi ông thiết kế và lập trình Theme Park, một trò chơi điện tử thương mại bán được hàng triệu bản, trước khi lấy bằng cử nhân loại xuất sắc hai chuyên ngành (Double First) khoa học máy tính tại Cambridge và thành lập xưởng game riêng của mình. Sau đó ông theo đuổi bằng tiến sĩ khoa học thần kinh nhận thức tại Đại học College London, với mục tiêu rõ ràng là để hiểu cách bộ não con người quản lý trí tưởng tượng và ký ức, tiếp theo là thời gian nghiên cứu sau tiến sĩ tại Harvard và MIT — một sự kết hợp giữa trò chơi và khoa học thần kinh đã dẫn ông, vào năm 2010, đến việc đồng sáng lập DeepMind với tiền đề rằng việc nghiên cứu trực tiếp trí tuệ sinh học sẽ tạo ra trí tuệ nhân tạo tốt hơn — một lý do sáng lập thực sự khác biệt so với các lập luận dựa trên thống kê và quy mô đang dẫn dắt dòng chảy Hinton/Fei-Fei Li.

Google mua lại DeepMind vào tháng 1 năm 2014 với giá khoảng 500 triệu đô la, khi đó là thương vụ mua lại lớn nhất của hãng tại châu Âu, và thành quả đến một cách ngoạn mục vào tháng 3 năm 2016, khi AlphaGo của DeepMind đối đầu với nhà vô địch cờ vây thế giới Lee Sedol trong một trận đấu năm ván được truyền hình trực tiếp cho khoảng 60 triệu người xem. AlphaGo thắng 4–1. Trận đấu này được nhớ đến nhiều nhất qua một nước đi duy nhất — "Nước 37" ở Ván 2 — một nước cờ mà các bình luận viên con người ban đầu cho là một sai lầm trước khi nhận ra đó là một sự sáng tạo thực sự mà khó có kỳ thủ chuyên nghiệp nào của con người từng nghĩ tới; AlphaGo không đơn thuần ghi nhớ các ván cờ của con người — nó tự cải thiện bằng cách chơi hàng triệu ván với chính mình và khám phá ra những chiến thuật nằm ngoài kinh nghiệm hiện có của con người. Đối với một công chúng khi đó chưa từng nghe đến GPT hay ChatGPT, AlphaGo chính là khoảnh khắc "AI đã đến" — sáu năm rưỡi trước khi một chatbot làm điều tương tự cho một lượng khán giả rộng hơn nhiều, và bằng một con đường rất khác.

Trong khi đó, chính nghiên cứu AI của Google vẫn còn chia làm hai tổ chức riêng biệt trong giai đoạn này — DeepMind ở London, hoạt động với sự độc lập thực sự sau thương vụ mua lại, và Google Brain ở Mountain View, nhóm học sâu nguyên thủy cũng đã tuyển dụng Hinton bán thời gian và, như phần tiếp theo của bài luận này sẽ đề cập, sắp sản sinh ra bài báo nghiên cứu hệ trọng nhất của cả thập kỷ. Hai nhóm này sẽ không chính thức hợp nhất cho đến năm 2023, và việc hiểu chúng như hai thực thể riêng biệt trong giai đoạn này rất quan trọng để giữ cho dàn nhân vật của bài luận được rõ ràng: DeepMind là câu chuyện của Hassabis; còn Google Brain, trong nhiều năm tiếp theo, thuộc về một nhóm nhà nghiên cứu hoàn toàn khác.

AlphaGo hóa ra không phải là cuộc va chạm cuối cùng của DeepMind với một bài toán mà phần còn lại của khoa học đã thất bại trong nhiều thập kỷ không giải nổi. Năm 2020, Hassabis cùng đồng nghiệp John Jumper tại DeepMind công bố AlphaFold2, giải quyết hiệu quả bài toán "gấp cuộn protein" (protein folding) đã tồn tại hàng thập kỷ — dự đoán cấu trúc ba chiều của một protein trực tiếp từ chuỗi axit amin của nó. Đến khi công trình này mang về cho cả hai một phần giải Nobel Hóa học năm 2024 (chia làm ba phần cùng David Baker, được vinh danh riêng cho công trình thiết kế protein bằng tính toán), AlphaFold2 đã được hơn hai triệu nhà nghiên cứu tại 190 quốc gia sử dụng và đã dự đoán cấu trúc cho gần như toàn bộ hai trăm triệu protein mà khoa học biết đến — một hạ tầng khoa học mà Hassabis đã mở rộng trực tiếp sang lĩnh vực khám phá thuốc thông qua Isomorphic Labs, một công ty tách ra từ DeepMind mà ông cũng đang lãnh đạo. Đáng để nhắc lại phần trước của bài luận về Geoffrey Hinton ở đây, vì năm 2024 mang đến một sự trùng hợp đầy ý nghĩa: cùng năm Hassabis đoạt giải Nobel Hóa học vì dạy máy tính giải một trong những câu đố cấu trúc cổ xưa nhất của sinh học, Hinton đoạt giải Nobel Vật lý vì những công cụ cơ học thống kê — đứng đầu trong đó là máy Boltzmann — đã góp phần khiến chính việc học máy trở nên khả thi ngay từ đầu. Hai giải Nobel, ở hai ngành khoa học khác nhau, cùng được trao trong một năm cho những công trình có chung một mạch: một mạng nơ-ron học cách tìm ra cấu trúc trong dữ liệu mà chưa con người nào từng nhìn thấy trọn vẹn.

VI. Canh Bạc Sáng Lập Của OpenAI

Tháng 12 năm 2015, một nhóm nhà nghiên cứu và nhà đầu tư — bao gồm Elon Musk với vai trò đồng chủ tịch, Sam Altman, và Ilya Sutskever (một trong hai tác giả nghiên cứu sinh của AlexNet, giờ đây chuyển từ dòng chảy học thuật Toronto sang chương tiếp theo của ngành công nghiệp) — công bố thành lập OpenAI, được định vị rõ ràng là một đối trọng phi lợi nhuận với một số ít công ty lớn, ngầm chỉ Google, đang kiểm soát tuyến đầu nghiên cứu AI tiên tiến. Sutskever trở thành nhà khoa học trưởng. Trong số các nhà khoa học nghiên cứu sáng lập có Andrej Karpathy, người mà con đường đến vị trí đó lại đi qua dòng chảy học thuật thứ hai mà bài luận này đang theo dõi: bằng tiến sĩ tại Stanford dưới sự hướng dẫn của Fei-Fei Li, hoàn thành năm 2015 với luận án về kết nối hình ảnh và ngôn ngữ tự nhiên, và — khi còn là sinh viên — việc tạo ra và giảng dạy CS231n, khóa học học sâu đầu tiên của Stanford, số lượng sinh viên tăng từ 150 lên 750 trong thời gian ông phụ trách.

Karpathy, theo một nghĩa thực sự, là mô liên kết của toàn bộ câu chuyện này hơn bất kỳ một "nhà phát minh" đơn lẻ nào khác. Ông được đào tạo dưới trướng Fei-Fei Li ở khía cạnh dữ liệu trong lịch sử của ngành; sau đó ông làm việc cùng Sutskever, chính học trò cũ của Hinton, tại công ty sau này xây dựng nên GPT; nhiều năm sau, như các phần tiếp theo của bài luận sẽ cho thấy, ông sẽ cuối cùng gia nhập Anthropic, công ty mà đồng nghiệp cũ của Sutskever tại OpenAI, Dario Amodei, đã rời đi để sáng lập. Gần như mọi người được nhắc đến trong bài luận này chỉ cách Hinton hoặc Fei-Fei Li một hoặc hai bậc kết nối. Karpathy đứng ngay tại điểm giao nhau của cả hai dòng chảy cùng một lúc.

Con đường riêng của Sam Altman đến vị trí lãnh đạo OpenAI lại đi theo một hướng rất khác. Sinh năm 1985 tại Chicago và lớn lên ở St. Louis, ông bỏ học ngành khoa học máy tính tại Stanford sau hai năm — ông từng nói rằng ông học được nhiều hơn từ việc chơi poker với bạn học so với việc nghe giảng — và thành lập Loopt, một ứng dụng chia sẻ vị trí và là một trong những công ty đầu tiên được tài trợ bởi Y Combinator, khi đó vừa mới ra đời. Loopt gặp khó khăn trong việc thu hút người dùng và được bán lại với giá 43 triệu đô la vào năm 2012; Altman kế nhiệm Paul Graham làm chủ tịch Y Combinator vào năm 2014, trước khi đồng sáng lập OpenAI vào năm sau. Ông trở thành CEO năm 2019, sau khi Musk rời đi vì bất đồng về hướng đi chiến lược của công ty — một cuộc chia tay mà, nhìn lại, là lần rạn nứt nội bộ lớn đầu tiên trong số hai lần tại OpenAI về việc công nghệ này nên được phát triển nhanh và cởi mở đến mức nào, lần thứ hai, liên quan đến Dario Amodei, sẽ tạo ra một công ty hoàn toàn mới năm năm sau đó.

VII. Attention Is All You Need

Nếu AlexNet là khoảnh khắc ba canh bạc chạy riêng biệt va chạm vào nhau để giải quyết bài toán thị giác, thì cao trào thứ hai của bài luận này là khoảnh khắc một bài báo nghiên cứu duy nhất làm một điều có cấu trúc tương tự cho ngôn ngữ — và nó xảy ra bên trong nửa còn lại trong hoạt động AI bị chia tách của Google, nhóm Google Brain đặt tại Mountain View, vào năm 2017.

Tháng 12 năm đó, tám nhà nghiên cứu — Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, và Illia Polosukhin — trình bày một bài báo tại Hội nghị về Hệ thống Xử lý Thông tin Thần kinh (NeurIPS) ở Long Beach, mang tựa đề, với một sự tự tin mà cả ngành sẽ mất nhiều năm sau đó để chứng minh là có cơ sở, "Attention Is All You Need" (Chỉ Cần Sự Chú Ý Là Đủ). Bài báo đề xuất một kiến trúc mới, Transformer, được xây dựng hoàn toàn xoay quanh một cơ chế gọi là "tự chú ý" (self-attention), và loại bỏ hai kỹ thuật — tính hồi quy (recurrence) và tích chập (convolution) — mà gần như mọi mô hình ngôn ngữ tiên tiến nhất trước đó đều phụ thuộc vào.

Phiên bản dễ hiểu của điều đã thay đổi là thế này. Các mô hình ngôn ngữ trước đó xử lý một câu gần giống như cách một người đọc nó: từng từ một, theo thứ tự, mang theo một bản tóm tắt liên tục về mọi thứ đã đọc cho đến lúc đó. Cách này có hiệu quả, nhưng huấn luyện chậm — mỗi bước phụ thuộc vào bước trước đó, nên các phép tính không thể được trải rộng ra nhiều bộ xử lý cùng lúc — và nó khiến mô hình khó cân nhắc một từ so với một từ khác nằm xa trong cùng câu, vì "trí nhớ" về từ trước đó phải sống sót qua nhiều bước trung gian. Cơ chế tự chú ý làm một điều khác: nó cho phép mọi từ trong câu nhìn trực tiếp vào mọi từ khác cùng một lúc, và học, với từng cặp từ, nó nên dành bao nhiêu sự chú ý. Một mô hình đọc câu "chiếc cúp không vừa trong vali vì nó quá to" có thể, về nguyên tắc, kết nối trực tiếp "nó" với "chiếc cúp" thay vì "vali," không phải vì nó đã bước qua từng từ trung gian một, mà vì cơ chế chú ý cho phép nó kiểm tra mọi ứng viên cùng lúc và học được ứng viên nào thực sự quan trọng. Vì cơ chế này không đòi hỏi xử lý các từ theo trình tự nghiêm ngặt, nó có khả năng song song hóa cao hơn hẳn — điều này có ý nghĩa cực kỳ quan trọng vì một lý do rất thực tế: chính những GPU mà Jensen Huang đã dành cả thập kỷ biến thành máy tính đa dụng, đến năm 2017, đã có mặt trong các trung tâm dữ liệu với số lượng hàng chục nghìn, và một phương pháp huấn luyện có thể thực sự tận dụng tất cả chúng cùng lúc, thay vì chờ xử lý từng từ một, chính là sự khác biệt giữa một mô hình mất nhiều tháng để huấn luyện và một mô hình chỉ mất vài ngày.

Thật khó, nhìn từ năm 2026, để hình dung lại chính xác sự đón nhận ban đầu của bài báo này lặng lẽ đến mức nào. Nó chỉ là một trong nhiều đóng góp tại một hội nghị thường niên lớn, cạnh tranh sự chú ý với hàng trăm bài báo khác về dịch máy và mô hình hóa chuỗi trong tháng 12 năm đó — không có gì trong buổi trình bày tại NeurIPS của nó báo trước rằng nó sẽ trở thành một trong những bài báo được trích dẫn nhiều nhất trong lịch sử khoa học máy tính, được trích dẫn, theo thống kê không chính thức gần nhất, hơn chín mươi nghìn lần. Không ai trong căn phòng đó, kể cả chính các tác giả, ở vào vị trí có thể biết rằng kiến trúc của nhóm tám người ấy, trong vòng năm năm, sẽ chạy bên dưới một chatbot có khả năng trò chuyện trôi chảy với một trăm triệu người trong hai tháng đầu tiên có mặt trên internet.

Transformer, tự thân nó, không tạo ra ChatGPT. Điều nó làm là trở thành nền tảng bên dưới gần như mọi mô hình ngôn ngữ tiên tiến nhất ra đời sau đó — GPT, Claude, Gemini, và phần còn lại — giống hệt cách cách tiếp cận tích chập của AlexNet trở thành nền tảng bên dưới nhận diện hình ảnh sau năm 2012. Hướng nghiên cứu của chính OpenAI trong những năm sau đó, phần lớn, là câu chuyện về việc điều gì xảy ra khi bạn lấy nửa "giải mã" (decoder) của Transformer và đơn giản là làm nó lớn hơn: nhiều tham số hơn, nhiều dữ liệu hơn, nhiều năng lực tính toán hơn, được áp dụng với một sự kiên định gần như bướng bỉnh. Câu chuyện đó dẫn thẳng vào phần tiếp theo của bài luận này, và vào sự nghiệp của người đứng đầu nó.

VIII. Kỷ Nguyên Mở Rộng Quy Mô và Cuộc Chia Tay Của Amodei

Con đường riêng của Dario Amodei đến với câu chuyện này đi qua vật lý và khoa học thần kinh trước khi chạm đến nghiên cứu AI. Ông bắt đầu học đại học tại Caltech trước khi chuyển sang Stanford để lấy bằng vật lý, rồi lấy bằng tiến sĩ sinh vật lý tại Princeton năm 2011, nghiên cứu cách các nhóm nơ-ron kích hoạt theo những khuôn mẫu phối hợp — một tiếng vọng cấu trúc lỏng lẻo với chính nền tảng khoa học thần kinh của Demis Hassabis, dù hai người đi theo những con đường hoàn toàn khác nhau sau đó. Sau một thời gian nghiên cứu sau tiến sĩ tại trường y Stanford, Amodei gia nhập Baidu vào tháng 11 năm 2014, làm việc về nhận dạng giọng nói quy mô lớn dưới trướng Andrew Ng, rồi chuyển sang Google Brain — cùng "ngôi nhà" tổ chức, tình cờ thay, sau này sẽ sản sinh ra bài báo Transformer vào năm sau đó, dù chính Amodei đã chuyển sang OpenAI trước khi bài báo ấy xuất hiện. Tại OpenAI ông thăng tiến nhanh chóng lên vị trí Phó Chủ tịch Nghiên cứu, định hướng khoa học của công ty và trực tiếp dẫn dắt các nhóm xây dựng GPT-2 và GPT-3; ông cũng được ghi nhận là đồng phát minh ra học tăng cường từ phản hồi con người (reinforcement learning from human feedback — RLHF), kỹ thuật sau này khiến các câu trả lời của ChatGPT cảm thấy như một cuộc trò chuyện thực sự và có thể kiểm soát được, chứ không chỉ trôi chảy đơn thuần.

GPT-2 và GPT-3 là, theo nghĩa đơn giản nhất, kiến trúc Transformer được mở rộng quy mô — nhiều lớp hơn, nhiều tham số hơn, nhiều dữ liệu huấn luyện hơn, nhiều năng lực tính toán hơn — được định hướng một phần bởi nghiên cứu về "quy luật mở rộng quy mô" (scaling laws), quan sát thực nghiệm cho thấy hiệu năng của một mô hình ngôn ngữ cải thiện theo những cách đáng ngạc nhiên là có thể dự đoán được khi bạn tăng kích thước cùng lượng dữ liệu và năng lực tính toán dùng để huấn luyện nó. Điều này, trong một giai đoạn, đã biến việc xây dựng mô hình thành thứ gần giống một ngành kỹ thuật hơn là một chuỗi những đột phá riêng lẻ: nếu quy luật mở rộng quy mô đúng, bạn có thể phần lớn dự đoán được một mô hình sẽ tốt hơn bao nhiêu trước khi bạn thậm chí hoàn thành việc huấn luyện nó, điều này biến những đợt huấn luyện khổng lồ, tốn kém trở thành những canh bạc có tính toán chứ không phải những cú liều ăn may.

Điều này cũng, bên trong OpenAI, tạo ra một bất đồng thực sự và có hệ quả lớn về tốc độ. Tháng 12 năm 2020, Amodei rời OpenAI sau gần năm năm; tháng sau đó, ông đồng sáng lập Anthropic cùng em gái Daniela Amodei — người từng dẫn dắt hoạt động an toàn và chính sách tại OpenAI và trở thành chủ tịch Anthropic — cùng sáu đồng nghiệp cũ khác từ OpenAI, tám người rời đi cùng nhau. Mọi ghi chép còn lưu lại trong báo chí công khai về vụ rời đi này đều mô tả cùng một mối lo ngại cốt lõi: rằng việc thương mại hóa của OpenAI đang vượt qua tốc độ của nghiên cứu an toàn cần thiết để giữ cho các mô hình ngày càng mạnh mẽ vẫn trong tầm kiểm soát, và rằng cần có một tổ chức mới, xây dựng xoay quanh an toàn như một nguyên tắc sáng lập, thay vì một mối bận tâm thứ yếu. Anthropic được cấu trúc ngay từ đầu như một Công ty Vì Lợi ích Công cộng (Public Benefit Corporation — PBC) — một thực thể vì lợi nhuận nhưng có sứ mệnh vì lợi ích công cộng được ghi thẳng vào điều lệ pháp lý — một lựa chọn cấu trúc có chủ đích, khác biệt với mô hình phi lợi nhuận cộng thêm công ty con "lợi nhuận giới hạn" (capped-profit) ban đầu của OpenAI năm 2015, và là mô hình mà chính OpenAI sau này, dưới một hình thức khác, sẽ dần hội tụ về, một thập kỷ sau.

Đóng góp kỹ thuật cờ đầu của chính Anthropic ra đời năm 2022: Constitutional AI (AI Có Hiến Pháp), một phương pháp huấn luyện trong đó một mô hình tự phê bình và sửa lại kết quả đầu ra của chính nó dựa trên một tập hợp nguyên tắc được viết ra rõ ràng — một "bản hiến pháp" — thay vì chỉ dựa vào phán đoán của con người theo từng trường hợp như RLHF tiêu chuẩn vẫn làm. Do một sự trùng hợp về thời điểm dễ bị bỏ qua, Anthropic thực ra đã hoàn tất việc huấn luyện Claude 1, mô hình đầu tiên của họ, vào năm 2022, trước khi ChatGPT ra mắt công chúng vào tháng 11 năm đó — nghĩa là công ty này đã có sẵn một mô hình ngôn ngữ lớn hoạt động được ngay tại thời điểm mà đối thủ của họ sắp biến cả một hạng mục công nghệ thành đề tài quen thuộc trong mọi gia đình. Họ chọn một cách ra mắt chậm hơn, hạn chế hơn, phù hợp với lý do sáng lập đặt an toàn lên hàng đầu mà những người sáng lập đã rời OpenAI để xây dựng.

IX. Vụ Nổ Lớn Của ChatGPT

Nếu AlexNet là bằng chứng khái niệm (proof of concept) của học sâu và AlphaGo là màn trình diễn công khai thực sự đầu tiên của cả ngành, thì ChatGPT là sự kiện đã biến "AI" thành đề tài trò chuyện quanh bàn ăn tối gia đình vốn chưa từng bàn về một bài báo nghiên cứu nào trong đời.

Nó ra mắt vào ngày 30 tháng 11 năm 2022, không có chiến dịch quảng cáo, không có sự kiện họp báo — thông báo của chính Sam Altman chỉ là một dòng tweet duy nhất: "hôm nay chúng tôi đã ra mắt ChatGPT. Hãy thử trò chuyện với nó tại đây: http://chat.openai.com." Trong cùng chuỗi tweet đó, ông nói thêm, với một sự thận trọng mà sự đón nhận của sản phẩm sẽ sớm vượt xa: "Tôi nghĩ giao diện ngôn ngữ sẽ trở thành một điều lớn lao. Nói chuyện với máy tính (bằng giọng nói hoặc văn bản) và nhận được thứ bạn muốn, với những định nghĩa ngày càng phức tạp về 'muốn'!... Đây là một bản demo sớm của những gì khả thi (vẫn còn nhiều hạn chế — đây thực sự là một bản phát hành nghiên cứu)." Bản thân sản phẩm này khởi đầu không phải như một chiến lược ra mắt hoành tráng mà giống một bản demo nội bộ hơn — được cho là gọi thân mật trong nội bộ OpenAI là "Chat with GPT-3.5" — ra đời sau khi nhóm phát triển nhận thấy các nhà phát triển bên ngoài thích thú đến mức nào khi chỉ đơn giản là trò chuyện với mô hình qua giao diện API sẵn có của họ.

Sự tăng trưởng sau đó đã khiến sự khiêm tốn của buổi ra mắt trở nên gần như hài hước khi nhìn lại: khoảng một triệu người dùng trong vòng năm ngày, và theo hầu hết các ước tính được công bố, khoảng một trăm triệu người dùng hoạt động hàng tháng vào tháng 1 năm 2023 — một tốc độ khiến ChatGPT, theo các nhà phân tích của UBS, trở thành ứng dụng tiêu dùng phát triển nhanh nhất trong lịch sử tính đến thời điểm đó. Instagram từng mất khoảng hai năm rưỡi để đạt một cột mốc tương đương; TikTok mất khoảng chín tháng; ChatGPT làm được điều đó trong khoảng hai tháng. GPT-3, dòng mô hình nền tảng, thực ra đã được công khai hơn hai năm vào thời điểm đó — phần trước của bài luận này về quy luật mở rộng quy mô đã đề cập đến nghiên cứu đứng sau nó. Điều khiến tháng 11 năm 2022 khác biệt không phải là một khả năng mới mà là một giao diện mới: một cửa sổ trò chuyện thay vì một bảng điều khiển API, và một cái tên mà người bình thường thực sự có thể gọi thành lời.

Sự kiện này đã tái định hình gần như ngay lập tức các động lực của cả ngành. Microsoft, vốn đã đầu tư 1 tỷ đô la vào công ty con vì lợi nhuận mới thành lập của OpenAI năm 2019, đã bổ sung thêm 10 tỷ đô la vào năm 2023, nâng tổng số đầu tư lên khoảng 13 tỷ đô la. Áp lực phải theo kịp hoặc đối trọng với đà tiến của ChatGPT là một phần lớn lý do tại sao, bốn tháng sau khi ra mắt, Google hợp nhất hai tổ chức nghiên cứu AI riêng biệt của mình — DeepMind và Google Brain — thành một đơn vị duy nhất, Google DeepMind, dưới sự lãnh đạo của Demis Hassabis, được báo chí đưa tin rõ ràng vào thời điểm đó là một phản ứng trước cuộc đua đang nóng lên. Và bên trong chính OpenAI, sự căng thẳng giữa đà tiến thương mại và sự giám sát về quản trị vốn đã từng thúc đẩy nhóm của Amodei rời đi năm 2021, đã tái xuất hiện gần đúng một năm sau khi ChatGPT ra mắt, dưới một hình thức rất công khai.

Ngày 17 tháng 11 năm 2023, hội đồng quản trị của OpenAI sa thải Altman, tuyên bố rằng họ không còn tin tưởng vào khả năng lãnh đạo OpenAI của ông và rằng ông đã "không luôn trung thực" với hội đồng — một lời giải thích công khai cố tình mơ hồ đã châm ngòi cho nhiều ngày đồn đoán. Hơn 700 trong số khoảng 770 nhân viên OpenAI đã ký một lá thư đe dọa từ chức và theo Altman sang Microsoft, nơi đã ngay lập tức đề nghị ông một vai trò dẫn dắt một nhóm AI nội bộ mới; dưới áp lực kết hợp cả nội bộ lẫn bên ngoài đó, một thỏa thuận nguyên tắc đã đạt được chỉ trong vài ngày, và Altman chính thức được phục chức CEO vào ngày 29 tháng 11, dưới một hội đồng quản trị được tái cấu trúc đáng kể. Đáng để đặt cuộc khủng hoảng này cạnh vụ rời đi của Amodei hai năm trước đó — cả hai sự kiện đều bắt nguồn từ cùng một căng thẳng cơ bản giữa việc một công ty AI tiên phong có thể tiến nhanh đến đâu và cấu trúc quản trị của chính nó có thể thực sự thực hiện sự giám sát độc lập đến mức nào một khi sản phẩm của công ty đã đáng giá hàng chục tỷ đô la.

X. Anthropic, Claude Code, và Kỹ Thuật Agentic

Đến năm 2024, trọng tâm của cả ngành lại dịch chuyển thêm một lần nữa — từ việc huấn luyện mô hình lớn nhất có thể sang việc tìm ra phải thực sự làm gì với những mô hình đã tồn tại — và không nơi nào sự dịch chuyển ấy hiện rõ hơn bên trong Anthropic, qua công việc của hai người mà bài luận này đã theo dõi riêng biệt cho đến giờ.

Andrej Karpathy rời OpenAI lần thứ hai vào tháng 2 năm 2024 — lần đầu tiên của ông kéo dài từ 2015 đến 2017, tiếp theo là một giai đoạn làm Giám đốc AI của Tesla từ 2017 đến 2022, rồi quay lại OpenAI đầu năm 2023 — và tháng 7 năm 2024 ông sáng lập Eureka Labs, một "ngôi trường bản địa AI" (AI-native school) mà ông mô tả là sự hội tụ của "khoảng hai thập kỷ" quan tâm song song đến cả AI lẫn giáo dục, một dòng chảy đi thẳng trở về CS231n và những năm ông giảng dạy dưới trướng Fei-Fei Li. Giữa hai lần làm việc tại OpenAI ấy, những năm ông làm Giám đốc AI và Tầm nhìn Tự lái (Autopilot Vision) của Tesla đã khiến ông trở thành một người thầy công khai không kém gì một kỹ sư: tại Ngày AI đầu tiên của công ty năm 2021, ông đã dẫn dắt khán giả đi qua kiến trúc nơ-ron đa camera của Autopilot với chi tiết kỹ thuật đầy đủ nhất mà ông từng trình bày về những gì ông xây dựng ở đó, và trong bài phát biểu quan trọng "State of GPT" (Hiện Trạng của GPT) tại Microsoft Build tháng 5 năm 2023, khi đó với tư cách thành viên sáng lập OpenAI, ông đã dẫn dắt một khán phòng các nhà phát triển bình thường đi qua toàn bộ quy trình huấn luyện GPT — tiền huấn luyện (pretraining), tinh chỉnh có giám sát (supervised fine-tuning), mô hình hóa phần thưởng (reward modeling), học tăng cường từ phản hồi con người — cùng một quy trình mà các nhóm của Dario Amodei đã xây dựng các mô hình nền tảng cho nó. Xuyên suốt một loạt bài nói chuyện và một bài luận được đọc rộng rãi năm 2017, "Software 2.0," Karpathy dần dần phát triển một khung tư duy mà ông quay lại liên tục: Software 1.0 là mã lệnh do con người viết ra một cách tường minh; Software 2.0 là trọng số (weight) của một mạng nơ-ron, được "viết ra" bởi thuật toán giảm gradient (gradient descent) trên dữ liệu thay vì được một lập trình viên gõ ra; và Software 3.0, khung tư duy mà ông trình bày đầy đủ nhất trong một bài nói chuyện tháng 6 năm 2025, chính là câu lệnh (prompt): một mô hình ngôn ngữ lớn là "một loại máy tính mới," và bạn lập trình nó bằng tiếng Anh, với ngôn ngữ tự nhiên đóng vai trò mã nguồn. Trong một phép ẩn dụ đi kèm mà ông từng nêu ra lần đầu trên mạng xã hội năm 2023 và sau đó gói lại trong cùng bài nói chuyện đó, ông mô tả "hệ điều hành LLM" (LLM OS): mô hình đóng vai trò nhân (kernel) hoặc CPU của một loại hệ điều hành mới, cửa sổ ngữ cảnh (context window) của nó là RAM, các hệ thống truy xuất (retrieval) là hệ thống tập tin, và các lệnh gọi công cụ (tool call) là lệnh gọi hệ thống (system call).

Karpathy cũng chính là tác giả của một trong những dòng tweet có hệ quả lớn nhất trong lịch sử gần đây của ngành. Tháng 2 năm 2025, ông viết rằng mình đã bắt đầu "vibe coding" — mô tả điều mình muốn cho một trợ lý lập trình AI và, theo lời ông, "hoàn toàn đầu hàng theo cảm hứng... tôi không còn đọc các bản chênh lệch mã (diff) nữa." Dòng tweet này thu hút hơn 4,5 triệu lượt xem và gần như ngay lập tức biến "vibe coding" thành một thuật ngữ chuyên môn — rồi, theo chính lời ông, ngay lập tức bắt đầu bị công chúng làm phẳng nghĩa thành thứ gì đó gần với "cầu nguyện rồi nhấn nút" (prompt and pray) không còn kỷ luật gì cả, hơn là điều ông thực sự muốn nói. Ông đã dành phần lớn năm sau đó công khai điều chỉnh lại sự trôi dạt này, đưa ra một thuật ngữ đi kèm, "kỹ thuật agentic" (agentic engineering), tại một buổi nói chuyện của Sequoia Capital năm 2026: thực hành có kỷ luật — viết đặc tả (spec), rà soát các bản chênh lệch mã, xây dựng vòng lặp đánh giá (evaluation loop), coi một tác tử AI (AI agent) như một cộng sự dễ sai sót cần được điều phối chứ không phải một hộp đen cần được tin tưởng mù quáng — phải phát triển trên nền tảng của vibe coding cho bất cứ điều gì thực sự quan trọng. Câu tóm tắt gọn gàng của ông cho cả sự khác biệt này: "phần mềm truyền thống tự động hóa những gì bạn có thể đặc tả; AI tự động hóa những gì bạn có thể xác minh."

Sự khác biệt đó, đạt được thông qua các bài nói chuyện và bài luận, cũng đang được xây dựng thành một sản phẩm thực sự, gần như cùng thời điểm, bởi Boris Cherny, chỉ cách đó vài tầng lầu tại Anthropic. Cherny từng làm việc năm hoặc sáu năm tại Meta, thăng tiến lên Kỹ sư Chính (Principal Engineer) tại Instagram và là tác giả cuốn sách Programming TypeScript, trước khi gia nhập Anthropic vào tháng 9 năm 2024 với tư cách kỹ sư sáng lập. Trong tuần đầu tiên, phần lớn như một dự án cá nhân hơn là một sáng kiến được giao chính thức, anh đã kết nối Claude với cửa sổ dòng lệnh (terminal) của chính mình qua một bản mẫu AppleScript nhỏ — khởi đầu của thứ trở thành Claude Code. Nó được xây dựng trên nền móng tổ chức mà Anthropic đã đặt trước đó: công việc về hạ tầng học tăng cường cho các tác tử lập trình đã bắt đầu từ sớm nhất là năm 2022, gắn với kỹ sư nghiên cứu Dawn Drain, nhiều năm trước khi chính Cherny gia nhập. Bản mẫu nội bộ, ban đầu gọi là "Claude CLI," được đổi tên thành Claude Code theo đề xuất của bộ phận tiếp thị sản phẩm trước khi ra mắt bản xem trước nghiên cứu (research preview) công khai vào tháng 2 năm 2025; nó đạt trạng thái cung cấp rộng rãi (general availability) vào tháng 5 năm đó, thời điểm mà hơn 80% kỹ sư của chính Anthropic đã sử dụng nó hàng ngày; và đến tháng 11 năm 2025 — khoảng sáu tháng sau khi cung cấp rộng rãi — nó đã vượt mốc doanh thu quy đổi theo năm (annualized revenue) một tỷ đô la, một trong những tốc độ tăng doanh thu nhanh nhất từng được ghi nhận trong lịch sử phần mềm.

Cách Karpathy kể về sự nghiệp của chính mình coi việc giảng dạy không chỉ là một mối quan tâm phụ chạy song song với nghiên cứu — theo cách ông kể, đó gần như là toàn bộ trọng tâm. Ông đã viết công khai dưới ba blog liên tiếp qua ba chương sự nghiệp: một trang GitHub Pages ban đầu từ những năm Stanford và OpenAI lần đầu, nơi có "The Unreasonable Effectiveness of Recurrent Neural Networks" (Hiệu quả Vô lý của Mạng Nơ-ron Hồi quy) và một danh sách kiểm tra được trích dẫn rộng rãi, cố tình không hào nhoáng mang tên "A Recipe for Training Neural Networks" (Một Công thức để Huấn luyện Mạng Nơ-ron) — lời khuyên trọng tâm của nó: hãy overfit một lô dữ liệu duy nhất trước tiên, vì "việc huấn luyện mạng nơ-ron thất bại một cách im lặng"; một blog trên Medium trong những năm ở Tesla, nơi có bài luận "Software 2.0" năm 2017 đã đặt tên lần đầu cho khung tư duy mà mọi thứ sau này được xây dựng trên nền tảng của nó; và một blog hiện tại, bắt đầu năm 2025, nơi ông phát triển một thuật ngữ thứ hai xuất hiện liên tục trong các bài nói chuyện gần đây hơn của ông — "trí tuệ lởm chởm" (jagged intelligence) — mô tả hồ sơ năng lực kỳ lạ không đồng đều của các mô hình tiên tiến nhất, khi một hệ thống có thể giải toán cấp olympic nhưng đồng thời lại không thể nói được 9,11 hay 9,9 số nào lớn hơn. Lời giải thích của ông mang tính cấu trúc chứ không hề bí ẩn: các phòng thí nghiệm AI đổ công sức học tăng cường vào những lĩnh vực mà câu trả lời có thể được xác minh tự động, như toán học và mã lệnh, và tương đối ít vào những lĩnh vực khó xác minh, như phán đoán thường ngày — vì vậy bề mặt kỹ năng kết quả trở nên lởm chởm thay vì mịn màng, một tiền thân trực tiếp của lập luận "khả năng xác minh" (verifiability) đứng sau khung tư duy chung của ông và Cherny về việc các công cụ agentic có thể và chưa thể được tin cậy để tự mình làm gì.

Quy mô của chính Anthropic vào thời điểm này đã lớn hơn nhiều so với những gì lý do sáng lập năm 2021 "đối trọng ưu tiên an toàn với OpenAI" có thể gợi ý là khả thi. "Bản hiến pháp" công khai mới của họ dành cho Claude, phát hành theo giấy phép Creative Commons vào tháng 1 năm 2026, đã mở rộng chương trình nghiên cứu Constitutional AI từ một bài báo năm 2022 thành cái mà công ty mô tả là khuôn khổ công khai toàn diện nhất từ trước đến nay để quản lý hành vi của một hệ thống AI tiên tiến. Và vào tháng 5 năm 2026 — cùng tháng Karpathy gia nhập nhóm tiền huấn luyện của họ — Anthropic hoàn tất một vòng gọi vốn 65 tỷ đô la với định giá sau đầu tư (post-money valuation) 965 tỷ đô la, tạm thời cao nhất trong số mọi công ty AI, với doanh thu được báo cáo đã tăng từ khoảng 10 triệu đô la năm 2022 lên khoảng 47 tỷ đô la quy đổi theo năm. Công ty mà tám người đã rời OpenAI để xây dựng, với lập luận rằng việc thương mại hóa đã vượt qua tốc độ của nghiên cứu an toàn, giờ đây tự nó đã trở thành một trong hai hoặc ba công ty lớn nhất trong chính cuộc đua mà nó được sáng lập ra để làm chậm lại — một căng thẳng mà bài luận này không cho rằng mình có quyền giải quyết, chỉ có thể nêu ra một cách thẳng thắn.

Cách Cherny mô tả những gì anh đã xây dựng và điều gì sắp tới bám sát khung tư duy của Karpathy gần như hoàn toàn, đạt được một cách độc lập thông qua việc xây dựng chứ không phải lý thuyết hóa. Trong một cuộc phỏng vấn dài năm 2026, anh phát biểu thẳng thắn rằng "lập trình phần lớn đã được giải quyết" — không phải mọi bài toán phần mềm đều đã được giải quyết, mà là hành động cơ học của việc viết ra mã lệnh chạy được không còn là ràng buộc cốt lõi của ngành nữa — và dự đoán rằng chức danh công việc "kỹ sư phần mềm" sẽ ngày càng nhường chỗ cho một danh xưng rộng hơn, "người xây dựng" (builder), khi ngày càng nhiều người có khả năng xây dựng phần mềm theo yêu cầu. Anh cũng mô tả tuyến đầu tiếp theo là việc Claude chuyển từ thực hiện các tác vụ được chỉ định cụ thể sang chủ động đề xuất ý tưởng của chính nó — đọc qua phản hồi người dùng, báo cáo lỗi, và dữ liệu đo lường (telemetry) để xác định nên xây dựng hoặc sửa gì tiếp theo, hoạt động ít giống một công cụ chờ được ra lệnh hơn và giống một đồng nghiệp có tính chủ động hơn. Tháng 5 năm 2026, chính Andrej Karpathy gia nhập nhóm tiền huấn luyện của Anthropic — khép lại, trong một động thái duy nhất, vòng lặp mà bài luận này đã theo dõi từ Phần VI: dòng chảy Fei-Fei Li và dòng chảy liên quan đến Hinton qua OpenAI rồi Anthropic, cuối cùng gặp nhau bên trong cùng một công ty.

XI. Cuộc Đua Phần Cứng, Phần Hai — Và Khúc Cua Intel Bỏ Lỡ

Mọi mô hình được nhắc đến trong bài luận này, từ AlexNet đến Claude Code, đều được huấn luyện và vận hành trên con chip của ai đó, và trong phần lớn thập kỷ vừa qua, "ai đó" ấy áp đảo là NVIDIA. Kết quả AlexNet năm 2012 đã hồi tố biện minh cho canh bạc CUDA cả thập kỷ trước đó của Jensen Huang, nhưng thành quả cứ tiếp tục tăng lên trong nhiều năm sau: khi học sâu đi từ một điều tò mò trong nghiên cứu trở thành sản phẩm trung tâm của cả ngành, GPU của NVIDIA — cùng hệ sinh thái phần mềm mà CUDA đã dành cả thập kỷ xây dựng xung quanh chúng — đã trở thành thứ gì đó gần như hạ tầng thiết yếu. NVIDIA đã thoáng trở thành công ty giá trị nhất thế giới vào năm 2024, và cách diễn đạt công khai của chính Huang về khoảnh khắc này chỉ càng leo thang từ đó: tại CES 2026, khi mô tả sự chuyển dịch từ các chương trình do con người viết tay theo kiểu Software 1.0 sang các mô hình được huấn luyện như một thay đổi vĩnh viễn trong ý nghĩa của "tính toán," ông đã diễn đạt điều này thẳng thừng như luận điểm của cả bài luận này có thể được nén lại thành hai câu: "Bạn không còn viết phần mềm nữa; bạn huấn luyện phần mềm. Bạn không còn chạy CPU nữa, bạn chạy GPU." Khi liên tục bị hỏi liệu quy mô chi tiêu hạ tầng AI hiện tại có phải là một "bong bóng" hay không, Huang luôn từ chối nói rằng nhu cầu là vô hạn, mà lập luận thay vào đó rằng yếu tố giới hạn thực sự mang tính vật lý — điện năng, đất đai, năng lực sản xuất — và mô tả đợt xây dựng hạ tầng hiện tại là "cuộc xây dựng hạ tầng lớn nhất trong lịch sử loài người" thay vì một sự thái quá mang tính đầu cơ.

Intel, công ty đã định hình cả ngành công nghiệp chip trong ba mươi năm trước đó, đã bỏ lỡ gần như toàn bộ cuộc chuyển đổi mà bài luận này đang mô tả, và câu chuyện về việc tại sao đáng để kể chi tiết vì đó là ví dụ đối lập rõ ràng nhất với mọi thứ Huang đã làm đúng.

Khoảnh khắc rõ ràng nhất đến từ nhiều năm trước khi AI thậm chí trở thành câu hỏi. Vào giữa thập niên 2000, Apple tiếp cận Intel về việc xây dựng bộ vi xử lý cho một thiết bị mới — chiếc iPhone — và Intel, khi đó dưới sự lãnh đạo của CEO Paul Otellini, đã từ chối, vì mức giá mà Apple muốn trả thấp hơn chi phí sản xuất mà Intel dự báo. Không ai, kể cả Apple, thực sự biết chiếc iPhone sẽ trở thành gì; nhìn lại, cả dự báo chi phí lẫn ước tính sản lượng của Intel đều sai lệch khoảng một trăm lần. Chính Otellini, trong một cuộc phỏng vấn thẳng thắn năm 2013 vào tháng cuối cùng làm CEO, gọi đó là điều ông hối tiếc nhất: "Cuối cùng chúng tôi đã không thắng được thương vụ đó, hay là đã từ chối nó, tùy theo cách bạn nhìn nhận. Và thế giới đã có thể rất khác nếu chúng tôi đã làm điều đó." Ông rút ra một bài học từ quyết định này mà, nhìn lại, đọc như một lời tự khiển trách trực tiếp cho chính sự thận trọng sẽ tiếp tục khiến Intel mất đi những cơ hội tương tự trong thập kỷ tiếp theo: "Bài học tôi rút ra được là, dù chúng tôi thích nói chuyện dựa trên dữ liệu ở đây, nhưng biết bao lần trong sự nghiệp của mình tôi đã đưa ra quyết định bằng trực giác, và lẽ ra tôi nên nghe theo trực giác của mình. Trực giác của tôi bảo tôi nên đồng ý." Mất đi hợp đồng iPhone đồng nghĩa với việc mất luôn cả thị trường chip di động vào tay các đối thủ xây dựng trên kiến trúc ARM thay vào đó — một thị trường mà, chỉ trong vài năm, đã vượt xa quy mô của các bộ vi xử lý PC mà Intel vẫn còn thống trị, và có thể lập luận rằng đã hút mất sự chú ý lãnh đạo cùng nguồn vốn mà lẽ ra Intel đã có sẵn cho một canh bạc GPU sớm của riêng mình.

Những nỗ lực trực tiếp sau này của Intel nhằm cạnh tranh trong lĩnh vực tính toán liên quan đến AI đến muộn và phần lớn thất bại. Xeon Phi, câu trả lời của họ cho kiểu tính toán song song giống GPU cho các tác vụ hiệu năng cao trong phần lớn thập niên 2010, chưa bao giờ trở thành một nền tảng nghiêm túc cho học sâu theo cách CUDA đã làm được — Intel đặt cược vào việc mở rộng một kiến trúc kiểu CPU thay vì xây dựng một kiến trúc thực sự "GPU bản địa," và hệ sinh thái phần mềm chưa bao giờ bắt kịp lợi thế dẫn đầu cả thập kỷ của NVIDIA. Gần đây hơn, dòng chip tăng tốc AI Gaudi của Intel, nỗ lực trực tiếp nhất của họ đến nay để cạnh tranh với NVIDIA trong các tác vụ huấn luyện và suy luận AI, đã gặp khó khăn về mặt thương mại đến mức tạo ra các khoản chi phí liên quan đến tồn kho lên tới 922 triệu đô la năm 2024 và thêm 375 triệu đô la nữa năm 2025. Bên dưới tất cả những điều này là một vấn đề về sản xuất: công nghệ sản xuất chip của chính Intel, từng là công ty dẫn đầu rõ ràng của ngành, đã tụt hậu so với TSMC của Đài Loan qua một loạt các đợt chuyển đổi bị trì hoãn sang những quy trình sản xuất nhỏ hơn, hiệu quả hơn, đúng vào những năm nhu cầu chip AI bùng nổ và năng lực sản xuất chính xác trở thành nút thắt cổ chai chặt chẽ nhất của cả ngành. Có những dấu hiệu gần đây về sự phục hồi một phần trong mảng gia công chip — bao gồm một đơn hàng sản xuất lớn năm 2028 từ Google cho các chip AI của riêng họ, được cho là thương vụ thắng lớn nhất từ bên ngoài trong lịch sử Intel Foundry — nhưng tính đến thời điểm viết bài này, Intel vẫn là một công ty sản xuất và chip đa dụng đang cố bắt kịp một cuộc đua mà NVIDIA đã bắt đầu chạy trước mười lăm năm, dựa trên một canh bạc mà hầu như không ai khác nghĩ là đáng đặt cược vào thời điểm đó.

Huang từng kể câu chuyện CUDA, cùng hai khoảnh khắc suýt phá sản khác của NVIDIA — cú hồi sinh RIVA 128 sau thất bại thương mại của NV1, và một cuộc rút lui tốn kém khỏi thị trường chip điện thoại di động trong thập niên 2010 — như một câu chuyện ngụ ngôn lặp đi lặp lại xuyên suốt các bài phát biểu tốt nghiệp, các cuộc phỏng vấn podcast, và bản hồi tưởng nhân kỷ niệm 30 năm của chính NVIDIA. Trong một bài nói chuyện tại Trường Kinh doanh Sau đại học Stanford năm 2024, sản sinh ra câu nói được trích dẫn nhiều nhất của ông ngoài các bài keynote, ông nói với khán giả rằng ông chúc họ "những liều đau khổ dồi dào," lập luận rằng "sự vĩ đại không phải là trí thông minh. Sự vĩ đại đến từ tính cách. Và tính cách không được hình thành từ những người thông minh, mà được hình thành từ những người đã chịu khổ" — một triết lý mà ông từng nói mình vận dụng bên trong NVIDIA "với niềm vui thích lớn" như một cách để tái định hình những trở ngại của tổ chức thành cơ chế mà tính cách của một công ty thực sự được tôi luyện, chứ không chỉ đơn thuần là điều công ty sống sót qua. Một năm trước đó, khi phát biểu tại lễ tốt nghiệp ở Đài Bắc, thành phố mà ông đã rời đi khi còn nhỏ, ông diễn đạt cùng bản năng ấy một cách thẳng thừng hơn: "Hoặc là bạn đang chạy để kiếm thức ăn, hoặc là bạn đang chạy để tránh trở thành thức ăn. Nhiều khi, bạn không thể phân biệt được. Dù thế nào, hãy chạy... Chạy đi. Đừng đi bộ." Không phải ngẫu nhiên mà chính người kể câu chuyện này về sự sống còn của công ty mình cũng chính là người mà canh bạc CUDA đi trước cả thập kỷ, bị hoài nghi rộng rãi, là lý do khiến cuộc va chạm năm 2012 ở trung tâm bài luận này thậm chí có thể xảy ra — sự kiên trì bất chấp nhiều năm hoài nghi, theo một nghĩa thực sự, chính là đặc điểm chung duy nhất mà mọi nhân vật ở bốn phần đầu của bài luận này đều chia sẻ.

XII. Điều Gì Sắp Tới

Mọi nhân vật trong dàn nhân vật của bài luận này, ngay lúc này, đều đang đặt một cược công khai về điều sắp xảy ra, và những cược đó không đồng nhất với nhau — bản thân đây chính là điều trung thực nhất mà bài luận này có thể báo cáo về trạng thái thực sự của cả ngành, thay vì gò ép sự bất đồng ấy thành một sự đồng thuận giả tạo.

Canh bạc của Jensen Huang là tuyến đầu đang dịch chuyển từ phần mềm sinh tạo (generative) và agentic sang AI vật lý (physical AI) — robot, hệ thống ra quyết định tự lái, robot hình người và robot bàn — cùng một logic liên tục, theo cách ông kể, đã dẫn dắt chip của NVIDIA từ đồ họa sang huấn luyện AI sang các tác tử (agent) rồi giờ đến thế giới vật lý: mỗi giai đoạn đơn giản là "điều tiếp theo mà GPU hóa ra lại cần đến," chứ không phải một chuỗi các bước ngoặt riêng lẻ. Canh bạc của Fei-Fei Li lại chạy trên một hướng song song nhưng khác biệt: công ty World Labs của bà, thành lập năm 2024 và được định giá gần 5 tỷ đô la vào đầu năm 2026 sau một vòng gọi vốn 1 tỷ đô la có sự tham gia của cả NVIDIA lẫn AMD trong số các nhà đầu tư, lập luận rằng tuyến đầu tiếp theo của cả ngành là trí tuệ không gian (spatial intelligence) — AI có thể hiểu và hành động trong không gian vật lý ba chiều, không chỉ ngôn ngữ hay hình ảnh phẳng — được xây dựng trên cái mà bà gọi là "mô hình thế giới" (world models), mà bà mô tả là đòi hỏi "một điều thậm chí tham vọng hơn cả LLM: những loại mô hình sinh tạo mới có khả năng hiểu, suy luận, tạo sinh và tương tác với các thế giới phức tạp về mặt ngữ nghĩa, vật lý, hình học và động lực học — dù ảo hay thực — vượt xa những gì các LLM ngày nay có thể làm được." Sản phẩm thương mại đầu tiên của World Labs, Marble, tạo ra các môi trường ba chiều có thể khám phá được từ một hình ảnh hoặc một câu lệnh văn bản, và cách diễn đạt gọn gàng của chính Li về toàn bộ canh bạc này là cùng kiểu câu tuyên bố thẳng thắn mà bà từng dùng để bảo vệ một tập dữ liệu mà không ai nghĩ là đáng để xây dựng: "Trí tuệ không gian là tuyến đầu tiếp theo của trí tuệ nhân tạo." Đó, theo một nghĩa thực sự, là cùng một nhận định từ thời ImageNet được áp dụng lần thứ hai: xác định điều mà cả ngành đang thiếu đầu tư bên dưới lớp cường điệu hiện tại, và xây dựng trực tiếp điều đó, đi trước nhu cầu về nó nhiều năm.

Về câu hỏi thời điểm — trí tuệ nhân tạo tổng quát (AGI) thực sự gần đến mức nào — dàn nhân vật này bất đồng gay gắt đến mức chính sự bất đồng ấy xứng đáng trở thành câu hỏi mở trung tâm của bài luận thay vì được giải quyết theo bất kỳ hướng nào. Demis Hassabis đã nhắc lại, qua nhiều cuộc phỏng vấn năm 2025 và 2026, rằng AGI có thể xuất hiện trong khoảng năm năm tới, so sánh tác động khả dĩ của nó với "một điều gì đó giống như gấp mười lần tác động của Cách mạng Công nghiệp, nhưng diễn ra với tốc độ nhanh gấp mười lần," trong khi mô tả khoảng cách còn lại là đòi hỏi có lẽ "một hoặc hai đột phá nữa" ở tầm cỡ những đổi mới cốt lõi của AlphaGo — không đơn giản chỉ là mở rộng thêm quy mô cho các kỹ thuật hiện tại. Sam Altman, trong một bài luận tháng 6 năm 2025 mang tựa đề "The Gentle Singularity" (Điểm Kỳ Dị Êm Dịu), viết rằng "sự cất cánh đã bắt đầu," mô tả thời điểm hiện tại là giai đoạn sớm của một quá trình chuyển đổi đã đang diễn ra hướng tới siêu trí tuệ, trong khi khẳng định quá trình chuyển đổi này có thể được quản lý một cách êm dịu chứ không phải như một cú đứt gãy gây bất ổn, và cam kết "đảm bảo khả năng tiếp cận siêu trí tuệ được phổ biến rộng rãi, chứ không tập trung trong tay một số ít người." Andrej Karpathy, trong một cuộc phỏng vấn tháng 10 năm 2025, đưa ra lập trường hoài nghi rõ ràng nhất trong số các tiếng nói gần gũi với các phòng thí nghiệm AI tiên phong, lập luận rằng các tác tử AI ngày nay chỉ là, theo chính cách ông diễn đạt, "chức năng tự động hoàn thành ấn tượng" (impressive autocomplete) với những thiếu sót nhận thức thực sự — trí nhớ dài hạn yếu, phán đoán dễ vỡ — và việc thu hẹp khoảng cách này sẽ là một "cuộc hành quân của những con số chín" (march of nines) chậm chạp, những cải thiện độ tin cậy tăng dần chứ không phải một đột phá duy nhất; ông kỳ vọng tác động kinh tế của AI sẽ "hòa lẫn vào" xu hướng tăng trưởng GDP khoảng 2% mỗi năm mà thế giới phát triển đã duy trì trong khoảng hai thế kỷ rưỡi, thay vì tạo ra một sự đứt gãy đột ngột; và ông nêu rõ lập trường của chính mình: "AGI vẫn còn cách đây một thập kỷ."

Và về câu hỏi AI thực sự đang làm gì với công việc của những người mà nó chạm tới, chính những kiến trúc sư của cả ngành cũng bất đồng với bản thân họ nhiều như bất đồng với nhau. Geoffrey Hinton, nhà nghiên cứu mà cả đời làm việc không hợp thời của ông đã khiến gần như mọi thứ khác trong bài luận này trở nên khả thi, đã rời Google năm 2023 chính là để cảnh báo, không bị ràng buộc bởi lợi ích của một nhà tuyển dụng, rằng rủi ro của AI xứng đáng được nhìn nhận nghiêm túc hơn nhiều so với những gì ông từng tin — nói với một phóng viên của CBC rằng "có thể hình dung được" rằng loại trí tuệ tiên tiến này "có thể đơn giản là tiếp quản từ chúng ta," và, trong các cuộc phỏng vấn gần đây hơn, cảnh báo rằng AI sẽ có khả năng thay thế nhiều công việc văn phòng trong năm hiện tại. Dario Amodei, vào tháng 5 năm 2025, nói với Axios rằng AI có thể xóa sổ tới một nửa số công việc văn phòng cấp độ mới vào nghề trong vòng năm năm, có khả năng đẩy tỷ lệ thất nghiệp Mỹ lên hai chữ số, coi lời cảnh báo này như một nghĩa vụ: "Chúng tôi, với tư cách là những người tạo ra công nghệ này, có nghĩa vụ và trách nhiệm phải trung thực về những gì sắp đến." Đến năm 2026, báo chí cho thấy cả Amodei lẫn Altman đều đang làm dịu bớt những phiên bản gay gắt nhất trong các cảnh báo trước đó của họ — Amodei chuyển hướng sang một lập luận dựa trên khái niệm kinh tế học nghịch lý Jevons (Jevons paradox), rằng những cải thiện hiệu suất có thể mở rộng tổng lượng công việc của một loại nào đó thay vì đơn giản là xóa sổ nó — một sự thoái lui mà các nhà báo đã liên hệ, với sự thận trọng thích đáng về mức độ chắc chắn của mối liên hệ đó, với cách tiếp cận của cả hai công ty đối với các đợt phát hành cổ phiếu công khai lần đầu (IPO) sắp tới. Liệu sự dịu lại đó phản ánh bằng chứng thực sự được cập nhật hay chỉ đơn giản là một cách truyền thông công khai thận trọng hơn khi mùa IPO đến gần không phải là câu hỏi mà bài luận này có thể giải quyết được; đáng để nêu ra như một căng thẳng còn bỏ ngỏ hơn là giải quyết theo bất kỳ hướng nào.

Điều có thể nói với sự tự tin lớn hơn là hình dạng của khuôn mẫu mà toàn bộ bài luận này đã theo dõi. Chưa có gì trong câu chuyện này xuất hiện như một đột phá duy nhất. Một ý tưởng đã chờ đợi hàng chục năm để có một tập dữ liệu; một tập dữ liệu đã chờ đợi nhiều năm để có một con chip; một con chip đã chờ đợi một thập kỷ để có một ứng dụng thực tế; và một khi ba thứ đó cuối cùng va chạm vào nhau năm 2012, phải mất thêm năm năm nữa và một nhóm nghiên cứu hoàn toàn khác, làm việc trên một bài toán hoàn toàn khác, để tạo ra kiến trúc cho phép cùng một cuộc hội tụ ấy xảy ra lần nữa, lần này cho ngôn ngữ thay vì thị giác. Những con người trong câu chuyện này phần lớn không hề đặt mục tiêu xây dựng thứ mà cuối cùng họ đã cùng nhau xây dựng — Huang đang bán card đồ họa cho những game thủ; Fei-Fei Li đang cố gắng khắc phục một vấn đề phương pháp luận hẹp trong thị giác máy tính; Hinton đã dành một phần tư thế kỷ bảo vệ một ý tưởng mà phần lớn ngành của ông coi là một ngõ cụt. Điều kết nối họ không phải là một kế hoạch chung mà là một sự sẵn lòng chung để tiếp tục xây dựng mảnh ghép mà mỗi người kiểm soát, trong nhiều năm, mà không biết khi nào hoặc liệu nó có gặp được những mảnh ghép khác hay không. Giai đoạn tiếp theo của câu chuyện này — AI vật lý, trí tuệ không gian, các hệ thống agentic tự đề xuất bước đi tiếp theo của chính chúng thay vì chờ được hỏi — rất có khả năng, dựa trên mọi bằng chứng đã đến trước nó, sẽ trông giống hệt như bốn lần trước: không phải một phát minh gọn gàng duy nhất, mà là nhiều canh bạc chạy riêng biệt, được thực hiện bởi những người phần lớn còn chưa biết rằng mình đang xây dựng hướng tới cùng một cuộc va chạm, bỗng nhiên khớp lại với nhau.

Bảng Thuật Ngữ

Bảng thuật ngữ này giả định người đọc đã có kiến thức máy tính cơ bản từ trước thời AI — biết máy tính, phần mềm, ứng dụng, internet là gì — nhưng chưa quen với từ vựng chuyên ngành AI xuất hiện trong bài luận trên. Các thuật ngữ được sắp xếp theo nhóm chủ đề, không theo thứ tự bảng chữ cái, để những khái niệm liên quan đứng gần nhau.

Mạng nơ-ron (neural network). Một mô hình tính toán được thiết kế lỏng lẻo theo cách các nơ-ron trong não bộ truyền tín hiệu cho nhau — nhiều lớp "nút" (node) được kết nối với nhau, mỗi kết nối mang một "trọng số" (weight) quyết định tín hiệu đi qua nó được khuếch đại hay làm suy giảm bao nhiêu. Đây là kiến trúc nền tảng đứng sau mọi hệ thống AI được nhắc đến trong bài luận này, từ AlexNet đến ChatGPT.

Học sâu (deep learning). Một nhánh của học máy (machine learning) sử dụng mạng nơ-ron có nhiều lớp (do đó gọi là "sâu") để tự học các đặc trưng phức tạp từ dữ liệu thô, thay vì cần con người thiết kế sẵn những đặc trưng đó. "Học máy" là thuật ngữ rộng hơn, chỉ chung mọi kỹ thuật khiến máy tính "học" từ dữ liệu thay vì được lập trình luật lệ tường minh; "học sâu" là một nhánh cụ thể, và là nhánh làm nên mọi đột phá được kể trong bài luận này.

Lan truyền ngược (backpropagation). Thuật toán toán học cho phép một mạng nơ-ron tự điều chỉnh các trọng số của nó sau mỗi lần đoán sai — nó tính ngược từ kết quả sai về từng kết nối trong mạng, xác định kết nối nào góp phần vào sai số bao nhiêu, rồi điều chỉnh tương ứng. Đây là cơ chế "học" thực sự bên dưới gần như mọi mạng nơ-ron hiện đại.

Huấn luyện (training) và suy luận (inference). Hai giai đoạn khác nhau trong vòng đời một mô hình AI. "Huấn luyện" là quá trình tốn kém, mất nhiều thời gian và năng lực tính toán, trong đó mô hình xem qua hàng triệu hoặc hàng tỷ ví dụ để điều chỉnh trọng số của nó. "Suy luận" là khi mô hình đã huấn luyện xong được dùng thực tế — ví dụ, khi bạn gõ một câu hỏi vào ChatGPT và nhận câu trả lời, đó là suy luận, không phải huấn luyện.

Tham số (parameter). Một con số bên trong mạng nơ-ron mà quá trình huấn luyện điều chỉnh — about tương đương với "trọng số" nói ở trên. Khi báo chí nói một mô hình có "175 tỷ tham số," họ đang nói đến số lượng những con số này mà mô hình đã học được; nhìn chung (dù không tuyệt đối), càng nhiều tham số, mô hình càng có khả năng nắm bắt các khuôn mẫu phức tạp hơn.

Mạng nơ-ron tích chập (convolutional neural network — CNN). Một kiểu kiến trúc mạng nơ-ron đặc biệt hiệu quả với hình ảnh, quét qua ảnh bằng những "bộ lọc" nhỏ để phát hiện các đặc trưng cục bộ (cạnh, góc, kết cấu) trước khi ghép chúng lại thành các khái niệm phức tạp hơn (mắt, mặt, con mèo). AlexNet là một CNN.

GPU (bộ xử lý đồ họa — graphics processing unit) và CPU (bộ xử lý trung tâm — central processing unit). CPU là "bộ não" đa dụng truyền thống của một máy tính, thực hiện tuần tự từng phép tính một cách rất linh hoạt. GPU ban đầu được thiết kế để dựng hình ảnh trong game — một tác vụ đòi hỏi thực hiện cùng một phép tính đơn giản, lặp đi lặp lại, trên hàng triệu điểm ảnh cùng lúc. Hóa ra, việc huấn luyện mạng nơ-ron cũng có "hình dạng" toán học tương tự (rất nhiều phép tính đơn giản, lặp lại, có thể làm song song), nên GPU trở thành phần cứng lý tưởng cho AI — đây chính là nội dung cốt lõi của Phần III và IV trong bài luận.

CUDA. Một nền tảng phần mềm do NVIDIA phát triển năm 2006, cho phép lập trình viên viết chương trình chạy trực tiếp trên GPU cho các tác vụ tính toán đa dụng, không chỉ đồ họa game. CUDA chính là "cây cầu" biến GPU từ một con chip chỉ để chơi game thành một cỗ máy khoa học — không có CUDA, sẽ không có cách thực tế nào để huấn luyện AlexNet trên GPU.

Mô hình ngôn ngữ lớn (large language model — LLM). Một mạng nơ-ron được huấn luyện trên một lượng văn bản khổng lồ để dự đoán từ (hoặc "token," xem bên dưới) tiếp theo trong một chuỗi. GPT, Claude, và Gemini đều là LLM. "Lớn" ở đây chỉ số lượng tham số và dữ liệu huấn luyện khổng lồ so với các mô hình ngôn ngữ trước đó.

Token. Đơn vị nhỏ nhất mà một LLM xử lý — thường không hẳn là một "từ" trọn vẹn mà là một mảnh từ (ví dụ từ "unhappiness" có thể bị tách thành "un," "happi," "ness"). Khi một mô hình "sinh" văn bản, thực chất nó đang dự đoán token tiếp theo, hết lần này đến lần khác.

Transformer và cơ chế "chú ý" (attention / self-attention). Kiến trúc mạng nơ-ron được đề xuất trong bài báo "Attention Is All You Need" năm 2017 (xem Phần VII), thay thế cách xử lý văn bản tuần tự, từng từ một, bằng một cơ chế cho phép mọi từ trong một câu "nhìn" vào mọi từ khác cùng lúc và học xem từ nào đáng quan tâm nhất. Đây là kiến trúc nền tảng đứng sau mọi LLM hiện đại kể từ 2017.

Quy luật mở rộng quy mô (scaling laws). Quan sát thực nghiệm rằng hiệu năng của một mô hình AI thường cải thiện theo cách có thể dự đoán được khi bạn tăng ba thứ cùng lúc: kích thước mô hình (số tham số), lượng dữ liệu huấn luyện, và năng lực tính toán dùng để huấn luyện. Nghiên cứu này (một phần do Dario Amodei dẫn dắt tại OpenAI, xem Phần VIII) là lý do các công ty AI sẵn sàng chi hàng tỷ đô la để huấn luyện các mô hình ngày càng lớn hơn — kết quả phần lớn có thể dự đoán trước, biến một canh bạc thành một phép tính.

Tinh chỉnh (fine-tuning). Quá trình huấn luyện thêm một mô hình đã được huấn luyện sẵn (đã qua giai đoạn "tiền huấn luyện" — pretraining, trên một lượng văn bản khổng lồ, tổng quát) trên một tập dữ liệu nhỏ hơn, chuyên biệt hơn, để mô hình "chuyên môn hóa" cho một tác vụ hoặc phong cách cụ thể — ví dụ, dạy mô hình trả lời như một trợ lý trò chuyện hữu ích thay vì chỉ đơn thuần tiếp tục một đoạn văn bản.

Học tăng cường từ phản hồi con người (reinforcement learning from human feedback — RLHF). Kỹ thuật huấn luyện trong đó con người xếp hạng các câu trả lời khác nhau của mô hình (câu nào tốt hơn, câu nào tệ hơn), và mô hình học cách tạo ra nhiều câu trả lời giống loại được xếp hạng cao hơn. Đây là kỹ thuật khiến ChatGPT cảm thấy như đang "trò chuyện" một cách hữu ích, thay vì chỉ tuôn ra văn bản trôi chảy nhưng vô ích — Dario Amodei là một trong những người được ghi nhận đồng phát minh ra kỹ thuật này.

Constitutional AI (AI Có Hiến Pháp). Một biến thể của việc huấn luyện mô hình theo nguyên tắc, do Anthropic phát triển (xem Phần VIII), trong đó mô hình tự phê bình và sửa câu trả lời của chính nó dựa trên một tập hợp nguyên tắc rõ ràng, được viết thành văn bản (một "bản hiến pháp"), thay vì hoàn toàn dựa vào con người xếp hạng từng câu trả lời như RLHF truyền thống.

Chatbot. Một chương trình máy tính được thiết kế để trò chuyện với người dùng bằng ngôn ngữ tự nhiên. Trước 2022, hầu hết chatbot khá cứng nhắc, dựa trên luật lệ định sẵn; ChatGPT (xem Phần IX) là chatbot đầu tiên khiến công chúng rộng rãi cảm nhận được một cuộc trò chuyện AI trôi chảy, linh hoạt thực sự là như thế nào.

AI có tính agentic (agentic AI) và tác tử AI (AI agent). Khác với một chatbot chỉ trả lời từng câu hỏi rồi dừng lại, một "tác tử AI" có thể tự thực hiện một chuỗi hành động nhiều bước hướng tới một mục tiêu — ví dụ, tự viết mã, tự chạy thử, tự sửa lỗi, rồi tự commit lên hệ thống quản lý mã nguồn, mà không cần con người can thiệp ở mỗi bước. Claude Code (xem Phần X) là một ví dụ cụ thể của loại công cụ này. "Kỹ thuật agentic" (agentic engineering), thuật ngữ của Andrej Karpathy, chỉ kỷ luật cần có để giám sát và điều phối những tác tử như vậy một cách an toàn, hiệu quả.

Trí tuệ nhân tạo tổng quát (artificial general intelligence — AGI). Một hệ thống AI giả định có khả năng tư duy, học hỏi, và thực hiện bất kỳ tác vụ trí tuệ nào ở mức độ ngang bằng hoặc vượt trội con người, trên mọi lĩnh vực — khác với các hệ thống AI hiện nay, vốn thường rất giỏi ở một số việc cụ thể (như viết mã hay giải toán) nhưng lại yếu ở những việc khác. Không có định nghĩa kỹ thuật nào được cả ngành thống nhất hoàn toàn về AGI, và như Phần XII của bài luận cho thấy, các nhân vật chủ chốt của ngành công khai bất đồng gay gắt về thời điểm nó có thể xuất hiện, hay liệu khái niệm này có thực sự rõ ràng hay không.

Mô hình thế giới (world model) và trí tuệ không gian (spatial intelligence). Thuật ngữ của Fei-Fei Li (xem Phần XII) chỉ một thế hệ mô hình AI mới, tham vọng hơn LLM, được thiết kế để hiểu và tương tác với không gian vật lý ba chiều — chứ không chỉ xử lý văn bản hay hình ảnh phẳng — làm nền tảng cho những ứng dụng như robot hoặc thế giới ảo có thể điều hướng được.

Công ty vì lợi ích công cộng (Public Benefit Corporation — PBC). Một loại hình pháp lý của công ty tại Mỹ, cho phép công ty vì lợi nhuận nhưng ghi thẳng vào điều lệ pháp lý một sứ mệnh vì lợi ích công cộng cụ thể — không chỉ tối đa hóa lợi nhuận cho cổ đông. Anthropic được thành lập theo mô hình này ngay từ đầu; OpenAI ban đầu là một tổ chức phi lợi nhuận (nonprofit — một tổ chức không chia lợi nhuận cho chủ sở hữu) cộng thêm một công ty con "lợi nhuận giới hạn" (capped-profit — nhà đầu tư được hưởng lợi nhuận nhưng có giới hạn trần), trước khi chuyển đổi sang mô hình gần giống PBC vào năm 2025.

Xưởng đúc bán dẫn (semiconductor foundry). Một nhà máy chuyên sản xuất chip theo thiết kế của các công ty khác — TSMC (Đài Loan) là xưởng đúc lớn nhất và tiên tiến nhất thế giới. Một công ty như NVIDIA thiết kế chip nhưng không tự sản xuất chúng; Intel là một trường hợp đặc biệt vì họ vừa thiết kế vừa tự sản xuất (và gần đây, cũng nhận gia công cho khách hàng bên ngoài) — việc Intel tụt hậu về công nghệ sản xuất so với TSMC (xem Phần XI) là một phần quan trọng của lý do họ bị bỏ lại phía sau trong cuộc đua chip AI.

Tài Liệu Tham Khảo

Mọi sự kiện, ngày tháng, và trích dẫn được nêu tên trong bài luận này đều bắt nguồn từ một trong các nguồn dưới đây — giống hệt danh sách tham khảo của bản gốc tiếng Anh. Tên bài viết và tên cơ quan báo chí được giữ nguyên tiếng Anh vì đó là các nguồn tiếng Anh thực sự; giữ nguyên tựa đề gốc giúp độc giả dễ dàng tra cứu lại đúng bài viết đó, thay vì một bản dịch có thể không khớp khi tìm kiếm. Ba sự kiện đáng chú ý hoặc mang tính bản lề của bài luận đã được kiểm chứng độc lập lại với nguồn gốc trước khi xuất bản: phần cứng huấn luyện AlexNet, mốc vốn hóa thị trường năm 2024 của NVIDIA, và vòng gọi vốn tháng 5 năm 2026 của Anthropic — cả ba đều được xác nhận chính xác.

I. Mùa Đông Lạnh Giá, Những Người Tin Tưởng — Geoffrey Hinton

II. Dữ Liệu Không Ai Muốn Gán Nhãn — Fei-Fei Li

III. Canh Bạc Không Ai Hiểu Nổi — Jensen Huang và NVIDIA

IV. AlexNet: Nơi Ba Đường Thẳng Giao Nhau

V. Cuộc Giành Giật Nhân Tài — Demis Hassabis và DeepMind

VI. Canh Bạc Sáng Lập Của OpenAI — Sam Altman và Andrej Karpathy

VII. Attention Is All You Need

VIII. Kỷ Nguyên Mở Rộng Quy Mô và Cuộc Chia Tay Của Amodei — Dario Amodei và Anthropic

IX. Vụ Nổ Lớn Của ChatGPT

X. Anthropic, Claude Code, và Kỹ Thuật Agentic — Karpathy và Boris Cherny

XI. Cuộc Đua Phần Cứng, Phần Hai — NVIDIA và Intel

XII. Điều Gì Sắp Tới

No comments:

Post a Comment

Subscribe to: Post Comments (Atom)