Muốn hiểu trí tuệ nhân tạo (AI) một cách rốt ráo mà không bị lạc vào ma trận thuật ngữ của dân công nghệ, bạn phải bắt đầu từ thứ duy nhất mà AI đang cố gắng mô phỏng: bộ não của chính bạn.
Nhiều người lầm tưởng não bộ giống như chiếc ổ cứng máy tính. Bạn đọc một trang sách, não lưu trang sách đó vào một ô nhớ; khi cần thì mở ra đọc lại nguyên vẹn. Đó là một ảo tưởng hoàn toàn sai lầm về mặt sinh học.
Não bộ con người không lưu trữ dữ liệu dạng tệp tin. Nó không chụp ảnh màn hình rồi cất vào ngăn kéo. Não bộ là một mạng lưới sinh hóa liên tục biến đổi hình dạng vật lý mỗi khi bạn tiếp nhận một kích thích từ thế giới bên ngoài.
1. Cấu trúc tế bào nơ-ron: Cầu nối sinh học 20 Watt
Bên trong hộp sọ của bạn là một khối vật chất nặng khoảng 1,4 kg, tiêu thụ xấp xỉ 20 Watt (ít hơn một bóng đèn sợi đốt thông thường), nhưng chứa khoảng 86 tỷ tế bào thần kinh (nơ-ron).
Mỗi tế bào nơ-ron sinh học có cấu tạo gồm 3 phần chính:
- Thân tế bào (Soma): Trung tâm xử lý thông tin, nơi chứa nhân tế bào và tổng hợp các tín hiệu điện sinh học.
- Sợi nhánh (Dendrites): Giống như những cành cây vươn ra xung quanh để đón nhận tín hiệu hóa học từ các nơ-ron lân cận.
- Sợi trục (Axon): Một đường dây truyền dẫn dài, đóng vai trò phát xung điện (gọi là điện thế hoạt động - Action Potential) đi xa để truyền tín hiệu tới các tế bào khác.
Điểm tiếp xúc giữa đầu tận cùng của sợi trục nơ-ron này với sợi nhánh của nơ-ron khác được gọi là khe tiếp hợp (Synapse).
Bộ não của bạn không phải là một khối dây điện hàn chết. Giữa các nơ-ron là một khoảng hở cực nhỏ chứa đầy chất lỏng sinh hóa. Khi một xung điện chạy đến cuối sợi trục, nó kích hoạt việc giải phóng các chất dẫn truyền thần kinh (như Glutamate, GABA, Dopamine) vượt qua khe tiếp hợp để chạm vào thụ thể của nơ-ron kế tiếp.
Ước tính trong não bộ người có từ 100 nghìn tỷ đến 1.000 nghìn tỷ khớp nối synapse. Chính độ mạnh hay yếu của hàng trăm nghìn tỷ khớp nối này là nơi lưu trữ toàn bộ ký ức, kỹ năng, thói quen và nhân cách của bạn.
2. Định luật Hebb: “Neurons that fire together, wire together”
Năm 1949, nhà tâm lý học người Canada Donald Hebb đưa ra một nguyên lý nền tảng thay đổi vĩnh viễn ngành thần kinh học:
“Khi một sợi trục của tế bào A đủ gần để kích thích tế bào B và liên tục tham gia vào việc kích hoạt nó, một quá trình phát triển hoặc thay đổi chuyển hóa sẽ diễn ra ở một hoặc cả hai tế bào, khiến hiệu quả kích hoạt của A lên B tăng lên.”
Về sau, nhà thần kinh học Carla Shatz tóm gọn nguyên lý này bằng một câu dễ nhớ: “Neurons that fire together, wire together” (Những tế bào thần kinh cùng phát xung điện sẽ nối dây lại với nhau).
Hãy hình dung một đứa trẻ lần đầu chạm tay vào ngọn lửa nến:
- Tín hiệu thị giác (ánh sáng vàng lung linh) và tín hiệu xúc giác (nóng rát, đau đớn) được kích hoạt đồng thời.
- Một nhóm nơ-ron chịu trách nhiệm nhận diện hình ảnh ngọn nến phát xung cùng lúc với nhóm nơ-ron phát tín hiệu báo động đau đớn và phản xạ rụt tay.
- Khớp nối synapse giữa hai cụm nơ-ron này lập tức được củng cố và siết chặt.
- Lần sau nhìn thấy ngọn nến, chỉ cần tín hiệu thị giác xuất hiện, cụm nơ-ron cảnh giác đau đớn đã tự động kích hoạt trước khi đứa trẻ kịp chạm vào. Đứa trẻ đã học xong một bài học sinh tồn.
Khả năng thay đổi độ bền vững của các khớp nối thần kinh dựa trên trải nghiệm thực tế được gọi là tính dẻo não bộ (Neuroplasticity). Học tập không phải là tải dữ liệu về máy. Học tập là quá trình đi dây lại mạng lưới thần kinh vật lý của chính mình.
3. Dopamine & Cơ chế sai số dự đoán: Động cơ học tập thử - sai
Tại sao bạn có thể học bơi, học lái xe đạp hay chơi đàn guitar mà không cần ai lập trình sẵn từng cử động cơ bắp?
Câu trả lời nằm ở cơ chế Thử và Sai (Trial & Error) được điều khiển bởi chất dẫn truyền thần kinh Dopamine.
Nhiều người nghĩ Dopamine là chất tạo cảm giác thỏa mãn khi bạn đạt được phần thưởng. Nhưng các thí nghiệm của nhà thần kinh học Wolfram Schultz trên khỉ (thập niên 1990) cho thấy: hoạt động của các nơ-ron Dopamine giống một tín hiệu báo sai số dự đoán phần thưởng (Reward Prediction Error). Phần thưởng đến bất ngờ thì Dopamine tăng vọt; phần thưởng đã được đoán trước thì gần như không thay đổi; phần thưởng được chờ đợi mà không đến thì Dopamine tụt xuống.
Hãy hình dung cơ chế này qua một ví dụ đơn giản hóa (trên thực tế, việc tinh chỉnh từng cử động cơ bắp còn phụ thuộc nhiều vào tiểu não, còn Dopamine đóng vai trò như tín hiệu “làm tốt hơn hay tệ hơn mong đợi”):
- Bạn ném một quả bóng rổ về phía rổ (Não dự đoán: Quả bóng sẽ lọt vào lưới).
- Kết quả thực tế diễn ra: Quả bóng đập vành rổ bật ra ngoài (Sai số âm: Kết quả tệ hơn dự đoán). Nồng độ Dopamine tụt giảm. Não ghi nhận: Góc ném và lực cổ tay vừa rồi là sai lầm → Khớp nối synapse điều khiển cử động đó bị suy yếu.
- Bạn chỉnh lại góc ném, ném lần thứ hai. Quả bóng đi thẳng vào rổ (Sai số dương: Kết quả tốt hơn dự đoán). Dopamine bùng nổ trong vùng thể vân (Striatum). Não ghi nhận: Cảm giác cơ bắp này là chuẩn → Siết chặt khớp nối synapse giữa các nơ-ron vừa tham gia vào cú ném thành công.
Sau hàng nghìn lần lặp lại vòng lặp: Dự đoán → Hành động → Đo đạc sai số → Tinh chỉnh khớp nối synapse, bạn có được cảm giác ném bóng thuần thục.
Nhiều nhà khoa học cho rằng giảm sai số dự đoán là một nguyên lý quan trọng của việc học ở não (một số lý thuyết như “mã hóa dự đoán” còn coi đó là nguyên lý trung tâm), dù đây vẫn là lĩnh vực đang tranh luận.
Điều thú vị là trí tuệ nhân tạo cũng học bằng cách đo và giảm sai số, dưới những cái tên toán học: Hàm mất mát (Loss Function) và Hạ độ dốc (Gradient Descent). Đây là sự tương đồng về ý tưởng chứ không phải AI sao chép cơ chế của Dopamine. Mối liên hệ trực tiếp hơn là ở chiều ngược lại: tín hiệu Dopamine mà Schultz đo được rất giống “sai số thời gian” (TD error) trong thuật toán học tăng cường mà giới khoa học máy tính đã phát triển từ trước.
4. Hệ thống 1 & Hệ thống 2: Nghịch lý 20 Watt của con người
Trong cuốn sách kinh điển Tư Duy Nhanh và Chậm, nhà tâm lý học đoạt giải Nobel Daniel Kahneman mô tả hai cách tư duy của con người. Ông nhấn mạnh đây là cách ví von cho dễ hiểu, không phải hai vùng hay hai bộ phận riêng biệt của bộ não:
- Hệ thống 1 (Tư duy nhanh): Trực giác, tự động, phản xạ tức thì, tiêu tốn cực ít năng lượng. Ví dụ: Bạn nhìn thoáng qua nét mặt của một người và nhận ra ngay họ đang giận dữ; bạn tránh một hòn đá văng trên đường; bạn đọc các biển báo giao thông quen thuộc.
- Hệ thống 2 (Tư duy chậm): Logic, phân tích, tính toán tuần tự, tiêu tốn rất nhiều năng lượng. Ví dụ: Tính phép nhân 17 x 24; giải một bài toán xác suất; viết một bản báo cáo phân tích tài chính phức tạp.
Một đứa trẻ thường chỉ cần nhìn thấy con mèo vài lần là có thể nhận diện chính xác bất kỳ con mèo nào khác trong sách tranh, phim hoạt hình hay ngoài đời thực — bất kể màu lông, kích thước hay góc nhìn. Khả năng này trong khoa học máy tính gọi là Học từ số ít mẫu (Few-shot learning).
Tại sao bộ não 20 Watt của con người lại làm được điều đó, trong khi các hệ thống AI nhận diện hình ảnh thế hệ đầu cần tới hàng triệu bức ảnh gắn nhãn và các trung tâm dữ liệu tiêu tốn điện năng lớn hơn rất nhiều? (Các mô hình AI hiện đại đã học từ ít mẫu tốt hơn nhiều, nhưng vẫn phải được huấn luyện trước trên lượng dữ liệu khổng lồ.)
Một lời giải thích được nhiều nhà khoa học ủng hộ là bộ não người sinh ra không phải một trang giấy trắng tuyệt đối. Qua quá trình tiến hóa, não trẻ sơ sinh dường như đã có sẵn một số “thiên hướng” giúp học nhanh, như cảm nhận vật thể là liền khối hay chú ý đến khuôn mặt. Mức độ bẩm sinh của những năng lực này vẫn là chủ đề tranh luận trong khoa học nhận thức.
Khi một đứa trẻ nhìn con mèo, não bộ không chỉ nhìn thấy các pixel màu sắc. Nó nhìn thấy một sinh thể có ý chí, biết cử động, có đầu, đuôi và bốn chân.
Nếu mượn cách ví von của Kahneman: nhiều hệ thống AI thời kỳ đầu cố gắng sao chép kiểu tư duy “Hệ thống 2” (các quy tắc logic khô cứng) mà thiếu nền móng “Hệ thống 1” (khả năng nhận diện mẫu tự học từ dữ liệu), nên thất bại trước thế giới thực đầy biến hóa.
Trong Bài 2: Từ Nơ-ron Sinh Học Đến Nơ-ron Nhân Tạo, chúng ta sẽ bước vào lịch sử đầy sóng gió của ngành AI: Cách các nhà khoa học thập niên 1950 cố gắng đưa tế bào nơ-ron sinh học vào mạch điện tử, cái bẫy ảo tưởng đầu tiên và hai “mùa đông băng giá” suýt chút nữa đã chôn vùi vĩnh viễn ngành trí tuệ nhân tạo.
Nguồn tham khảo: Azevedo và cộng sự (2009), số lượng nơ-ron não người; Donald Hebb, “The Organization of Behavior” (1949); Schultz, Dayan & Montague, “A Neural Substrate of Prediction and Reward”, Science (1997); Daniel Kahneman, “Thinking, Fast and Slow” (2011).
