Lấy cảm hứng từ cấu trúc phân cấp của não bộ, các nhà nghiên cứu đang tạo ra một mô hình AI có khả năng chạy tốt hơn, nhẹ hơn, mở ra triển vọng ứng dụng theo thời gian thực trên các thiết bị cá nhân.

Trong bối cảnh AI toàn cầu đang tập trung vào việc phát triển các mô hình ngôn ngữ lớn với hàng tỷ tham số, một nhóm nghiên cứu tại Singapore đang theo đuổi một hướng đi khác biệt và có phần táo bạo. Nhóm này thuộc công ty khởi nghiệp Sapient Intelligence và mặc dù không sở hữu cơ sở hạ tầng máy tính khổng lồ hay kho dữ liệu từ toàn bộ Internet như các ông lớn công nghệ, nhưng họ đang thử nghiệm một mô hình AI hoàn toàn mới. Thay vì tập trung vào quy mô, nhóm nghiên cứu của Guan Wang và các cộng sự chọn cách học hỏi từ cấu trúc phân cấp của não bộ để xây dựng một mô hình AI nhẹ nhàng, hiệu quả, có thể chạy trực tiếp trên các thiết bị cá nhân.

Mô hình AI mà họ phát triển được gọi là HRM (Hierarchical Reasoning Model), áp dụng cấu trúc phân cấp để mô phỏng cách thức con người suy luận. HRM không giống như các mô hình AI thông thường sử dụng chuỗi suy luận tuyến tính (Chain of Thought), mà thay vào đó, nó kết hợp hai module hồi quy (module-L và module-H) để thực hiện suy luận cấp cao và cấp thấp một cách đồng thời. Trong đó, module-L thực hiện các bước tính toán chi tiết với tốc độ nhanh, còn module-H làm nhiệm vụ lập kế hoạch và phân tích chiến lược dài hạn. Cấu trúc này giúp mô hình linh hoạt hơn và có thể điều chỉnh chiến lược trong quá trình suy luận.

Đáng chú ý, HRM đã đạt được những kết quả ấn tượng trong các bài kiểm tra suy luận phức tạp. Theo báo cáo công bố trên arxiv vào tháng 8/2025, mô hình HRM của Sapient Intelligence đã đạt 40,3% điểm chuẩn trong bài kiểm tra đo lường khả năng suy luận trừu tượng của AI tổng quát (ARC-AGI-1), vượt trội hơn nhiều so với các mô hình lớn như o3-mini-high của OpenAI (34,5%) và Claude 3.7 Sonnet (21,2%). Điều này chứng tỏ rằng, mặc dù HRM chỉ có 27 triệu tham số – ít hơn rất nhiều so với các mô hình AI truyền thống – nó vẫn có thể xử lý các tác vụ suy luận phức tạp với độ chính xác cao.

Khả năng tiết kiệm tài nguyên và chi phí của HRM là một điểm mạnh đáng chú ý. Mô hình này chỉ cần 1.000 ví dụ đầu vào-đầu ra để đào tạo, ít hơn rất nhiều so với các mô hình AI khác. Với số lượng tham số ít hơn và yêu cầu dữ liệu đầu vào tối giản, HRM có thể vận hành hiệu quả trên các thiết bị cá nhân có cấu hình thấp, như máy tính cá nhân hay thiết bị di động, mà không cần đến các máy chủ siêu mạnh hay kho dữ liệu khổng lồ. Đây là một bước tiến lớn, mở ra cơ hội cho ứng dụng AI trong nhiều lĩnh vực mới mà trước đây không thể tưởng tượng được, như trong các thiết bị cá nhân với khả năng hoạt động thời gian thực.

Cấu trúc phân cấp của HRM tạo ra sự khác biệt lớn so với các mô hình AI truyền thống như ChatGPT, nơi mà suy luận được xử lý theo chuỗi, không có khả năng điều chỉnh hoặc phản hồi giữa các bước. HRM hoạt động giống như một đoàn leo núi chuyên nghiệp, với module-L đóng vai trò như một “trinh sát linh hoạt” có thể điều chỉnh nhanh chóng dựa trên những thay đổi trong môi trường, trong khi module-H là một “thủ lĩnh” dày dặn, chuyên lập kế hoạch và đưa ra chiến lược dài hạn. Hai module này làm việc cùng nhau để tạo ra sự cân bằng giữa tốc độ và hiệu quả, tương tự như cách mà não bộ con người xử lý các vấn đề phức tạp.

Với cách tiếp cận này, HRM có thể thích ứng trong quá trình suy luận, điều chỉnh khi cần thiết, thay vì chỉ chạy theo một lộ trình cố định như các mô hình AI truyền thống. Mặc dù HRM có tốc độ suy luận chậm hơn so với các mô hình AI truyền thống, nhưng nó có thể mô phỏng quá trình suy nghĩ của con người: phân tích, thử nghiệm, điều chỉnh và hoàn thiện, mang đến kết quả chính xác và hiệu quả hơn trong các nhiệm vụ phức tạp.

Ứng dụng của HRM không chỉ giới hạn trong các bài toán suy luận thông thường mà còn mở rộng ra các lĩnh vực đòi hỏi độ chính xác cao và dữ liệu thiếu hụt. Ví dụ, Sapient Intelligence đang hợp tác với các viện nghiên cứu y khoa để phát triển các ứng dụng hỗ trợ chẩn đoán y tế, đặc biệt là trong các bệnh hiếm gặp, nơi mà tín hiệu dữ liệu không đầy đủ và khó phát hiện. Họ cũng đang thử nghiệm HRM trong các mô hình dự báo khí hậu, với kết quả là độ chính xác của dự báo cận thời vụ tăng lên gần 97%, một thành tựu đáng chú ý có thể mang lại giá trị lớn cho kinh tế và xã hội.

Bên cạnh những thành công, HRM cũng phải đối mặt với một số thách thức và rủi ro. Một trong những vấn đề lớn là tính chất “hộp đen” của mô hình, tức là khả năng giải thích và minh bạch hóa các quyết định mà AI đưa ra vẫn còn là một vấn đề. Dù các nhà nghiên cứu khẳng định rằng HRM có thể được “giải mã và hình dung”, nhưng vẫn cần thêm thời gian để hoàn thiện khả năng giải thích của mô hình này.

Ngoài ra, việc triển khai HRM trên các thiết bị cá nhân sẽ tạo ra những thách thức mới về mặt quản lý và giám sát. Các mô hình AI truyền thống thường được lưu trữ trên các máy chủ tập trung, dễ dàng quản lý và giám sát từ các cơ quan chức năng. Tuy nhiên, với HRM, AI có thể chạy trực tiếp trên các thiết bị cá nhân, làm thay đổi hoàn toàn cách thức quản lý và giám sát AI. Điều này đặt ra câu hỏi về quyền riêng tư, trách nhiệm pháp lý và sự cân bằng giữa công nghệ và xã hội.

Cuối cùng, HRM có thể là một bước ngoặt trong ngành AI, không phải ở việc phát triển các mô hình ngày càng lớn hơn mà là trong việc “dạy” AI cách suy nghĩ thông minh hơn, thích ứng và phân tích sâu sắc hơn. Đây là một hướng đi có thể mở ra một cuộc cách mạng hiệu quả trong ngành AI và tạo ra những thay đổi pháp lý đầy thách thức nhưng cũng cần thiết để phù hợp với sự phát triển bền vững của công nghệ AI trong tương lai.

A.T (NASTIS), theo https://www.techrepublic.com/, 8/2025