Mười năm trước, hệ thống trí tuệ nhân tạo AlphaGo trở thành chương trình đầu tiên đánh bại một nhà vô địch thế giới cờ vây – trò chơi nổi tiếng với độ phức tạp cực cao. Thành tựu này đến sớm hơn nhiều so với dự đoán của các chuyên gia và được xem như dấu mốc mở ra kỷ nguyên AI hiện đại. Một khoảnh khắc biểu tượng của trận đấu là “Nước đi 37” (Move 37) – quyết định táo bạo đã nhanh chóng trở thành huyền thoại. Từ đó, AlphaGo cho thấy tiềm năng thực sự của AI và hé lộ rằng các phương pháp nền tảng đã đủ trưởng thành để bắt đầu giải quyết những bài toán khoa học trong thế giới thực.
Ngày nay, những bước tiến bắt nguồn từ AlphaGo tiếp tục định hình con đường phát triển các hệ thống hướng tới trí tuệ nhân tạo tổng quát (AGI). Chúng tôi tin rằng AGI có thể trở thành công nghệ mang tính chuyển đổi lớn nhất từng được con người tạo ra, đóng vai trò công cụ mạnh mẽ để thúc đẩy khoa học, y học và năng suất lao động.
Một cú hích sáng tạo
Năm 2016, hơn 200 triệu người trên toàn thế giới theo dõi trận đấu tại Seoul giữa AlphaGo và nhà vô địch cờ vây Lee Sae Dol. Tại ván thứ hai, “Nước đi 37” khiến nhiều bình luận viên chuyên nghiệp bối rối, thậm chí cho rằng đó là sai lầm. Nhưng theo diễn biến của ván đấu, quyết định này dần chứng minh vai trò bước ngoặt của nó. Khoảng một trăm nước đi sau, quân cờ đặt tại vị trí tưởng như bất thường trước đó trở thành mảnh ghép quan trọng giúp AlphaGo giành chiến thắng. Khoảnh khắc ấy thể hiện khả năng nhìn xa và năng lực tìm ra chiến lược mới vượt ngoài khuôn mẫu mà con người từng xây dựng.
Cờ vây từ lâu được xem là môi trường thử nghiệm lý tưởng cho AI do độ phức tạp khổng lồ của trò chơi. Số trạng thái có thể xuất hiện trên bàn cờ ước tính khoảng 10^170 – vượt xa tổng số nguyên tử trong vũ trụ.
Để xử lý bài toán này, AlphaGo kết hợp mạng thần kinh sâu (deep neural networks), các thuật toán tìm kiếm tiên tiến và phương pháp học tăng cường (reinforcement learning) – hướng tiếp cận mà DeepMind đã góp phần tiên phong.
Hệ thống ban đầu học từ dữ liệu các ván đấu của kỳ thủ chuyên nghiệp để nhận diện những nước đi hợp lý. Sau đó, AlphaGo tự chơi hàng trăm nghìn ván cờ với chính mình nhằm tối ưu chiến thuật có tỷ lệ thắng cao nhất. Từ quá trình này, hệ thống tập trung đánh giá các hướng đi tiềm năng và lựa chọn nước đi có khả năng quyết định kết quả ván đấu.
Sau AlphaGo, chúng tôi phát triển AlphaGo Zero – hệ thống bắt đầu từ các nước đi hoàn toàn ngẫu nhiên nhưng cuối cùng trở thành kỳ thủ mạnh nhất lịch sử. Bước tiếp theo là AlphaZero, mô hình có thể tự học để làm chủ nhiều trò chơi đối kháng như cờ vây, cờ vua và Shogi. Chỉ dựa trên luật chơi cơ bản, AlphaZero đã đạt trình độ cờ vua đỉnh cao chỉ sau vài giờ huấn luyện. Không chỉ đánh bại các đại kiện tướng hàng đầu, hệ thống còn vượt qua các chương trình chuyên dụng mạnh nhất thời điểm đó như Stockfish. Điều đáng chú ý là dù cờ vua đã được phân tích sâu bằng máy tính suốt nhiều thập kỷ, AlphaZero vẫn phát hiện thêm những hướng tư duy chiến thuật hoàn toàn mới.
Những kết quả này củng cố nhận định mà tôi nhận ra ngay sau chiến thắng tại Seoul – công nghệ đã sẵn sàng để được áp dụng vào những mục tiêu khoa học lớn hơn.
“Tôi tin rằng bài học lớn nhất mà AlphaGo mang lại là một cái nhìn thực tế và rõ nét về kỷ nguyên AI – minh chứng rằng AI không còn là một tương lai xa vời, mơ hồ, mà đã là một thực tại đang gõ cửa từng nhà. AlphaGo giống như một ‘lộ trình đến từ tương lai’, gửi đi tín hiệu rõ rệt cho nhân loại về cách thế giới sẽ thay đổi.” – Lee Sae Dol, kỳ thủ cờ vây thế giới và giáo sư thỉnh giảng tại UNIST chia sẻ.
Thúc đẩy những đột phá khoa học
Việc giải quyết không gian chiến lược khổng lồ của cờ vây cho thấy AI có thể hỗ trợ con người khám phá những hệ thống phức tạp trong thế giới tự nhiên. Một trong những mục tiêu đầu tiên mà chúng tôi theo đuổi là bài toán cuộn gấp protein – thách thức khoa học tồn tại suốt hơn nửa thế kỷ. Việc dự đoán cấu trúc ba chiều của protein đóng vai trò quan trọng trong nghiên cứu bệnh học và phát triển thuốc.
Năm 2020, hệ thống AlphaFold 2 đã đạt bước đột phá khi dự đoán cấu trúc protein với độ chính xác cao. Từ đó, chúng tôi tiếp tục giải mã cấu trúc của hơn 200 triệu protein đã được biết đến và cung cấp miễn phí cho cộng đồng khoa học thông qua cơ sở dữ liệu mở. Hiện nay, hơn 3 triệu nhà nghiên cứu trên toàn thế giới sử dụng dữ liệu AlphaFold trong các dự án như phát triển vaccine sốt rét hay thiết kế enzyme phân hủy nhựa. Năm 2024, tôi cùng John Jumper thay mặt đội ngũ AlphaFold nhận Giải Nobel Hóa học cho công trình này.
Kể từ sau AlphaGo, cách tiếp cận dựa trên tìm kiếm và học tăng cường đã được áp dụng vào nhiều lĩnh vực khoa học và toán học.
Trong suy luận toán học, AlphaProof – hệ thống kế thừa kiến trúc AlphaGo – kết hợp mô hình ngôn ngữ với cơ chế tìm kiếm của AlphaZero để giải các mệnh đề toán học. Cùng với AlphaGeometry 2, đây là hệ thống đầu tiên đạt thành tích tương đương huy chương bạc tại Olympic Toán quốc tế (IMO), cho thấy phương pháp của AlphaGo có thể hỗ trợ suy luận toán học nâng cao.
Gemini, mô hình AI quy mô lớn của chúng tôi, cũng tiếp tục mở rộng khả năng này. Một phiên bản nâng cao của chế độ Deep Think đã đạt thành tích tương đương huy chương vàng tại kỳ thi IMO 2025 khi áp dụng phương pháp suy luận lấy cảm hứng từ AlphaGo. Sau thành công đó, Deep Think đang được thử nghiệm trong nhiều thách thức khoa học và kỹ thuật phức tạp hơn.
Trong lĩnh vực thuật toán, tác nhân lập trình AlphaEvolve tìm kiếm những cách viết mã mới để phát hiện thuật toán hiệu quả hơn. Hệ thống này đã tạo ra bước đột phá khi tìm ra phương pháp nhân ma trận mới – phép toán nền tảng cho nhiều mạng thần kinh hiện đại. AlphaEvolve hiện được thử nghiệm trong các bài toán tối ưu hóa trung tâm dữ liệu và điện toán lượng tử.
Một hướng nghiên cứu khác là xây dựng “cộng sự khoa học AI” (AI co-scientist). Hệ thống này cho phép nhiều tác nhân AI trao đổi và tranh luận về giả thuyết khoa học nhằm tìm ra quy luật ẩn trong dữ liệu. Trong các nghiên cứu thực nghiệm tại Imperial College London, hệ thống đã phân tích tài liệu khoa học trong nhiều thập kỷ và độc lập đưa ra cùng giả thuyết về cơ chế kháng kháng sinh mà các nhà khoa học sau đó xác nhận qua thí nghiệm.
Song song với những dự án trên, AI cũng đang được sử dụng để nghiên cứu bộ gen, hỗ trợ phát triển năng lượng nhiệt hạch và cải thiện dự báo thời tiết.
Tuy vậy, phần lớn các hệ thống khoa học hiện nay vẫn mang tính chuyên biệt. Để đạt những bước tiến lớn như năng lượng sạch quy mô toàn cầu hoặc điều trị dứt điểm các bệnh nan y, cần có các hệ thống AI tổng quát có thể nhận diện mối liên hệ giữa nhiều lĩnh vực khoa học khác nhau.
Tương lai của trí tuệ
Để đạt tới trí tuệ tổng quát, AI cần hiểu được thế giới vật lý. Vì vậy, Gemini được xây dựng theo hướng đa phương thức ngay từ đầu để có thể xử lý ngôn ngữ, hình ảnh, video, âm thanh và mã lệnh, từ đó hình thành mô hình về thế giới xung quanh.
Các mô hình Gemini mới nhất tiếp tục ứng dụng những kỹ thuật tìm kiếm và suy luận từng được phát triển trong AlphaGo và AlphaZero nhằm tăng khả năng lập kế hoạch và suy luận đa phương thức.
Thế hệ AI tiếp theo cũng cần khả năng sử dụng các công cụ chuyên biệt. Ví dụ, khi cần dự đoán cấu trúc protein, hệ thống có thể chủ động sử dụng AlphaFold như một công cụ hỗ trợ.
Chúng tôi tin rằng sự kết hợp giữa mô hình thế giới của Gemini, năng lực lập kế hoạch của AlphaGo và khả năng sử dụng các công cụ AI chuyên sâu sẽ đóng vai trò quan trọng trong hành trình tiến tới AGI.
Một yếu tố không thể thiếu của AGI là sự sáng tạo. “Nước đi 37” từng cho thấy AI có thể tạo ra những quyết định bất ngờ vượt ngoài kinh nghiệm của con người. Tuy nhiên, để đạt đến mức sáng tạo hoàn chỉnh, AI cần khả năng phát minh thực sự. Một phép thử cho năng lực này là liệu hệ thống có thể tự thiết kế nên một trò chơi có chiều sâu như cờ vây hay không.
Mười năm sau chiến thắng lịch sử của AlphaGo, trí tuệ nhân tạo tổng quát đang tiến gần hơn đến hiện thực. Những ý tưởng khởi nguồn từ AlphaGo đã thúc đẩy hàng loạt bước tiến trong khoa học và công nghệ, đồng thời mở ra triển vọng về một giai đoạn khám phá mới cho nhân loại.
