AI sinh học là gì và vì sao nó quan trọng ngay lúc này?
AI sinh học là cách thiết kế trí tuệ nhân tạo dựa trực tiếp vào cấu trúc và hoạt động của hệ thần kinh thực, từ mô phỏng não ruồi đến mạng neural sinh học nuôi bằng tế bào sống, nhằm tạo ra hệ thống xử lý thông tin hiệu quả, thích nghi tốt hơn và gần với cách bộ não tự nhiên học hỏi. Mấu chốt của câu chuyện mới: chúng ta không chỉ sao chép ý tưởng “mạng nơ-ron” nữa, mà bắt đầu dùng chính những cấu trúc thần kinh – dù là mô phỏng connectome hay neuron sống – làm nền tảng tính toán. Đây là một bước chuyển quan trọng, vì nó thách thức mô hình deep learning truyền thống vốn tiêu tốn tài nguyên khổng lồ, mở ra khả năng máy tính thần kinh gọn nhẹ, linh hoạt và giàu khả năng thích nghi hơn.
Điểm đáng chú ý: cú nhảy này không đến từ các phòng thí nghiệm kín cổng cao tường, mà từ những thử nghiệm rất đời thường – một mô phỏng não ruồi được dạy chơi Balatro, và một lớp tối ưu hoá video chạy trên neuron chuột, hiện đã bước đầu xuất hiện trong hạ tầng đám mây doanh nghiệp. Nói cách khác, AI sinh học đã rời khỏi trang báo khoa học để chạm đến tay game thủ, nhà phát triển đám mây và các đội AI sản xuất nội dung số.
Mô phỏng não ruồi: học tăng cường ruồi và bài test Balatro
Sau khi Google công bố bản đồ hoàn chỉnh của não và hệ thần kinh trung ương của một con ruồi đực trưởng thành, cộng đồng đã biến mô phỏng này thành sân chơi cho đủ loại thí nghiệm, từ ruồi "làm trader" đến tập cho nó đỗ xe song song. Một người hâm mộ Balatro thậm chí tuyên bố đã huấn luyện cấu trúc này bằng thuật toán riêng để chơi game, đạt tỉ lệ thắng khoảng 20% trên độ khó thấp nhất. Đây không còn là demo khoa học khô khan, mà là bài kiểm tra thực chiến xem mô phỏng não ruồi có thể ra quyết định trong một trò chơi roguelike đầy biến số. Cách học tăng cường ruồi được thiết kế cũng rất đáng bàn: cả "bộ não" – gồm connectome cùng mô hình gắn lên đó – và thuật toán chơi cùng một seed; kết quả được so sánh, sau đó mô hình trên não được thưởng hoặc phạt tuỳ theo lựa chọn. Học tăng cường ruồi ở đây trở thành phiên bản đặc biệt của reinforcement learning, nơi ta không huấn luyện một mạng nơ-ron nhân tạo, mà ép một mô phỏng mạng nơ-ron sinh học khám phá chiến lược tối ưu. Dù một số người hoài nghi vì thiếu mã nguồn công khai, bản thân việc mô phỏng não ruồi có thể chơi một game có tương tác phức tạp ở mức 20% tỉ lệ thắng đã là bằng chứng cho thấy mô hình thần kinh sinh học có thể xử lý bài toán lớn hơn nhiều so với những phản xạ bản năng.
Máy tính thần kinh từ neuron chuột: AI sinh học bước vào hạ tầng đám mây
Nếu mô phỏng não ruồi là bằng chứng vui nhộn từ thế giới game, thì mạng neural sinh học của The Biological Computing Company lại là nỗ lực nghiêm túc đưa AI sinh học vào sản phẩm. Tại phòng thí nghiệm Mission Bay, khoảng 100.000 neuron được nuôi sống và gắn vào các lưới 4.096 vi điện cực do một công ty công nghệ sinh học sản xuất. Đội ngũ mã hoá dữ liệu hình ảnh lên mô thần kinh này, quan sát cách neuron xử lý thông tin rồi chuyển hoá các mẫu hoạt động đó thành một lớp phần mềm nhẹ, chiếm chưa tới 0,1% trọng lượng tổng của mô hình và được gắn lên một trình sinh video mã nguồn mở. Điểm quan trọng là phần "sinh học" diễn ra hoàn toàn ở phía nhà cung cấp. Khách hàng của một nền tảng đám mây lớn có thể truy cập mô hình trong chế độ preview mà không cần bất cứ phần cứng sinh học nào; tất cả được triển khai trên hạ tầng tính toán quen thuộc. TBC khẳng định hệ thống của họ cho tốc độ suy luận nhanh gấp năm lần và giảm chi phí tới 80% so với mô hình gốc. Dù các con số này chưa được kiểm chứng độc lập, một câu nói đáng trích dẫn là: “TBC tuyên bố suy luận nhanh hơn năm lần và chi phí giảm 80% so với mô hình cơ sở”. Nếu được xác nhận, đây sẽ là bằng chứng mạnh rằng AI sinh học không chỉ là ý tưởng lạ, mà có lợi thế kinh tế rõ rệt so với deep learning truyền thống.
AI sinh học xử lý thông tin khác gì deep learning truyền thống?
Trong mô hình deep learning quen thuộc, dữ liệu đi qua nhiều lớp mạng nơ-ron nhân tạo được thiết kế bằng toán học, chạy trên GPU hoặc các chip chuyên dụng. AI sinh học lại đi đường vòng đầy táo bạo: nó dùng chính mạng neural sinh học – dù là não ruồi được mô phỏng bằng connectome hay neuron chuột sống – để tìm ra cách mã hoá và xử lý thông tin, sau đó chắt lọc các mẫu hoạt động thành lớp phần mềm gọn nhẹ. Điều này mang hai hệ quả lớn. Thứ nhất, khả năng thích nghi: hệ thần kinh tự nhiên vốn tiến hoá để học nhanh từ dữ liệu ít ỏi và môi trường nhiễu, nên mô hình học từ chúng có tiềm năng linh hoạt hơn các mạng nhân tạo cứng nhắc. Thứ hai, hiệu quả: nếu chỉ cần một lớp phần mềm chiếm chưa đến 0,1% trọng lượng mô hình nhưng lại tăng tốc suy luận nhiều lần, thiết kế AI tương lai có thể chuyển từ "càng lớn càng tốt" sang "càng sinh học càng tốt". Những thử nghiệm như học tăng cường ruồi để chơi Balatro cho thấy mạng thần kinh mô phỏng có thể xử lý bài toán ra quyết định phức tạp trong môi trường ngẫu nhiên. Trong khi đó, việc mã hoá dữ liệu vào mô neuron sống rồi trích xuất mẫu hoạt động chứng minh mạng neural sinh học có thể giúp giải bài toán tối ưu hoá trong sinh video, một tác vụ vốn rất tốn tài nguyên. Hai hướng này cùng chỉ về một kết luận: hệ thần kinh tự nhiên không chỉ là đối tượng nghiên cứu, mà là kho "thuật toán" chưa được khai thác.
Biên giới mới: hội tụ thần kinh học và kỹ thuật AI, và những câu hỏi phải đối mặt
Điểm thú vị nhất của làn sóng AI sinh học hiện nay là sự hội tụ rất cụ thể giữa thần kinh học và kỹ thuật AI. Các nhóm như TBC không đi tìm mô hình mới trong chân không, mà hỏi thẳng: với chuẩn AI sinh video hiện tại, làm sao để mô hình hiệu quả hơn? Câu trả lời là ghép một lớp "học từ neuron" lên trên mô hình thị giác, tạo ra một kiểu máy tính thần kinh lai: phần lõi vẫn là hạ tầng silicon, còn "tăng lực" đến từ mẫu hoạt động của mạng neural sinh học. Một nền tảng đám mây lớn đã bắt đầu tích hợp công nghệ này vào các dịch vụ Trainium, nền tảng huấn luyện AI và chợ ứng dụng AI của họ. Đồng thời, họ còn hợp tác với một nhóm khác bán "máy tính sinh học" và đề xuất dịch vụ "wetware as a service" – nơi phần cứng sống được mang theo trong sản phẩm. Tuy vậy, biên giới mới này không chỉ toàn màu hồng. Câu chuyện mở rộng quy mô vẫn là dấu hỏi: liệu các hệ thống dựa trên neuron sinh học hoặc mô phỏng connectome có giữ được tính ổn định trong tác vụ dài, như video hàng chục phút? Và vấn đề đạo đức không thể bị gạt sang bên: nếu neuron sống bị kích thích liên tục, chúng có thể trải nghiệm một dạng đau đớn không? Khi mô phỏng não ruồi được dùng như "bộ não AI" cho game và neuron chuột trở thành tầng tối ưu hoá video, ta bắt buộc phải đặt câu hỏi: đâu là ranh giới giữa sử dụng hệ thần kinh như công cụ và tôn trọng nó như một dạng sống. Lời kết hợp lý lúc này là: AI sinh học đã chứng minh tiềm năng giải những bài toán tính toán phức tạp, nhưng xã hội chỉ nên mở rộng hướng đi này khi chấp nhận đối thoại nghiêm túc về đạo đức và minh bạch kỹ thuật.
