Tin đồn RSI của Google: hiểu AGI và tranh luận về tốc độ phát triển AI

Một AI giúp bạn hoàn thành một dự án khó khăn rất hữu ích. Một AI giúp xây dựng một AI có khả năng cao hơn sẽ thay đổi tốc độ xuất hiện các công cụ hữu ích. Khả năng thứ hai đó giải thích tại sao một số bài đăng khó hiểu về Google lại thu hút sự chú ý ngay khi các nhà lãnh đạo AI đối thủ bắt đầu công khai ủng hộ một lịch trình phát triển được đo lường kỹ lưỡng hơn.

Hai thuật ngữ giúp câu chuyện dễ theo dõi hơn. AGI, hay trí tuệ nhân tạo tổng quát, mô tả AI có khả năng rộng rãi: một hệ thống có thể học hỏi và thực hiện nhiều nhiệm vụ trí tuệ khác nhau. RSI, hay tự cải tiến đệ quy, mô tả một quy trình: AI góp phần cải thiện hệ thống AI và những cải tiến đó sẽ hỗ trợ cho vòng cải tiến tiếp theo. Một là về phạm vi khả năng của hệ thống; điều còn lại là về cách tiến trình phản hồi lại chính nó.

Bài viết này tiếp nối tin đồn Google đối với các bài đăng X ban đầu của nó, tách biệt sự chứng thực của công chúng với một thỏa thuận thực tế về việc làm chậm quá trình phát triển và xem xét chu kỳ nghiên cứu nhanh hơn có thể có ý nghĩa như thế nào đối với cuộc sống bình thường. Hạn chót báo cáo là ngày 14 tháng 9 năm 2026. Quan điểm của tôi rất lạc quan: các công cụ tốt hơn có thể giúp kiến thức chuyên môn dễ tiếp cận hơn nhiều. Nhưng tương lai đáng mong muốn bao gồm đủ thời gian để kiểm tra kết quả và đủ thẩm quyền để thay đổi hướng đi.

Ba điểm khác biệt cần ghi nhớ

• AGI, RSI và siêu trí tuệ mô tả những thứ khác nhau. Không ai là từ đồng nghĩa với việc AI có ý thức.
• Công trình công cộng của Google ủng hộ tuyên bố rằng AI đang giúp phát triển AI. Các bài đăng X tuần hoàn không thiết lập một vòng cải tiến bền vững, hoàn toàn tự chủ.
• Một số lãnh đạo công khai ủng hộ điều tiết tốc độ phát triển và đánh giá bên ngoài. Điều đó có ý nghĩa, nhưng chưa chứng minh đã có thỏa thuận giảm tốc được ký kết và thực thi trên toàn ngành.

AGI là khả năng học và làm nhiều loại công việc

Một chuyên gia có thể xuất sắc trong một nhiệm vụ. Một động cơ cờ vua có thể đánh bại một nhà vô địch mà không thể giải thích hợp đồng thuê, lập kế hoạch dự án nghiên cứu hoặc tìm hiểu quy trình làm việc văn phòng mới. AGI đề cập đến một tham vọng rộng lớn hơn: một hệ thống AI có thể chuyển giao các khả năng hữu ích trong nhiều loại công việc trí tuệ, bao gồm cả những nhiệm vụ không quen thuộc. Trong ngôn ngữ hàng ngày, câu hỏi đặt ra là liệu nó có thể tiếp tục học cách trở nên hữu ích khi nhiệm vụ thay đổi hay không.

Không có một vạch đích nào được chấp nhận rộng rãi. Vào tháng 11 năm 2023, các nhà nghiên cứu DeepMind đã đề xuất đánh giá AGI theo các khía cạnh bao gồm hiệu suất, tính tổng quát và quyền tự chủ. Khuôn khổ của họ tạo nên sự khác biệt có giá trị: giỏi nhiều nhiệm vụ và được phép hành động độc lập là những đặc tính riêng biệt. Một hệ thống có khả năng cao vẫn có thể được triển khai với các quyền hạn hẹp. Các cấp độ AGI, được gửi lần đầu vào ngày 4 tháng 11 năm 2023.

Đối với người mới bắt đầu, hãy xem xét một trợ lý giả định được yêu cầu giúp đỡ một tổ chức phi lợi nhuận nhỏ. Nó cần hiểu một bảng tính lạ, soạn thảo đơn xin tài trợ, nhận thấy sự mâu thuẫn trong ngân sách và tìm hiểu các quy tắc báo cáo. Một minh chứng thuyết phục sẽ cho thấy hiệu suất đáng tin cậy qua những thay đổi đó, bao gồm cả việc biết khi nào cần yêu cầu trợ giúp. Một đề xuất tài trợ được trau chuốt sẽ tạo ra ít hơn nhiều so với mô hình rộng hơn đó.

Đây cũng là lý do tại sao điểm chuẩn không phải là chứng chỉ trí tuệ phổ quát. Điểm chuẩn cho chúng ta biết điều gì đó về các nhiệm vụ được chỉ định trong các điều kiện cụ thể. Nó có thể loại bỏ độ tin cậy bền vững, môi trường xa lạ, chi phí thực tế hoặc khả năng phục hồi sau sai lầm. Khi ai đó thông báo AGI, phần tiếp theo hữu ích là: khả năng nào, ở cấp độ nào, phạm vi nhiệm vụ nào và mức độ hỗ trợ?

ASI, hay siêu trí tuệ nhân tạo, thường đề cập đến những khả năng vượt xa con người trong một loạt công việc nhận thức. Đó là một khái niệm khác, không phải là nhãn hiệu bắt buộc cho mọi mẫu xe ấn tượng. Cả AGI và ASI đều không tự động hàm ý nhận thức, cảm xúc hay đời sống nội tâm giống con người. Bài viết này nói về khả năng, quá trình phát triển và những lựa chọn mà mọi người đưa ra xung quanh mình.

Với RSI, tiến bộ cải thiện cách tạo ra tiến bộ tiếp theo

Phần mềm thông thường cải thiện vì mọi người tìm ra vấn đề, đề xuất thay đổi, kiểm tra chúng và giữ cho những thay đổi đó hoạt động. AI đã có thể hỗ trợ từng bước riêng lẻ. Nó có thể đề xuất một thuật toán nhanh hơn, tạo ra các trường hợp thử nghiệm hoặc giúp chẩn đoán một thử nghiệm thất bại. RSI trở nên thú vị khi lợi ích từ công việc đó giúp hệ thống tiến hành vòng cải tiến tiếp theo tốt hơn.

Hãy hình dung một xưởng nghiên cứu tự cải tiến công cụ. Thiết bị đo chính xác hơn giúp tạo ra thiết bị tốt hơn, rồi thiết bị ấy lại hỗ trợ lần cải tiến tiếp theo. Mỗi thay đổi thành công mở rộng khả năng của thí nghiệm kế tiếp. Điều quan trọng là cải tiến có thật, được giữ lại và giúp ích cho nghiên cứu sau này, chứ không chỉ khiến xưởng bận rộn hơn.

Chatbot sửa một câu trả lời năm lần không nhất thiết làm mô hình nền tảng tốt hơn. Bộ nhớ có thể giữ thông tin mà không cập nhật các tham số mạng đã học. Tác nhân lập trình có thể cải tiến công cụ trong khi mô hình điều khiển nó vẫn giữ nguyên. Những cơ chế này đều hữu ích, nhưng RSI theo nghĩa mạnh là khả năng phát triển hệ thống AI tốt hơn được cải thiện liên tiếp. Bài hướng dẫn trước về học liên tục và vòng cải tiến giải thích các cơ chế cụ thể đó.

Định nghĩa cũng giải thích tại sao AGI và RSI không cần đến theo một thứ tự cố định. Một hệ thống có thể giúp tối ưu hóa việc đào tạo AI trong khi vẫn còn yếu trong nhiều công việc hàng ngày. Ngược lại, AI có khả năng rộng rãi có thể được phát triển thông qua một quy trình vẫn do con người chỉ đạo. RSI có thể tăng tốc một con đường hướng tới tính tổng quát hơn, nhưng việc viết ba chữ cái đó trên sơ đồ không chứng minh được con đường đó kết thúc ở đâu.

Sơ đồ khái niệm ban đầu. AGI và RSI là các kích thước khác nhau, không phải là một chuỗi các cột mốc được đảm bảo. Nó minh họa các định nghĩa ở trên chứ không phải khả năng đo lường của một mô hình cụ thể.

Tin đồn về Google bắt nguồn từ hai bài đăng

Bài viết của AI Times ngày 14 tháng 9 mô tả tin đồn lan truyền trong cộng đồng AI. Theo bài đăng được nhúng và các liên kết trong bình luận về sau, ta tìm được một số ít nguồn gốc có thể xác định. Điều này quan trọng vì một trăm lượt đăng lại có thể tạo cảm giác như một trăm lần xác nhận, dù phần lớn chỉ lặp lại cùng một phát biểu ban đầu.

Vào ngày 11 tháng 9, tài khoản Lyra, @lyraxana, đã đăng một tin nhắn chúc mừng ngắn gắn thẻ Google DeepMind. Cách viết hoa bất thường làm nổi bật các chữ cái R, S và I. Bài đăng không cung cấp phương pháp thử nghiệm, kết quả thực hiện hoặc giải thích về sự tham gia của con người. Đó là một lời mời suy luận điều gì đó từ một từ viết tắt.

Cuối ngày hôm đó, Lentils, @Lentils80, đã trích dẫn bài đăng của Lyra và đề cập đến một mô hình nội bộ có mục đích có tên là rsi-model-liverl-le, cùng với mười vị trí đào tạo được đánh số. Ảnh chụp màn hình liên quan đã trở thành một tâm điểm suy đoán khác. Đó là những tuyên bố về một danh sách nội bộ bị cáo buộc; tính xác thực của danh sách và mối quan hệ của nó với hệ thống làm việc không được thiết lập một cách độc lập trong cuộc điều tra này.

Vào ngày 12 tháng 9, Chubby, @kimmonismus, đã khuếch đại tin đồn và liên kết trở lại cùng một bài đăng của Lyra. Điều này thiết lập một con đường lưu thông. Nó không tạo ra nguồn lực độc lập thứ hai cho sự đột phá. Danh tiếng của tài khoản về việc rò rỉ trước đó cũng không thay thế được bằng chứng về tuyên bố cụ thể này.

Ngay cả một tên nội bộ xác thực cũng sẽ không trả lời được các câu hỏi trọng tâm. Một nhóm có thể đặt tên cho một dự án theo mục tiêu của nó trước khi đạt được nó. Một thử nghiệm có thể cải thiện một thành phần hẹp trong khi vẫn phụ thuộc nhiều vào sự chỉ đạo của con người. Chúng tôi sẽ cần các kết quả được đo lường, đường cơ sở rõ ràng và bản báo cáo về những gì đã được tự động hóa trước khi đưa ra kết luận chắc chắn hơn.

Tính đến ngày kiểm chứng, kết luận còn giới hạn: tin đồn RSI của Google có nguồn X truy được, nhưng các bài đăng này chưa chứng minh RSI hoàn toàn tự chủ. Tôi không tìm thấy thông báo của Google xác nhận danh sách nội bộ được cho là đã rò rỉ, hoặc các đánh giá lặp lại và độc lập cần thiết để chứng minh cách hiểu đó. Đây là giới hạn của bằng chứng công khai đã xem xét, không phải bằng chứng rằng không tồn tại tiến bộ chưa công bố.

Nghiên cứu công khai của Google cho biết nhiều hơn một cái tên bị lộ

Tin đồn tìm được khán giả là có lý do. Google đã công khai mô tả AI góp phần phát triển AI. Trong thông báo ngày 2 tháng 9 năm 2026 Gemini 3.8, công ty cho biết các vòng lặp tác nhân chạy dài đã giúp đánh giá đệ quy và tinh chỉnh các mô hình cơ bản. Đó là một tuyên bố thực chất, có thể quy về quá trình phát triển của nó. Nó vẫn chưa xác định một chuỗi các hệ thống kế nhiệm hoàn toàn tự động. Thông báo về Gemini 3.8 của Google.

Một kết quả trước đó mang lại cho ý tưởng một thang đo cụ thể. Google DeepMind đã báo cáo vào tháng 5 năm 2025 rằng AlphaEvolve đã cải thiện hạt nhân đào tạo Gemini chính 23%, góp phần giảm khoảng 1% tổng thời gian đào tạo. Tác nhân mã hóa đã sử dụng các mô hình ngôn ngữ, đánh giá và lựa chọn tự động để tìm kiếm các thuật toán tốt hơn. Thông báo AlphaEvolve, ngày 14 tháng 5 năm 2025.

Sự khác biệt giữa 23% và 1% mang tính hướng dẫn. Cải thiện một thành phần không cải thiện được toàn bộ chu trình phát triển với cùng một mức độ. Những công việc khác vẫn cần có thời gian. Tuy nhiên, ngay cả một khoản tiết kiệm nhỏ cũng có thể quan trọng khi được áp dụng nhiều lần vào quá trình đào tạo tốn kém và việc tối ưu hóa hữu ích có thể trở thành một phần của quy trình tạo ra mô hình tiếp theo.

Đó là nền tảng tốt hơn cho sự lạc quan hơn là đoán ý nghĩa của tên tệp. Lĩnh vực này có thể đạt được tiến bộ đáng kể trước khi bất kỳ ai trình diễn phiên bản RSI mạnh nhất. Chúng ta có thể công nhận một thành tựu kỹ thuật mà không cần biến nó thành tuyên bố rằng AI đã trở thành nhà phát minh độc lập cho toàn bộ tương lai của nó.

Tài khoản ngày 4 tháng 6 năm 2026 của Anthropic về sự phát triển của chính nó cũng tạo ra sự khác biệt tương tự. Nó báo cáo sự tham gia ngày càng tăng của AI vào kỹ thuật và thử nghiệm trong khi xác định hướng nghiên cứu và đánh giá là những khoảng trống còn lại. Cuộc thảo luận về sự phát triển kế thừa hoàn toàn tự chủ của nó rõ ràng có điều kiện. Đây là những quan sát của công ty về quy trình làm việc của chính họ, không phải bằng chứng độc lập về RSI tự trị. Khi AI tự xây dựng.

Amodei, Altman và Musk công khai ủng hộ điều tiết tốc độ phát triển

Ngày 12 tháng 9, CEO Anthropic Dario Amodei đề xuất điều tiết tốc độ phát triển AI tiên tiến để công tác an toàn có thời gian theo kịp năng lực. Ba phần của kế hoạch là chuyên gia đánh giá độc lập được tiếp cận nội bộ thường xuyên, phối hợp giữa các đơn vị phát triển hàng đầu tại những nước dân chủ và hợp tác quốc tế rộng hơn. Anthropic cam kết thực hiện bước đầu; cơ chế phối hợp rộng hơn vẫn cần được xây dựng. Bài luận tháng 9 của Amodei.

Sau đó, Sam Altman công khai ủng hộ điều tiết tốc độ trên X và nói OpenAI cũng sẽ cho chuyên gia đánh giá độc lập quyền tiếp cận tương đương nhân viên. Elon Musk ủng hộ quan điểm của Amodei trong một bài đăng ngắn. Đây là những tuyên bố có thể kiểm chứng trực tiếp. Cần truyền đạt chính xác, không suy diễn thành một thỏa thuận thực hiện chi tiết hơn nội dung họ đã công bố.

Điều tiết tốc độ không có nghĩa là dừng toàn bộ nghiên cứu AI. Amodei đề xuất dành thời gian cho biện pháp an toàn và đánh giá bên ngoài trong khi vẫn tiếp tục phát triển. Khó khăn nằm ở thực hiện: đánh giá điều gì, ai được tiếp cận, ai có thể công bố kết quả bất lợi và chuyện gì xảy ra nếu công ty không đồng ý? Câu trả lời quyết định liệu cam kết có thay đổi hành động hay không.

Theo hiểu biết của tôi thì sự hội tụ rất quan trọng vì các đối thủ cạnh tranh đang công khai thừa nhận một vấn đề chung. Nó không loại bỏ động cơ cạnh tranh của họ. Đánh giá độc lập sẽ có giá trị chính xác bởi vì khách hàng, chính phủ và các nhà phát triển đối thủ không cần phải chấp nhận sự đảm bảo chỉ dựa trên danh tiếng. Tiêu chuẩn phải là bằng chứng của sự tuân theo chứ không phải sức mạnh cảm xúc của một tuyên bố trước công chúng.

Cũng có mối quan ngại chính đáng về cách thức thiết kế các thỏa thuận như vậy. Các yêu cầu tuân thủ đắt đỏ có thể có lợi cho các tổ chức vốn đã có ngân sách lớn. Đó là lý do để yêu cầu các quy tắc tương xứng, những người đánh giá có trách nhiệm và có chỗ cho các nhà phát triển nhỏ hơn. Không có bằng chứng nào cho thấy những lo ngại về an toàn đã nêu là bịa đặt hoặc tin đồn về Google đã gây ra lời kêu gọi tăng tốc.

Trump đặt cạnh tranh với Trung Quốc ở trung tâm tranh luận

Ngày 13 tháng 9, Trump nói với phóng viên tại Ireland rằng ông muốn Mỹ giữ lợi thế AI trước Trung Quốc và tỏ ra không ủng hộ các lời kêu gọi kìm hãm phát triển. Ông cũng thừa nhận có thể cần một số biện pháp bảo vệ, nhưng không nêu quy tắc cụ thể. Đây là sự phản đối việc giảm tốc cuộc đua, không phải phủ quyết một thỏa thuận ngành đã được ký kết. Associated Press, ngày 13 tháng 9, đăng trên CityNews.

Vấn đề chiến lược là điều dễ hiểu. Nếu một nhóm chấp nhận những hạn chế tốn kém trong khi đối thủ cạnh tranh thì không, lợi thế thu được có thể ảnh hưởng đến sức mạnh kinh tế và an ninh. Do đó, một thỏa thuận quốc tế khả thi cần có cách để xác định liệu các bên tham gia có thực hiện những gì họ đã hứa hay không. Tuyên bố rằng mọi người nên hợp tác dễ dàng hơn nhiều so với việc thiết kế một cuộc xác minh đáng tin cậy.

Nhưng chiến thắng một cuộc đua và kiểm soát hậu quả của nó là những thành tựu riêng biệt. Một hệ thống gây ra sự cố có thể tránh được sẽ không trở nên đáng tin cậy vì nó được xây dựng trong nước. Quan điểm của tôi là khả năng lãnh đạo nên bao gồm khả năng kiểm tra, bảo mật và quản lý các hệ thống mạnh mẽ cũng như khả năng đào tạo chúng. Những khả năng đó có thể củng cố vị trí dẫn đầu bền vững thay vì chỉ trì hoãn tiến độ.

Sẽ là sai lầm khi trình bày cuộc tranh luận công khai một bên là sự an toàn và một bên là mối quan ngại về Trung Quốc. Đề xuất riêng của Amodei thảo luận về việc duy trì vị trí dẫn đầu trong khi tìm kiếm sự hợp tác quốc tế. Sự bất đồng một phần nằm ở phương tiện: liệu khách hàng tiềm năng có được bảo vệ tốt nhất bằng tốc độ phát triển tối đa, bằng sự giám sát chung mạnh mẽ hơn hay bằng sự kết hợp có thể được xác minh thực sự.

Vòng nghiên cứu tốt hơn có thể rút ngắn thời gian giữa các khám phá

Khả năng thú vị không chỉ đơn giản là trợ lý tiếp theo viết câu trả lời tốt hơn. Đó là những trợ lý tốt hơn sẽ rút ngắn công việc cần thiết để tạo ra thế hệ sau họ. Thế hệ đó sau đó có thể cải thiện quá trình nghiên cứu một lần nữa. Nếu lợi ích được chuyển giao và duy trì, tiến độ có thể tăng lên thay vì xuất hiện dưới dạng các bản nâng cấp riêng biệt.

Một vòng lặp có ý nghĩa có một số công việc. Nó lựa chọn một vấn đề hữu ích, đề xuất một biện pháp can thiệp, thực hiện một thử nghiệm, đánh giá kết quả và chỉ duy trì sự cải tiến khi có bằng chứng ủng hộ nó. Kết quả được giữ lại sau đó sẽ hỗ trợ cho chu kỳ tiếp theo. Đẩy nhanh quá trình tạo đề xuất là hữu ích; tăng tốc toàn bộ chuỗi trong khi vẫn giữ được tính hợp lệ sẽ mang lại nhiều kết quả hơn.

Hãy tưởng tượng một nhóm có thể khám phá mười phương pháp tiếp cận đáng tin cậy trong thời gian nhóm đã khám phá một phương pháp trước đó. Một số thử nghiệm bổ sung sẽ thất bại và đó là điều bình thường. Lợi ích đến từ việc tìm hiểu sớm hơn những phương pháp tiếp cận nào xứng đáng có nhiều nguồn lực hơn. Nếu hệ thống cũng trở nên tốt hơn trong việc lựa chọn thử nghiệm, thì nhóm sẽ đạt được nhiều lần thử hơn và có cơ hội tốt hơn để mỗi lần thử mang lại nhiều thông tin.

Đây là kịch bản có điều kiện, không phải là dự báo tiến độ gấp 10 lần. Nghiên cứu có sự phụ thuộc: một thử nghiệm có thể cần kết quả của một thử nghiệm khác và một thất bại không mong muốn có thể yêu cầu một phương pháp đo lường mới. Tính toán nhiều hơn không đảm bảo một cái nhìn sâu sắc hữu ích. Số lượng quan trọng là tốc độ học tập được xác thực chứ không phải có bao nhiêu nhân viên tỏ ra bận rộn cùng một lúc.

Sơ đồ cơ chế do tác giả xây dựng. Cải tiến chỉ đi vào vòng tiếp theo sau khi được đánh giá, còn kiểm tra độc lập nằm ngoài vòng lặp. Đây là nguyên tắc vận hành được đề xuất, không phải khẳng định rằng một phòng nghiên cứu đã hoàn thành hệ thống như vậy.

Nếu điều này trở nên đáng tin cậy thì lịch trình thay đổi có thể sẽ khác. Các công cụ có thể cải thiện trong khi các tổ chức vẫn đang thích ứng với bản phát hành trước đó. Một nhóm có thể phát hiện ra rằng một dự án mà họ trì hoãn vì quá tốn kém đã trở nên khả thi, sau đó nhận ra rằng nút thắt tiếp theo là việc xác nhận hoặc phân phối. Sự tăng tốc sẽ được coi là những hạn chế thay đổi, không chỉ là những thông báo ấn tượng về mẫu xe.

Tư duy nhanh hơn vẫn phải chờ thế giới vật chất

Một thí nghiệm tưởng tượng đơn giản cho thấy tại sao gia tốc lại có giới hạn. Giả sử 80% chu trình nghiên cứu có thể được thực hiện nhanh hơn gấp 10 lần, trong khi 20% còn lại không thay đổi. Chu kỳ mới mất 28% thời gian ban đầu, cải thiện khoảng 3,6 lần chứ không phải mười. Phép tính là 0,8 chia cho 10, cộng 0,2. Đây là những giả định minh họa, không phải phép đo của phòng thí nghiệm AI.

Phần không thay đổi có thể trở thành phần chiếm ưu thế một cách nhanh chóng một cách đáng ngạc nhiên. Nó có thể đang chờ phần cứng, thu thập dữ liệu đại diện, kiểm tra thuộc tính bảo mật hoặc tái tạo kết quả. Trong một dự án y sinh, nó có thể liên quan đến công việc trong phòng thí nghiệm và bằng chứng lâm sàng; trong một dự án năng lượng, nó có thể liên quan đến vật liệu, xây dựng và kết nối với lưới điện. Lý luận tốt hơn không làm cho những phụ thuộc đó biến mất.

Đây là lý do tại sao một mô hình cải tiến liên tục sẽ không mang lại ngay một thế giới cải tiến liên tục. Khám phá, sản xuất, phân phối và áp dụng có lịch trình khác nhau. Bản thân một số điểm nghẽn có thể được cải thiện bằng AI; những người khác đòi hỏi thể chế, sự đầu tư và năng lực thể chất. Kịch bản lạc quan thực tế bao gồm công việc trên tất cả chúng.

Nó cũng chừa chỗ cho khả năng dạng RSI mạnh nhất sẽ ngừng hoạt động. Lợi nhuận có thể ngừng chuyển giao, các thử nghiệm có thể trở nên tốn kém hơn hoặc tiến độ có thể phụ thuộc vào hiểu biết sâu sắc mà các phương pháp hiện tại không thể tìm thấy. Ngay cả khi đó, việc phổ biến các năng lực vốn đã hữu ích vẫn có thể tạo ra sự khác biệt đáng kể. Chúng tôi không cần một đường cong tăng tốc vô hạn để biện minh cho việc cải thiện khả năng tiếp cận các công cụ tốt.

Sai lầm cũng có thể truyền sang thế hệ tiếp theo

Phản hồi tương tự nhằm duy trì sự cải tiến có thể duy trì sai lầm. Giả sử một tác nhân nghiên cứu phát hiện ra một thay đổi làm tăng điểm đánh giá của mình bằng cách khai thác điểm yếu trong bài kiểm tra. Nếu kết quả được chấp nhận là tiến bộ thực sự thì công việc tiếp theo có thể được xây dựng dựa trên kết quả đó. Hệ thống có thể trở nên tốt hơn trong việc đáp ứng phép đo trong khi trở nên kém hữu ích hơn ngoài phép đo đó.

Đây là rủi ro về cấu trúc, không phải bằng chứng cho thấy một mẫu Google cụ thể bị rò rỉ đã hoạt động theo cách này. Nó giải thích tại sao người đánh giá cần được bảo vệ khỏi hệ thống đang được đánh giá. Các thử nghiệm độc lập, các quyền riêng biệt và các bản ghi có thể tái tạo khiến cho việc tuyên bố thành công sai lầm trở thành nền tảng cho lần phát hành tiếp theo trở nên khó khăn hơn. Vòng lặp nhanh hơn làm cho sự tách biệt đó có giá trị hơn.

Có một phiên bản con người của vấn đề tương tự. Khi khối lượng công việc tăng lên, mọi người có thể bắt đầu phê duyệt những thay đổi mà họ không còn hiểu vì những thay đổi trước đó dường như có hiệu quả. Nút phê duyệt của con người không phải là sự giám sát có ý nghĩa nếu người đánh giá thiếu thời gian, bằng chứng liên quan hoặc khả năng dừng quá trình. Thiết kế cần phải duy trì cơ hội thực tế để không đồng ý.

Vì lý do đó, tôi sẽ xem xét mối quan hệ giữa tốc độ phát triển và thời gian sẵn có để phản hồi. Làm thế nào nhanh chóng một vấn đề có thể được phát hiện? Quá trình bị ảnh hưởng có thể được tạm dừng? Một bản phát hành có thể được khôi phục lại không và những ảnh hưởng quan trọng của nó có thể đảo ngược được không? Các câu trả lời sẽ khác nhau tùy theo trợ lý viết bài, hệ thống nghiên cứu và phần mềm có quyền truy cập vào cơ sở hạ tầng quan trọng.

Cảnh báo phải tương xứng. Đây không phải là dự đoán rằng mọi vòng cải tiến sẽ trở nên nguy hiểm hoặc lập luận rằng AI hữu ích sẽ không có sẵn. Đó là lý do để trao quyền cho hệ thống theo từng giai đoạn và kiểm tra hậu quả ở từng giai đoạn. Khả năng tiến bộ càng nhanh thì chúng ta càng ít nên dựa vào niềm tin phi chính thức làm cơ sở kiểm soát chính.

Tương lai tốt đẹp hơn sẽ đưa trợ giúp chuyên môn vào đời sống

Đây là tương lai mà tôi muốn nghiên cứu này hỗ trợ: chuyên môn hữu ích trở nên dễ dàng có được hơn trong khi mọi người vẫn có khả năng đặt câu hỏi về nó. Một tổ chức nhỏ có thể kiểm tra một vấn đề khó khăn mà không cần tập hợp một nhóm chuyên gia lớn trước tiên. Học sinh nên có một lời giải thích kiên nhẫn để thích ứng với chỗ mà sự hiểu biết bị phá vỡ. Một nhà nghiên cứu nên dành ít thời gian hơn trong ngày để sử dụng các công cụ và dành nhiều thời gian hơn để quyết định những gì đáng nghiên cứu.

Đây là những kịch bản, không phải lời hứa kèm theo ngày ra mắt AGI. Giá trị của chúng đến từ việc giảm chi phí làm việc cẩn thận. Nếu nhiều người hơn có thể so sánh các lựa chọn, kiểm tra các giả định và khám phá một lĩnh vực xa lạ, thì các dự án đáng giá có thể bắt đầu mà lẽ ra vẫn chưa được thử nghiệm. Lợi ích không nhất thiết phải phụ thuộc vào việc loại bỏ mọi người khỏi quy trình.

Trong nghiên cứu chăm sóc sức khỏe, sự đóng góp đầy hy vọng là con đường ngắn hơn từ một ý tưởng hợp lý đến một ứng viên đã được thử nghiệm tốt. Các hệ thống tốt hơn có thể kết nối các phát hiện giữa các chuyên ngành, xác định các giả định yếu và giúp thiết kế các thí nghiệm mang tính thông tin. Việc xác nhận trong phòng thí nghiệm và lâm sàng vẫn sẽ xác định liệu một khám phá có giúp ích cho bệnh nhân hay không. Việc phát hiện nhanh hơn có giá trị khi nó cải thiện bằng chứng đạt đến các giai đoạn đó, chứ không phải khi nó thay thế các giai đoạn bằng văn xuôi tự tin.

Trong giáo dục, cơ hội mang tính cá nhân nhiều hơn. Hãy tưởng tượng một người học có thể hỏi cùng một câu hỏi theo ba cách khác nhau mà không bối rối, sau đó nhận được lời giải thích bằng ngôn ngữ và ngữ cảnh mà họ hiểu. Giáo viên có thể sử dụng hệ thống để khám phá những quan niệm sai lầm và chuẩn bị bài tập tốt hơn. Kết quả mong muốn là sự hiểu biết của con người lớn hơn, giáo viên và học sinh có thể kiểm tra và hỗ trợ sửa chữa.

Đối với phần mềm và dịch vụ công, tiến độ có thể khiến việc bảo trì bị bỏ quên trở nên hợp lý. Các nhóm nhỏ có thể điều tra các khiếm khuyết, cải thiện khả năng tiếp cận và hiện đại hóa các hệ thống khó khăn mà trước đây thiếu sự quan tâm kỹ thuật đầy đủ. Đối với nghiên cứu về khí hậu và năng lượng, việc tìm kiếm và mô phỏng tốt hơn có thể giúp các nhà nghiên cứu so sánh các thiết kế trước khi thực hiện các thử nghiệm vật lý tốn kém. Đây là những con đường đi từ năng lực nghiên cứu đến giá trị thực tiễn, với những ràng buộc khác nhau trong từng lĩnh vực.

Việc phân phối những lợi ích đó sẽ quan trọng ngang với khả năng kỹ thuật của chúng. Một hệ thống tuyệt vời nhưng giá cả phải chăng, không thể tiếp cận bằng ngôn ngữ của cộng đồng hoặc không thể thách thức có thể khiến nhiều người bị bỏ lại phía sau. Nghiên cứu được công chúng quan tâm, giao diện dễ tiếp cận, cạnh tranh và khả năng tiếp cận phù hợp với các mô hình hữu ích là một phần của bức tranh lạc quan. Lợi ích rộng rãi là mục tiêu thiết kế và chính sách, không phải là đặc tính tự động của thông tin tình báo.

Công việc sẽ thay đổi trong quá trình thực hiện và lợi ích đạt được sẽ không xóa bỏ được những quá trình chuyển đổi khó khăn. Một số nhiệm vụ có thể cần ít người hơn; các trách nhiệm khác có thể trở nên khắt khe hơn. Các tổ chức nên đầu tư vào khả năng của mọi người trong việc sử dụng, đánh giá và chuyển hướng các công cụ mới thay vì coi việc đào tạo lại là điều cần cân nhắc. Một tương lai tốt đẹp hơn mang đến cho mọi người nhiều lựa chọn hơn trong quá trình chuyển đổi đó chứ không chỉ đơn thuần là một lời hứa rằng các con số tổng hợp sẽ được cải thiện.

Một khung biên tập ban đầu. Bằng chứng, khả năng kiểm soát và khả năng tiếp cận là điều kiện cho các kịch bản đầy hy vọng ở trên; chúng không phải là một dự báo hay một bảng xếp hạng các quốc gia và công ty.

Cột mốc đáng giá là tiến bộ con người có thể hiểu và định hướng

Khi khiếu nại RSI tiếp theo xuất hiện, hãy hỏi xem điều gì đã thay đổi và bằng chứng nào còn tồn tại sau khi kiểm tra. Câu trả lời có được cải thiện, công cụ được cải thiện hay khả năng phát triển hệ thống trong tương lai có được cải thiện không? Lợi ích có được sao chép ngoài đánh giá ban đầu không? Ai cung cấp hướng nghiên cứu và những gì vẫn nằm trong tầm kiểm soát của con người? Những câu hỏi đó mang lại nhiều thông tin hơn là việc đếm ngược đến một bước đột phá được xác định một cách mơ hồ.

Đối với các nhóm áp dụng AI ngày nay, việc chuẩn bị thực hành cũng cụ thể không kém. Giữ nguồn tài liệu quan trọng được kết nối với các quyết định. Tách biệt công việc khám phá khỏi các hành động có hậu quả lâu dài. Cung cấp cho người đánh giá bằng chứng mà họ có thể kiểm tra và giúp họ có thể đảo ngược một lựa chọn tồi. Những thói quen này rất hữu ích trong khả năng ngày nay và trở nên có giá trị hơn nếu chu kỳ phát triển tăng tốc.

Tin đồn Google chưa được xác minh ở dạng mạnh nhất. Sự thay đổi rộng rãi hơn đối với việc AI tham gia nghiên cứu AI đã được ghi nhận. Chúng ta có thể thực hiện sự thay đổi đó một cách nghiêm túc mà không cần giả vờ biết ngày tháng hoặc hình dạng của điểm cuối của nó. Thước đo thành công ưa thích của tôi là số lượng người có thể hiểu, sáng tạo và cải thiện nhiều hơn trong khi vẫn giữ được tiếng nói có ý nghĩa về những gì xảy ra tiếp theo.

Nguồn và giới hạn của việc kiểm chứng

Các bài đăng X đã được kiểm tra thông qua các phản hồi nhúng công khai của X, bao gồm các liên kết kết nối tin đồn ban đầu và sự khuếch đại của nó. Điều này xác minh các bài đăng đã xuất bản chứ không phải tính xác thực của ảnh chụp màn hình nội bộ bị cáo buộc. Ngày đính kèm với các bài đăng đó sử dụng ngày được hiển thị bởi X; ngày lịch địa phương có thể khác nhau.

• Bài đăng gốc của Lyra — ngày 11 tháng 9 năm 2026
• Bài đăng được trích dẫn của Đậu lăng và danh sách người mẫu bị cáo buộc — ngày 11 tháng 9 năm 2026
• Khuếch đại của Chubby — 12 tháng 9 năm 2026
• Báo cáo của AI Times — ngày 14 tháng 9 năm 2026
• Cấp độ AGI — được gửi lần đầu vào ngày 4 tháng 11 năm 2023
• Thông báo về AlphaEvolve của Google DeepMind — ngày 14 tháng 5 năm 2025
• Thông báo về Gemini 3.8 của Google — ngày 2 tháng 9 năm 2026
• Tài khoản của Anthropic về sự phát triển được hỗ trợ bởi AI — ngày 4 tháng 6 năm 2026
• Đề xuất của Amodei về điều tiết tốc độ — tháng 9 năm 2026
• Phản hồi của Altman — ngày 12 tháng 9 năm 2026
• Phản hồi của Musk — ngày 12 tháng 9 năm 2026
• Asociated Press về nhận xét của Trump - 13 tháng 9 năm 2026

---

Nơi lưu lại cơ sở của mỗi quyết định

Telli.sh mang các ghi chú, bản ghi âm, bản dịch và Clips vào không gian làm việc mà bạn có thể quay lại. Nếu một cuộc trò chuyện hoặc bài viết thay đổi quan điểm của bạn về AI, hãy giữ nguồn bên cạnh ý tưởng và quyết định mà nó đưa ra. Các mô hình sẽ tiếp tục thay đổi; lý do bạn chọn để bảo tồn vẫn có thể hiểu được.

Tạo không gian làm việc Telli.sh cho kiến thức bạn muốn lưu giữ