Giới Hạn Của LLM, Mô Hình Thế Giới (World Models) Và Con Đường Thực Sự Đi Đến AGI

1. Bối Cảnh Và Tổng Quan Cuộc Trò Chuyện

Yann LeCun hiện là Trưởng khoa học gia về AI (Chief AI Scientist) tại Meta và là Giáo sư tại Đại học New York (NYU). Với tư cách là một trong ba “Cha đẻ của Học sâu” (Deep Learning) nhận giải thưởng Turing năm 2018, nhận định của LeCun luôn mang tính đối trọng mạnh mẽ đối với dòng chảy truyền thông hiện tại. Trong bối cảnh cả thế giới đang phát cuồng vì các Mô hình Ngôn ngữ Lớn (LLM) như GPT-4, Claude hay Gemini, LeCun đưa ra một luận điểm gây tranh cãi nhưng mang tính nền tảng: LLM là một đường cụt (dead end) nếu mục tiêu cuối cùng của chúng ta là Trí tuệ Nhân tạo Toàn năng (AGI).

2. Chi Tiết Nội Dung Phỏng Vấn

Phóng viên (PV): Thưa Giáo sư Yann LeCun, cảm ơn ông đã dành thời gian. Hiện nay, phần lớn thế giới công nghệ đang tin rằng việc tiếp tục mở rộng quy mô (scaling) các Mô hình Ngôn ngữ Lớn (LLM) bằng cách nạp thêm hàng nghìn tỷ token dữ liệu và hàng chục nghìn GPU sẽ đưa chúng ta đến AGI. Tại sao ông lại phản đối quan điểm này?

Prof. Yann LeCun:

Bởi vì nguyên lý vận hành cốt lõi của LLM hoàn toàn khác biệt với cách thức trí tuệ sinh học hoạt động.

Hãy nhìn vào cơ chế của LLM: Chúng là các mô hình Autoregressive Large Language Models (Tự hồi quy). Về bản chất, công việc duy nhất của chúng là dự đoán từ tiếp theo (Auto-regressive Auto-encoder) dựa trên một chuỗi các từ phía trước. Khi bạn yêu cầu LLM tạo ra một đoạn văn, nó dự đoán từ số 1, thêm từ đó vào ngữ cảnh, rồi dự đoán từ số 2, số 3…

Mô hình này có một điểm yếu chết người về mặt toán học và logic: Sự tích tụ lỗi theo cấp số nhân (Exponential Error Accumulation). Giả sử xác suất để một LLM đưa ra một bước suy luận đúng là $p$. Khi chuỗi suy luận dài $n$ bước, xác suất để toàn bộ câu trả lời đúng sẽ là $p^n$. Dù $p$ có lớn tới $99\%$ đi chăng nữa, thì khi $n$ tăng lên (chuỗi hành động hoặc lập luận dài ra), $p^n$ sẽ tiến về $0$ rất nhanh. Đó là lý do tại sao các LLM rất dễ rơi vào hiện tượng “bốc phét” (hallucination) hoặc đưa ra những câu trả lời ngớ ngẩn khi đối mặt với các bài toán cần nhiều bước logic chặt chẽ.

Thứ hai là bài toán về Dung lượng Dữ liệu (Data Volume). Một đứa trẻ 4 tuổi trong suốt cuộc đời của nó tích lũy khoảng $10^{14}$ bytes dữ liệu quang học thông qua mắt. Nó tương tác với thế giới thực, chạm vào đồ vật, ngã, và học cách thế giới vận hành. Trong khi đó, các LLM lớn nhất hiện nay đã học hàng chục nghìn tỷ token văn bản — tương đương với toàn bộ tri thức viết của nhân loại mà một người phải mất hàng trăm ngàn năm mới đọc hết. Nhưng LLM vẫn không thể tự dọn bàn ăn, không biết gắp một vật thể phức tạp mà không làm rơi, và không hề có “common sense” (tri thức đời thường).

Con người học được rất nhiều thứ với ít dữ liệu hơn rất nhiều, bởi vì chúng ta không học qua văn bản. Văn bản là một kênh truyền tải thông tin có băng thông cực kỳ thấp (low-bandwidth channel). Phần lớn trí tuệ con người được hình thành từ việc quan sát và tương tác với thế giới thực.

PV: Nếu LLM không phải là con đường dẫn đến AGI, vậy ông đề xuất hướng đi nào? Khái niệm “World Model” (Mô hình Thế giới) mà ông thường xuyên đề cập hoạt động ra sao?

Prof. Yann LeCun:

Hướng đi đúng đắn phải là Objective-Driven AI (AI vận hành theo mục tiêu) dựa trên Joint Embedding Predictive Architecture (JEPA) — Kiến trúc Dự đoán Nhúng Chung.

Hệ thống AI tương lai cần phải sở hữu một “Mô hình Thế giới” (World Model). Mô hình thế giới là gì? Đó là một mô phỏng nội bộ bên trong bộ não của máy tính về cách thế giới vận hành. Khi bạn cầm một cái ly và thả tay ra, bạn không cần phải tính toán phương trình vật lý phức tạp để biết rằng cái ly sẽ rơi xuống và vỡ. Bộ não của bạn đã có một mô hình thế giới dự đoán trước kết quả đó.

+-----------------------------------------------------------------------+
|                    OBJECTIVE-DRIVEN ARCHITECTURE                      |
|                                                                       |
|   +--------------+      +-------------------+                         |
|   | Sensor Input | ---> |  Configurator     |                         |
|   +------+-------+      +---------+---------+                         |
|          |                        |                                   |
|          v                        v                                   |
|   +--------------+      +-------------------+     +---------------+   |
|   | World Model  | ---> | Perception Module | --> | Cost Function |   |
|   +------+-------+      +-------------------+     +---------------+   |
|          |                                                ^           |
|          v                                                |           |
|   +--------------+                                        |           |
|   | Actor Module | ---------------------------------------+           |
|   +--------------+                                                    |
+-----------------------------------------------------------------------+

Khác với LLM dự đoán chi tiết từng pixel hay từng từ, JEPA dự đoán trạng thái trừu tượng (abstract representations) của không gian và thời gian.

Ví dụ, nếu bạn nhìn thấy một cái cây trong gió, bạn không cần dự đoán chính xác từng chiếc lá sẽ biến đổi pixel như thế nào ở khung hình tiếp theo (điều mà các mô hình Video AI hiện tại đang cố làm và tốn cực kỳ nhiều chi phí tính toán). Bạn chỉ cần hiểu trạng thái tổng thể: “cái cây đang đung đuyển”. JEPA loại bỏ các chi tiết nhiễu không quan trọng và tập trung vào bản chất logic của sự việc.

Khi AI có Mô hình Thế giới, nó sẽ hoạt động theo 4 bước:

Perception (Nhận thức): Chuyển đổi trạng thái thế giới hiện tại thành các biểu diễn trừu tượng.
World Model (Dự đoán): Dự đoán các trạng thái tiếp theo của thế giới dựa trên chuỗi hành động dự kiến.
Cost Function (Đánh giá chi phí): Đo lường mức độ thỏa mãn mục tiêu (ví dụ: an toàn, hiệu quả, đúng luật).
Actor (Hành động): Lựa chọn chuỗi hành động tối ưu hóa để hạ thấp Cost Function xuống mức tối thiểu.

Đây chính là cơ chế giúp robot hoặc hệ thống tự chủ có thể suy luận, lập kế hoạch đa bước trước khi thực sự hành động trong thế giới thực, thay vì vừa đi vừa mò mẫm như LLM.

PV: Nhiều công ty như OpenAI, Anthropic hay Google đang đầu tư hàng trăm tỷ USD vào hạ tầng tính toán cho LLM. Phải chăng ông đang nói rằng dòng tiền khổng lồ này đang bị lãng phí?

Prof. Yann LeCun:

Tôi không nói nó bị lãng phí. LLM có giá trị thương mại vô cùng lớn ở thời điểm hiện tại. Chúng là những công cụ tuyệt vời để hỗ trợ viết lách, tóm tắt văn bản, dịch thuật và đóng vai trò như một giao diện chuyển đổi ngôn ngữ tự nhiên sang mã lệnh lập trình. Doanh nghiệp thu được lợi nhuận từ đó là hoàn toàn hợp lý.

Tuy nhiên, có một sự đánh đồng giữa “sự hữu ích thương mại” và “trí tuệ thực sự”. Việc gia tăng kích thước mô hình từ 100 tỷ tham số lên 1 nghìn tỷ, rồi 10 nghìn tỷ tham số giống như việc bạn cố gắng chế tạo một chiếc máy bay bằng cách tiếp tục làm cho xe hơi chạy nhanh hơn. Bạn có thể tạo ra một chiếc xe hơi chạy với tốc độ 500 km/h, nhưng nó sẽ không bao giờ cất cánh bay lên trời được. Cất cánh đòi hỏi một nguyên lý hoàn toàn khác: khí động học.

Tương tự, để đạt tới AGI — nơi máy tính có trí tuệ bằng hoặc vượt con người ở mọi khía cạnh — chúng ta phải thay đổi nguyên lý nền tảng. Việc cắm thêm hàng triệu chip H100 hay B200 chỉ để chạy mô hình Autoregressive sẽ sớm chạm trần hiệu năng và vạch trần giới hạn về mặt lý thuyết.

PV: Một trong những chủ đề nóng hổi nhất hiện nay là “Existential Risk” (Rủi ro sinh tồn) — nguy cơ AI tiêu diệt hoặc thống trị nhân loại. Các chuyên gia như Geoffrey Hinton hay Yoshua Bengio đều tỏ ra quan ngại. Quan điểm của ông về rủi ro này như thế nào?

Prof. Yann LeCun:

Tôi cho rằng những nỗi sợ hãi về việc AI thống trị thế giới là cực kỳ hoang đường và mang tính giật gân, xuất phát từ việc chiếu chiếu tâm lý con người lên máy tính.

Trí thông minh và mong muốn thống trị không phải là hai thứ luôn đi kèm với nhau. Trong tự nhiên, những loài thông minh nhất không nhất thiết là những loài áp đặt quyền thống trị. Sự thống trị ở con người là một đặc tính sinh học được tiến hóa để tranh giành tài nguyên sinh tồn hạn hẹp. AI không có nhu cầu sinh học đó. Chúng không có hormone, không có bản năng sinh tồn tự nhiên trừ khi chúng ta cố tình lập trình điều đó vào chúng.

Trong kiến trúc Objective-Driven AI mà tôi đề xuất, hệ thống bị khống chế tuyệt đối bởi Cost Function (Hàm chi phí). Hàm chi phí này do con người thiết lập và nó là cố định. AI không thể tự thay đổi hàm chi phí của chính nó. Nếu hàm chi phí quy định rằng: “Hành động này vi phạm sự an toàn của con người”, hệ thống đơn giản là không thể thực hiện hành động đó, giống như việc một chiếc xe không thể chạy nếu không có nhiên liệu.

AI sẽ không trở thành kẻ thống trị; chúng sẽ trở thành một lực lượng khuếch đại trí tuệ nhân loại (Intellectual Amplifier). Trong tương lai, mỗi chúng ta sẽ có một đội ngũ các AI Agent thông minh hơn chính mình hỗ trợ công việc hàng ngày, giống như việc một vị tổng thống có một dàn cố vấn xuất sắc. Nhưng quyền quyết định cuối cùng và việc thiết lập mục tiêu vẫn luôn thuộc về con người.

PV: Meta đang chọn con đường đi ngược lại với hầu hết các Big Tech khác: Mở nguồn mở (Open Source) các mô hình AI lớn như Llama, V-JEPA… Tại sao Meta lại chọn chiến lược này và ông phản ứng thế nào trước mối lo ngại rằng Open Source AI có thể bị kẻ xấu lợi dụng để tạo ra vũ khí sinh học hay tấn công mạng?

Prof. Yann LeCun:

Mở nguồn mở không chỉ là một chiến lược kinh doanh, mà là một yêu cầu mang tính sinh tử đối với sự phát triển văn hóa và công nghệ của nhân loại.

Hãy hình dung trong tương lai, toàn bộ tri thức, thông tin và sự tương tác của con người đều đi qua các hệ thống AI. Nếu công nghệ AI bị độc quyền bởi một vài tập đoàn ở Thung lũng Silicon hay một vài quốc gia, toàn bộ nền văn hóa toàn cầu sẽ bị định hình bởi các tiêu chuẩn và định kiến của các thực thể đó. Chúng ta cần một hệ sinh thái AI đa dạng, nơi mọi quốc gia, mọi ngôn ngữ và mọi văn hóa đều có thể tinh chỉnh và sở hữu mô hình AI của riêng mình.

Về mối lo ngại an ninh: Security through obscurity (An ninh bằng cách giấu thông tin) là một sai lầm lịch sử. Trong lĩnh vực an ninh mạng, Internet ngày nay vận hành an toàn là nhờ các phần mềm mã nguồn mở như Linux, Apache, OpenSSL… bởi vì hàng triệu lập trình viên trên thế giới cùng soi lỗi và vá lỗ hổng.

Nếu bạn giấu kín AI trong một “hộp đen” độc quyền, khi nó có lỗi hoặc lỗ hổng, chỉ có một nhóm nhỏ kỹ sư của công ty đó biết. Nhưng nếu mở nguồn mở, cộng đồng toàn cầu sẽ cùng tham gia kiểm duyệt, tìm ra sai sót và gọt dũa hệ thống an toàn hơn. Kẻ xấu có thể dùng mã nguồn mở, nhưng lực lượng những người tốt dùng mã nguồn mở để bảo vệ hệ thống sẽ luôn đông đảo và nhanh nhạy hơn gấp nhiều lần.

3. Phân Tích Chuyên Sâu & Đánh Giá Chiến Lược

Tuyên bố của Yann LeCun tạo ra một điểm tựa lý thuyết quan trọng để đánh giá lại bức tranh AI toàn cầu:

Sự phân hóa về tầm nhìn phát triển (Paradigms Shift):
- Phe Scale-Up (OpenAI, Anthropic, Google): Tin rằng LLM + RLHF (Học tăng cường từ phản hồi con người) + Compute quy mô lớn sẽ tự bùng nổ ra trí tuệ dạng AGI (Emergent Abilities).
- Phe Architecture-First (Yann LeCun / Meta, Kyunghyun Cho): Khẳng định LLM chỉ dừng lại ở mức “Trợ lý ngôn ngữ”, AGI phải dựa trên Mô hình Thế giới (World Models), nhận thức đa phương thức không giám sát (Self-Supervised Learning) và xử lý không gian 3D thực tế.
Tác động tới Doanh nghiệp và Bức tranh Đầu tư:
- Các doanh nghiệp đầu tư vào AI cần tỉnh táo phân biệt giữa “Tự động hóa tác vụ văn bản” (nơi LLM phát huy hiệu quả tối đa) và “Tự động hóa quy trình vật lý/tự chủ phức tạp” (nơi LLM thất bại).
- Hạ tầng phần cứng trong tương lai có thể phải dịch chuyển từ việc phục vụ các phép tính Transformer đơn thuần sang hỗ trợ các cấu trúc mạng JEPA và khả năng xử lý đồ thị/hình học phức tạp hơn.

4. Kết Luận

Phỏng vấn với Yann LeCun tái khẳng định rằng: AI hiện tại chưa phải là AI thực sự thông minh theo nghĩa sinh học. Sự bùng nổ của ChatGPT hay Claude là một thành tựu kỹ thuật tuyệt vời về mặt thống kê và xử lý ngôn ngữ, nhưng để bước qua cánh cửa AGI, ngành khoa học máy tính bắt buộc phải vượt qua cái bóng của LLM để tiến tới World Models.