Trong buổi trò chuyện trên Big Think qua video The paradox at the heart of AI and science, nhà toán học Terence Tao đưa ra một góc nhìn đáng suy ngẫm về vai trò của trí tuệ nhân tạo đối với nghiên cứu khoa học. Thay vì bàn về việc AI sẽ giải quyết bài toán nhanh đến mức nào, ông tập trung vào nghịch lý nằm ở bản chất của sự hiểu biết [04:36].
Ẩn dụ về thác nước và chuyến bay trực thăng
Terence Tao ví hoạt động nghiên cứu khoa học như một chuyến đi bộ đường dài tìm kiếm một thác nước đẹp trong rừng [00:00]. Để đến được đích, các nhà khoa học phải tự vẽ bản đồ, đôi khi bị lạc, và chính trong lúc lạc đường đó, họ tình cờ phát hiện thêm những hiện tượng mới hoặc nhìn thấy một thác nước khác xa hơn [00:16]. Quá trình tìm đường mang lại hiểu biết sâu sắc về toàn bộ địa hình.
Ngược lại, các công cụ AI hiện nay giống như một chiếc trực thăng thả thẳng người nghiên cứu xuống vị trí thác nước [00:36]. Điểm đến được hoàn thành nhanh chóng, nhưng người ngồi trên đó không học được cách làm sao để tự đi đến đó, cũng không nhìn thấy những cảnh quan hay con đường phụ nằm dọc hành trình [00:40].
Bốn giai đoạn của khoa học và sự xuất hiện của AI
Lịch sử nghiên cứu khoa học từng dựa trên hai trụ cột chính là lý thuyết và thực nghiệm [01:44]. Sau này, khoa học bổ sung thêm phương pháp mô phỏng trên máy tính để thay thế các thí nghiệm tốn kém, tiếp đến là kỷ nguyên dữ liệu lớn (Big Data) nhằm trích xuất quy luật từ các tập dữ liệu khổng lồ [02:21].
Hiện nay, AI xuất hiện và tự động hóa gần như mọi công đoạn: từ vận hành phòng thí nghiệm tự động, viết mã mô phỏng, phân tích dữ liệu, cho đến suy diễn hệ quả từ các tiên đề toán học ở quy mô lớn [03:24].
Tuy nhiên, giá trị của nghiên cứu khoa học không chỉ nằm ở kết quả cuối cùng. Việc một nhà nghiên cứu dành hàng giờ tính toán trên giấy, trực tiếp làm thí nghiệm hay sửa lỗi mô phỏng giúp hình thành trực giác và nhận diện mối liên hệ giữa các vấn đề [04:06]. Nghịch lý xảy ra khi AI ngày càng hoàn thành tốt các chỉ số bề mặt như viết bài báo hay chạy mô phỏng, nhưng năng lực thực sự của nhà khoa học con người lại không tăng lên tương ứng [04:49].
Nguy cơ đối với việc đào tạo thế hệ kế cận
Một vấn đề thực tế được Terence Tao chỉ ra là nguy cơ đứt gãy trong việc đào tạo thế hệ nghiên cứu tiếp theo [27:36]. Thông thường, các nghiên cứu sinh bắt đầu con đường học thuật bằng những bài toán vừa sức để rèn luyện kỹ năng và tích lũy kinh nghiệm. Hiện nay, AI đã có thể giải quyết tốt chính những dạng bài toán này [27:54].
Nếu để AI thay thế con người giải quyết các bài tập rèn luyện đó, cộng đồng khoa học có thể tạo ra nhiều bài báo trong ngắn hạn nhưng lại thiếu đi thế hệ kế cận đủ năng lực tiếp nhận và phát triển tri thức mới [28:11]. Khi đó, hoạt động nghiên cứu dễ rơi vào trạng thái tối ưu hóa những gì đã có thay vì mở ra những hướng đi mang tính đột phá [28:22].
Giá trị của nghiên cứu xuất phát từ sự tò mò
Đối với công việc cá nhân, Terence Tao cho biết ông chủ yếu dùng AI cho các tác vụ bổ trợ như tra cứu tài liệu, kiểm tra chứng minh hoặc rà soát mã nguồn, thay vì giao phó toàn bộ quá trình tư duy toán học [26:47].
Sự phát triển của công nghệ đặt ra câu hỏi về mục tiêu thực sự của khoa học: liệu chúng ta đang tối ưu hóa sản lượng đầu ra hay đang tìm kiếm sự thấu hiểu [05:14]? Khoa học cơ bản cần sự tò mò, cần những bước đi chậm rãi và sự kết nối giữa con người với nhau [28:40]. Hiểu biết khoa học không chỉ phục vụ việc tạo ra các sản phẩm công nghệ cụ thể, mà còn rèn luyện tư duy rõ ràng và giúp con người nhìn nhận thế giới xung quanh một cách mạch lạc hơn [29:32].