Vì sao trang này tồn tại
Phần lớn cẩm nang này nghiêng về việc coi trọng rủi ro AGI, vì phần lớn nội dung của nó bao phủ điều gì xảy ra nếu những người lạc quan đúng. Lập trường đó khiến việc biến những người hoài nghi thành một hình nộm dễ dàng — “họ chỉ đơn giản là không hiểu về mở rộng quy mô” — rồi bỏ qua. Đó là một sự bất công đối với một lập trường có thực chất được nắm giữ bởi các nhà nghiên cứu đã xây dựng nên một số công cụ nền tảng của lĩnh vực này. Trang này trình bày các lập luận thực sự của họ, không phải một phiên bản được xây dựng để thua, mà không phân xử ai đúng; xem cách cân nhắc các tuyên bố về AGI và dự báo dòng thời gian AGI để biết phạm vi ý kiến thường được báo cáo như thế nào.
Yann LeCun: không có mô hình thế giới, không có lập kế hoạch
Yann LeCun rời Meta vào tháng 11 năm 2025 sau mười hai năm, bao gồm việc sáng lập phòng thí nghiệm FAIR của công ty, và đến tháng 3 năm 2026 ông là Chủ tịch Điều hành và đồng sáng lập AMI Labs, một công ty khởi nghiệp có trụ sở tại Paris đã huy động được vòng gọi vốn hạt giống 1,03 tỷ đô la — được cho là vòng gọi vốn hạt giống lớn nhất của một công ty khởi nghiệp châu Âu từ trước đến nay — để xây dựng cái ông gọi là “mô hình thế giới” (TechCrunch). Điều đó quan trọng: sự hoài nghi của LeCun không dịu đi thành một sự dè dặt — nó cứng lại thành một công ty mà ông đang đặt cược cả sự nghiệp của mình vào đó.
Phản đối của LeCun là một lập luận về kiến trúc, không phải một định lý chứng minh transformer không thể lập kế hoạch. Các mô hình tự hồi quy tiêu chuẩn dự đoán token mà không có mô hình thế giới rõ ràng, bền vững hay một bộ lập kế hoạch riêng. Mỗi lượt chạy mô hình dùng một đồ thị tính toán cố định, nhưng một hệ thống lớn hơn vẫn có thể dành nhiều tính toán suy luận hơn bằng cách tạo, đánh giá hoặc sửa đổi các token bổ sung. Điều đó có thể cải thiện kết quả mà không chứng minh được khả năng lập kế hoạch dài hạn, có nền tảng trong thế giới thực.
Thay vào đó, LeCun đề xuất một mô hình thế giới có thể cấu hình để dự đoán các trạng thái tương lai hợp lý, kết hợp với một tác nhân tìm kiếm hành động ở nhiều mức trừu tượng (bài viết lập trường của LeCun; tổng quan nghiên cứu của Meta). Đây là hướng nghiên cứu ông đề xuất, không phải kết luận đã được xác lập về những điều mô hình ngôn ngữ hiện nay sẽ không bao giờ làm được. Giả thuyết là trí tuệ tự chủ vững chắc sẽ cần kiến trúc học từ video cùng trải nghiệm không gian và cảm giác-vận động, chứ không chỉ từ văn bản.
Andrew Ng: nâng cao ngưỡng bằng chứng
Andrew Ng — người sáng lập DeepLearning.AI, Đối tác Quản lý chung tại AI Fund, và giáo sư kiêm nhiệm tại Stanford — lập luận rằng “AGI đã trở thành một thuật ngữ của cơn sốt thổi phồng hơn là một thuật ngữ có ý nghĩa chính xác,” và ngành công nghiệp này còn cách hàng thập kỷ đối với một hệ thống có thể thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người có thể làm, từ lái xe tải đến viết luận án tiến sĩ (PYMNTS). Đóng góp cụ thể của ông mang tính phương pháp luận: một “Bài kiểm tra Turing-AGI” được đề xuất, trong đó một giám khảo thiết kế một thử thách công việc thực tế nhiều ngày — các nhiệm vụ thực tế, không phải một bản demo được tuyển chọn — và hệ thống chỉ vượt qua nếu nó thực hiện tốt như một con người có kỹ năng. Điểm mấu chốt: dịch chuyển các cột mốc ra khỏi điểm số bảng xếp hạng và hướng tới hiệu suất bền vững, làm giảm nhiệt những gì ông thấy là cơn sốt rủi ro bong bóng.
Gary Marcus: ảo giác, sự sụp đổ lập luận, và phép nhân của các giả định tích lũy
Gary Marcus, Giáo sư Danh dự về Tâm lý học và Khoa học Thần kinh tại NYU và người sáng lập Geometric Intelligence và Robust.AI, đã xây dựng một lập luận nhiều mặt trận. Về độ tin cậy: các LLM “theo nghĩa đen không biết sự khác biệt giữa sự thật và sự giả dối,” và ông trích dẫn một chứng minh hình thức rằng chúng sẽ có ảo giác ngay cả khi có dữ liệu hoàn hảo và năng lực tính toán không giới hạn — được chứng minh, theo ông, khi GPT-5 (tháng 8 năm 2025) không giải quyết được ảo giác và o3 của OpenAI có ảo giác nhiều hơn cả những mô hình tiền nhiệm của nó (Marcus on AI). Về lập luận: “chúng ta sẽ không giải được vật lý bằng các hệ thống không thể chơi Tháp Hà Nội với một tháp 8 đĩa” — trích dẫn phát hiện của Apple rằng các mô hình “lập luận” LLM sụp đổ khi vượt qua một ngưỡng phức tạp thay vì suy giảm dần dần.
Sự can thiệp được thảo luận rộng rãi nhất của ông mang tính phương pháp luận: một cuộc lật tẩy kịch bản dự báo “AI 2027” là “hư cấu khoác áo khoa học” — vay mượn các kỹ thuật kể chuyện trong khi trình bày các trích dẫn và chú thích như thể kết quả là một dự báo. Marcus phân rã kịch bản này thành khoảng tám cột mốc “bước nhảy đức tin” tuần tự, nhân xác suất riêng lẻ ngụ ý của chúng, và cho thấy xác suất tổng hợp của toàn bộ chuỗi đúng lịch trình gần bằng không (Substack) — được hậu thuẫn bởi chính thành tích của việc dự báo: ảo giác được tuyên bố “đã giải quyết” vào năm 2024, xe không người lái được cho là sẽ “khắp mọi nơi” vào năm 2017. Đáng chú ý, Marcus không lập luận rằng “AGI là bất khả thi” — “bất kỳ ai nghĩ AGI là bất khả thi” cũng sai, theo ông, như bất kỳ ai nghĩ nó sắp xảy ra — và giờ ông đặt khả năng xuất hiện hợp lý vào năm 2100, không phải 2027. Lập trường đó tự nó là bằng chứng rằng phe hoài nghi là một sự phân tán, không phải một lập trường duy nhất — một điểm mà trang dự báo dòng thời gian đưa ra về toàn bộ lĩnh vực này.
Tim Dettmers: tính toán là vật lý
Tim Dettmers, một nhà nghiên cứu tại Allen Institute for AI, đưa ra một lập luận không phụ thuộc vào kiến trúc mô hình — đó là về vật lý. Hiệu suất-trên-đô-la của GPU đã đạt mức bình nguyên khoảng năm 2018, ông lập luận, và hầu hết những lợi ích rõ ràng kể từ đó đến từ số học độ chính xác thấp hơn — thực hiện cùng phép tính rẻ hơn — thay vì tăng trưởng năng lực tính toán thực sự. Ông ước tính “có lẽ một, có lẽ hai năm mở rộng quy mô nữa” trước khi những lợi ích va phải các bức tường về bộ nhớ, I/O, và điện năng, nơi năng lượng và chi phí tăng theo cấp số nhân chỉ để đổi lấy lợi ích năng lực tuyến tính (timdettmers.com). Ông định khung “AGI” là đòi hỏi năng lực có ý nghĩa kinh tế ở các nhiệm vụ vật lý, không phải điểm số bài đánh giá chuẩn, và mở rộng logic đó đến điểm cuối của nó: một siêu trí tuệ sẽ đối mặt với cùng những ràng buộc vật lý khi cải thiện chồng suy luận của chính nó. Không giống những lập luận trên, lập luận này không phụ thuộc vào việc đúng cụ thể về LLM — đó là một tuyên bố về nền tảng mà bất kỳ trí tuệ kỹ thuật số nào cũng chạy trên đó.
Danh sách ngắn hơn: cũng nên xem
Một danh sách ngắn hơn làm tròn thêm lập luận này. Rodney Brooks, CTO của Robust.AI và Giáo sư Danh dự về Robot học tại MIT, duy trì một bảng điểm dự đoán hằng năm, có ghi ngày tháng, có thể kiểm chứng sai — kỷ luật hiếm có giữa các nhà bình luận AI — và lập luận từ nhiều thập kỷ kinh nghiệm robot học rằng tiến bộ bài đánh giá chuẩn hẹp liên tục bị nhầm lẫn với năng lực tổng quát. François Chollet, người tạo ra bài đánh giá chuẩn ARC-AGI, chỉ ra các mô hình đạt điểm gần bằng không trên các nhiệm vụ được xây dựng để chống lại việc ghi nhớ — ARC-AGI-3 mới hơn chứng kiến các mô hình tốt nhất năm 2026 đạt điểm dưới 1% so với 100% đối với con người — như bằng chứng rằng trí tuệ là hiệu quả tiếp thu kỹ năng, không phải quy mô. Subbarao Kambhampati của Arizona State lập luận rằng các LLM không thể lập kế hoạch hay tự xác minh bất kể cách nhắc lệnh, và giờ đặt câu hỏi liệu các token chuỗi tư duy có đại diện cho lập luận thực sự hay không. Melanie Mitchell của Santa Fe Institute lập luận rằng thành công của LLM phản ánh việc khớp mẫu hình trên các phân phối huấn luyện chứ không phải lập luận nhân quả. Emily Bender, một nhà ngôn ngữ học tại Đại học Washington và đồng tác giả của “Stochastic Parrots,” lập luận rằng đầu ra trôi chảy là hình thức không có sự hiểu biết có căn cứ — các mô hình được huấn luyện để dự đoán chuỗi từ thiếu khả năng tiếp cận ý định giao tiếp.
Chính phương pháp luận dự báo cũng là một mục tiêu
Ngoài bất kỳ nhà nghiên cứu cá nhân nào, những người hoài nghi nhắm thẳng vào cách các dòng thời gian AGI được tạo ra. Phương pháp luận khảo sát chuyên gia cho thấy một hiệu ứng “chân trời di động” được ghi nhận rõ ràng — người trả lời đặt AGI khoảng mười lăm đến hai mươi lăm năm nữa bất kể khi nào họ được hỏi — được cộng thêm bởi các hiệu ứng lựa chọn và độ nhạy với cách đặt câu hỏi. Một báo cáo của RAND vào tháng 3 năm 2026 liệt kê một cách có hệ thống những vấn đề này trên cả phương pháp khảo sát, thị trường dự đoán, và ngoại suy năng lực tính toán (RAND).
Thước đo “chân trời thời gian” của chính METR — đường cong năng lực được trích dẫn thường xuyên nhất làm bằng chứng cho sự tăng tốc, và được thảo luận trên trang dự báo dòng thời gian — đã nhận sự giám sát kỹ lưỡng bao gồm cả từ chính METR. Một thông báo vào tháng 1 năm 2026 tiết lộ một sự điều chỉnh 35% được áp dụng cho một đường khớp logistic độ dốc cố định, rằng khoảng một phần ba các ước tính độ khó nhiệm vụ được suy luận thay vì đo lường, và rằng METR “không có ý tưởng” liệu chân trời thời gian thực sự của một mô hình có thực sự nằm trong khoảng tin cậy mà nó báo cáo hay không (METR). Một phê bình độc lập được công bố vài ngày trước đó còn đi xa hơn: các nhiệm vụ này sạch sẽ một cách phi thực tế, các giải pháp công khai có thể đã làm nhiễm bẩn dữ liệu, và thời gian đường cơ sở của con người đến từ một mẫu nhỏ, được khuyến khích tài chính có khả năng đã thổi phồng thời gian một nhiệm vụ “nên” mất — khiến sự tăng tốc rõ ràng của AI một phần là hiện tượng của sự so sánh (Transformer News). Dù thế nào, một phần lớn các suy luận dòng thời gian của lĩnh vực này được định giá lại dựa trên một đường khớp nhiễu duy nhất mà chính các tác giả của nó không thể hoàn toàn bảo chứng.
Điều đó cộng dồn với một vấn đề cũ hơn: Luật Goodhart áp dụng cho các bài đánh giá chuẩn. Một khi một bài đánh giá chuẩn trở thành một mục tiêu tối ưu hóa, các phòng thí nghiệm tinh chỉnh hướng tới bảng xếp hạng thay vì cấu trúc mà nó đo lường — MMLU đi từ điểm số GPT-3 43 điểm so với đường cơ sở con người 90 điểm vào năm 2020 đến việc các mô hình hàng đầu tập trung sít sao đến mức sự khác biệt nằm trong nhiễu định dạng lệnh nhắc vào giữa năm 2024. Sự nhiễm bẩn rò rỉ bài đánh giá chuẩn khiến điểm số tăng khó đọc như một lợi ích thực sự hơn. Xem cách cân nhắc các tuyên bố về AGI và nấc thang năng lực để biết vì sao “vượt qua một bài đánh giá chuẩn” và “đạt đến AGI” là những tuyên bố khác nhau.
Trang này không tuyên bố điều gì
Không điều nào trong số này tương đương với một lập luận rằng AGI là bất khả thi, và không nhà nghiên cứu nào ở trên đưa ra tuyên bố đó — Marcus nói rõ ràng cả hai thái cực đều sai. Điều mà nó thiết lập là một thực chất thực sự: những giới hạn kiến trúc không rõ ràng được giải quyết bằng quy mô, một mức trần năng lực tính toán vật lý bất chấp mọi lộ trình, và một bộ máy dự báo mà, theo chính thừa nhận của METR, không thể hoàn toàn bảo chứng cho đường cong mà mọi người trích dẫn. Liệu điều đó có cộng lại thành “còn nhiều thập kỷ nữa” hay “gần hơn những gì trang này gợi ý” chính xác là điều mà cẩm nang này từ chối giải quyết thay cho độc giả. Điều nó sẽ không làm là để lập luận hoài nghi trở thành một hình nộm.