Năm 1973, các nhà nghiên cứu AI đang ở thời kỳ đỉnh cao. Máy móc có thể giải bài toán đại số, chơi cờ vua và hiểu các câu đơn giản. Rồi nguồn tài trợ cạn kiệt gần như chỉ sau một đêm. Phòng thí nghiệm đóng cửa, sự nghiệp đình trệ, và cụm từ "trí tuệ nhân tạo" trở thành cái tên khiến nhà đầu tư quay lưng. Đó không chỉ là một đợt điều chỉnh thị trường. Đó là một mùa đông AI, kéo dài gần một thập kỷ.
Những giai đoạn sụp đổ đột ngột như vậy đã xảy ra hai lần trong lịch sử AI và định hình mọi cách tiếp cận lĩnh vực này ngày nay. Trong hướng dẫn này, bạn sẽ thấy: mốc thời gian lịch sử của cả hai mùa đông AI, các mô hình cơ bản đã kích hoạt chúng, và những bài học thực tiễn chúng ta có thể áp dụng để tránh lặp lại các chu kỳ này.
Định nghĩa hiện tượng Mùa đông AI
Mùa đông AI mô tả giai đoạn suy giảm tài trợ, sự quan tâm và niềm tin vào nghiên cứu trí tuệ nhân tạo. Thuật ngữ này xuất phát từ chính cộng đồng nghiên cứu, dùng ẩn dụ mùa lạnh để diễn tả cách nhiệt huyết và đầu tư đột ngột "đóng băng" sau những thời kỳ tăng trưởng. Đây không phải là những đợt suy thoái ngắn. Mùa đông AI đã kéo dài 6–13 năm và làm gián đoạn sâu sắc quỹ đạo của lĩnh vực này. Nhận diện các mô thức đặc trưng có thể giúp chúng ta hiểu cả các sự kiện lịch sử lẫn rủi ro hiện tại, và có lẽ ngăn ngừa những mùa đông tương lai.
Chu kỳ thổi phồng rồi vỡ mộng
Trung tâm của mọi mùa đông AI là một động lực có thể dự đoán được. Đột phá ban đầu thu hút truyền thông và công chúng, dẫn đến kỳ vọng phóng đại về những gì AI có thể đạt được trong ngắn hạn. Sự phấn khích này kéo theo nguồn vốn từ cơ quan chính phủ và nhà đầu tư tư nhân, cho phép nhiều nghiên cứu hơn và tạo ra nhiều kết quả hơn (một số thực, một số bị thổi phồng). Cuối cùng, khoảng cách giữa điều được hứa hẹn và điều được thực hiện trở nên quá lớn để phớt lờ. Khi hệ thống không đáp ứng được những lời hứa đó, hoài nghi chiếm ưu thế và tài trợ sụp đổ.
Mô hình Vòng đời Hype của Gartner là khuôn khổ hữu ích: công nghệ leo lên "đỉnh kỳ vọng bị thổi phồng" trước khi rơi xuống "vực thẳm vỡ mộng." Đó chính xác là điều đã xảy ra với AI trong thập niên 1970 và 1980. Chu kỳ này phản chiếu bong bóng kinh tế ở các lĩnh vực công nghệ khác, nhưng mùa đông AI có những đặc trưng riêng. Khác với bong bóng thuần tài chính, mùa đông AI bắt nguồn từ các giới hạn kỹ thuật cơ bản mà các nhà nghiên cứu có thể chưa lường hết ban đầu. Những vấn đề tưởng như có thể giải quyết "trong vài năm" hóa ra cần hàng thập kỷ bổ sung.
Các pha cấu trúc
Chúng ta có thể xác định cách mùa đông AI diễn ra trên thực tế. Những giai đoạn này đi qua các pha riêng biệt theo một quỹ đạo có thể dự đoán.
Đầu tiên là giai đoạn hứa hẹn quá mức. Các nhà nghiên cứu và tổ chức đưa ra dự báo tự tin về những năng lực còn cách nhiều năm hoặc nhiều thập kỷ. Truyền thông khuếch đại các tuyên bố này, và cơ quan tài trợ đưa ra quyết định đầu tư dựa trên lộ trình lạc quan. Rồi thực tế ập đến. Hệ thống thất bại trong ứng dụng thực tế, nhu cầu tính toán vượt quá mức khả thi, và khoảng cách giữa bản demo và giải pháp triển khai trở nên hiển nhiên.
Tiếp theo là cái mà giới nghiên cứu gọi là "sự phân tán tri thức." Khi nguồn tài trợ sụp đổ, các nhà nghiên cứu AI tản sang lĩnh vực khác. Chuyên gia thị giác máy tính chuyển sang đồ họa. Nhà nghiên cứu học máy chuyển sang thống kê. Sự chảy máu chất xám này để lại hệ quả lâu dài vì làm gián đoạn tích lũy chuyên môn. Khi hứng thú quay trở lại, lĩnh vực phải phần nào xây dựng lại nền tảng tri thức. Hiểu mô hình này hữu ích vì nó lý giải vì sao mỗi mùa đông kéo lùi lĩnh vực nhiều đến vậy, và vì sao việc ngăn chặn chúng lại quan trọng đến thế.
Lịch sử và mốc thời gian các Mùa đông AI
Với những mô thức này trong đầu, hãy điểm lại cách chúng thực sự diễn ra trong lịch sử. AI đã trải qua hai mùa đông lớn, mỗi mùa do các bối cảnh khác nhau kích hoạt nhưng đều theo quỹ đạo vừa nêu.
Nền tảng trí tuệ của AI hình thành trong thập niên 1950 với những người tiên phong như Alan Turing, John McCarthy và Marvin Minsky. Hội nghị Dartmouth năm 1956 đánh dấu sự khai sinh chính thức của lĩnh vực, quy tụ các nhà nghiên cứu tin rằng trí tuệ máy có thể đạt được trong một thế hệ. Sự lạc quan này không phải vô căn cứ. Các chương trình đầu tiên có thể chứng minh định lý toán học, chơi cờ dam và giải đố.
Nhưng dấu hiệu cảnh báo xuất hiện sớm hơn nhiều người nghĩ. Báo cáo ALPAC năm 1966 đánh giá nghiêm khắc các dự án dịch máy, kết luận máy tính không thể sánh với dịch giả con người và có lẽ sẽ không sớm làm được. Năm 1969, cuốn "Perceptrons" của Marvin Minsky và Seymour Papert cho thấy các giới hạn toán học của mạng nơ-ron một lớp, tạm thời dừng hướng nghiên cứu đó. Những trở ngại sớm này dự báo các vấn đề có hệ thống sẽ kích hoạt mùa đông AI đầu tiên.
Mùa đông AI đầu tiên (1974–1980)
Dựa trên những dấu hiệu cảnh báo sớm đó, mùa đông AI đầu tiên bắt đầu năm 1974 và kéo dài đến khoảng 1980, tái định hình căn bản ưu tiên nghiên cứu và con đường sự nghiệp trong toàn lĩnh vực. Hãy xem chu kỳ thổi phồng–vỡ mộng đã diễn ra thế nào trên thực tế.
Dẫn nhập và làn sóng thổi phồng ban đầu
Giai đoạn 1956–1973 thường được gọi là "Kỷ nguyên Vàng" của AI. Các nhà nghiên cứu phát triển hệ thống suy luận ký hiệu, xử lý ngôn ngữ tự nhiên sơ khai và các chương trình giải quyết vấn đề gây ấn tượng với cả giới học thuật lẫn công chúng. Các cơ quan chính phủ, đặc biệt ở Mỹ và Anh, đã đầu tư mạnh vào nghiên cứu AI. DARPA tài trợ cho các phòng thí nghiệm đại học, và truyền thông thường xuyên đưa tin về những cỗ máy sắp biết suy nghĩ như con người.
Làn sóng này tạo ra kỳ vọng phi thực tế. Đôi khi chính các nhà nghiên cứu góp phần vào vấn đề. Marvin Minsky từng dự đoán năm 1970 rằng trong "ba đến tám năm chúng ta sẽ có một cỗ máy có trí thông minh ngang người bình thường." Những mốc thời gian đầy tự tin này ảnh hưởng đến quyết định tài trợ và nhận thức công chúng, đặt nền cho sự thất vọng sau đó.
Báo cáo Lighthill và tác động của nó
Năm 1973, Sir James Lighthill trình bày một báo cáo trước Hội đồng Nghiên cứu Khoa học Anh, trong đó phê phán có hệ thống nghiên cứu AI. Lighthill lập luận rằng AI không đạt được mục tiêu và nhiều vấn đề gặp "sự bùng nổ tổ hợp," nơi số khả năng cần xem xét tăng theo hàm mũ khi quy mô bài toán lớn lên. Điều này đồng nghĩa tài nguyên tính toán trở nên quá lớn, khiến ứng dụng thực tế không khả thi.
Đánh giá này đã tàn phá nghiên cứu AI ở Anh. Chính phủ Anh cắt tài trợ AI trên khắp các trường đại học, và nhiều nhà nghiên cứu rời lĩnh vực hoặc chuyển sang Mỹ. Ảnh hưởng của báo cáo Lighthill vượt ra ngoài nước Anh, cung cấp luận cứ cho những người hoài nghi tài trợ trên toàn thế giới và góp phần vào quyết định của DARPA cắt giảm hỗ trợ nghiên cứu AI năm 1974.
Cắt giảm tài trợ và hệ quả
Khi DARPA và các cơ quan khác rút hỗ trợ, tác động lan khắp hệ sinh thái nghiên cứu. Các trường đại học đóng cửa phòng lab AI, chương trình sau đại học thu hẹp, và các nhà nghiên cứu đầy triển vọng chuyển sang lĩnh vực khác để có việc làm. Thuật ngữ "trí tuệ nhân tạo" trở nên độc hại trong hồ sơ xin tài trợ. Các nhà nghiên cứu bắt đầu dùng những uyển ngữ như "tin học" hoặc "trí tuệ tính toán" để tránh kỳ thị.
Sự phân tán tri thức khởi phát. Các nhà nghiên cứu chuyển sang lĩnh vực lân cận hoặc rời học thuật. Sự phân tán này khiến khi AI hồi sinh trong thập niên 1980, nhiều tri thức tổ chức phải xây dựng lại từ đầu. Sự hồi sinh đó đến từ hệ chuyên gia, hứa hẹn cách tiếp cận thực tiễn hơn, theo lĩnh vực cụ thể.
Mùa đông AI thứ hai (Cuối thập niên 1980–Giữa thập niên 1990)
Dù khởi đầu đầy hứa hẹn với hệ chuyên gia, mùa đông AI thứ hai đã đến vào cuối thập niên 1980, chứng minh rằng giải quyết một tập vấn đề không ngăn được các điểm yếu mới xuất hiện.
Bong bóng hệ chuyên gia
Đầu thập niên 1980, hệ chuyên gia nắm bắt tri thức con người trong các lĩnh vực hẹp thông qua các luật được xây dựng thủ công. Các hệ như MYCIN (chuẩn đoán y khoa) và XCON (cấu hình máy tính) mang lại giá trị kinh doanh thực tế, và các công ty đầu tư mạnh vào những hệ thống dựa trên luật này. Cả một ngành công nghiệp "kỹ nghệ tri thức" nở rộ, và Dự án Máy tính Thế hệ Thứ năm của Nhật nhằm xây dựng máy tính song song quy mô lớn tối ưu cho hệ chuyên gia, thúc đẩy phản ứng cạnh tranh ở Mỹ và châu Âu.
Nhưng vấn đề nhanh chóng xuất hiện. Xây dựng một hệ thống đơn lẻ có thể mất nhiều năm phỏng vấn chuyên gia và chuyển hóa tri thức của họ thành luật hình thức. Bảo trì còn khó hơn. Khi cơ sở tri thức phình to, các luật tương tác khó lường, khiến gỡ lỗi trở nên khó khăn. Vấn đề "dễ vỡ" bộc lộ khi triển khai: hệ chuyên gia hoạt động tốt với ví dụ được thiết kế cho nó nhưng thất bại với những gì hơi khác. Chúng không xử lý được các tình huống lộn xộn, mơ hồ vốn là bản chất của vấn đề đời thực. Khoảng cách giữa bản demo có kiểm soát và triển khai thực tế phản chiếu đúng vấn đề gây ra mùa đông đầu tiên.
Các tác nhân sụp đổ
Thị trường hệ chuyên gia sụp đổ năm 1987. Chi phí phần cứng đóng vai trò lớn. Hệ chuyên gia thường chạy trên "máy Lisp" chuyên dụng có giá cao hơn nhiều so với máy tính tiêu chuẩn. Khi máy tính cá nhân và workstation đủ mạnh để chạy phần mềm tương tự với chi phí thấp hơn nhiều, lập luận kinh tế cho phần cứng AI chuyên dụng biến mất. Thị trường máy Lisp sụp đổ, và Dự án Thế hệ Thứ năm của Nhật kết thúc mà không đạt được các mục tiêu tham vọng.
Các công ty đã đầu tư vào hệ chuyên gia phát hiện chi phí bảo trì liên tục vượt giá trị hệ thống mang lại. Cơ sở tri thức cần cập nhật thường xuyên, đòi hỏi kỹ sư tri thức đắt đỏ. Trong khi đó, các cách tiếp cận đơn giản hơn thường hiệu quả hơn cho nhiều vấn đề. Sự lệch pha giữa mục tiêu nghiên cứu và nhu cầu kinh doanh trở nên không thể bỏ qua. Các dự án lớn không đáp ứng lời hứa, và thất vọng tràn lan.
Co cụm của ngành
Thị trường phần cứng AI sụp đổ dữ dội. Các công ty sản xuất workstation AI chuyên dụng phá sản hoặc chuyển hướng sang thị trường khác. Sự sụp đổ này kéo theo cả ngành hệ chuyên gia, kích hoạt một đợt đóng băng tài trợ khác cho nghiên cứu AI. Startup đóng cửa, các chương trình học thuật chịu cắt giảm nặng nề.
Mùa đông thứ hai làm phân tán các nhà nghiên cứu AI còn rộng hơn mùa đầu. Một số chuyển sang các lĩnh vực khoa học máy tính lân cận như cơ sở dữ liệu hoặc kỹ thuật phần mềm. Những người khác chuyển sang khoa học nhận thức hoặc thần kinh học. Các nhà nghiên cứu học máy thường đổi nhãn công việc của mình thành "thống kê" hoặc "khai phá dữ liệu" để tránh kỳ thị AI. Tác động tâm lý rất lớn. Những người đã dành cả sự nghiệp cho AI thấy mình lạc lối nghề nghiệp, và nhiều người rời lĩnh vực vĩnh viễn.
Sự phục hồi sau mùa đông thứ hai kéo dài lâu hơn mùa đầu. Trong suốt thập niên 1990 và đầu 2000, "trí tuệ nhân tạo" vẫn là nhãn gây vấn đề. Các nhà nghiên cứu thị giác máy tính, xử lý ngôn ngữ tự nhiên hay học máy thường tránh gọi công việc của họ là "AI." Khi tài trợ quay trở lại, nó tập trung vào các mục tiêu cụ thể, khả thi thay vì những tuyên bố rộng về trí tuệ tổng quát.
Các mô thức lặp lại qua cả hai mùa đông
Sau khi điểm qua cả hai mùa đông AI trong lịch sử, chúng ta có thể xác định ba mô thức cốt lõi đã kích hoạt các đợt sụp đổ này. Hiểu các mô thức này giúp nhận diện những điểm yếu tương tự trong môi trường AI hiện nay.
Giới hạn công nghệ
Cả hai mùa đông AI đều bắt nguồn từ những rào cản kỹ thuật cơ bản bị đánh giá thấp. Mùa đầu bộc lộ sự bùng nổ tổ hợp, nơi tài nguyên tính toán cho bài toán phức tạp tăng theo hàm mũ. Mùa thứ hai phơi bày sự "dễ vỡ" của hệ chuyên gia, không thể học hoặc xử lý bất định. Trong mỗi trường hợp, công nghệ hoạt động xuất sắc trên các ca kiểm thử được chọn lọc kỹ nhưng thất bại trước độ phức tạp của thế giới thực. Mùa đông ập đến khi khoảng cách giữa trình diễn trong phòng lab và triển khai thực tế trở nên quá rõ ràng để bỏ qua.
Động lực thổi phồng và quản lý kỳ vọng
Cả hai mùa đều theo quỹ đạo Vòng đời Hype của Gartner. Đột phá ban đầu tạo hứng khởi, truyền thông khuếch đại thành tựu, và vốn đổ vào dựa trên kỳ vọng ngắn hạn bị thổi phồng. Dự đoán của Marvin Minsky về trí tuệ ngang người "trong ba đến tám năm" là ví dụ điển hình của sự tự tin thái quá ở mùa đầu. Hệ chuyên gia cũng được tiếp thị như giải pháp có thể mở rộng để thu giữ tri thức con người. Khi thực tế không theo kịp lời hứa, sự điều chỉnh diễn ra nhanh và dữ dội. Truyền thông, cơ quan tài trợ và cấu trúc thể chế đều góp phần xây dựng kỳ vọng vượt quá khả năng công nghệ.
Biến động tài trợ và vai trò của chính phủ
Cả hai mùa đều có chu kỳ bùng nổ–suy thoái, nơi đầu tư lớn nhường chỗ cho sự rút lui đột ngột. Các cơ quan chính phủ như DARPA định hình cả hệ sinh thái nghiên cứu, và khi nguồn vốn biến mất, nhà nghiên cứu tản sang lĩnh vực khác. Sự phân tán tri thức này đặc biệt gây hại vì nghiên cứu AI cần nỗ lực bền bỉ để xây dựng chuyên môn. Lĩnh vực mất không chỉ tiền mà còn cả tính liên tục và tích lũy tri thức. Điều làm các đợt sụp đổ tệ hơn là sự tập trung nguồn lực vào các tiếp cận đơn lẻ—AI ký hiệu trong mùa đầu, hệ chuyên gia trong mùa thứ hai. Khi những canh bạc tập trung này thất bại, hầu như không có lựa chọn được tài trợ thay thế để duy trì tiến độ.
Kỷ nguyên hiện tại và khả năng xuất hiện các mùa đông AI tương lai
Sau khi thấy hai mùa đông lớn diễn ra thế nào, có lẽ bạn đang tự hỏi về hệ sinh thái AI ngày nay. Chúng ta có đang tự đặt mình vào một đợt sụp đổ nữa, hay lần này có điều gì đó thực sự khác? Hãy xem xét tình hình hiện tại qua lăng kính các mô thức lịch sử đó.
Làn sóng bùng nổ hiện nay (2012–nay)
Làn sóng AI hiện tại bắt đầu khoảng năm 2012 với các đột phá trong học sâu. Cải thiện ngoạn mục của AlexNet trong nhận diện ảnh đánh dấu bước ngoặt. Kể từ đó, học sâu đạt kết quả ấn tượng trong thị giác máy tính, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên và chơi game.
Nhiều yếu tố khiến làn sóng này khác trước. Năng lực tính toán tăng vọt (GPU giúp huấn luyện mạng nơ-ron lớn trở nên khả thi). Dữ liệu bùng nổ cùng internet và thiết bị di động. Và học sâu tìm thấy ứng dụng thực tiễn ngay trong các sản phẩm người dùng hàng ngày.
Nhưng vẫn tồn tại điểm yếu. Học sâu phụ thuộc mạnh vào bộ dữ liệu lớn và tính toán khổng lồ. Khi mô hình phình to, chi phí huấn luyện tăng theo hàm mũ. Lĩnh vực tập trung vào một cách tiếp cận (mạng nơ-ron sâu) nhiều hơn bất kỳ thời điểm nào kể từ khi hệ chuyên gia thống trị thập niên 1980.
Chi phí tính toán là mối lo thực sự. Huấn luyện các mô hình tiên phong hiện tốn hàng chục hoặc hàng trăm triệu đô la, và các chi phí này tăng theo hàm mũ với kích thước mô hình. Nếu tiến bộ đòi hỏi mô hình ngày càng lớn nhưng lợi ích thực tế chững lại, bài toán kinh tế sẽ không bền vững. Đây chính là kiểu điểm yếu cấu trúc từng xuất hiện trước các mùa đông trước đây.
Khoảng cách giữa hiệu suất trên thước đo chuẩn và hữu dụng trong thực tế tạo ra một điểm yếu khác. Mô hình đạt điểm số ấn tượng trên các bài kiểm tra tiêu chuẩn nhưng thất bại khi triển khai vì dễ vỡ, thiên lệch hoặc không xử lý được ca biên. Nghe quen chứ? Điều này phản chiếu khoảng cách giữa bản demo hệ chuyên gia và triển khai thực tế góp phần vào mùa đông thứ hai.
Những tranh luận và điểm yếu hiện tại
Diễn ngôn AI ngày nay đôi khi vang vọng sự quá lời của các thời kỳ trước. Các thuật ngữ như "trí tuệ nhân tạo tổng quát" và dự báo về việc AI sẽ chuyển hóa mọi ngành trong vài năm tạo ra kỳ vọng bị thổi phồng. Điều này không có nghĩa AI hiện tại là bong bóng sắp vỡ. Khác thập niên 1970, chúng ta có ứng dụng thực sự và giá trị kinh tế rõ ràng. Nhưng sự hào hứng quanh mỗi lần ra mắt mô hình mới và xu hướng ngoại suy năng lực tạo ra điều kiện để kỳ vọng vượt quá thực tế.
Dẫu vậy, có nhiều yếu tố khiến kịch bản lặp lại mùa đông lịch sử ít khả năng hơn. Thứ nhất, AI gắn sâu vào các sản phẩm mọi người dùng hàng ngày. Công cụ tìm kiếm, smartphone, mạng xã hội và mua sắm trực tuyến đều dựa vào AI. Sự tích hợp này mang lại ổn định kinh tế trước đây chưa từng có.
Thứ hai, phạm vi quốc tế của nghiên cứu AI đã mở rộng đáng kể. Ngay cả khi tài trợ suy giảm ở một quốc gia hay khu vực, công việc vẫn tiếp tục nơi khác. Trung Quốc, châu Âu và các khu vực khác có hệ sinh thái AI độc lập.
Thứ ba, khu vực tư nhân đóng vai trò chủ đạo. Dù tài trợ chính phủ vẫn quan trọng, các công ty như Google, Meta và Anthropic có thể duy trì nghiên cứu nhờ doanh thu từ hoạt động cốt lõi. Sự đa dạng nguồn tài trợ này tạo khả năng chống chịu trước cú rút lui đột ngột của chính phủ.
Bài học và định hướng tương lai
Vậy chúng ta học được gì từ lịch sử này? Những mô thức đã phân tích đưa ra hướng dẫn thực tiễn cho nhà nghiên cứu, doanh nghiệp và nhà hoạch định chính sách đang làm việc với AI ngày nay. Hãy xem cách hiểu những chu kỳ này giúp xây dựng tương lai bền vững hơn cho lĩnh vực.
Quản lý kỳ vọng thực tế
Bài học quan trọng nhất từ cả hai mùa đông AI là nguy cơ của việc hứa hẹn quá mức. Khi nhà nghiên cứu, doanh nghiệp hoặc truyền thông tạo ra kỳ vọng mà công nghệ không thể đáp ứng trong ngắn hạn, sự thất vọng sau đó có thể kích hoạt rút vốn và hoài nghi công chúng, kéo lùi lĩnh vực nhiều năm.
Điều này không có nghĩa né tránh mục tiêu tham vọng. Nghiên cứu AI nên theo đuổi năng lực mang tính chuyển hóa. Nhưng truyền thông về mốc thời gian và hạn chế có ý nghĩa vô cùng lớn. Phân biệt rõ ràng giữa năng lực hiện tại và khả năng tương lai giúp duy trì uy tín. Khi có bất định về việc một hướng tiếp cận có thể mở rộng hay tổng quát hóa hay không, trung thực về các hạn chế này tốt cho lĩnh vực hơn là suy đoán lạc quan. Điều này đặc biệt quan trọng trong bối cảnh hiện nay, nơi truyền thông và kỳ vọng nhà đầu tư có thể khuếch đại tuyên bố vượt xa ngữ cảnh ban đầu.
Đa dạng hóa cách tiếp cận
Cả hai mùa đông lịch sử đều theo sau giai đoạn đầu tư nặng vào một khuôn mẫu đơn lẻ. AI ký hiệu thống trị mùa đầu, hệ chuyên gia mùa thứ hai. Khi các hướng này gặp giới hạn, cả lĩnh vực chịu ảnh hưởng. Sự tập trung ngày nay vào học sâu tạo ra rủi ro tương tự.
Duy trì nghiên cứu các hướng thay thế mang lại khả năng chống chịu quan trọng. AI thần kinh–ký hiệu, lập trình xác suất và các hướng khác có thể cung cấp lối đi khi phương pháp hiện tại đạt trần. Điều này không có nghĩa từ bỏ cách tiếp cận thành công—học sâu đã chứng tỏ giá trị. Nhưng đầu tư vào các hướng nghiên cứu đa dạng tạo ra lựa chọn khi bất kỳ phương pháp đơn lẻ nào chạm đến giới hạn tự nhiên.
Mô hình tài trợ ổn định
Chu kỳ bùng nổ–đóng băng tài trợ làm gián đoạn tính liên tục của nghiên cứu và phân tán chuyên môn. Cả hai mùa đông lịch sử đều liên quan đến việc rút vốn đột ngột gây tổn hại sức khỏe dài hạn của lĩnh vực. Các mô hình tài trợ ổn định hơn (dù qua hỗ trợ chính phủ được cấu trúc cho nghiên cứu dài hạn hay đầu tư tư nhân đa dạng) giúp duy trì tiến bộ qua cả đột phá lẫn chững lại.
Sự chuyển dịch sang các chu kỳ tài trợ ngắn và yêu cầu kết quả tức thì sau những mùa đông AI có thể đã cản trở nghiên cứu nền tảng. Tài trợ dài hạn chấp nhận giai đoạn chậm là phần tự nhiên của nghiên cứu giúp tránh hoảng loạn có thể kích hoạt mùa đông. Khi nguồn tài trợ kỳ vọng một số dự án thất bại và một số tiến bộ là tiệm tiến, lĩnh vực trở nên bền bỉ hơn trước trở ngại.
Cân bằng giữa đổi mới và quản lý
Khung chính sách và quy định đóng vai trò lớn trong việc ngăn ngừa mùa đông AI đồng thời giữ lửa đổi mới. Cả hai mùa đông lịch sử phần nào xảy ra vì cơ quan tài trợ của chính phủ rút hỗ trợ đột ngột—thập niên 1970 với DARPA và thập niên 1980 với các hội đồng nghiên cứu Anh—khiến không còn lưới an toàn. Các nhà hoạch định chính sách ngày nay cần học từ những chu kỳ này mà không tạo ra quy định có thể kìm hãm tiến bộ có lợi.
Bức tranh pháp lý khác nhau đáng kể theo khu vực. Đạo luật AI của EU sử dụng cách tiếp cận dựa trên rủi ro, áp dụng yêu cầu nghiêm ngặt hơn cho ứng dụng rủi ro cao. Mỹ ưa chuộng quy tắc theo ngành với tự quản của ngành trong nhiều lĩnh vực. Trung Quốc xây dựng khung riêng nhấn mạnh cả đổi mới và kiểm soát. Những cách tiếp cận này tạo ra một thí nghiệm tự nhiên về việc chính sách định hình nghiên cứu và phát triển thị trường như thế nào.
Thách thức: cân bằng giữa việc ngăn mùa đông AI và duy trì điều kiện cho đột phá. Quá nhiều hạn chế có thể khiến nghiên cứu trở nên quá đắt đỏ hoặc rủi ro pháp lý. Quá ít lại có nguy cơ lặp lại chu kỳ thổi phồng từng định hình các mùa đông trước. Chính sách hiệu quả nên tập trung vào tài trợ dài hạn ổn định cho nghiên cứu nền tảng và cơ chế khuyến khích cách tiếp cận đa dạng.
Tính bền vững công nghệ và cân nhắc đạo đức
Vượt ra ngoài ổn định tài trợ, nhu cầu năng lượng của AI đặt ra thách thức bền vững thực sự. Huấn luyện mô hình lớn tiêu thụ lượng điện khổng lồ. Các nhà nghiên cứu đang khám phá kiến trúc và phương pháp huấn luyện hiệu quả hơn, nhưng xu hướng hướng tới mô hình lớn hơn mâu thuẫn với mục tiêu bền vững.
Nguồn dữ liệu đa dạng và thước đo đánh giá kỹ lưỡng giúp xây dựng hệ thống AI đáng tin cậy hơn. Phụ thuộc quá mức vào bộ dữ liệu hẹp hoặc "chơi điểm" trên bảng xếp hạng tạo ra hệ thống hoạt động trong phòng lab nhưng thất bại ngoài thực tế. Bài học này đến trực tiếp từ kỷ nguyên hệ chuyên gia, nơi hệ thống được huấn luyện trên ví dụ hẹp không xử lý nổi độ phức tạp đời thực. Giải quyết những thách thức kỹ thuật này đòi hỏi chú ý cẩn trọng đến các cân nhắc đạo đức xuyên suốt quá trình phát triển. Khóa học Đạo đức AI của chúng tôi khám phá cách xây dựng hệ thống AI có trách nhiệm, cân bằng đổi mới với tác động xã hội.
Bài học từ các làn sóng bùng nổ–suy thoái công nghệ khác
Bong bóng dot-com mang đến những điểm tương đồng hữu ích. Tương tự AI trong thập niên 1970 và 1980, công nghệ internet từng trải qua kỳ vọng thổi phồng, đầu tư ồ ạt, sụp đổ đột ngột, rồi cuối cùng phục hồi trên nền tảng vững chắc hơn. Khác biệt then chốt? Hạ tầng vẫn tiếp tục cải thiện trong giai đoạn suy thoái, và các công ty học cách tập trung vào mô hình kinh doanh khả thi thay vì lời hứa mơ hồ.
Những cuộc cách mạng công nghệ khác (điện khí, ô tô, máy tính cá nhân) đều trải qua chu kỳ thổi phồng. Mô hình này gợi ý rằng công nghệ mang tính chuyển hóa cần thời gian để tìm ứng dụng phù hợp và vượt qua giới hạn ban đầu. Hiểu mô hình rộng hơn này giúp chúng ta giữ được góc nhìn trong cả thời kỳ bùng nổ lẫn chững lại.
Kết luận
Làn sóng AI hiện tại có nền tảng vững chắc hơn các chu kỳ trước. Chúng ta có ứng dụng thực tế, tích hợp kinh tế và năng lực kỹ thuật mà các thời kỳ trước không có. Nhưng những điểm yếu tương tự vẫn tồn tại: phụ thuộc quá mức vào một cách tiếp cận, chi phí tính toán, khoảng cách giữa "hype" và năng lực, và rủi ro muôn thuở của việc hứa nhiều hơn khả năng thực hiện.
Con đường phía trước đòi hỏi cân bằng tham vọng với thực tế. Xây dựng tiến bộ bền vững nghĩa là truyền thông trung thực, đa dạng hướng nghiên cứu, cấu trúc tài trợ ổn định, và chú ý đến cả thách thức kỹ thuật lẫn đạo đức. Hiểu các mô thức đã kích hoạt những mùa đông trước giúp chúng ta nhận ra rủi ro tương tự ngày nay—và xây dựng một lĩnh vực AI kiên cường, thực tế, có thể vượt qua cả đột phá lẫn trở ngại.
Nếu bạn muốn xây dựng kỹ năng AI trên nền tảng vững chắc, hãy khám phá lộ trình Associate AI Engineer for Developers của chúng tôi hoặc đi sâu vào các cân nhắc chiến lược với khóa học Chiến lược Trí tuệ Nhân tạo. Hiểu cả năng lực kỹ thuật lẫn bối cảnh lịch sử của AI sẽ giúp bạn định hướng tương lai của lĩnh vực, dù thách thức có là gì.
%22%3E%0A%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22%23EFEBE4%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23DD3400%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FFEC3C%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-208.588%20220.18)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-208.588%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22220.18%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FF931E%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20-226.525%20189.111)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22347.576%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22-226.525%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22189.111%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23DD3400%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%22106.6%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22456.125%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FFEC3C%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%2085.5879%20256.055)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22184.5%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%2285.5879%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22256.055%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%20%20%3Crect%0A%20%20%20%20%20%20%20%20%20%20fill%3D%22%23FF931E%22%0A%20%20%20%20%20%20%20%20%20%20height%3D%2235.875%22%0A%20%20%20%20%20%20%20%20%20%20transform%3D%22rotate(-30%20227.432%20132.736)%22%0A%20%20%20%20%20%20%20%20%20%20width%3D%22271.625%22%0A%20%20%20%20%20%20%20%20%20%20x%3D%22227.432%22%0A%20%20%20%20%20%20%20%20%20%20y%3D%22132.736%22%0A%20%20%20%20%20%20%20%20%2F%3E%0A%20%20%20%20%20%20%3C%2Fg%3E%0A%20%20%20%20%20%20%3Cdefs%3E%0A%20%20%20%20%20%20%20%20%3CclipPath%20id%3D%22clip%22%3E%0A%20%20%20%20%20%20%20%20%20%20%3Crect%20fill%3D%22white%22%20height%3D%22180%22%20width%3D%22336%22%20%2F%3E%0A%20%20%20%20%20%20%20%20%3C%2FclipPath%3E%0A%20%20%20%20%20%20%3C%2Fdefs%3E%0A%20%20%20%20%3C%2Fsvg%3E)
Năm 1973, các nhà nghiên cứu AI đang ở thời kỳ đỉnh cao. Máy móc có thể giải bài toán đại số, chơi cờ vua và hiểu các câu đơn giản. Rồi nguồn tài trợ cạn kiệt gần như chỉ sau một đêm. Phòng thí nghiệm đóng cửa, sự nghiệp đình trệ, và cụm từ "trí tuệ nhân tạo" trở thành cái tên khiến nhà đầu tư quay lưng. Đó không chỉ là một đợt điều chỉnh thị trường. Đó là một mùa đông AI, kéo dài gần một thập kỷ.
Những giai đoạn sụp đổ đột ngột như vậy đã xảy ra hai lần trong lịch sử AI và định hình mọi cách tiếp cận lĩnh vực này ngày nay. Trong hướng dẫn này, bạn sẽ thấy: mốc thời gian lịch sử của cả hai mùa đông AI, các mô hình cơ bản đã kích hoạt chúng, và những bài học thực tiễn chúng ta có thể áp dụng để tránh lặp lại các chu kỳ này.
Định nghĩa hiện tượng Mùa đông AI
Mùa đông AI mô tả giai đoạn suy giảm tài trợ, sự quan tâm và niềm tin vào nghiên cứu trí tuệ nhân tạo. Thuật ngữ này xuất phát từ chính cộng đồng nghiên cứu, dùng ẩn dụ mùa lạnh để diễn tả cách nhiệt huyết và đầu tư đột ngột "đóng băng" sau những thời kỳ tăng trưởng. Đây không phải là những đợt suy thoái ngắn. Mùa đông AI đã kéo dài 6–13 năm và làm gián đoạn sâu sắc quỹ đạo của lĩnh vực này. Nhận diện các mô thức đặc trưng có thể giúp chúng ta hiểu cả các sự kiện lịch sử lẫn rủi ro hiện tại, và có lẽ ngăn ngừa những mùa đông tương lai.
Chu kỳ thổi phồng rồi vỡ mộng
Trung tâm của mọi mùa đông AI là một động lực có thể dự đoán được. Đột phá ban đầu thu hút truyền thông và công chúng, dẫn đến kỳ vọng phóng đại về những gì AI có thể đạt được trong ngắn hạn. Sự phấn khích này kéo theo nguồn vốn từ cơ quan chính phủ và nhà đầu tư tư nhân, cho phép nhiều nghiên cứu hơn và tạo ra nhiều kết quả hơn (một số thực, một số bị thổi phồng). Cuối cùng, khoảng cách giữa điều được hứa hẹn và điều được thực hiện trở nên quá lớn để phớt lờ. Khi hệ thống không đáp ứng được những lời hứa đó, hoài nghi chiếm ưu thế và tài trợ sụp đổ.
Mô hình Vòng đời Hype của Gartner là khuôn khổ hữu ích: công nghệ leo lên "đỉnh kỳ vọng bị thổi phồng" trước khi rơi xuống "vực thẳm vỡ mộng." Đó chính xác là điều đã xảy ra với AI trong thập niên 1970 và 1980. Chu kỳ này phản chiếu bong bóng kinh tế ở các lĩnh vực công nghệ khác, nhưng mùa đông AI có những đặc trưng riêng. Khác với bong bóng thuần tài chính, mùa đông AI bắt nguồn từ các giới hạn kỹ thuật cơ bản mà các nhà nghiên cứu có thể chưa lường hết ban đầu. Những vấn đề tưởng như có thể giải quyết "trong vài năm" hóa ra cần hàng thập kỷ bổ sung.
Các pha cấu trúc
Chúng ta có thể xác định cách mùa đông AI diễn ra trên thực tế. Những giai đoạn này đi qua các pha riêng biệt theo một quỹ đạo có thể dự đoán.
Đầu tiên là giai đoạn hứa hẹn quá mức. Các nhà nghiên cứu và tổ chức đưa ra dự báo tự tin về những năng lực còn cách nhiều năm hoặc nhiều thập kỷ. Truyền thông khuếch đại các tuyên bố này, và cơ quan tài trợ đưa ra quyết định đầu tư dựa trên lộ trình lạc quan. Rồi thực tế ập đến. Hệ thống thất bại trong ứng dụng thực tế, nhu cầu tính toán vượt quá mức khả thi, và khoảng cách giữa bản demo và giải pháp triển khai trở nên hiển nhiên.
Tiếp theo là cái mà giới nghiên cứu gọi là "sự phân tán tri thức." Khi nguồn tài trợ sụp đổ, các nhà nghiên cứu AI tản sang lĩnh vực khác. Chuyên gia thị giác máy tính chuyển sang đồ họa. Nhà nghiên cứu học máy chuyển sang thống kê. Sự chảy máu chất xám này để lại hệ quả lâu dài vì làm gián đoạn tích lũy chuyên môn. Khi hứng thú quay trở lại, lĩnh vực phải phần nào xây dựng lại nền tảng tri thức. Hiểu mô hình này hữu ích vì nó lý giải vì sao mỗi mùa đông kéo lùi lĩnh vực nhiều đến vậy, và vì sao việc ngăn chặn chúng lại quan trọng đến thế.
Lịch sử và mốc thời gian các Mùa đông AI
Với những mô thức này trong đầu, hãy điểm lại cách chúng thực sự diễn ra trong lịch sử. AI đã trải qua hai mùa đông lớn, mỗi mùa do các bối cảnh khác nhau kích hoạt nhưng đều theo quỹ đạo vừa nêu.
Nền tảng trí tuệ của AI hình thành trong thập niên 1950 với những người tiên phong như Alan Turing, John McCarthy và Marvin Minsky. Hội nghị Dartmouth năm 1956 đánh dấu sự khai sinh chính thức của lĩnh vực, quy tụ các nhà nghiên cứu tin rằng trí tuệ máy có thể đạt được trong một thế hệ. Sự lạc quan này không phải vô căn cứ. Các chương trình đầu tiên có thể chứng minh định lý toán học, chơi cờ dam và giải đố.
Nhưng dấu hiệu cảnh báo xuất hiện sớm hơn nhiều người nghĩ. Báo cáo ALPAC năm 1966 đánh giá nghiêm khắc các dự án dịch máy, kết luận máy tính không thể sánh với dịch giả con người và có lẽ sẽ không sớm làm được. Năm 1969, cuốn "Perceptrons" của Marvin Minsky và Seymour Papert cho thấy các giới hạn toán học của mạng nơ-ron một lớp, tạm thời dừng hướng nghiên cứu đó. Những trở ngại sớm này dự báo các vấn đề có hệ thống sẽ kích hoạt mùa đông AI đầu tiên.
Mùa đông AI đầu tiên (1974–1980)
Dựa trên những dấu hiệu cảnh báo sớm đó, mùa đông AI đầu tiên bắt đầu năm 1974 và kéo dài đến khoảng 1980, tái định hình căn bản ưu tiên nghiên cứu và con đường sự nghiệp trong toàn lĩnh vực. Hãy xem chu kỳ thổi phồng–vỡ mộng đã diễn ra thế nào trên thực tế.
Dẫn nhập và làn sóng thổi phồng ban đầu
Giai đoạn 1956–1973 thường được gọi là "Kỷ nguyên Vàng" của AI. Các nhà nghiên cứu phát triển hệ thống suy luận ký hiệu, xử lý ngôn ngữ tự nhiên sơ khai và các chương trình giải quyết vấn đề gây ấn tượng với cả giới học thuật lẫn công chúng. Các cơ quan chính phủ, đặc biệt ở Mỹ và Anh, đã đầu tư mạnh vào nghiên cứu AI. DARPA tài trợ cho các phòng thí nghiệm đại học, và truyền thông thường xuyên đưa tin về những cỗ máy sắp biết suy nghĩ như con người.
Làn sóng này tạo ra kỳ vọng phi thực tế. Đôi khi chính các nhà nghiên cứu góp phần vào vấn đề. Marvin Minsky từng dự đoán năm 1970 rằng trong "ba đến tám năm chúng ta sẽ có một cỗ máy có trí thông minh ngang người bình thường." Những mốc thời gian đầy tự tin này ảnh hưởng đến quyết định tài trợ và nhận thức công chúng, đặt nền cho sự thất vọng sau đó.
Báo cáo Lighthill và tác động của nó
Năm 1973, Sir James Lighthill trình bày một báo cáo trước Hội đồng Nghiên cứu Khoa học Anh, trong đó phê phán có hệ thống nghiên cứu AI. Lighthill lập luận rằng AI không đạt được mục tiêu và nhiều vấn đề gặp "sự bùng nổ tổ hợp," nơi số khả năng cần xem xét tăng theo hàm mũ khi quy mô bài toán lớn lên. Điều này đồng nghĩa tài nguyên tính toán trở nên quá lớn, khiến ứng dụng thực tế không khả thi.
Đánh giá này đã tàn phá nghiên cứu AI ở Anh. Chính phủ Anh cắt tài trợ AI trên khắp các trường đại học, và nhiều nhà nghiên cứu rời lĩnh vực hoặc chuyển sang Mỹ. Ảnh hưởng của báo cáo Lighthill vượt ra ngoài nước Anh, cung cấp luận cứ cho những người hoài nghi tài trợ trên toàn thế giới và góp phần vào quyết định của DARPA cắt giảm hỗ trợ nghiên cứu AI năm 1974.
Cắt giảm tài trợ và hệ quả
Khi DARPA và các cơ quan khác rút hỗ trợ, tác động lan khắp hệ sinh thái nghiên cứu. Các trường đại học đóng cửa phòng lab AI, chương trình sau đại học thu hẹp, và các nhà nghiên cứu đầy triển vọng chuyển sang lĩnh vực khác để có việc làm. Thuật ngữ "trí tuệ nhân tạo" trở nên độc hại trong hồ sơ xin tài trợ. Các nhà nghiên cứu bắt đầu dùng những uyển ngữ như "tin học" hoặc "trí tuệ tính toán" để tránh kỳ thị.
Sự phân tán tri thức khởi phát. Các nhà nghiên cứu chuyển sang lĩnh vực lân cận hoặc rời học thuật. Sự phân tán này khiến khi AI hồi sinh trong thập niên 1980, nhiều tri thức tổ chức phải xây dựng lại từ đầu. Sự hồi sinh đó đến từ hệ chuyên gia, hứa hẹn cách tiếp cận thực tiễn hơn, theo lĩnh vực cụ thể.
Mùa đông AI thứ hai (Cuối thập niên 1980–Giữa thập niên 1990)
Dù khởi đầu đầy hứa hẹn với hệ chuyên gia, mùa đông AI thứ hai đã đến vào cuối thập niên 1980, chứng minh rằng giải quyết một tập vấn đề không ngăn được các điểm yếu mới xuất hiện.
Bong bóng hệ chuyên gia
Đầu thập niên 1980, hệ chuyên gia nắm bắt tri thức con người trong các lĩnh vực hẹp thông qua các luật được xây dựng thủ công. Các hệ như MYCIN (chuẩn đoán y khoa) và XCON (cấu hình máy tính) mang lại giá trị kinh doanh thực tế, và các công ty đầu tư mạnh vào những hệ thống dựa trên luật này. Cả một ngành công nghiệp "kỹ nghệ tri thức" nở rộ, và Dự án Máy tính Thế hệ Thứ năm của Nhật nhằm xây dựng máy tính song song quy mô lớn tối ưu cho hệ chuyên gia, thúc đẩy phản ứng cạnh tranh ở Mỹ và châu Âu.
Nhưng vấn đề nhanh chóng xuất hiện. Xây dựng một hệ thống đơn lẻ có thể mất nhiều năm phỏng vấn chuyên gia và chuyển hóa tri thức của họ thành luật hình thức. Bảo trì còn khó hơn. Khi cơ sở tri thức phình to, các luật tương tác khó lường, khiến gỡ lỗi trở nên khó khăn. Vấn đề "dễ vỡ" bộc lộ khi triển khai: hệ chuyên gia hoạt động tốt với ví dụ được thiết kế cho nó nhưng thất bại với những gì hơi khác. Chúng không xử lý được các tình huống lộn xộn, mơ hồ vốn là bản chất của vấn đề đời thực. Khoảng cách giữa bản demo có kiểm soát và triển khai thực tế phản chiếu đúng vấn đề gây ra mùa đông đầu tiên.
Các tác nhân sụp đổ
Thị trường hệ chuyên gia sụp đổ năm 1987. Chi phí phần cứng đóng vai trò lớn. Hệ chuyên gia thường chạy trên "máy Lisp" chuyên dụng có giá cao hơn nhiều so với máy tính tiêu chuẩn. Khi máy tính cá nhân và workstation đủ mạnh để chạy phần mềm tương tự với chi phí thấp hơn nhiều, lập luận kinh tế cho phần cứng AI chuyên dụng biến mất. Thị trường máy Lisp sụp đổ, và Dự án Thế hệ Thứ năm của Nhật kết thúc mà không đạt được các mục tiêu tham vọng.
Các công ty đã đầu tư vào hệ chuyên gia phát hiện chi phí bảo trì liên tục vượt giá trị hệ thống mang lại. Cơ sở tri thức cần cập nhật thường xuyên, đòi hỏi kỹ sư tri thức đắt đỏ. Trong khi đó, các cách tiếp cận đơn giản hơn thường hiệu quả hơn cho nhiều vấn đề. Sự lệch pha giữa mục tiêu nghiên cứu và nhu cầu kinh doanh trở nên không thể bỏ qua. Các dự án lớn không đáp ứng lời hứa, và thất vọng tràn lan.
Co cụm của ngành
Thị trường phần cứng AI sụp đổ dữ dội. Các công ty sản xuất workstation AI chuyên dụng phá sản hoặc chuyển hướng sang thị trường khác. Sự sụp đổ này kéo theo cả ngành hệ chuyên gia, kích hoạt một đợt đóng băng tài trợ khác cho nghiên cứu AI. Startup đóng cửa, các chương trình học thuật chịu cắt giảm nặng nề.
Mùa đông thứ hai làm phân tán các nhà nghiên cứu AI còn rộng hơn mùa đầu. Một số chuyển sang các lĩnh vực khoa học máy tính lân cận như cơ sở dữ liệu hoặc kỹ thuật phần mềm. Những người khác chuyển sang khoa học nhận thức hoặc thần kinh học. Các nhà nghiên cứu học máy thường đổi nhãn công việc của mình thành "thống kê" hoặc "khai phá dữ liệu" để tránh kỳ thị AI. Tác động tâm lý rất lớn. Những người đã dành cả sự nghiệp cho AI thấy mình lạc lối nghề nghiệp, và nhiều người rời lĩnh vực vĩnh viễn.
Sự phục hồi sau mùa đông thứ hai kéo dài lâu hơn mùa đầu. Trong suốt thập niên 1990 và đầu 2000, "trí tuệ nhân tạo" vẫn là nhãn gây vấn đề. Các nhà nghiên cứu thị giác máy tính, xử lý ngôn ngữ tự nhiên hay học máy thường tránh gọi công việc của họ là "AI." Khi tài trợ quay trở lại, nó tập trung vào các mục tiêu cụ thể, khả thi thay vì những tuyên bố rộng về trí tuệ tổng quát.
Các mô thức lặp lại qua cả hai mùa đông
Sau khi điểm qua cả hai mùa đông AI trong lịch sử, chúng ta có thể xác định ba mô thức cốt lõi đã kích hoạt các đợt sụp đổ này. Hiểu các mô thức này giúp nhận diện những điểm yếu tương tự trong môi trường AI hiện nay.
Giới hạn công nghệ
Cả hai mùa đông AI đều bắt nguồn từ những rào cản kỹ thuật cơ bản bị đánh giá thấp. Mùa đầu bộc lộ sự bùng nổ tổ hợp, nơi tài nguyên tính toán cho bài toán phức tạp tăng theo hàm mũ. Mùa thứ hai phơi bày sự "dễ vỡ" của hệ chuyên gia, không thể học hoặc xử lý bất định. Trong mỗi trường hợp, công nghệ hoạt động xuất sắc trên các ca kiểm thử được chọn lọc kỹ nhưng thất bại trước độ phức tạp của thế giới thực. Mùa đông ập đến khi khoảng cách giữa trình diễn trong phòng lab và triển khai thực tế trở nên quá rõ ràng để bỏ qua.
Động lực thổi phồng và quản lý kỳ vọng
Cả hai mùa đều theo quỹ đạo Vòng đời Hype của Gartner. Đột phá ban đầu tạo hứng khởi, truyền thông khuếch đại thành tựu, và vốn đổ vào dựa trên kỳ vọng ngắn hạn bị thổi phồng. Dự đoán của Marvin Minsky về trí tuệ ngang người "trong ba đến tám năm" là ví dụ điển hình của sự tự tin thái quá ở mùa đầu. Hệ chuyên gia cũng được tiếp thị như giải pháp có thể mở rộng để thu giữ tri thức con người. Khi thực tế không theo kịp lời hứa, sự điều chỉnh diễn ra nhanh và dữ dội. Truyền thông, cơ quan tài trợ và cấu trúc thể chế đều góp phần xây dựng kỳ vọng vượt quá khả năng công nghệ.
Biến động tài trợ và vai trò của chính phủ
Cả hai mùa đều có chu kỳ bùng nổ–suy thoái, nơi đầu tư lớn nhường chỗ cho sự rút lui đột ngột. Các cơ quan chính phủ như DARPA định hình cả hệ sinh thái nghiên cứu, và khi nguồn vốn biến mất, nhà nghiên cứu tản sang lĩnh vực khác. Sự phân tán tri thức này đặc biệt gây hại vì nghiên cứu AI cần nỗ lực bền bỉ để xây dựng chuyên môn. Lĩnh vực mất không chỉ tiền mà còn cả tính liên tục và tích lũy tri thức. Điều làm các đợt sụp đổ tệ hơn là sự tập trung nguồn lực vào các tiếp cận đơn lẻ—AI ký hiệu trong mùa đầu, hệ chuyên gia trong mùa thứ hai. Khi những canh bạc tập trung này thất bại, hầu như không có lựa chọn được tài trợ thay thế để duy trì tiến độ.
Kỷ nguyên hiện tại và khả năng xuất hiện các mùa đông AI tương lai
Sau khi thấy hai mùa đông lớn diễn ra thế nào, có lẽ bạn đang tự hỏi về hệ sinh thái AI ngày nay. Chúng ta có đang tự đặt mình vào một đợt sụp đổ nữa, hay lần này có điều gì đó thực sự khác? Hãy xem xét tình hình hiện tại qua lăng kính các mô thức lịch sử đó.
Làn sóng bùng nổ hiện nay (2012–nay)
Làn sóng AI hiện tại bắt đầu khoảng năm 2012 với các đột phá trong học sâu. Cải thiện ngoạn mục của AlexNet trong nhận diện ảnh đánh dấu bước ngoặt. Kể từ đó, học sâu đạt kết quả ấn tượng trong thị giác máy tính, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên và chơi game.
Nhiều yếu tố khiến làn sóng này khác trước. Năng lực tính toán tăng vọt (GPU giúp huấn luyện mạng nơ-ron lớn trở nên khả thi). Dữ liệu bùng nổ cùng internet và thiết bị di động. Và học sâu tìm thấy ứng dụng thực tiễn ngay trong các sản phẩm người dùng hàng ngày.
Nhưng vẫn tồn tại điểm yếu. Học sâu phụ thuộc mạnh vào bộ dữ liệu lớn và tính toán khổng lồ. Khi mô hình phình to, chi phí huấn luyện tăng theo hàm mũ. Lĩnh vực tập trung vào một cách tiếp cận (mạng nơ-ron sâu) nhiều hơn bất kỳ thời điểm nào kể từ khi hệ chuyên gia thống trị thập niên 1980.
Chi phí tính toán là mối lo thực sự. Huấn luyện các mô hình tiên phong hiện tốn hàng chục hoặc hàng trăm triệu đô la, và các chi phí này tăng theo hàm mũ với kích thước mô hình. Nếu tiến bộ đòi hỏi mô hình ngày càng lớn nhưng lợi ích thực tế chững lại, bài toán kinh tế sẽ không bền vững. Đây chính là kiểu điểm yếu cấu trúc từng xuất hiện trước các mùa đông trước đây.
Khoảng cách giữa hiệu suất trên thước đo chuẩn và hữu dụng trong thực tế tạo ra một điểm yếu khác. Mô hình đạt điểm số ấn tượng trên các bài kiểm tra tiêu chuẩn nhưng thất bại khi triển khai vì dễ vỡ, thiên lệch hoặc không xử lý được ca biên. Nghe quen chứ? Điều này phản chiếu khoảng cách giữa bản demo hệ chuyên gia và triển khai thực tế góp phần vào mùa đông thứ hai.
Những tranh luận và điểm yếu hiện tại
Diễn ngôn AI ngày nay đôi khi vang vọng sự quá lời của các thời kỳ trước. Các thuật ngữ như "trí tuệ nhân tạo tổng quát" và dự báo về việc AI sẽ chuyển hóa mọi ngành trong vài năm tạo ra kỳ vọng bị thổi phồng. Điều này không có nghĩa AI hiện tại là bong bóng sắp vỡ. Khác thập niên 1970, chúng ta có ứng dụng thực sự và giá trị kinh tế rõ ràng. Nhưng sự hào hứng quanh mỗi lần ra mắt mô hình mới và xu hướng ngoại suy năng lực tạo ra điều kiện để kỳ vọng vượt quá thực tế.
Dẫu vậy, có nhiều yếu tố khiến kịch bản lặp lại mùa đông lịch sử ít khả năng hơn. Thứ nhất, AI gắn sâu vào các sản phẩm mọi người dùng hàng ngày. Công cụ tìm kiếm, smartphone, mạng xã hội và mua sắm trực tuyến đều dựa vào AI. Sự tích hợp này mang lại ổn định kinh tế trước đây chưa từng có.
Thứ hai, phạm vi quốc tế của nghiên cứu AI đã mở rộng đáng kể. Ngay cả khi tài trợ suy giảm ở một quốc gia hay khu vực, công việc vẫn tiếp tục nơi khác. Trung Quốc, châu Âu và các khu vực khác có hệ sinh thái AI độc lập.
Thứ ba, khu vực tư nhân đóng vai trò chủ đạo. Dù tài trợ chính phủ vẫn quan trọng, các công ty như Google, Meta và Anthropic có thể duy trì nghiên cứu nhờ doanh thu từ hoạt động cốt lõi. Sự đa dạng nguồn tài trợ này tạo khả năng chống chịu trước cú rút lui đột ngột của chính phủ.
Bài học và định hướng tương lai
Vậy chúng ta học được gì từ lịch sử này? Những mô thức đã phân tích đưa ra hướng dẫn thực tiễn cho nhà nghiên cứu, doanh nghiệp và nhà hoạch định chính sách đang làm việc với AI ngày nay. Hãy xem cách hiểu những chu kỳ này giúp xây dựng tương lai bền vững hơn cho lĩnh vực.
Quản lý kỳ vọng thực tế
Bài học quan trọng nhất từ cả hai mùa đông AI là nguy cơ của việc hứa hẹn quá mức. Khi nhà nghiên cứu, doanh nghiệp hoặc truyền thông tạo ra kỳ vọng mà công nghệ không thể đáp ứng trong ngắn hạn, sự thất vọng sau đó có thể kích hoạt rút vốn và hoài nghi công chúng, kéo lùi lĩnh vực nhiều năm.
Điều này không có nghĩa né tránh mục tiêu tham vọng. Nghiên cứu AI nên theo đuổi năng lực mang tính chuyển hóa. Nhưng truyền thông về mốc thời gian và hạn chế có ý nghĩa vô cùng lớn. Phân biệt rõ ràng giữa năng lực hiện tại và khả năng tương lai giúp duy trì uy tín. Khi có bất định về việc một hướng tiếp cận có thể mở rộng hay tổng quát hóa hay không, trung thực về các hạn chế này tốt cho lĩnh vực hơn là suy đoán lạc quan. Điều này đặc biệt quan trọng trong bối cảnh hiện nay, nơi truyền thông và kỳ vọng nhà đầu tư có thể khuếch đại tuyên bố vượt xa ngữ cảnh ban đầu.
Đa dạng hóa cách tiếp cận
Cả hai mùa đông lịch sử đều theo sau giai đoạn đầu tư nặng vào một khuôn mẫu đơn lẻ. AI ký hiệu thống trị mùa đầu, hệ chuyên gia mùa thứ hai. Khi các hướng này gặp giới hạn, cả lĩnh vực chịu ảnh hưởng. Sự tập trung ngày nay vào học sâu tạo ra rủi ro tương tự.
Duy trì nghiên cứu các hướng thay thế mang lại khả năng chống chịu quan trọng. AI thần kinh–ký hiệu, lập trình xác suất và các hướng khác có thể cung cấp lối đi khi phương pháp hiện tại đạt trần. Điều này không có nghĩa từ bỏ cách tiếp cận thành công—học sâu đã chứng tỏ giá trị. Nhưng đầu tư vào các hướng nghiên cứu đa dạng tạo ra lựa chọn khi bất kỳ phương pháp đơn lẻ nào chạm đến giới hạn tự nhiên.
Mô hình tài trợ ổn định
Chu kỳ bùng nổ–đóng băng tài trợ làm gián đoạn tính liên tục của nghiên cứu và phân tán chuyên môn. Cả hai mùa đông lịch sử đều liên quan đến việc rút vốn đột ngột gây tổn hại sức khỏe dài hạn của lĩnh vực. Các mô hình tài trợ ổn định hơn (dù qua hỗ trợ chính phủ được cấu trúc cho nghiên cứu dài hạn hay đầu tư tư nhân đa dạng) giúp duy trì tiến bộ qua cả đột phá lẫn chững lại.
Sự chuyển dịch sang các chu kỳ tài trợ ngắn và yêu cầu kết quả tức thì sau những mùa đông AI có thể đã cản trở nghiên cứu nền tảng. Tài trợ dài hạn chấp nhận giai đoạn chậm là phần tự nhiên của nghiên cứu giúp tránh hoảng loạn có thể kích hoạt mùa đông. Khi nguồn tài trợ kỳ vọng một số dự án thất bại và một số tiến bộ là tiệm tiến, lĩnh vực trở nên bền bỉ hơn trước trở ngại.
Cân bằng giữa đổi mới và quản lý
Khung chính sách và quy định đóng vai trò lớn trong việc ngăn ngừa mùa đông AI đồng thời giữ lửa đổi mới. Cả hai mùa đông lịch sử phần nào xảy ra vì cơ quan tài trợ của chính phủ rút hỗ trợ đột ngột—thập niên 1970 với DARPA và thập niên 1980 với các hội đồng nghiên cứu Anh—khiến không còn lưới an toàn. Các nhà hoạch định chính sách ngày nay cần học từ những chu kỳ này mà không tạo ra quy định có thể kìm hãm tiến bộ có lợi.
Bức tranh pháp lý khác nhau đáng kể theo khu vực. Đạo luật AI của EU sử dụng cách tiếp cận dựa trên rủi ro, áp dụng yêu cầu nghiêm ngặt hơn cho ứng dụng rủi ro cao. Mỹ ưa chuộng quy tắc theo ngành với tự quản của ngành trong nhiều lĩnh vực. Trung Quốc xây dựng khung riêng nhấn mạnh cả đổi mới và kiểm soát. Những cách tiếp cận này tạo ra một thí nghiệm tự nhiên về việc chính sách định hình nghiên cứu và phát triển thị trường như thế nào.
Thách thức: cân bằng giữa việc ngăn mùa đông AI và duy trì điều kiện cho đột phá. Quá nhiều hạn chế có thể khiến nghiên cứu trở nên quá đắt đỏ hoặc rủi ro pháp lý. Quá ít lại có nguy cơ lặp lại chu kỳ thổi phồng từng định hình các mùa đông trước. Chính sách hiệu quả nên tập trung vào tài trợ dài hạn ổn định cho nghiên cứu nền tảng và cơ chế khuyến khích cách tiếp cận đa dạng.
Tính bền vững công nghệ và cân nhắc đạo đức
Vượt ra ngoài ổn định tài trợ, nhu cầu năng lượng của AI đặt ra thách thức bền vững thực sự. Huấn luyện mô hình lớn tiêu thụ lượng điện khổng lồ. Các nhà nghiên cứu đang khám phá kiến trúc và phương pháp huấn luyện hiệu quả hơn, nhưng xu hướng hướng tới mô hình lớn hơn mâu thuẫn với mục tiêu bền vững.
Nguồn dữ liệu đa dạng và thước đo đánh giá kỹ lưỡng giúp xây dựng hệ thống AI đáng tin cậy hơn. Phụ thuộc quá mức vào bộ dữ liệu hẹp hoặc "chơi điểm" trên bảng xếp hạng tạo ra hệ thống hoạt động trong phòng lab nhưng thất bại ngoài thực tế. Bài học này đến trực tiếp từ kỷ nguyên hệ chuyên gia, nơi hệ thống được huấn luyện trên ví dụ hẹp không xử lý nổi độ phức tạp đời thực. Giải quyết những thách thức kỹ thuật này đòi hỏi chú ý cẩn trọng đến các cân nhắc đạo đức xuyên suốt quá trình phát triển. Khóa học Đạo đức AI của chúng tôi khám phá cách xây dựng hệ thống AI có trách nhiệm, cân bằng đổi mới với tác động xã hội.
Bài học từ các làn sóng bùng nổ–suy thoái công nghệ khác
Bong bóng dot-com mang đến những điểm tương đồng hữu ích. Tương tự AI trong thập niên 1970 và 1980, công nghệ internet từng trải qua kỳ vọng thổi phồng, đầu tư ồ ạt, sụp đổ đột ngột, rồi cuối cùng phục hồi trên nền tảng vững chắc hơn. Khác biệt then chốt? Hạ tầng vẫn tiếp tục cải thiện trong giai đoạn suy thoái, và các công ty học cách tập trung vào mô hình kinh doanh khả thi thay vì lời hứa mơ hồ.
Những cuộc cách mạng công nghệ khác (điện khí, ô tô, máy tính cá nhân) đều trải qua chu kỳ thổi phồng. Mô hình này gợi ý rằng công nghệ mang tính chuyển hóa cần thời gian để tìm ứng dụng phù hợp và vượt qua giới hạn ban đầu. Hiểu mô hình rộng hơn này giúp chúng ta giữ được góc nhìn trong cả thời kỳ bùng nổ lẫn chững lại.
Kết luận
Làn sóng AI hiện tại có nền tảng vững chắc hơn các chu kỳ trước. Chúng ta có ứng dụng thực tế, tích hợp kinh tế và năng lực kỹ thuật mà các thời kỳ trước không có. Nhưng những điểm yếu tương tự vẫn tồn tại: phụ thuộc quá mức vào một cách tiếp cận, chi phí tính toán, khoảng cách giữa "hype" và năng lực, và rủi ro muôn thuở của việc hứa nhiều hơn khả năng thực hiện.
Con đường phía trước đòi hỏi cân bằng tham vọng với thực tế. Xây dựng tiến bộ bền vững nghĩa là truyền thông trung thực, đa dạng hướng nghiên cứu, cấu trúc tài trợ ổn định, và chú ý đến cả thách thức kỹ thuật lẫn đạo đức. Hiểu các mô thức đã kích hoạt những mùa đông trước giúp chúng ta nhận ra rủi ro tương tự ngày nay—và xây dựng một lĩnh vực AI kiên cường, thực tế, có thể vượt qua cả đột phá lẫn trở ngại.
Nếu bạn muốn xây dựng kỹ năng AI trên nền tảng vững chắc, hãy khám phá lộ trình Associate AI Engineer for Developers của chúng tôi hoặc đi sâu vào các cân nhắc chiến lược với khóa học Chiến lược Trí tuệ Nhân tạo. Hiểu cả năng lực kỹ thuật lẫn bối cảnh lịch sử của AI sẽ giúp bạn định hướng tương lai của lĩnh vực, dù thách thức có là gì.