Kỷ nguyên mới: Khi AI trở thành công cụ khám phá khoa học
AI khám phá khoa học là cách các thuật toán học máy và học sâu được tích hợp vào quá trình đặt câu hỏi, phân tích dữ liệu và xây dựng giả thuyết, giúp nhà nghiên cứu tìm ra quy luật ẩn, thử nghiệm ý tưởng trong không gian dữ liệu khổng lồ và rút ngắn hành trình từ trực giác đến kết luận khoa học có kiểm chứng. Sự phát triển mạnh mẽ của AI đang mở ra một giai đoạn công nghệ mới, đặt ra yêu cầu đối với cộng đồng khoa học không chỉ hiểu về AI mà còn phải tìm ra cách ứng dụng hiệu quả trong từng lĩnh vực chuyên môn. Điều này nghĩa là nhà vật lý, nhà toán học, bác sĩ không thể xem AI như tiện ích ngoại vi; họ phải coi nó là một phần của bộ công cụ khoa học cơ bản. Ai không hiểu AI sẽ tụt lại phía sau, không phải vì thiếu tâm huyết, mà vì thiếu phương tiện mới để đặt và trả lời câu hỏi.
Sự dịch chuyển này hiện lên rõ ràng trong các diễn đàn khoa học. Ngày 14/9 tại Hà Nội, bài giảng đại chúng “AI với Vật lý” thu hút các nhà khoa học, giảng viên, sinh viên và hàng nghìn lượt theo dõi trực tuyến. Sự kiện do Trung tâm Dữ liệu và Thông tin khoa học, Viện Hàn lâm Khoa học và Công nghệ Việt Nam phối hợp với VinUni và Hội Vật lý Việt Nam tổ chức. Đó không chỉ là một buổi nói chuyện chuyên môn, mà là tín hiệu: AI đã bước vào trung tâm của đời sống nghiên cứu. Theo PGS.TS. Nguyễn Hồng Quang, vấn đề không còn là có dùng AI hay không, mà là dùng thế nào cho thông minh.
AI khám phá vật liệu: Từ mô phỏng đến thiết kế ngược
Trong khoa học vật liệu, AI đang đẩy chúng ta ra khỏi quỹ đạo quen thuộc “thí nghiệm – lý thuyết – mô phỏng” để tiến vào vùng đất của thiết kế ngược. TS Phan Đức Anh nhắc lại lịch sử: từ giữa thế kỷ XX, mô phỏng cho phép nghiên cứu những hệ vật lý phức tạp trước khi tiến hành thí nghiệm, và cùng với siêu máy tính, mô phỏng ngày càng được dùng để dự đoán đặc tính vật liệu. Giờ đây, AI mở rộng năng lực đó: nhờ xử lý lượng dữ liệu lớn, các mô hình có thể hỗ trợ phân tích dữ liệu, dự đoán tính chất vật liệu, tìm kiếm cấu trúc mới và nhận diện mối quan hệ giữa nhiều biến số. Đây chính là AI khám phá khoa học trong một trong những dạng thức cụ thể nhất của nó.
Điểm đột phá nằm ở “thiết kế ngược” (inverse design): thay vì bắt đầu từ một cấu trúc rồi dự đoán tính chất, nhà nghiên cứu xác định trước đặc tính mong muốn và dùng AI tìm kiếm cấu trúc phù hợp. Con người đặt mục tiêu khoa học, AI cày xới không gian cấu hình khổng lồ – điều mà trực giác và giấy bút không thể làm. Quan trọng hơn, AI còn có thể tổng hợp công bố khoa học, nhận diện xu hướng, gợi ý vấn đề còn bỏ ngỏ và dự đoán tính chất của polymer, thuốc, kim loại, hợp kim. Nhưng khả năng dự đoán không đồng nghĩa AI thay thế nhà khoa học: mô hình phụ thuộc vào chất lượng, quy mô và mức độ phù hợp của dữ liệu, còn người nghiên cứu vẫn phải xác định bài toán, chọn dữ liệu và kiểm chứng kết quả.
Toán học và deep learning: AI trở thành bạn đồng hành suy nghĩ
AI không chỉ chạm vào vật lý; trong toán học, nó đang trở thành bạn đồng hành trí tuệ. Associate Professor, Dr. Doan Trung Cuong cho rằng AI ngày càng tham gia sâu vào nghiên cứu toán: hỗ trợ xử lý thông tin, tìm kiếm và phát hiện quan hệ, thậm chí gợi ý cách tiếp cận lời giải cho các bài toán phức tạp. Nói cách khác, AI khám phá khoa học ở đây là AI cùng nhà toán học xây dựng con đường chứ không chỉ kiểm tra lại kết quả. AI đã nổi lên như một công cụ tính toán tốc độ cao, tiến hóa thành “thinking partner” cho các bài toán quy mô lớn. Toán học đồng thời là nền tảng chiều sâu của AI hiện đại, cung cấp nhiều ý tưởng và phương pháp mới.
Nhưng deep learning nghiên cứu không phải cây đũa thần. Theo Dr. Nguyen Manh Toan, dù deep learning là nền tảng của nhiều hệ thống AI hiện nay, nó chưa đủ để giải quyết các bài toán thực tế lớn. Một mô hình Deep Learning điển hình đạt khoảng 99% độ chính xác với ảnh rõ nhưng giảm xuống khoảng 72% khi ảnh bị mờ, nhiễu hoặc nén. Đây là câu nói đáng trích: “Một mô hình Deep Learning điển hình đạt khoảng 99% độ chính xác với ảnh rõ nhưng giảm xuống khoảng 72% khi ảnh bị mờ, nhiễu hoặc nén”. Điều đó nhắc chúng ta: tích hợp AI vào quy trình nghiên cứu không chỉ là cài thư viện mới, mà là tái thiết kế toàn bộ cách đặt giả thuyết, thu thập dữ liệu và kiểm chứng – nếu không, ta chỉ đang tô màu thêm một công cụ nhiều giới hạn.
Công nghệ AI y tế: Từ hạt nano vàng đến điện thoại của bệnh nhân
Ở y học, câu chuyện AI chẩn đoán bệnh không còn là viễn tưởng mà là thí nghiệm cụ thể. PGS.TS. Lê Văn Lịch và đồng nghiệp tại VinUni kết hợp AI với vật lý nano để phát hiện và định lượng virus viêm gan B (HBV). Nhóm dùng hạt nano vàng, hiện tượng quang học nano và các mô hình học máy; sự thay đổi màu sắc của dung dịch chứa hạt nano vàng phản ánh phản ứng trong hệ thống, từ đó hình thành một phương pháp cảm biến sinh học nhằm phân biệt mẫu dương tính và âm tính với HBV. Thay vì chỉ quan sát màu bằng mắt, AI phân tích hình ảnh và chuyển tín hiệu màu thành dữ liệu định lượng về tải lượng virus. Đây là công nghệ AI y tế theo đúng nghĩa: trí tuệ nhân tạo không đứng ngoài, mà chạm trực tiếp vào dữ liệu sinh học.
Bộ dữ liệu nghiên cứu gồm 990 ảnh, tương ứng với các mẫu có nồng độ virus từ 0 đến 10^8 bản sao/phản ứng; trong đó, 810 dữ liệu dùng để huấn luyện, 162 để kiểm chứng và 18 để kiểm tra. Nhóm so sánh ba mô hình học máy và ba mô hình học sâu nhằm lựa chọn phương án phù hợp. Mục tiêu dài hạn là tích hợp thuật toán xử lý ảnh và mô hình AI vào ứng dụng trên điện thoại thông minh, để người dùng có thể thực hiện xét nghiệm nhanh, chụp ảnh mẫu bằng điện thoại và để hệ thống tự động phân tích, trả về kết quả định lượng. Nếu thành công, AI chẩn đoán bệnh sẽ không còn nằm trong phòng lab hay máy MRI đắt đỏ, mà hiện diện ngay trong túi áo bệnh nhân. Đó là sự dịch chuyển quyền lực chẩn đoán từ bệnh viện về phía cộng đồng.
AI đi vào đời sống khoa học và quản trị: Ai không học sẽ bị bỏ lại
AI không chỉ ở phòng lab; nó đã chen vào cả phòng họp. Chủ tịch UBND tỉnh Cao Bằng Lê Hải Hòa cho biết dùng AI gần như hằng ngày để đọc báo cáo, kiểm tra số liệu, đối chiếu quy định và chuẩn bị họp. Đây là minh họa quan trọng: khi lãnh đạo hành chính đã xem AI như trợ lý thường trực, thì nhà khoa học không thể tiếp tục đứng ngoài. Hiện nay, sự phát triển nhanh của khoa học và công nghệ, bao gồm AI, đã nhanh chóng làm thay đổi những nguyên lý từng được xem là ổn định và bền vững. Nếu phương pháp khoa học không mở cửa cho AI, chính nó sẽ trở thành rào cản mới.
Câu hỏi không còn là “AI có thay thế nhà khoa học không?” mà là “Nhà khoa học nào sẽ biết dùng AI để mở rộng trí tuệ của mình?”. Với AI khám phá khoa học, từ thiết kế ngược vật liệu đến deep learning nghiên cứu, và công nghệ AI y tế đang tiến gần tới điện thoại thông minh của từng người, chúng ta đang sống trong giai đoạn giao thời hiếm có. Những ai kịp học, kịp thử, kịp sai sẽ sở hữu thế hệ phương pháp luận mới. Những ai chậm hơn sẽ buộc phải theo sau, không vì thiếu năng lực, mà vì đã bỏ lỡ ngôn ngữ mới của khoa học.
