Năm 1973, các nhà nghiên cứu AI đang ở đỉnh cao. Máy móc có thể giải các bài toán đại số, chơi cờ vua và hiểu những câu đơn giản. Rồi nguồn tài trợ cạn kiệt gần như chỉ sau một đêm. Các phòng thí nghiệm đóng cửa, sự nghiệp đình trệ, và “trí tuệ nhân tạo” trở thành cụm từ khiến các nhà đầu tư bỏ chạy. Đây không chỉ là một đợt điều chỉnh thị trường. Đó là một Mùa đông AI, và nó sẽ kéo dài gần một thập kỷ.
Những giai đoạn sụp đổ đột ngột này đã xảy ra hai lần trong lịch sử AI, và chúng đã định hình mọi thứ về cộng đồng nghiên cứu tiếp cận lĩnh vực này ngày nay.
Định nghĩa hiện tượng Mùa đông AI
Mùa đông AI mô tả một giai đoạn giảm tài trợ, sự quan tâm và niềm tin vào nghiên cứu trí tuệ nhân tạo. Thuật ngữ này xuất hiện từ chính cộng đồng nghiên cứu, sử dụng ẩn dụ về mùa lạnh để thể hiện cách nhiệt tình và đầu tư đột ngột “đóng băng” sau những giai đoạn tăng trưởng. Đây không phải là những đợt suy thoái ngắn hạn. Các Mùa đông AI đã kéo dài từ 6-13 năm và phá vỡ hoàn toàn quỹ đạo phát triển của lĩnh vực.
Chu kỳ Hype-thất vọng
Ở trung tâm của mỗi Mùa đông AI là một động lực có thể dự đoán được. Các đột phá ban đầu tạo ra sự chú ý của truyền thông và sự phấn khích của công chúng, dẫn đến kỳ vọng thổi phồng về những gì AI có thể đạt được trong ngắn hạn. Sự phấn khích này thu hút nguồn tài trợ từ các cơ quan chính phủ và nhà đầu tư tư nhân, cho phép nhiều nghiên cứu hơn và tạo ra nhiều kết quả hơn (một số thực sự, một số bị phóng đại). Cuối cùng, khoảng cách giữa những gì được hứa hẹn và những gì được thực hiện trở nên quá lớn để có thể bỏ qua. Khi các hệ thống không thể thực hiện những lời hứa này, sự hoài nghi chiếm ưu thế và nguồn tài trợ sụp đổ.
Chu kỳ Gartner Hype cung cấp một khung hữu ích ở đây: các công nghệ leo lên “đỉnh kỳ vọng thổi phồng” trước khi lao xuống “đáy thất vọng”. Đó chính xác là những gì đã xảy ra với AI trong những năm 1970 và 1980. Chu kỳ này phản ánh các bong bóng kinh tế trong các lĩnh vực công nghệ khác, nhưng Mùa đông AI có những đặc điểm riêng. Không giống như các bong bóng thuần túy tài chính, Mùa đông AI bắt nguồn từ những hạn chế kỹ thuật cơ bản mà các nhà nghiên cứu có thể không đánh giá đầy đủ ngay từ đầu. Các vấn đề có vẻ có thể giải quyết “trong vài năm” hóa ra lại cần thêm hàng thập kỷ công việc bổ sung.
Các giai đoạn cấu trúc
Tôi có thể xác định cách các Mùa đông AI thực sự diễn ra trong thực tế. Những giai đoạn này di chuyển qua các pha riêng biệt theo một quỹ đạo có thể dự đoán.
Đầu tiên là giai đoạn hứa hẹn quá mức. Các nhà nghiên cứu và tổ chức đưa ra những dự đoán tự tin về khả năng còn cách xa nhiều năm hoặc hàng thập kỷ. Truyền thông khuếch đại những tuyên bố này, và các cơ quan tài trợ đưa ra quyết định đầu tư dựa trên dòng thời gian lạc quan. Rồi thực tế ập đến. Các hệ thống thất bại trong ứng dụng thực tế, yêu cầu tính toán vượt quá mức thực tế, và khoảng cách giữa demo và giải pháp triển khai trở nên rõ ràng.
Tiếp theo là cái mà các nhà nghiên cứu gọi là “cuộc di tản kiến thức” (knowledge diaspora). Khi tài trợ sụp đổ, các nhà nghiên cứu AI phân tán sang các lĩnh vực khác. Chuyên gia thị giác máy tính chuyển sang đồ họa. Các nhà nghiên cứu machine learning chuyển sang thống kê. Sự chảy máu chất xám này có tác động lâu dài vì nó phá vỡ sự tích lũy chuyên môn. Khi sự quan tâm cuối cùng quay trở lại, lĩnh vực này phải xây dựng lại một phần nền tảng kiến thức của mình.
Lịch sử và dòng thời gian của các Mùa đông AI
Với những mô hình này trong đầu, hãy cùng tôi xem xét chúng đã thực sự diễn ra như thế nào trong lịch sử. AI đã trải qua hai mùa đông lớn, mỗi lần được kích hoạt bởi những hoàn cảnh khác nhau nhưng đều theo cùng quỹ đạo mà chúng ta vừa phác thảo.
Nền tảng trí tuệ của AI hình thành vào những năm 1950 với những người tiên phong như Alan Turing, John McCarthy và Marvin Minsky. Hội nghị Dartmouth nổi tiếng năm 1956 đánh dấu sự ra đời chính thức của lĩnh vực này, quy tụ các nhà nghiên cứu tin rằng trí thông minh của máy móc có thể đạt được trong vòng một thế hệ. Sự lạc quan này không hoàn toàn vô căn cứ. Các chương trình đầu tiên có thể chứng minh các định lý toán học, chơi cờ đam và giải các câu đố.
Nhưng những dấu hiệu cảnh báo xuất hiện sớm hơn hầu hết mọi người nhận ra. Báo cáo ALPAC năm 1966 đánh giá nghiêm túc các dự án dịch thuật máy, nhận thấy rằng máy tính không thể sánh kịp các phiên dịch viên con người và có lẽ sẽ không thể trong thời gian sớm. Năm 1969, cuốn sách “Perceptrons” của Marvin Minsky và Seymour Papert đã chứng minh những hạn chế toán học của mạng nơ-ron đơn lớp, tạm thời dừng hướng nghiên cứu đó. Những thất bại sớm này đã báo trước những vấn đề có hệ thống sẽ kích hoạt Mùa đông AI đầu tiên.
Mùa đông AI thứ nhất (1974-1980)
Dựa trên những dấu hiệu cảnh báo sớm đó, Mùa đông AI đầu tiên bắt đầu vào năm 1974 và kéo dài đến khoảng năm 1980, định hình lại hoàn toàn các ưu tiên nghiên cứu và lộ trình nghề nghiệp trên toàn lĩnh vực.
Tiền đề và làn sóng hype ban đầu
Giai đoạn từ 1956 đến 1973 thường được gọi là “Kỷ Nguyên Vàng” của AI. Các nhà nghiên cứu đã phát triển các hệ thống suy luận biểu tượng, xử lý ngôn ngữ tự nhiên ban đầu và các chương trình giải quyết vấn đề gây ấn tượng với cả giới học thuật và công chúng. Các cơ quan chính phủ, đặc biệt là ở Mỹ và Anh, đầu tư mạnh vào nghiên cứu AI. DARPA tài trợ cho các phòng thí nghiệm đại học, và truyền thông thường xuyên đưa tin về những cỗ máy mà sớm sẽ suy nghĩ như con người.
Làn sóng hype này đã tạo ra những kỳ vọng phi thực tế. Các nhà nghiên cứu đôi khi góp phần vào vấn đề. Marvin Minsky nổi tiếng đã dự đoán vào năm 1970 rằng “trong ba đến tám năm chúng ta sẽ có một cỗ máy với trí thông minh chung của một con người trung bình”. Những dòng thời gian tự tin này đã ảnh hưởng đến quyết định tài trợ và nhận thức của công chúng, tạo tiền đề cho sự thất vọng.
Báo cáo Lighthill và tác động của nó
Năm 1973, Sir James Lighthill đã trình một báo cáo lên Hội đồng Nghiên cứu Khoa học Anh, phê phán có hệ thống nghiên cứu AI. Lighthill lập luận rằng AI đã thất bại trong việc đạt được mục tiêu của mình và nhiều vấn đề phải đối mặt với “vụ nổ tổ hợp” (combinatorial explosion), nơi số lượng khả năng cần kiểm tra tăng theo cấp số nhân khi vấn đề mở rộng quy mô. Điều này có nghĩa là tài nguyên tính toán cần thiết trở nên cấm đoán lớn, khiến các ứng dụng thực tế không khả thi.
Đánh giá này đã tàn phá nghiên cứu AI của Anh. Chính phủ Anh cắt giảm tài trợ AI trên các trường đại học, và nhiều nhà nghiên cứu hoặc rời khỏi lĩnh vực này hoặc di dời đến Mỹ. Ảnh hưởng của báo cáo Lighthill lan rộng ra ngoài nước Anh, cung cấp đạn dược cho những người hoài nghi về tài trợ trên toàn thế giới và góp phần vào quyết định của DARPA giảm hỗ trợ nghiên cứu AI vào năm 1974.
Cắt giảm tài trợ và hậu quả
Khi DARPA và các cơ quan khác rút hỗ trợ, các hiệu ứng lan tỏa qua toàn bộ hệ sinh thái nghiên cứu. Các trường đại học đóng cửa các phòng thí nghiệm AI, các chương trình sau đại học thu hẹp, và các nhà nghiên cứu đầy hứa hẹn chuyển sang các lĩnh vực khác chỉ để duy trì việc làm. Thuật ngữ “trí tuệ nhân tạo” trở nên độc hại trong các đề xuất tài trợ. Các nhà nghiên cứu bắt đầu sử dụng các thuật ngữ uyển ngữ như “informatics” hoặc “computational intelligence” để tránh sự kỳ thị.
Cuộc di tản kiến thức bắt đầu. Các nhà nghiên cứu di chuyển sang các lĩnh vực liền kề hoặc rời khỏi học thuật hoàn toàn. Sự phân tán này có nghĩa là khi sự quan tâm đến AI hồi sinh vào những năm 1980, phần lớn kiến thức thể chế phải được xây dựng lại từ đầu.
Mùa đông AI thứ hai (cuối những năm 1980 – giữa những năm 1990)
Bất chấp sự khởi đầu đầy hứa hẹn với các hệ thống chuyên gia (expert systems), Mùa đông AI thứ hai đã đến vào cuối những năm 1980, chứng minh rằng giải quyết một bộ vấn đề không ngăn chặn được các lỗ hổng mới xuất hiện.
Bong bóng hệ thống chuyên gia
Vào đầu những năm 1980, các hệ thống chuyên gia thu hút chuyên môn của con người trong các lĩnh vực hẹp thông qua các quy tắc được tạo thủ công. Các hệ thống như MYCIN (cho chẩn đoán y tế) và XCON (cho cấu hình máy tính) mang lại giá trị kinh doanh thực sự, và các công ty đầu tư mạnh vào các hệ thống dựa trên quy tắc này. Một ngành công nghiệp hoàn chỉnh phát triển xung quanh “kỹ thuật tri thức” (knowledge engineering), và dự án Máy tính Thế hệ Thứ Năm của Nhật Bản nhằm mục đích xây dựng các máy tính song song khổng lồ được tối ưu hóa cho các hệ thống chuyên gia, thúc đẩy các phản ứng cạnh tranh ở Mỹ và châu Âu.
Nhưng vấn đề nổi lên nhanh chóng. Xây dựng một hệ thống duy nhất có thể mất nhiều năm phỏng vấn các chuyên gia trong lĩnh vực và dịch kiến thức của họ thành các quy tắc chính thức. Việc bảo trì thậm chí còn khó khăn hơn. Khi cơ sở tri thức phát triển, các quy tắc tương tác không thể đoán trước, khiến việc gỡ lỗi trở nên khó khăn. Vấn đề “giòn” (brittleness) trở nên rõ ràng trong triển khai: các hệ thống chuyên gia hoạt động tốt trên các ví dụ mà chúng được thiết kế nhưng thất bại trên bất cứ thứ gì hơi khác biệt.
Yếu tố kích hoạt sụp đổ
Thị trường hệ thống chuyên gia sụp đổ vào năm 1987. Chi phí phần cứng đóng vai trò chính ở đây. Các hệ thống chuyên gia thường chạy trên các “máy Lisp” chuyên dụng có giá cao hơn nhiều so với máy tính tiêu chuẩn. Khi máy tính cá nhân và máy trạm trở nên đủ mạnh để chạy phần mềm tương tự với chi phí chỉ bằng một phần nhỏ, lý do kinh tế cho phần cứng AI chuyên dụng đã biến mất. Thị trường máy Lisp sụp đổ, và dự án Thế hệ Thứ Năm của Nhật Bản kết thúc mà không đạt được các mục tiêu đầy tham vọng của nó.
Các công ty đã đầu tư vào hệ thống chuyên gia phát hiện ra rằng chi phí bảo trì liên tục vượt quá giá trị mà các hệ thống này mang lại. Cơ sở tri thức cần cập nhật liên tục, điều này đòi hỏi các kỹ sư tri thức đắt đỏ. Trong khi đó, các phương pháp đơn giản hơn thường hoạt động tốt hơn cho nhiều vấn đề.
Sự co hẹp ngành
Thị trường phần cứng AI sụp đổ một cách ngoạn mục. Các công ty sản xuất máy trạm AI chuyên dụng phá sản hoặc chuyển hướng sang các thị trường khác. Sự sụp đổ này kéo theo ngành công nghiệp hệ thống chuyên gia, kích hoạt một đợt đóng băng tài trợ khác cho nghiên cứu AI. Các startup đổ vỡ, và các chương trình học thuật phải đối mặt với cắt giảm nghiêm trọng.
Mùa đông thứ hai phân tán các nhà nghiên cứu AI rộng rãi hơn nhiều so với lần đầu tiên. Một số chuyển sang các lĩnh vực khoa học máy tính liền kề như cơ sở dữ liệu hoặc kỹ thuật phần mềm. Những người khác chuyển sang khoa học nhận thức hoặc thần kinh học. Các nhà nghiên cứu machine learning thường đổi nhãn công việc của họ thành “thống kê” hoặc “khai phá dữ liệu” để tránh sự kỳ thị AI.
Phục hồi từ mùa đông thứ hai mất nhiều thời gian hơn nhiều so với lần đầu. Trong suốt những năm 1990 và đầu những năm 2000, “trí tuệ nhân tạo” vẫn là một nhãn hiệu có vấn đề. Các nhà nghiên cứu làm việc về machine learning, thị giác máy tính hoặc xử lý ngôn ngữ tự nhiên thường tránh gọi công việc của họ là “AI”.
Các mô hình lặp lại qua cả hai mùa Đông
Sau khi xem xét cả hai Mùa đông AI lịch sử, tôi có thể xác định ba mô hình cốt lõi đã kích hoạt những đợt sụp đổ này. Hiểu các mô hình này giúp chúng ta nhận ra các lỗ hổng tương tự trong môi trường AI ngày nay.
Hạn chế công nghệ
Cả hai Mùa đông AI đều bắt nguồn từ các rào cản kỹ thuật cơ bản mà các nhà nghiên cứu đánh giá thấp. Mùa đông đầu tiên phơi bày vụ nổ tổ hợp, nơi tài nguyên tính toán cần thiết cho các vấn đề phức tạp tăng theo cấp số nhân. Mùa đông thứ hai tiết lộ sự giòn của hệ thống chuyên gia, khả năng không thể học hoặc xử lý sự không chắc chắn. Trong mỗi trường hợp, các công nghệ hoạt động xuất sắc trên các trường hợp thử nghiệm được lựa chọn cẩn thận đã thất bại khi đối mặt với độ phức tạp của thế giới thực.
Động lực Hype và quản lý kỳ vọng
Cả hai mùa đông đều theo quỹ đạo Chu kỳ Gartner Hype. Các đột phá ban đầu tạo ra sự phấn khích, bao phủ truyền thông khuếch đại thành tích, và nguồn tài trợ đổ vào dựa trên kỳ vọng ngắn hạn thổi phồng. Dự đoán của Marvin Minsky về trí thông minh cấp độ con người “trong ba đến tám năm” minh họa sự quá tự tin của mùa đông đầu tiên. Các hệ thống chuyên gia tương tự được tiếp thị như các giải pháp có thể mở rộng để nắm bắt chuyên môn của con người. Khi thực tế không đạt được lời hứa, sự điều chỉnh diễn ra nhanh chóng và nghiêm trọng.
Sự biến động tài trợ và sự tham gia của Chính Phủ
Cả hai mùa đông đều có chu kỳ bùng nổ-sụp đổ nơi đầu tư khổng lồ nhường chỗ cho sự rút lui đột ngột. Các cơ quan chính phủ như DARPA định hình toàn bộ hệ sinh thái nghiên cứu, và khi tài trợ biến mất, các nhà nghiên cứu phân tán sang các lĩnh vực khác. Cuộc di tản kiến thức này đặc biệt gây tổn hại vì nghiên cứu AI đòi hỏi nỗ lực bền bỉ để xây dựng chuyên môn. Lĩnh vực này mất không chỉ tài trợ mà còn tính liên tục và trí tuệ tích lũy.
Kỷ nguyên hiện tại và tiềm năng các Mùa đông AI trong tương lai
Sau khi chứng kiến hai mùa đông lớn diễn ra như thế nào, bạn có thể tự hỏi về hệ sinh thái AI ngày nay. Liệu chúng ta có đang tự đặt mình vào một đợt sụp đổ khác, hay có điều gì đó khác biệt về cơ bản lần này? Hãy cùng Itôi xem xét tình hình hiện tại qua lăng kính của các mô hình lịch sử đó.
Đợt bùng nổ hiện tại (2012-hiện tại)
Đợt bùng nổ AI hiện tại bắt đầu vào khoảng năm 2012 với những đột phá trong deep learning. Cải tiến ngoạn mục của AlexNet trong nhận dạng hình ảnh đánh dấu một bước ngoặt. Kể từ đó, deep learning đã đạt được kết quả ấn tượng trong thị giác máy tính, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên và chơi game.
Một số yếu tố khiến đợt bùng nổ này khác biệt so với các giai đoạn trước. Sức mạnh tính toán đã tăng lên đáng kể (GPU giúp việc huấn luyện các mạng nơ-ron lớn trở nên khả thi). Khả năng tiếp cận dữ liệu bùng nổ với internet và thiết bị di động. Và deep learning tìm thấy các ứng dụng thực tế ngay lập tức trong các sản phẩm mọi người sử dụng hàng ngày.
Nhưng các lỗ hổng vẫn tồn tại. Deep learning phụ thuộc rất nhiều vào các tập dữ liệu lớn và tính toán khổng lồ. Khi các mô hình phát triển, chi phí huấn luyện tăng theo cấp số nhân. Lĩnh vực này đã tập trung vào một phương pháp (mạng nơ-ron sâu) nhiều hơn bất kỳ thời điểm nào kể từ khi hệ thống chuyên gia thống trị những năm 1980.
Chi phí tính toán đặt ra mối quan ngại thực sự. Huấn luyện các mô hình tiên tiến hiện nay có thể tốn hàng chục hoặc hàng trăm triệu đô la, và những chi phí này tăng theo cấp số nhân cùng với kích thước mô hình. Nếu tiến bộ đòi hỏi các mô hình ngày càng lớn hơn nhưng lợi ích thực tế chững lại, kinh tế học trở nên không bền vững. Đây chính xác là loại lỗ hổng cấu trúc đã đi trước các mùa đông trước đó.
Khoảng cách giữa hiệu suất benchmark và tiện ích thế giới thực tạo ra một lỗ hổng khác. Các mô hình đạt được điểm số ấn tượng trên các bài kiểm tra tiêu chuẩn nhưng thất bại trong triển khai do tính giòn, thiên lệch hoặc không có khả năng xử lý các trường hợp biên. Nghe quen không? Điều này phản ánh khoảng cách giữa demo hệ thống chuyên gia và triển khai thế giới thực đã góp phần vào mùa đông thứ hai.
Các cuộc tranh luận và lỗ hổng hiện tại
Diễn ngôn AI ngày nay đôi khi phản ánh sự hứa hẹn quá mức của các kỷ nguyên trước. Các thuật ngữ như “trí tuệ nhân tạo tổng quát” (AGI) và dự đoán về AI biến đổi mọi ngành công nghiệp trong vòng vài năm tạo ra kỳ vọng thổi phồng. Điều này không có nghĩa là AI hiện tại là một bong bóng sắp vỡ. Không giống như những năm 1970, chúng ta có các ứng dụng hoạt động và giá trị kinh tế thực sự. Nhưng sự nhiệt tình xung quanh mỗi bản phát hành mô hình mới và xu hướng ngoại suy khả năng tạo ra điều kiện nơi kỳ vọng có thể vượt quá thực tế.
Phần lớn đợt bùng nổ AI đã được tài trợ bởi các khoản vay và vốn đầu tư mạo hiểm, nhưng nhiều dịch vụ AI thương mại vẫn còn đáng ngờ về tính hữu ích thực tế hoặc chất lượng cho doanh nghiệp. Mặc dù có hơn 60 tỷ đô la đầu tư của doanh nghiệp vào AI năm 2025, 95% dự án AI doanh nghiệp không có lãi, theo nghiên cứu từ MIT.
Tuy nhiên, một số yếu tố khiến việc lặp lại các Mùa đông AI lịch sử ít có khả năng hơn:
Thứ nhất, AI được tích hợp sâu vào các sản phẩm mọi người sử dụng hàng ngày. Công cụ tìm kiếm, điện thoại thông minh, mạng xã hội và mua sắm trực tuyến đều dựa vào AI. Sự tích hợp này cung cấp sự ổn định kinh tế không tồn tại trước đây.
Thứ hai, phạm vi quốc tế của nghiên cứu AI đã tăng lên đáng kể. Ngay cả khi tài trợ giảm ở một quốc gia hoặc khu vực, công việc sẽ tiếp tục ở nơi khác. Trung Quốc, châu Âu và các khu vực khác có các hệ sinh thái AI độc lập.
Thứ ba, khu vực tư nhân đã đảm nhận vai trò hàng đầu. Trong khi tài trợ của chính phủ vẫn quan trọng, các công ty như Google, Meta và Anthropic có thể duy trì nghiên cứu thông qua doanh thu kinh doanh cốt lõi của họ.
Bài học và hướng đi tương lai
Vậy chúng ta có thể học được gì từ lịch sử này? Các mô hình mà tôi đã khám phá cung cấp hướng dẫn thực tế cho các nhà nghiên cứu, công ty và nhà hoạch định chính sách làm việc với AI ngày nay.
Quản lý kỳ vọng thực tế
Bài học quan trọng nhất từ cả hai Mùa đông AI là sự nguy hiểm của việc hứa hẹn quá mức. Khi các nhà nghiên cứu, công ty hoặc truyền thông tạo ra kỳ vọng mà công nghệ không thể đáp ứng trong ngắn hạn, sự thất vọng theo sau có thể kích hoạt rút tài trợ và hoài nghi của công chúng khiến lĩnh vực lùi lại nhiều năm.
Điều này không có nghĩa là tránh các mục tiêu đầy tham vọng. Nghiên cứu AI nên theo đuổi các khả năng biến đổi. Nhưng giao tiếp về dòng thời gian và hạn chế có tầm quan trọng to lớn. Phân biệt rõ ràng giữa khả năng hiện tại và khả năng tương lai giúp duy trì uy tín. Khi sự không chắc chắn tồn tại về việc liệu một phương pháp có mở rộng hoặc tổng quát hóa hay không, sự trung thực về những hạn chế này phục vụ lĩnh vực tốt hơn là suy đoán lạc quan.
Đa dạng hóa các phương pháp
Cả hai mùa đông lịch sử đều theo sau các giai đoạn đầu tư mạnh vào các mô hình đơn lẻ. AI biểu tượng thống trị mùa đông đầu tiên, hệ thống chuyên gia thứ hai. Khi các phương pháp này gặp hạn chế, toàn bộ lĩnh vực đã chịu đựng. Sự tập trung của ngày nay vào deep learning tạo ra các rủi ro tương tự.
Duy trì nghiên cứu vào các phương pháp thay thế cung cấp khả năng phục hồi quan trọng. AI neuro-symbolic, lập trình xác suất và các hướng khác có thể cung cấp con đường phía trước khi các phương pháp hiện tại chững lại. Điều này không có nghĩa là từ bỏ các phương pháp thành công—deep learning đã chứng minh giá trị của nó. Nhưng đầu tư vào các hướng nghiên cứu đa dạng tạo ra các lựa chọn khi bất kỳ phương pháp đơn lẻ nào gặp giới hạn tự nhiên.
Các mô hình tài trợ ổn định
Chu kỳ tài trợ bùng nổ-sụp đổ phá vỡ tính liên tục nghiên cứu và phân tán chuyên môn. Cả hai mùa đông lịch sử đều liên quan đến rút tài trợ đột ngột gây thiệt hại cho sức khỏe dài hạn của lĩnh vực. Các mô hình tài trợ ổn định hơn (cho dù thông qua hỗ trợ của chính phủ được cấu trúc cho nghiên cứu dài hạn hoặc đầu tư khu vực tư nhân đa dạng) giúp duy trì tiến bộ qua cả đột phá và chững lại.
Sự chuyển hướng sang chu kỳ tài trợ ngắn hơn và các sản phẩm có thể giao ngay lập tức sau các Mùa đông AI có thể đã cản trở nghiên cứu cơ bản. Tài trợ dài hạn chấp nhận các giai đoạn chậm như một phần tự nhiên của nghiên cứu giúp tránh hoảng loạn có thể kích hoạt mùa đông.
Cân bằng đổi mới và quy định
Khung chính sách và quy định đóng vai trò quan trọng trong việc ngăn chặn các Mùa đông AI trong khi giữ cho đổi mới còn sống. Đạo luật AI của EU sử dụng phương pháp dựa trên rủi ro, áp dụng các yêu cầu nghiêm ngặt hơn cho các ứng dụng rủi ro cao. Mỹ ưu tiên các quy tắc theo ngành với tự quản lý của ngành trong nhiều lĩnh vực. Trung Quốc đã xây dựng khung riêng nhấn mạnh cả đổi mới và kiểm soát.
Thách thức: cân bằng việc ngăn chặn các Mùa đông AI với việc duy trì các điều kiện cho đột phá. Quá nhiều hạn chế có thể khiến nghiên cứu trở nên đắt đỏ đến mức cấm đoán hoặc có rủi ro pháp lý. Quá ít rủi ro lặp lại các chu kỳ hype định hình các mùa đông trước đó.
Tính bền vững công nghệ và các cân nhắc đạo đức
Ngoài sự ổn định tài trợ, nhu cầu năng lượng của AI đặt ra những thách thức bền vững thực sự. Huấn luyện các mô hình lớn tiêu thụ điện năng khổng lồ. Từ năm 2019 đến 2024, lượng khí thải nhà kính của Google đã tăng 50%. Các nhà nghiên cứu đang khám phá các kiến trúc và phương pháp huấn luyện hiệu quả hơn, nhưng xu hướng hướng tới các mô hình lớn hơn xung đột với các mục tiêu bền vững.
Các nguồn dữ liệu đa dạng và số liệu đánh giá kỹ lưỡng giúp xây dựng các hệ thống AI đáng tin cậy hơn. Phụ thuộc quá nhiều vào các tập dữ liệu hẹp hoặc chơi benchmark tạo ra các hệ thống hoạt động trong phòng thí nghiệm nhưng thất bại trong thực tế. Bài học này đến trực tiếp từ kỷ nguyên hệ thống chuyên gia, nơi các hệ thống được huấn luyện trên các ví dụ hẹp không thể xử lý độ phức tạp của thế giới thực.
Những góc nhìn từ các đợt bùng nổ và sụp đổ công nghệ khác
Bong bóng và sụp đổ dot-com cung cấp những điểm tương đồng hữu ích. Giống như AI trong những năm 1970 và 1980, các công nghệ internet phải đối mặt với kỳ vọng thổi phồng, đầu tư khổng lồ, sụp đổ đột ngột và cuối cùng phục hồi trên nền tảng vững chắc hơn. Sự khác biệt chính? Cơ sở hạ tầng tiếp tục cải thiện trong thời kỳ sụp đổ, và các công ty đã học được cách tập trung vào các mô hình kinh doanh khả thi thay vì những lời hứa mơ hồ.
Các cuộc cách mạng công nghệ khác (điện, ô tô, máy tính cá nhân) đều trải qua các chu kỳ hype. Mô hình này cho thấy rằng các công nghệ biến đổi cần thời gian để tìm các ứng dụng phù hợp và vượt qua các hạn chế ban đầu.
Kết luận cho nội dung này
Đợt bùng nổ AI hiện tại có nền tảng vững chắc hơn các chu kỳ trước. Chúng ta có các ứng dụng thực tế, tích hợp kinh tế và khả năng kỹ thuật mà các kỷ nguyên trước thiếu. Nhưng những lỗ hổng giống nhau vẫn tồn tại: phụ thuộc quá mức vào các phương pháp cụ thể, chi phí tính toán, khoảng cách giữa hype và khả năng, và rủi ro luôn hiện hữu của việc hứa hẹn nhiều hơn những gì chúng ta có thể thực hiện.
Con đường phía trước đòi hỏi cân bằng tham vọng với chủ nghĩa hiện thực. Xây dựng tiến bộ bền vững có nghĩa là giao tiếp trung thực, các hướng nghiên cứu đa dạng, cấu trúc tài trợ ổn định và chú ý đến cả các thách thức kỹ thuật và đạo đức. Bằng cách hiểu các mô hình đã kích hoạt các mùa đông trước đó, chúng ta được trang bị tốt hơn để nhận ra các rủi ro tương tự ngày nay—và để xây dựng loại lĩnh vực AI kiên cường, có nền tảng có thể vượt qua cả đột phá và thất bại.
Câu hỏi thường gặp
Các yếu tố chính dẫn đến Mùa đông AI đầu tiên là gì?
Mùa đông AI đầu tiên (1974-1980) bắt nguồn từ việc hứa hẹn quá mức và hạn chế kỹ thuật. Các nhà nghiên cứu dự đoán AI cấp độ con người trong vòng vài năm, nhưng sức mạnh tính toán và thuật toán không thể thực hiện các mục tiêu đầy tham vọng. Các báo cáo quan trọng như Báo cáo Lighthill của Anh đã đánh giá có hệ thống nghiên cứu AI và nhận thấy nó không đạt yêu cầu, dẫn đến cắt giảm tài trợ lớn. Các cơ quan chính phủ như DARPA đã rút hỗ trợ cho nghiên cứu AI tổng quát, tập trung thay vào các vấn đề hẹp, được xác định rõ ràng.
Báo cáo Lighthill đã tác động như thế nào đến nghiên cứu AI ở Anh?
Báo cáo năm 1973 của Sir James Lighthill cho Hội đồng Nghiên cứu Khoa học Anh đã tàn phá nghiên cứu AI của Anh. Báo cáo chỉ trích lĩnh vực này vì không thực hiện lời hứa và xác định “vụ nổ tổ hợp” là một rào cản cơ bản. Sau đó, chính phủ Anh đã cắt giảm mạnh tài trợ nghiên cứu AI, về cơ bản loại bỏ hỗ trợ cho hầu hết công việc AI trong các trường đại học Anh. Nhiều nhà nghiên cứu rời khỏi lĩnh vực hoặc di chuyển ra nước ngoài, và Anh đã không phục hồi hoàn toàn vị trí của mình trong nghiên cứu AI trong nhiều thập kỷ.
DARPA đóng vai trò gì trong các Mùa đông AI của những năm 1970 và 1980?
DARPA đóng vai trò quan trọng trong cả việc tạo ra và kết thúc Mùa đông AI đầu tiên. Cơ quan này là nhà tài trợ lớn nhất cho nghiên cứu AI trong những năm 1960 và đầu những năm 1970, hỗ trợ các phòng thí nghiệm đại học và các dự án đầy tham vọng. Khi các dự án này thất bại trong việc cung cấp các ứng dụng quân sự thực tế, DARPA đã rút tài trợ cho nghiên cứu AI tổng quát bắt đầu từ năm 1974, kích hoạt mùa đông đầu tiên. Trong những năm 1980, DARPA đã tiếp tục tài trợ AI nhưng tập trung vào các mục tiêu cụ thể, có thể đạt được thay vì nghiên cứu trí thông minh rộng.
Sự sụp đổ của thị trường máy Lisp đã góp phần như thế nào vào Mùa đông AI thứ hai?
Các máy LISP là máy tính chuyên dụng được tối ưu hóa để chạy phần mềm AI, đặc biệt là hệ thống chuyên gia. Vào giữa những năm 1980, các công ty như Symbolics và LMI đã xây dựng một thị trường trị giá hàng trăm triệu hàng năm. Khi các công ty như Apple và Sun Microsystems phát hành các máy trạm đa dụng phù hợp với hiệu suất máy LISP với chi phí thấp hơn nhiều, thị trường phần cứng chuyên dụng sụp đổ vào khoảng năm 1987-1988. Sự sụp đổ này đã hạ gục các công ty phần cứng và các công ty hệ thống chuyên gia phụ thuộc vào chúng, kích hoạt Mùa đông AI thứ hai.
Một số khác biệt chính giữa các Mùa đông AI của những năm 1970 và 1980 là gì?
Mùa đông AI đầu tiên (1974-1980) chủ yếu ảnh hưởng đến nghiên cứu học thuật, được kích hoạt bởi các hạn chế cơ bản trong AI biểu tượng và rút tài trợ của chính phủ. Mùa đông thứ hai (1987-1993) tác động mạnh hơn đến ngành công nghiệp, theo sau thất bại thương mại của hệ thống chuyên gia và phần cứng AI chuyên dụng. Mùa đông đầu tiên bắt nguồn từ việc hứa hẹn quá mức về trí thông minh tổng quát, trong khi thứ hai là kết quả của hạn chế của các hệ thống hẹp, dựa trên quy tắc không thể thích ứng hoặc học. Các mô hình phục hồi cũng khác nhau: mùa đông đầu tiên kết thúc với hệ thống chuyên gia cung cấp giá trị thực tế, trong khi thứ hai đòi hỏi các phương pháp hoàn toàn mới như machine learning và mạng nơ-ron.
Có dấu hiệu nào cho thấy chúng ta có thể đang tiếp cận Mùa đông AI thứ ba không?
AI hiện tại cho thấy cả các yếu tố ổn định và lỗ hổng tiềm ẩn. Các yếu tố ổn định bao gồm các ứng dụng thực tế tạo ra doanh thu thực, tài nguyên tính toán chưa từng có, các tập dữ liệu khổng lồ và tích hợp AI vào hoạt động kinh doanh cốt lõi. Các mô hình đáng lo ngại bao gồm phụ thuộc quá mức vào deep learning mà không có các lựa chọn thay thế rõ ràng, chi phí tính toán tăng theo cấp số nhân cho các cải tiến biên, khoảng cách giữa các benchmark nghiên cứu và triển khai thế giới thực, và các chu kỳ quen thuộc của kỳ vọng thổi phồng. Liệu những điều này có kích hoạt một mùa đông khác phụ thuộc vào việc quản lý kỳ vọng, đa dạng hóa các phương pháp nghiên cứu và cung cấp giá trị thực tế bền vững thay vì chỉ là các demo ấn tượng.
Các nhà nghiên cứu và tổ chức có thể tránh đóng góp vào các Mùa đông AI trong tương lai như thế nào?
Tránh các mùa đông trong tương lai đòi hỏi đưa ra những tuyên bố thực tế về khả năng hiện tại, đa dạng hóa nghiên cứu vượt ra ngoài các phương pháp thống trị đơn lẻ, tập trung vào tiến bộ có thể đo lường thay vì tầm nhìn lớn, đảm bảo nghiên cứu giải quyết các vấn đề thực tế chứ không chỉ hiệu suất benchmark, duy trì tính minh bạch về thất bại, xây dựng các hệ thống với tiện ích rõ ràng chứ không chỉ là các demo ấn tượng, và thúc đẩy tài trợ dài hạn ổn định. Các tổ chức có thể giúp đỡ bằng cách thưởng cho đánh giá trung thực thay vì hype và duy trì đầu tư nghiên cứu ngay cả trong các giai đoạn tiến bộ chậm hơn.
Những bài học nào từ các Mùa đông AI áp dụng cho phát triển và triển khai AI hiện tại?
Các Mùa đông AI lịch sử dạy một số bài học. Khả năng kỹ thuật thường tụt hậu nhiều năm so với sự lạc quan ban đầu, vì vậy hãy tính đến điều này trong kế hoạch. Các benchmark hẹp không đảm bảo tiện ích thế giới thực. Cải tiến cơ sở hạ tầng trong các giai đoạn chậm thường cho phép các đột phá sau này, vì vậy đầu tư liên tục trong các giai đoạn chững lại sẽ được đền đáp. Cuộc di tản kiến thức có tác động lâu dài, vì vậy duy trì các cộng đồng nghiên cứu quan trọng. Thương mại hóa quá mức trước khi công nghệ trưởng thành có nguy cơ kích hoạt phản ứng dữ dội. Các tổ chức triển khai AI ngày nay nên tập trung vào giải quyết tốt các vấn đề cụ thể thay vì theo đuổi khả năng tổng quát, duy trì kỳ vọng thực tế về dòng thời gian, và xây dựng trên các kỹ thuật đã được chứng minh trong khi khám phá các lựa chọn thay thế.
