Nếu bạn nghĩ trí tuệ nhân tạo là một phát minh mới xuất hiện sau khi ChatGPT ra đời vào cuối năm 2022, bạn đã bỏ lỡ hơn 70 năm lịch sử đầy thăng trầm của giới khoa học máy tính.
Đó là một hành trình kỳ lạ: Từ những lời hứa hẹn ngông cuồng làm chấn động truyền thông thập niên 1950, đến những cú ngã ngựa đau đớn khiến hàng tỷ USD tài trợ bị cắt sạch, kéo theo hai “Mùa đông AI” (AI Winters), những giai đoạn mà tài trợ cạn kiệt và nghiên cứu về “mạng nơ-ron” bị phần lớn giới học thuật xem nhẹ.
1. Năm 1958: Perceptron và ảo tưởng đầu tiên của loài người
Mọi chuyện bắt đầu tại Phòng thí nghiệm Hàng không Cornell vào năm 1958. Nhà tâm lý học Frank Rosenblatt công bố mô hình Perceptron, ban đầu chạy mô phỏng trên máy tính IBM 704; đến năm 1960, cỗ máy phần cứng Mark I Perceptron với hàng trăm cảm biến quang và các chiết áp xoay bằng motor mới được hoàn thành.
Nguyên lý của Perceptron bắt chước tế bào nơ-ron sinh học một cách trực diện và thô sơ nhất:
- Đầu vào (Inputs): Nhận các tín hiệu số (tương tự như sợi nhánh Dendrites nhận tín hiệu).
- Trọng số (Weights): Mỗi đầu vào được gán một “trọng số” — thể hiện mức độ quan trọng của tín hiệu đó (tương đương với độ mạnh của khớp nối Synapse).
- Phép tính tổng (Summation): Nhân từng đầu vào với trọng số của nó rồi cộng tất cả lại (tương đương thân tế bào Soma gom điện thế).
- Hàm kích hoạt (Activation Function): Nếu tổng tín hiệu vượt qua một ngưỡng nhất định, nơ-ron sẽ “bắn” ra số 1 (kích hoạt xung điện); nếu không vượt qua ngưỡng, nó trả về số 0 (im lặng).
Perceptron có thể học cách phân biệt những hình mẫu đơn giản. Ngay lập tức, tờ The New York Times (8/7/1958) viết rằng Hải quân Mỹ đã giới thiệu “phôi thai” của một máy tính điện tử mà họ kỳ vọng sẽ có thể đi, nói, nhìn, viết, tự sao chép và nhận thức được sự tồn tại của chính nó.
Sự lạc quan tếu táo đó đã mở đầu cho căn bệnh trầm kha nhất của ngành AI suốt nửa thế kỷ sau: Thổi phồng kỳ vọng vượt xa năng lực thực tế của toán học và phần cứng.
2. Cuốn sách năm 1969 và Mùa đông AI đầu tiên
Sự kiêu ngạo của Perceptron nhanh chóng đụng phải bức tường đá lạnh lùng của logic học.
Năm 1969, Marvin Minsky (nhà sáng lập phòng thí nghiệm AI tại Viện Công nghệ Massachusetts - MIT) và Seymour Papert xuất bản cuốn sách kinh điển mang tên Perceptrons. Bằng các chứng minh toán học chặt chẽ, hai ông chỉ ra một giới hạn chết người: Một nơ-ron Perceptron đơn lẻ không thể giải quyết được bài toán logic XOR (Exclusive OR - Hoặc loại trừ).
Để dễ hình dung:
- Nơ-ron Perceptron chỉ có thể vẽ một đường thẳng để phân tách hai nhóm dữ liệu (phân loại tuyến tính).
- Nhưng thế giới thực không vận hành theo những đường thẳng. Bài toán XOR đòi hỏi ít nhất hai đường thẳng mới phân loại được đúng. Muốn làm điều đó, bạn phải xếp nhiều lớp nơ-ron chồng lên nhau (Mạng nơ-ron đa tầng - Multilayer Perceptron).
- Bi kịch ở chỗ: Vào năm 1969, chưa có một phương pháp phổ biến và hiệu quả để huấn luyện các trọng số nằm ở lớp giữa (lớp ẩn - hidden layer). Những ý tưởng toán học nền tảng của lan truyền ngược đã xuất hiện rải rác từ thập niên 1960–1970, nhưng phải đến giữa thập niên 1980 mới được phổ biến rộng rãi.
Cuốn sách của Minsky như một gáo nước lạnh dội vào hướng nghiên cứu mạng nơ-ron. Cùng lúc đó, tại Anh, báo cáo Lighthill (1973) đánh giá rất tiêu cực về thành quả của ngành AI, còn tại Mỹ, cơ quan tài trợ quân sự (DARPA) chuyển sang yêu cầu các dự án phải có ứng dụng cụ thể. Hàng loạt dự án nghiên cứu bị cắt ngân sách. Giai đoạn đóng băng tài trợ khoảng từ năm 1974 đến 1980 được gọi là Mùa đông AI thứ nhất (First AI Winter).
3. Hệ chuyên gia thập niên 1980 và bài học về Nghịch lý Polanyi
Sau khi mạng nơ-ron bị hắt hủi, một trường phái AI khác lên ngôi: AI biểu tượng (Symbolic AI) hay còn gọi là “AI cổ điển đáng kính” (Good Old-Fashioned AI - GOFAI).
Triết lý của trường phái này rất trực quan: Con người suy nghĩ bằng logic, vậy hãy tập hợp các chuyên gia đầu ngành lại (bác sĩ, luật sư, kỹ sư địa chất), bắt họ viết ra hàng chục nghìn quy tắc logic dạng:
- NẾU (Sốt trên 39 độ) VÀ (Ho khan) VÀ (Khó thở) → THÌ kết luận: Có khả năng viêm phổi.
- NẾU (Đất có đá vôi) VÀ (Độ sâu 200m) → THÌ kết luận: Có khả năng có mỏ dầu.
Mô hình này được gọi là Hệ chuyên gia (Expert Systems). Những cỗ máy như MYCIN (chẩn đoán bệnh truyền nhiễm) hay XCON (cấu hình máy tính cho tập đoàn DEC) ra đời, góp phần tạo nên một ngành công nghiệp AI trị giá hàng tỷ USD vào cuối thập niên 1980 (MYCIN thực ra chỉ dừng ở mức nghiên cứu, chưa từng được dùng trong bệnh viện).
Nhưng rồi, bong bóng này cũng nổ tung vào cuối thập niên 1980, mở ra Mùa đông AI thứ hai (Second AI Winter, khoảng 1987–1993). Nguyên nhân trực tiếp là thị trường máy tính chuyên dụng cho AI sụp đổ, còn các hệ chuyên gia thì đắt đỏ, khó bảo trì và dễ “gãy” khi gặp tình huống ngoài quy tắc. Đằng sau đó là một giới hạn mà sau này nhà kinh tế học David Autor gọi là Nghịch lý Polanyi (Polanyi’s Paradox).
Nhà triết học Michael Polanyi viết trong cuốn The Tacit Dimension (1966): “Chúng ta có thể biết nhiều hơn những gì chúng ta có thể nói ra.”
Bạn nhận diện được khuôn mặt của mẹ mình trong một đám đông hàng nghìn người chỉ trong một phần mười giây. Nhưng nếu bắt bạn viết ra các quy tắc logic: Mũi phải dài bao nhiêu milimet, mắt cách nhau bao nhiêu centimet, khóe môi cong bao nhiêu độ để một cỗ máy nhận diện được mẹ bạn, bạn hoàn toàn bó tay.
Tri thức của con người về thế giới thực là tri thức ngầm (tacit knowledge) được tôi luyện qua hàng triệu năm cảm giác cơ thể. Cố gắng dùng các mệnh đề IF-THEN cứng nhắc để mô tả sự biến hóa khôn lường của thế giới là một con đường cụt.
4. Cuộc lội ngược dòng thầm lặng của “Bộ ba Bố già AI”
Giữa lúc toàn bộ giới học thuật quay lưng lại với mạng nơ-ron để chạy theo hệ chuyên gia hoặc các mô hình thống kê truyền thống, có một nhóm nhỏ các nhà khoa học vẫn kiên trì bám trụ trong bóng tối.
Nổi bật nhất trong số đó là ba cái tên mà sau này nhận giải thưởng Turing (Nobel của ngành tin học) năm 2018: Geoffrey Hinton, Yann LeCun, và Yoshua Bengio.
Năm 1986, David Rumelhart, Geoffrey Hinton và Ronald Williams công bố bài báo lịch sử trên tạp chí Nature, phổ biến một thuật toán mang tên Lan truyền ngược (Backpropagation) kết hợp với Hạ độ dốc (Gradient Descent).
Hãy hiểu thuật toán này theo ngôn ngữ đời thường:
- Lan truyền xuôi (Forward Pass): Cho một bức ảnh con mèo chạy qua mạng nơ-ron nhiều tầng. Mạng tính toán qua hàng triệu trọng số và đưa ra kết quả: “Đây là con chó (xác suất 80%)”.
- Tính toán sai số (Loss Function): Thuật toán so sánh kết quả của máy với đáp án thật (đây là con mèo). Sai số xuất hiện khổng lồ.
- Lan truyền ngược (Backward Pass): Dùng phép tính đạo hàm trong giải tích vi phân (quy tắc chuỗi - Chain Rule), thuật toán đi ngược từ đầu ra trở về từng tầng nơ-ron phía trước, đo xem nếu nhích từng trọng số cụ thể lên một chút thì sai số sẽ tăng hay giảm, và nhanh đến mức nào (đó chính là đạo hàm).
- Cập nhật trọng số: Nhích mỗi trọng số một bước nhỏ theo hướng làm giảm sai số (có hơi hướng giống cách não củng cố hay làm yếu synapse, dù cơ chế sinh học thực tế khác xa).
Lặp lại chu trình này hàng triệu lần, mạng nơ-ron dần tìm ra một bộ trọng số cho sai số thấp trên dữ liệu huấn luyện, mà không cần kỹ sư nào phải ngồi viết ra quy tắc IF-THEN. (Sai số trên dữ liệu huấn luyện quá gần 0 lại thường là dấu hiệu mô hình “học vẹt”, không làm tốt trên dữ liệu mới.)
Mạng nơ-ron đã có được công cụ toán học cốt lõi để tự học. Nhưng vào thập niên 1980 và 1990, nó vẫn chưa thể bùng nổ vì thiếu hai nguồn nguyên liệu sống còn: Dữ liệu lớn (Big Data) và Sức mạnh tính toán (Compute).
Cần thêm gần 30 năm nữa, khi Internet bùng nổ dữ liệu và những chiếc chip đồ họa chơi game của Nvidia xuất hiện, ngọn lửa mà Hinton gìn giữ mới thực sự biến thành một vụ nổ làm rung chuyển địa cầu.
Trong Bài 3: Cú Hích Deep Learning & Cuộc Cách Mạng Transformer, chúng ta sẽ khám phá thời khắc lịch sử năm 2012 với cuộc thi ImageNet, và bài báo chấn động năm 2017 của Google: “Attention Is All You Need” — phát minh đã khai sinh ra toàn bộ thế giới AI hiện đại ngày nay.
Nguồn tham khảo: Rosenblatt (1958), “The Perceptron”, Psychological Review; “New Navy Device Learns by Doing”, The New York Times (8/7/1958); Minsky & Papert, “Perceptrons” (1969); James Lighthill, “Artificial Intelligence: A General Survey” (1973); Rumelhart, Hinton & Williams, “Learning representations by back-propagating errors”, Nature (1986); ACM Turing Award 2018.
