Các hệ thống trí tuệ nhân tạo đang dần tiến vào lãnh địa của khoa học — nơi lâu nay được xem là độc quyền của trí tuệ con người. Từ việc phân tích dữ liệu, thiết kế thí nghiệm cho đến đề xuất giả thuyết mới, AI đang cho thấy khả năng sáng tạo vượt xa vai trò của một công cụ hỗ trợ. Câu hỏi đặt ra là: liệu trong tương lai gần, một “nhà khoa học AI” có thể tự mình tạo ra phát hiện đủ tầm để giành giải Nobel — biểu tượng tối thượng của tri thức nhân loại?
Các mô hình trí tuệ nhân tạo (AI) đang bắt đầu gặt hái thành công trong lĩnh vực khoa học. Trong hai năm qua, chúng đã cho thấy khả năng phân tích dữ liệu, thiết kế thí nghiệm, thậm chí đề xuất giả thuyết mới. Tốc độ tiến bộ này khiến nhiều nhà nghiên cứu tin rằng trong vài thập kỷ tới, AI có thể sánh ngang với những bộ óc vĩ đại nhất của giới khoa học.
Năm 2016, Hiroaki Kitano – nhà sinh học và Giám đốc điều hành Sony AI – đã thách thức giới nghiên cứu bằng một mục tiêu táo bạo: phát triển một hệ thống AI đủ tiên tiến để tạo ra một phát hiện xứng đáng với giải Nobel. Ông gọi đây là Thử thách Nobel Turing, coi đó là “đại thách thức” dành cho AI trong khoa học. Một cỗ máy sẽ chiến thắng nếu nó có thể đạt được một phát minh có giá trị tương đương với nghiên cứu đỉnh cao của con người.
Hiện tại, các mô hình AI vẫn chưa thể làm được điều đó. Tuy nhiên, theo tầm nhìn của Thử thách Nobel Turing, đến năm 2050, sẽ xuất hiện một hệ thống AI có khả năng tự kết hợp các kỹ năng từ việc hình thành giả thuyết, lập kế hoạch thí nghiệm, đến phân tích dữ liệu, mà không cần sự can thiệp của con người – và đạt được một phát hiện xứng đáng với giải Nobel.
Tuy vậy, có thể không cần đợi đến 2050. Ross King, nhà nghiên cứu kỹ thuật hóa học tại Đại học Cambridge (Anh) và là một trong những người tổ chức thử thách này, tin rằng một “nhà khoa học AI” có thể đạt đến tầm giải Nobel sớm hơn. “Tôi gần như chắc chắn rằng hệ thống AI sẽ đủ giỏi để giành giải Nobel,” ông nói. “Câu hỏi chỉ là mất 50 năm hay 10 năm thôi.”
Dù vậy, nhiều nhà nghiên cứu vẫn hoài nghi. Họ cho rằng các hệ thống AI hiện nay chỉ được huấn luyện để tái tạo chuỗi từ ngữ và ý tưởng dựa trên kho tri thức sẵn có của nhân loại, nên khó có thể tạo ra hiểu biết thật sự mới. Để đạt được điều đó, sẽ cần thay đổi sâu rộng trong cách phát triển AI và hướng đầu tư cho lĩnh vực này.
“Nếu ngày mai có một chương trình của chính phủ rót 1 tỷ USD vào nghiên cứu nền tảng, tôi tin rằng tốc độ phát triển sẽ nhanh hơn rất nhiều,” nhà nghiên cứu AI Yolanda Gil tại Đại học Nam California nhận định.
Một số chuyên gia khác cảnh báo về rủi ro tiềm ẩn khi đưa AI vào quy trình nghiên cứu khoa học.
Những phát hiện xứng đáng với giải thưởng
Giải Nobel được lập ra để vinh danh những người “mang lại lợi ích lớn nhất cho nhân loại”, như di chúc của Alfred Nobel. Theo Bengt Nordén, nhà hóa học và cựu Chủ tịch Ủy ban Nobel Hóa học, một phát hiện xứng đáng giải Nobel phải hữu ích, có ảnh hưởng sâu rộng và mở ra cánh cửa hiểu biết mới.
Hiện chỉ các cá nhân còn sống, tổ chức hoặc viện nghiên cứu mới đủ điều kiện nhận giải. Tuy nhiên, AI đã từng có “cuộc chạm trán” với Ủy ban Nobel. Năm 2024, giải Nobel Vật lý được trao cho những người tiên phong trong lĩnh vực học máy – nền tảng cho mạng nơ-ron nhân tạo.
Cùng năm đó, một nửa giải Nobel Hóa học vinh danh nhóm nghiên cứu đứng sau AlphaFold, hệ thống AI của Google DeepMind (London) có khả năng dự đoán cấu trúc 3D của protein từ chuỗi axit amin. Nhưng những giải thưởng đó là vinh danh thành tựu giúp tạo ra AI, chứ không phải phát minh được tạo ra bởi AI.
Theo quy định của Thử thách Nobel Turing, để AI được công nhận là tác giả của một phát hiện, nghiên cứu đó phải được tiến hành “hoàn toàn hoặc gần như hoàn toàn tự động.” Nghĩa là hệ thống AI phải tự quyết định câu hỏi nghiên cứu, thiết kế thí nghiệm, và phân tích dữ liệu, bao quát toàn bộ quy trình khoa học.
Gil cho biết bà đã thấy các công cụ AI hỗ trợ các nhà khoa học trong hầu hết mọi giai đoạn của quá trình phát hiện, điều này “khiến lĩnh vực này trở nên vô cùng thú vị.” Các nhà nghiên cứu đã chứng minh rằng AI có thể giải mã ngôn ngữ của động vật, đề xuất giả thuyết về nguồn gốc sự sống trong vũ trụ, và dự đoán khi nào các ngôi sao đang xoáy vào nhau sẽ va chạm. Nó cũng có thể dự báo bão bụi chết người hoặc tối ưu hóa việc lắp ráp máy tính lượng tử trong tương lai.
AI thậm chí bắt đầu tự thực hiện thí nghiệm. Gabe Gomes, nhà hóa học tại Đại học Carnegie Mellon (Pittsburgh, Mỹ), cùng đồng nghiệp đã tạo ra hệ thống Coscientist, sử dụng mô hình ngôn ngữ lớn (LLM) – giống ChatGPT – để lên kế hoạch và tiến hành các phản ứng hóa học phức tạp bằng thiết bị phòng thí nghiệm tự động. Gomes cho biết, phiên bản chưa công bố của Coscientist có thể thực hiện tính toán hóa học với tốc độ đáng kinh ngạc.
Một sinh viên từng phàn nàn rằng phần mềm mất nửa tiếng để tính trạng thái chuyển tiếp của một phản ứng. Gomes chỉ cười: “Bài toán đó tôi mất hơn một năm mới giải được hồi còn là nghiên cứu sinh.”
Tại Tokyo, công ty Sakana AI cũng đang dùng các mô hình LLM để tự động hóa nghiên cứu học máy, trong khi các nhóm tại Google và nhiều nơi khác đang thử nghiệm cách cho chatbot hợp tác theo nhóm để tạo ra ý tưởng khoa học mới.
Hầu hết các nhà khoa học hiện nay xem AI như một cộng tác viên hoặc trợ lý, đảm nhiệm những phần việc cụ thể. Đây được xem là làn sóng đầu tiên của AI trong khoa học, theo Sam Rodriques – Giám đốc điều hành phòng thí nghiệm FutureHouse (San Francisco, Mỹ). Ông cho biết các mô hình “lý luận” mới học cách mô phỏng tư duy logic tuần tự, thông qua quá trình thử – sai dựa trên ví dụ đúng.
Những mô hình này hiện là cộng sự đắc lực, có thể dự đoán dựa trên dữ liệu và rút ngắn các bước tính toán phức tạp, nhưng vẫn cần sự can thiệp của con người ở ít nhất một giai đoạn.
Theo Rodriques, làn sóng kế tiếp sẽ đến khi AI đủ khả năng tự phát triển và đánh giá giả thuyết, bằng cách tra cứu tài liệu và phân tích dữ liệu. Tại Đại học Stanford (California), nhà khoa học dữ liệu y sinh James Zou đã bắt đầu đi theo hướng này. Ông và cộng sự cho thấy một hệ thống dựa trên LLM có thể tìm ra những hiểu biết sinh học mà con người bỏ sót.
Ví dụ, khi cho hệ thống đọc một bài báo khoa học cùng bộ dữ liệu RNA liên quan, nó phát hiện rằng một số tế bào miễn dịch trong cơ thể người nhiễm COVID-19 có xu hướng phình to khi chết đi — một chi tiết chưa từng được các tác giả bài báo đề cập. “Điều đó cho thấy các tác nhân AI đang bắt đầu tự mình khám phá ra điều mới,” Zou nói.
James Zou đang góp phần tổ chức một sự kiện trực tuyến mang tên Agents4Science, dự kiến diễn ra vào cuối tháng này. Ông mô tả đây là hội nghị khoa học đầu tiên dành riêng cho AI: toàn bộ các bài báo sẽ được viết và phản biện bởi các “tác nhân AI”, với sự hỗ trợ của các cộng tác viên con người. Hội nghị kéo dài một ngày này cũng có phần thảo luận và diễn thuyết do con người thực hiện về tương lai của nghiên cứu khoa học do AI tạo ra. Zou hy vọng sự kiện sẽ giúp cộng đồng khoa học đánh giá năng lực thực sự của AI trong việc tiến hành và đánh giá các nghiên cứu sáng tạo.
Zou thừa nhận rằng những nỗ lực như vậy vẫn còn nhiều thách thức — chẳng hạn như hiện tượng “ảo giác” (hallucination) thường gặp ở các mô hình ngôn ngữ lớn (LLM). Tuy nhiên, ông tin rằng phản hồi từ con người có thể giúp khắc phục phần lớn những vấn đề này.
Sam Rodriques, Giám đốc điều hành phòng thí nghiệm FutureHouse (San Francisco), cho biết giai đoạn cuối cùng của AI trong khoa học — cũng là mục tiêu mà nhóm ông hướng đến — sẽ là khi AI có thể tự đặt câu hỏi, tự thiết kế và thực hiện thí nghiệm mà không cần con người. Ông cho rằng điều này là tất yếu, và dự đoán rằng AI có thể tạo ra một phát hiện xứng đáng với giải Nobel “muộn nhất là vào năm 2030.”
Theo Rodriques, những lĩnh vực hứa hẹn nhất cho một đột phá khoa học — dù là do AI hay con người thực hiện — có thể là khoa học vật liệu hoặc điều trị các bệnh như Parkinson và Alzheimer, bởi đây là những lĩnh vực có nhiều thách thức chưa được giải quyết và nhu cầu y học lớn.
Nghĩ về… việc “suy nghĩ”
Tuy nhiên, không phải ai cũng lạc quan như vậy. Doug Downey, nhà nghiên cứu tại Viện AI Allen ở Seattle (Washington), cho rằng còn rất nhiều rào cản lớn. Ông và cộng sự phát hiện rằng các tác nhân AI của họ thường thất bại khi cố gắng hoàn thành một dự án nghiên cứu từ đầu đến cuối.
Trong một nghiên cứu với 57 tác nhân AI, nhóm nhận thấy rằng dù các mô hình có thể hoàn thành trọn vẹn các nhiệm vụ khoa học riêng lẻ trong khoảng 70% số lần thử, nhưng tỷ lệ này giảm xuống chỉ còn 1% khi chúng phải tự đề xuất ý tưởng, lập kế hoạch thí nghiệm, thực hiện và phân tích dữ liệu để viết báo cáo hoàn chỉnh.
“Khám phá khoa học tự động từ đầu đến cuối vẫn là một thách thức khổng lồ,” Downey và các đồng tác giả viết.
Downey nhận định rằng AI rõ ràng có tiềm năng thúc đẩy khoa học, nhưng vẫn tồn tại giới hạn khó vượt qua. “Vấn đề là không rõ bao lâu nữa chúng ta mới có thể khắc phục được điều đó,” ông nói.
Ngay cả khi AI hiện nay có thể đưa ra dự đoán chính xác trong một lĩnh vực nhỏ, nó vẫn không thực sự học được những nguyên lý cơ bản đằng sau hiện tượng đó. Ví dụ, một nghiên cứu gần đây cho thấy một mô hình AI có thể dự đoán quỹ đạo hành tinh quanh ngôi sao, nhưng không thể mô phỏng được các định luật vật lý cơ bản chi phối chuyển động đó — nó chỉ bắt chước kết quả, chứ không hiểu nguyên lý.
Một nghiên cứu khác cho thấy một công cụ AI không thể vẽ chính xác bản đồ đường phố của thành phố New York, dù nó có thể học cách “đi lại” trong thành phố đó.
Subbarao Kambhampati, nhà khoa học máy tính tại Đại học Bang Arizona (Tempe), cho rằng những hạn chế này cho thấy vai trò không thể thay thế của kinh nghiệm sống con người trong việc hình thành các nguyên lý khoa học. Trái lại, các hệ thống AI chỉ “trải nghiệm thế giới” một cách gián tiếp thông qua dữ liệu được cung cấp. Một số nhà nghiên cứu đang thử kết hợp AI với robot, giúp chúng trải nghiệm thế giới thực nhiều hơn.
Theo Kambhampati, việc thiếu kinh nghiệm thực tế sẽ khiến AI khó đặt ra những câu hỏi sáng tạo hoặc đưa ra hiểu biết sâu sắc mới về thế giới con người. “Tôi hoàn toàn ủng hộ việc AI thúc đẩy khoa học,” ông nói. “Nhưng nói rằng ta không cần nhà khoa học con người, và máy móc có thể tự tạo ra phát hiện xứng đáng với giải Nobel — điều đó nghe có vẻ chỉ là cường điệu.”
Đối với Yolanda Gil, việc phát triển một “nhà khoa học AI” có thể tạo ra phát hiện mang tầm Nobel đòi hỏi đầu tư nhiều hơn vào các công cụ AI có khả năng đa dạng hơn, bao gồm “siêu lý luận” (meta-reasoning) — tức là khả năng đánh giá và điều chỉnh quá trình suy nghĩ của chính mình, biết suy nghĩ về chính suy nghĩ của chúng. Theo bà, điều này có thể giúp AI biết cân nhắc loại thí nghiệm nào sẽ mang lại kết quả tốt nhất, và sửa đổi các lý thuyết khoa học dựa trên phát hiện mới.
Gil cho biết bà đã nghiên cứu nền tảng cho loại năng lực này từ lâu, nhưng các mô hình ngôn ngữ lớn (LLM) hiện nay đã “chiếm hết ánh đèn sân khấu”. Nếu xu hướng đó tiếp diễn, bà cho rằng việc AI đạt được một phát hiện xứng đáng với giải Nobel vẫn còn rất xa.
“Các kỹ thuật AI tạo sinh hiện nay mang lại nhiều kết quả rất thú vị,” Gil nói, “nhưng vẫn còn nhiều lĩnh vực khác mà chúng ta cần chú ý đến.”
Ross King cũng đồng tình rằng vẫn còn nhiều trở ngại. Ông cho biết các mô hình LLM không thật sự hiểu thế giới con người, hay chính xác là hiểu chúng đang đóng góp gì cho thế giới đó. “Nó thậm chí không biết việc mình đang làm là khoa học.”
Thách thức và câu hỏi mở
Tại các cuộc họp của Thử thách Nobel Turing, phần lớn các cuộc thảo luận tập trung vào những tiến bộ mà AI cần đạt được và con đường đi tới đó. Một số câu hỏi được đặt ra: Liệu “nhà khoa học AI” có cần đạt đến trí tuệ nhân tạo tổng quát (AGI) — tức là mức độ hiểu biết và thích ứng như con người không? AI có cần hành xử như nhà khoa học con người, hay sẽ đi theo con đường khám phá hoàn toàn khác? Việc tự động hóa khám phá khoa học bằng AI sẽ đặt ra những vấn đề pháp lý và đạo đức nào? Và giải thưởng dành cho các “nhà khoa học AI” nếu có, sẽ được tài trợ ra sao?
Theo Gil, chỉ có thời gian mới trả lời được. “Cách duy nhất để biết là thử nghiệm — như cách chúng ta vẫn làm với mọi giả thuyết khoa học,” bà nói.
Tuy nhiên, một số nhà nghiên cứu khác lại tự hỏi liệu có nên theo đuổi điều đó hay không. Trong một bài viết năm 2024, Lisa Messeri (nhà nhân chủng học tại Đại học Yale) và Molly Crockett (nhà tâm lý học tại Đại học Princeton) cảnh báo rằng sự phụ thuộc quá mức vào AI trong khoa học đã bắt đầu dẫn đến nhiều sai sót hơn. Họ cũng lưu ý rằng AI có thể lấn át các hướng nghiên cứu khác và làm giảm tính sáng tạo, khiến các nhà khoa học “sản xuất được nhiều hơn, nhưng hiểu biết ít hơn.”
Messeri cảnh báo rằng sự tự động hóa trong nghiên cứu có thể gây hệ lụy nghiêm trọng cho các nhà khoa học trẻ, vì AI đang dần đảm nhận những công việc lẽ ra họ cần tự thực hiện để rèn luyện kỹ năng để sau này có thể đạt được thành tựu lớn như giải Nobel.
“Dù đây không phải là trò chơi ‘được – mất’ tuyệt đối,” bà nói, “nhưng trong bối cảnh ngân sách nghiên cứu và đại học đang bị thu hẹp, đây là thời điểm đáng lo ngại để đánh giá lại những mặt lợi và hại của tương lai này.”
AI đang hỗ trợ các nhà nghiên cứu tại Phòng thí nghiệm Quốc gia Lawrence Berkeley (A-Lab) trong việc phát triển vật liệu mới. Ảnh: Nature
Demis Hassabis (trái) và John Jumper (giữa) giành giải Nobel nhờ mô hình AI AlphaFold. Ảnh: Nature
