Các nhãn này hữu ích, nhưng không phải là quy luật tự nhiên
Trí tuệ nhân tạo hẹp, trí tuệ nhân tạo tổng quát và siêu trí tuệ nhân tạo được hiểu tốt nhất như những vùng trên nhiều chiều năng lực khác nhau—chứ không phải ba chiếc hộp được đánh dấu chính xác. Các nhà nghiên cứu và tổ chức sử dụng những định nghĩa khác nhau, và không có cơ quan khoa học nào có thể chứng nhận rằng một hệ thống đã “trở thành AGI.” Vì vậy, người đọc cẩn trọng nên hỏi người nói có ý gì khi dùng thuật ngữ đó và bằng chứng nào hỗ trợ cho cách phân loại đó.
Trí tuệ nhân tạo hẹp (ANI) theo truyền thống có nghĩa là một hệ thống được tối ưu hóa cho một nhiệm vụ hoặc lĩnh vực giới hạn: một cỗ máy chơi cờ, bộ phát hiện gian lận, bộ nhận dạng giọng nói, hoặc bộ dự đoán cấu trúc protein. Một hệ thống như vậy có thể vượt qua mọi con người ở nhiệm vụ mục tiêu của nó trong khi vẫn vô dụng ở những nơi khác. Nhưng việc gọi mọi mô hình được triển khai là “hẹp” ngày càng trở nên gây hiểu lầm. Các mô hình ngôn ngữ và đa phương thức đa dụng có thể viết văn bản, viết mã, phân tích hình ảnh, sử dụng công cụ, và thích ứng với nhiều nhiệm vụ dựa trên chỉ dẫn. Chúng rộng theo một nghĩa nào đó, nhưng vẫn không đáng tin cậy, phụ thuộc vào giàn giáo hỗ trợ, và không đồng đều giữa các lĩnh vực. “AI đa dụng” hoặc “mô hình có năng lực rộng” thường là một mô tả có tính thông tin hơn so với việc ép các hệ thống này vào cặp nhị phân hẹp/tổng quát cũ.
Trí tuệ nhân tạo tổng quát (AGI) thường chỉ một cỗ máy có năng lực rộng có thể chuyển giao sang các nhiệm vụ chưa từng gặp. Ngoài cốt lõi đó, các định nghĩa lại khác nhau. Một số yêu cầu hiệu suất tương đương với một người bình thường trên hầu hết công việc nhận thức; một số yêu cầu khả năng học hỏi hiệu quả; một số nhấn mạnh vào lao động có giá trị kinh tế; và một số khác bổ sung thêm tính tự chủ trong thế giới vật lý hoặc kỹ thuật số. Các nhà nghiên cứu của Google DeepMind đề xuất mô tả AGI bằng cả bề rộng—số lượng nhiệm vụ nó có thể thực hiện—và chiều sâu—mức độ nó thực hiện tốt đến đâu—trong khi coi tính tự chủ là một thuộc tính triển khai riêng biệt (DeepMind, Levels of AGI). Khung khái niệm đó tránh việc giả vờ rằng một bài đánh giá chuẩn duy nhất tạo ra một ngưỡng kỳ diệu.
Siêu trí tuệ nhân tạo (ASI) là một hệ thống giả định vượt trội đáng kể so với những con người giỏi nhất trên gần như mọi lĩnh vực có giá trị về mặt nhận thức. Đây không phải là một hạng mục công nghệ đã được quan sát thấy. Đó là một kịch bản được dùng để suy luận về các hệ thống có thể vượt trội hơn các thể chế của con người trong khoa học, chiến lược, kỹ thuật, thuyết phục, và có lẽ cả trong chính việc nghiên cứu AI. Liệu một hệ thống như vậy có khả thi hay không, nó có thể theo sau AGI nhanh đến mức nào, và liệu trí tuệ trên mọi lĩnh vực có thể được kết hợp trong một hệ thống duy nhất hay không, vẫn là những câu hỏi còn gây tranh cãi.
Năng lực có nhiều hơn một trục
Một đánh giá hữu ích cần tách bạch ít nhất năm thuộc tính:
- Bề rộng: sự đa dạng của các nhiệm vụ và môi trường mà hệ thống có năng lực.
- Hiệu suất: liệu nó tương đương với người mới học, một người lao động bình thường, một chuyên gia, hay con người giỏi nhất.
- Độ tin cậy: tần suất nó thành công, kể cả trong những điều kiện bất thường hoặc đối kháng.
- Học hỏi và chuyển giao: mức độ dễ dàng nó xử lý một nhiệm vụ thực sự mới mà không cần huấn luyện lại chuyên biệt cho nhiệm vụ đó.
- Tính tự chủ: nó có thể lập kế hoạch, hành động, sử dụng công cụ, khắc phục sai lầm, và theo đuổi một mục tiêu trong bao lâu và an toàn đến mức nào với sự giám sát hạn chế.
Các trục này có thể tách biệt nhau một cách rõ rệt. Một mô hình có thể trả lời câu hỏi về hàng trăm chủ đề trong khi vẫn mắc những lỗi sơ đẳng. Một mô hình khác có thể cực kỳ đáng tin cậy trong một quy trình khoa học nhất định nhưng lại không thể khái quát hóa. Một mô hình đàm thoại có thể trông có vẻ hiểu biết rộng trong khi một tác nhân được xây dựng dựa trên chính mô hình đó lại thất bại vì nó mất ngữ cảnh, sử dụng sai công cụ, hoặc không thể nhận ra rằng kế hoạch của nó đang đi chệch hướng. Định nghĩa của OECD về một hệ thống AI cũng tương tự khi phân biệt các đầu ra được tạo ra và ảnh hưởng lên môi trường với các mức độ tự chủ khác nhau và khả năng thích ứng sau khi triển khai (Các nguyên tắc AI của OECD).
Điều này quan trọng vì ngôn ngữ trau chuốt không đồng nghĩa với năng lực hành động vững chắc. Các cuộc hội thoại giống con người khuyến khích việc nhân cách hóa, trong khi điểm số trên các bài đánh giá chuẩn có thể che giấu sự phụ thuộc vào những chỉ dẫn được cấu trúc cẩn thận, dữ liệu sạch, và việc chấm điểm tự động. Ngược lại, một hệ thống không cần phải trò chuyện như con người để có những năng lực có ý nghĩa thực tế. Một mô hình khoa học, một tác nhân giao dịch, hay một công cụ an ninh mạng có thể quan trọng vì những gì nó có thể làm, chứ không phải vì nó giống với tâm trí con người.
Vì sao không một bài đánh giá chuẩn nào chứng minh được AGI
Các bài đánh giá chuẩn lấy mẫu hành vi trong những điều kiện cụ thể. Chúng không trực tiếp bộc lộ sự hiểu biết, ý thức, ý định, hay hiệu suất trong mọi bối cảnh chưa được kiểm tra. Điểm số có thể tăng lên vì sự khái quát hóa thực sự, vì tiếp xúc với các ví dụ huấn luyện tương tự, vì chỉ dẫn tốt hơn, vì được truy cập công cụ, hoặc vì kỹ thuật xây dựng xung quanh mô hình. Một bài đánh giá chuẩn cũng có thể bị bão hòa: một khi các hệ thống dẫn đầu tiệm cận mức trần của nó, những khác biệt nhỏ trở nên khó diễn giải.
Cảnh báo tương tự cũng áp dụng cho các định nghĩa kinh tế. Cụm từ “có thể tự động hóa hầu hết công việc” nghe có vẻ cụ thể, nhưng công việc là một tập hợp các nhiệm vụ kỹ thuật, đàm phán xã hội, trách nhiệm giải trình, hoạt động thể chất, kiến thức địa phương, và trách nhiệm đối với sai sót. Thành công ở những nhiệm vụ độc lập, khép kín không chứng minh được rằng một hệ thống có thể thay thế một người lao động trong một tổ chức bộn bề thực tế. METR nói rõ rằng chân trời thời gian hoàn thành nhiệm vụ của họ tập trung vào phần mềm, học máy, và an ninh mạng, và không nên được đọc như một thước đo chung cho việc tự động hóa công việc (Phương pháp luận của METR).
Do đó, AGI nên được xem là một tuyên bố đòi hỏi một bộ hồ sơ bằng chứng. Những lĩnh vực nào đã được kiểm tra? Các nhiệm vụ đó mới mẻ đến mức nào? Những công cụ và sự trợ giúp nào của con người đã được cho phép? Hiệu suất có được lặp lại một cách độc lập hay không? Tỷ lệ thành công là bao nhiêu? Hệ thống có duy trì được độ tin cậy khi mục tiêu trở nên mơ hồ hoặc môi trường thay đổi hay không? Nếu thiếu những chi tiết đó, một tuyên bố về AGI chỉ là hoạt động xây dựng thương hiệu, dự báo, hoặc nhận định cá nhân—chứ không phải một kết quả đo lường.
Vì sao sự phân biệt này làm thay đổi chính sách
Những hồ sơ năng lực khác nhau tạo ra những rủi ro khác nhau. Các hệ thống hiện nay đã gây ra những tác hại được ghi nhận thông qua gian lận, phân biệt đối xử, xâm phạm quyền riêng tư, lời khuyên không an toàn, gián đoạn lao động, và truyền thông tổng hợp. Những vấn đề đó không đòi hỏi phải có AGI và không nên bị trì hoãn cho đến khi đạt một ngưỡng nào đó trong tương lai. Các hệ thống có tính tự chủ rộng có thể bổ sung thêm những rủi ro khác bằng cách tiến hành các hoạt động an ninh mạng, đẩy nhanh các nghiên cứu nguy hiểm, hoặc kiểm soát các quy trình trọng yếu ở quy mô vượt quá khả năng rà soát của con người. Siêu trí tuệ giả định đặt ra những câu hỏi còn bất định hơn nữa về việc liệu các thể chế của con người có thể giám sát một hệ thống vượt trội hơn mình về mặt chiến lược hay không.
Các hạng mục này cũng định hình những biện pháp bảo vệ tương xứng. Một bộ phân loại y tế hẹp có thể cần được kiểm chứng lâm sàng, giám sát, và có quy trình khiếu nại. Một mô hình đa dụng có thể cần đánh giá năng lực, phát hiện lạm dụng, báo cáo sự cố, và các biện pháp kiểm soát xung quanh những công cụ nguy hiểm. Một hệ thống có tính tự chủ cao vận hành hạ tầng trọng yếu sẽ đòi hỏi những yêu cầu bảo đảm, ngăn chặn, và cấp phép của con người mạnh mẽ hơn. Việc dùng “AI” như một hạng mục đồng nhất, không phân biệt sẽ che giấu những khác biệt này.
Một cách tốt hơn để đọc hiểu các tuyên bố về AGI
Khi ai đó nói rằng AGI đã xuất hiện—hay là điều bất khả thi—hãy chuyển tuyên bố đó thành những câu hỏi có thể quan sát được. Hệ thống này có năng lực rộng thực sự hay chỉ rộng ở giao diện? Nó có chuyển giao được sang công việc mới không? Nó đáng tin cậy đến mức nào? Nó có thể hoàn thành những dự án dài, thực tế hay không? Nó có cần sự sửa chữa liên tục của con người không? Nó có học hỏi sau khi được triển khai không? Bằng chứng có công khai và có thể được tái lập một cách độc lập hay không?
Kết luận trung thực vào năm 2026 không phải là mọi AI được triển khai đơn thuần đều hẹp, cũng không phải là các mô hình ngôn ngữ rộng đã vượt qua một ranh giới AGI được chấp nhận rộng rãi trên toàn cầu. Các hệ thống hiện nay kết hợp bề rộng đáng kinh ngạc với sự giòn gãy nghiêm trọng. AGI vẫn là một khái niệm còn gây tranh cãi, và ASI vẫn chỉ là giả định. Vì vậy, “nấc thang năng lực” hữu ích nhất là một bản đồ đa chiều với bằng chứng có ghi ngày tháng—chứ không phải một cầu thang ba bậc mà trên đó một công ty có thể tự tuyên bố mình là người chiến thắng.