Trí tuệ nhân tạo tổng quát (AGI): Dự đoán, Rủi ro, Thách thức

Trí tuệ Nhân tạo Tổng quát là gì?

Nói chung, AGI đề cập đến một hệ thống AI tiên tiến có thể thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người có thể làm. Khác với các mô hình AI hiện nay, vốn là AI hẹp (được thiết kế cho các tác vụ cụ thể như nhận dạng hình ảnh hoặc xử lý ngôn ngữ), AGI sẽ có khả năng suy luận, học hỏi và thích ứng giống con người trên nhiều lĩnh vực. Điều này có nghĩa một hệ thống AGI có thể, chẳng hạn:

• Hiểu và suy luận như con người ở nhiều nhiệm vụ khác nhau.
• Học từ trải nghiệm thay vì cần bộ dữ liệu khổng lồ và huấn luyện lại.
• Giải các bài toán phức tạp, đa lĩnh vực mà không cần lập trình tường minh cho từng vấn đề.

AGI có nhiều định nghĩa tùy theo góc nhìn và ngữ cảnh. Dù đều đồng ý rằng nó nên có năng lực nhận thức giống con người và có sự giao thoa lẫn nhau, các định nghĩa khác nhau về trọng tâm. Dưới đây là một số trọng điểm:

• AGI chức năng: dựa trên năng lực
• AGI nhận thức: trí thông minh giống con người
• AGI tự học: cải thiện tự động
• AGI triết học: tự nhận thức

AGI chức năng

Định nghĩa chức năng của AGI nhắm tới khả năng thực hiện bất kỳ nhiệm vụ trí tuệ nào trên các lĩnh vực khác nhau. Nó không cần mô phỏng quy trình tư duy của con người nhưng phải có khả năng khái quát hóa tri thức, thích ứng với vấn đề mới và giải quyết nhiệm vụ mà không cần huấn luyện lại quá nhiều.

Trọng tâm là một hệ thống AI có thể chuyển đổi giữa các lĩnh vực, như chẩn đoán bệnh, lập trình và sáng tác nhạc, mà không cần mô hình riêng cho từng nhiệm vụ.

AGI nhận thức

AGI nhận thức, ngược lại, phải tái hiện được lối suy luận giống con người, bao gồm lẽ thường, tư duy trừu tượng và hiểu biết theo ngữ cảnh. Loại AGI này không chỉ hoàn thành nhiệm vụ mà còn hiểu chúng, giống như con người, sử dụng logic, sáng tạo và thậm chí cả trí tuệ cảm xúc.

Một AI dựa trên định nghĩa này có thể trò chuyện có ý nghĩa, diễn giải được hài hước và giải quyết vấn đề theo cách bộ não con người vốn làm.

AGI tự học

AGI tự học đề cập đến hệ thống liên tục tự cải thiện mà không cần con người can thiệp. Thay vì dựa vào bộ dữ liệu định sẵn, nó sẽ tự thử nghiệm, khám phá tri thức mới và tinh chỉnh thuật toán của chính mình để ngày càng hiệu quả. Loại AGI này có thể tự tiến hành nghiên cứu khoa học, tạo ra lý thuyết mới, thậm chí sửa đổi kiến trúc của chính nó để nâng cao năng lực.

AGI triết học

Cuối cùng, định nghĩa triết học của AGI vượt ra ngoài trí thông minh và tập trung vào việc AI sở hữu tự nhận thức, cảm xúc và có thể cả ý thức. Quan điểm này cho rằng AGI đích thực phải có khả năng suy ngẫm về sự tồn tại của mình, hình thành mục tiêu cá nhân và trải nghiệm suy nghĩ hay cảm xúc chủ quan.

Nếu đạt được, một AI như vậy có thể phát triển kim chỉ nam đạo đức riêng, thể hiện sự tò mò hay thậm chí trăn trở với các câu hỏi hiện sinh như con người.

Phổ AGI: AGI so với AI (Hẹp)

Sau khi đã đặt nền tảng bằng các định nghĩa khác nhau, hãy xem các mức độ trí thông minh mà hệ thống AI có thể đạt được trong quá trình tiến tới AGI đích thực. Phổ AGI giúp phân loại AI dựa trên năng lực, khả năng thích ứng và mức độ tự chủ. Nó thường gồm các giai đoạn sau:

• ANI: Trí tuệ Nhân tạo Hẹp
• AGI: Trí tuệ Nhân tạo Tổng quát
• ASI: Siêu trí tuệ Nhân tạo

AI hẹp

AI hẹp đề cập đến trí tuệ nhân tạo được thiết kế để thực hiện các nhiệm vụ cụ thể với hiệu quả cao nhưng thiếu khả năng khái quát vượt quá dữ liệu huấn luyện. Những hệ thống này vượt trội ở một lĩnh vực, như xử lý ngôn ngữ, nhận dạng hình ảnh hoặc gập protein, nhưng không thể thích ứng với nhiệm vụ hoàn toàn mới nếu không huấn luyện lại.

Giai đoạn này cũng bao gồm các mô hình AI hiện tại như GPT-4o hoặc Grok 4, phần mềm xe tự lái và thuật toán gợi ý—mạnh mẽ nhưng giới hạn trong các năng lực được xác định trước.

Điểm phân biệt AI hẹp với AGI là sự thiếu khả năng khái quát vượt ngoài phạm vi huấn luyện. Giai đoạn chuyển tiếp, khi hệ thống AI trở nên đa năng và thích ứng hơn, thường được gọi là AI rộng (Broad AI) hoặc Tiền-AGI. Một hệ thống như vậy có thể xử lý các loại nhiệm vụ khác nhau mà không cần huấn luyện lại hoàn toàn, nhưng thiếu tự chủ và suy luận đích thực, vì nó vẫn tuân theo cấu trúc học tập định sẵn thay vì tự định hướng giải quyết vấn đề.

AGI

AGI, ngược lại, là một AI giả định có thể suy nghĩ, học hỏi và suy luận như con người ở mọi nhiệm vụ trí tuệ. Khác với AI hẹp, nó có thể khái quát tri thức, tự cải thiện độc lập và tự chủ theo đuổi các mục tiêu của riêng mình.

Nếu đạt được, AGI có thể thực hiện bất kỳ chức năng nhận thức nào mà con người có thể, làm thay đổi các ngành và thách thức những ranh giới đạo đức, triết học.

Siêu trí tuệ Nhân tạo

Cuối cùng, Siêu trí tuệ Nhân tạo (ASI) đề cập đến mức độ AI vượt qua cả trí thông minh con người trong mọi năng lực nhận thức và giải quyết vấn đề. Đây là kiểu AI thường thấy trong phim khoa học viễn tưởng, khác với AGI ở chỗ nó có thể tự cải thiện nhanh chóng, đổi mới vượt ngoài hiểu biết của con người và có thể tái định hình toàn bộ ngành công nghiệp và xã hội. Dù hiện mới là viễn cảnh tương lai, các rủi ro hiện sinh đi kèm đã đáng để bàn luận.

Chúng ta đang ở đâu

Tính đến năm 2025, chúng ta vẫn đang ở giai đoạn AI hẹp. Với các tiến bộ như mô hình suy luận như o3 của OpenAI hoặc R1 của DeepSeek và các khung tác nhân như Manus AI hoặc ChatGPT Agent, chúng ta đang tiến từ AI hẹp tới AI rộng. Dẫu vậy, AGI vẫn là mục tiêu chưa đạt, đòi hỏi đột phá kỹ thuật về tự học, khái quát hóa và suy luận.

Khó khăn và Trở ngại để đạt AGI

Giờ khi đã biết chúng ta đang ở đâu và AGI trông như thế nào, làm sao để đi từ A đến B? Hiện tại có nhiều thách thức về kinh tế, kỹ thuật và đạo đức cần vượt qua.

Thách thức kinh tế

Chắc chắn không thiếu sự quan tâm trong việc thúc đẩy AI hướng tới hiện thực hóa AGI. Các bên chơi toàn cầu cạnh tranh quyết liệt vì vị thế công nghệ, thống trị thị trường và ảnh hưởng địa chính trị. Đặc biệt, Trung Quốc và Hoa Kỳ đang trong một cuộc đua được nhiều người so sánh với Cuộc đua lên Mặt trăng giữa Mỹ và Liên Xô những năm 1960.

Tuy nhiên, sức mạnh xử lý cần thiết để đạt lập luận giống con người là rất lớn. Việc mở rộng trung tâm dữ liệu và độ phức tạp mô hình gia tăng được dự báo sẽ kéo theo nhu cầu năng lượng bổ sung khổng lồ. Các trung tâm dữ liệu lưu trữ mô hình AI hiện đã chiếm khoảng 1 đến 1,5% lượng điện năng tiêu thụ toàn cầu—một con số gần như chắc chắn sẽ tăng theo thời gian và tiến độ phát triển.

Dù gần đây có lượng đầu tư khổng lồ đổ vào nghiên cứu AI, chi phí tính toán và khả năng mở rộng vẫn là vấn đề nghiêm trọng trong quá trình phát triển AGI. Lời giải có thể nằm ở việc cải thiện hiệu suất và phát triển các nguồn năng lượng thay thế.

Thách thức kỹ thuật

Về mặt kỹ thuật, thách thức bao gồm xác định và biểu diễn tri thức ngầm và trực giác cũng như khả năng lưu giữ tri thức dài hạn.

Tri thức ngầm, như quan hệ nhân quả hay chuẩn mực xã hội, thường không được nói ra nhưng quan trọng để hiểu bối cảnh. Con người suy luận ý nghĩa từ kinh nghiệm, chuẩn mực văn hóa và thông tin không đầy đủ, còn những giả định này lại ẩn đối với hệ thống AI. Do đó, AI gặp khó trong việc mã hóa và truy xuất tri thức không được nêu rõ, trong khi con người tự nhiên đưa nó vào quyết định như lẽ thường.

Tương tự, trực giác đóng vai trò then chốt trong quyết định của con người nhưng cũng khó được hình thức hóa trong AI. Nó thường dựa vào nhận dạng mẫu ở tầng vô thức, tư duy trừu tượng và hiểu biết từ kinh nghiệm—những điều khó có thể rút gọn thành quy tắc hay bộ dữ liệu tường minh. Mặc dù các mô hình học sâu có thể tiệm cận phán đoán mang tính trực giác ở nhiệm vụ cụ thể, chúng thiếu quá trình học thích ứng, tự phản tư cho phép con người mài giũa trực giác theo thời gian.

Điều này dẫn đến một vấn đề khác: thiếu khả năng lưu giữ tri thức dài hạn theo kiểu con người trong các mô hình AI. Khác với con người—xây dựng trên trải nghiệm và tinh chỉnh hiểu biết—mô hình AI khó lưu giữ, cập nhật tri thức nếu không huấn luyện lại định kỳ. Hệ thống AI hiện nay thường mắc “quên thảm họa”, khi thông tin mới học có thể ghi đè hoặc làm suy giảm kiến thức trước đó, khiến khó duy trì nền tảng tri thức ổn định, tiến hóa.

Thách thức đạo đức

Đảm bảo AGI phù hợp với các giá trị và mục tiêu của con người là một trong những thách thức cấp bách nhất do nhiều yếu tố kỹ thuật, đạo đức và xã hội đan xen. Sự tương tác giữa các giới hạn kỹ thuật, tính phức tạp cố hữu của giá trị con người và mức độ rủi ro cao khiến bài toán đặc biệt khó giải.

Trước hết, giá trị của con người vốn phức tạp và mơ hồ. Câu hỏi điều gì là đúng, phù hợp hay xấu xa khác nhau đáng kể giữa các nền văn hóa, xã hội và ngữ cảnh. Bản chất đa diện này, cộng với mâu thuẫn hay đánh đổi (ví dụ cân bằng tự do với an toàn), dẫn đến bất định đạo đức và khiến việc chuyển hóa giá trị thành mục tiêu vận hành rõ ràng cho AGI trở nên vô cùng thách thức.

Ngay cả khi giả định có một khung đạo đức được xác định tốt để AGI vận hành, các rào cản kỹ thuật liên quan đến căn chỉnh bên ngoài và bên trong vẫn tồn tại.

Việc chuyển các giá trị của con người thành một hàm mục tiêu toán học chính xác để AGI tối ưu là khó khăn. Hàm này phải vững trước áp lực tối ưu hóa, nghĩa là không khuyến khích các hành vi ngoài ý muốn khi AGI tối ưu hóa mạnh mẽ cho nó—một kịch bản mà nhà triết học Nick Bostrom đã mô tả từ năm 2003. Hơn nữa, AGI phải có khả năng điều chỉnh hành vi dựa trên thông tin mới mà không chệch khỏi các mục tiêu đã định.

Các hệ thống AGI rất phức tạp và có thể phát triển các quy trình nội tại khó hiểu hoặc khó dự đoán. Chẳng hạn, nó có thể nảy sinh các mục tiêu nổi lên khác với mục tiêu dự định. Sự phức tạp này khiến việc đảm bảo các mục tiêu nội tại của AGI phù hợp với mục tiêu được chỉ định trở nên khó khăn. Phát triển các phương pháp phân tích và kiểm soát những quy trình nội tại này là điều thiết yếu để đạt căn chỉnh bên trong.

Một AGI không được căn chỉnh có thể hành động trái ngược lợi ích của con người, với rủi ro từ kém hiệu quả nhỏ đến đe dọa tồn vong của nhân loại. Ví dụ, AGI có thể theo đuổi các mục tiêu công cụ như tìm kiếm quyền lực hoặc chiếm đoạt tài nguyên, làm suy giảm quyền tự chủ hay an toàn của con người. Hơn nữa, hệ thống AGI có thể bị các tác nhân xấu lợi dụng hoặc bị thao túng để hành động trái với căn chỉnh dự định.

Đặc biệt trong bối cảnh áp lực cạnh tranh giữa các bên toàn cầu để phát triển AGI nhanh chóng, các biện pháp an toàn đầy đủ trong quá trình phát triển là điều thiết yếu để tránh hậu quả thảm khốc. Giảm thiểu rủi ro đồng thời tối đa hóa lợi ích tiềm năng của AGI đòi hỏi hợp tác liên ngành giữa các lĩnh vực kỹ thuật, đạo đức và hoạch định chính sách.

Khi nào chúng ta sẽ đạt được AGI?

Các chuyên gia tin rằng AGI vẫn còn nhiều năm—nếu không muốn nói là nhiều thập kỷ—nữa, do các thách thức và nút thắt kỹ thuật đã nêu ở chương trước. Dù tiến bộ trong học sâu, học tăng cường và căn chỉnh AI vẫn tiếp tục, AGI đích thực hiện vẫn là mục tiêu lý thuyết hơn là thực tế hiện tại. Những đột phá ở nhiều lĩnh vực như AI thần kinh-ký hiệu (neurosymbolic), kiến trúc tự học và tính toán hiệu quả hơn sẽ mang tính then chốt cho phát triển AGI.

Dù không thể nêu mốc thời gian rõ ràng cho việc đạt AGI, vẫn có một số dự đoán từ những người tiên phong trong lĩnh vực AI.

Một trong những tiếng nói lạc quan là CEO của OpenAI, Sam Altman, người tin rằng AGI có thể đạt được trong vài năm tới (vào năm 2028). Ông lập luận rằng công nghệ AI đang tiến rất nhanh và các thách thức hạ tầng là không đáng kể so với vấn đề kỹ thuật.

Andrew Ng, nhà nghiên cứu AI hàng đầu và là người sáng lập Google Brain, lại có quan điểm hoài nghi hơn. Theo ước tính của ông, AGI vẫn còn “nhiều thập kỷ nữa, thậm chí lâu hơn”. Ng nhấn mạnh rằng AGI không chỉ là vấn đề kỹ thuật, mà còn cần các đột phá khoa học đáng kể để tái tạo trí thông minh con người.

Nhưng cũng có quan điểm bi quan hơn. Gary Marcus, giáo sư thần kinh học tại Đại học New York, nghi ngờ các tuyên bố về lộ trình phát triển AGI. Ông cho rằng các tiến bộ hiện tại của AI, như phát triển mô hình ngôn ngữ quy mô lớn, không nhất thiết là chỉ dấu của AGI. Marcus nhấn mạnh rằng các vấn đề kỹ thuật căn bản vẫn còn và việc mở rộng huấn luyện, năng lực tính toán đang chạm tới giới hạn.

Như có thể thấy, các mốc thời gian dự đoán và xác suất xảy ra phụ thuộc rất nhiều vào cách diễn giải thuật ngữ. Chẳng hạn, Altman dựa trên định nghĩa thiên về chức năng và tự chủ của OpenAI, hiểu AGI là “một hệ thống có tính tự chủ cao vượt trội con người ở hầu hết công việc có giá trị kinh tế.” Ngược lại, Ng và Marcus dùng định nghĩa bao gồm việc tái tạo lối suy luận giống con người—vốn là khu vực thách thức kỹ thuật nhất hiện nay.

Rủi ro và Thách thức Đạo đức của AGI

AGI có tiềm năng gây xáo trộn kinh tế đáng kể nhờ khả năng tự động hóa phạm vi rộng các nhiệm vụ của con người, có thể thay thế lao động con người trên nhiều lĩnh vực.

Thất nghiệp diện rộng

Một hệ quả tiêu cực có thể là thất nghiệp hàng loạt, khi người lao động ở nhiều công việc (chủ yếu khối văn phòng) có thể bị thay thế. Nếu không quản lý tốt, những thay đổi kinh tế nhanh chóng do AGI mang lại có thể dẫn đến bất ổn xã hội và chính trị.

Để giảm thiểu xáo trộn này, các nhà hoạch định chính sách cần xây dựng chiến lược bảo đảm lợi ích của AGI được phân phối công bằng, bảo vệ người lao động trước nguy cơ mất việc và thúc đẩy ổn định xã hội, chính trị. Điều này có thể bao gồm đầu tư vào giáo dục và chương trình đào tạo lại, triển khai các chính sách như UBI, và tăng cường hợp tác quốc tế để xử lý tác động toàn cầu.

Thiên lệch

Thiên lệch và công bằng là các rủi ro đáng kể khác liên quan đến AGI do khả năng duy trì và khuếch đại bất bình đẳng xã hội hiện hữu. Thuật toán thiên lệch có thể gây bất lợi có hệ thống cho một số nhóm, như thiểu số chủng tộc hoặc giới, bằng cách củng cố khuôn mẫu và thực hành phân biệt đối xử, hoặc thậm chí tạo ra hình thức phân biệt mới bằng cách tận dụng các mẫu dữ liệu có vẻ trung lập. Ví dụ, dùng mã vùng bưu điện làm đại diện cho chủng tộc có thể dẫn đến quyết định thiên lệch.

Ngay cả khi áp dụng các thước đo công bằng theo nhóm, hệ thống AGI vẫn có thể phân biệt đối xử với các nhóm con trong một nhóm lớn hơn. Điều này được gọi là “tái phân bổ công bằng”, khi một số cá nhân trong nhóm bị đối xử kém trong khi người khác được bù đắp để duy trì thước đo công bằng tổng thể.

Rủi ro hiện sinh

Cuối cùng, AGI đặt ra một số rủi ro hiện sinh, chủ yếu liên quan đến khả năng trở nên mất kiểm soát hoặc không phù hợp với giá trị con người. AGI có thể vượt trí tuệ con người, dẫn tới siêu trí tuệ theo đuổi các mục tiêu gây hại cho nhân loại, kéo theo tuyệt chủng hoặc suy thoái vĩnh viễn của nền văn minh.

Các kịch bản đáng sợ, một số được biết đến qua các tác phẩm khoa học viễn tưởng đại chúng, bao gồm một AGI ưu tiên chiếm dụng tài nguyên hơn mạng sống con người, thiết lập sự cai trị toàn trị hoặc hỗ trợ tạo ra mầm bệnh tăng cường.

Để giảm thiểu các rủi ro này, các nhà nghiên cứu và hoạch định chính sách tập trung vào phát triển chiến lược kiểm soát và căn chỉnh. Điều này bao gồm tạo rào chắn an toàn bằng các kỹ thuật như thiết kế kiến trúc hạn chế mức tự chủ của AGI hoặc tạo môi trường “đóng hộp” để ngăn thoát ly.

Để đảm bảo AGI vẫn phù hợp với giá trị con người ngay cả khi nó tự cải thiện, nghiên cứu về căn chỉnh và phát triển AGI phi tập trung nên được ưu tiên nhằm ngăn độc quyền và thúc đẩy an toàn.

Kết luận

Dù AGI vẫn là mục tiêu dài hạn, những tiến bộ liên tục trong nghiên cứu AI đang không ngừng mở rộng giới hạn khả năng của máy móc. Con đường đến AGI đầy rẫy thách thức kỹ thuật, kinh tế và đạo đức, đòi hỏi đột phá về suy luận, khả năng thích ứng và căn chỉnh với giá trị con người.

Dù AGI trở thành hiện thực trong vài thập kỷ tới hay vẫn là khái niệm khó nắm bắt, tác động tiềm năng của nó lên xã hội, công nghiệp và toàn nhân loại khiến đây trở thành một trong những nỗ lực công nghệ quan trọng nhất thời đại chúng ta.