AI nghiên cứu khoa học: mạnh ở thực thi, yếu ở câu hỏi
AI nghiên cứu khoa học là việc dùng các hệ thống trí tuệ nhân tạo để tự động hóa những công đoạn như tìm tài liệu, thiết kế và chạy thí nghiệm, phân tích dữ liệu, thậm chí viết báo cáo khoa học, nhưng vẫn cần con người định nghĩa vấn đề và đánh giá giá trị của kết quả. Từ tìm tài liệu đến chạy thí nghiệm, AI đang dần đảm nhận nhiều công đoạn của nghiên cứu khoa học. Hệ thống có thể chạy hàng trăm thí nghiệm trong nhiều ngày mà không mắc kẹt trong vòng lặp lỗi, và có thể tạo tác tử phụ, truy cập Internet, sử dụng thư viện phần mềm, mô phỏng phản biện. Ở cấp độ ứng dụng, các phương pháp mô phỏng tăng tốc bằng AI đã rút ngắn chu trình phát triển vật liệu từ 10–20 năm xuống còn một đến hai năm. Vấn đề không còn là “AI có làm được không”, mà là “AI đang giải quyết đúng câu hỏi chưa”.
Khi AI tự động hóa thí nghiệm nhưng lạc hướng nghiên cứu
Các hệ thống như một “AI Scientist” có thể tự lên kế hoạch, chạy mô phỏng, phân tích kết quả và viết báo dựa trên câu hỏi đã được cung cấp. Trong một thí nghiệm, AI được kết hợp từ nhiều thành phần, có khả năng tạo tác tử phụ, truy cập Internet, dùng thư viện phần mềm, chạy thí nghiệm và mô phỏng phản biện với thời gian và tài nguyên dồi dào. Ở khâu thực thi, AI cho thấy sức mạnh ấn tượng: chạy hàng trăm thí nghiệm trong nhiều ngày mà không mắc kẹt trong vòng lặp lỗi. Nhưng điểm yếu nổi bật nằm ở cách AI lựa chọn hướng nghiên cứu; hệ thống nhanh chóng chọn một giả thuyết rồi bám chặt, ít quay lại xem xét những khả năng khác khi cách tiếp cận không hiệu quả. Theo Kapoor, kết quả cho thấy AI vẫn thiếu khả năng sáng tạo cần thiết cho nghiên cứu và đặc biệt là “research taste” – khả năng nhận ra câu hỏi nào đáng để theo đuổi ngay từ đầu.
Vai trò không thể thay thế của nhà khoa học: giả thuyết, khung vấn đề, chiến lược
Điểm mù của AI nghiên cứu khoa học không nằm ở tốc độ hay độ chính xác, mà ở năng lực hiểu “cái gì đáng làm”. Một nghiên cứu đã chỉ ra: dù AI có thể tự nghiên cứu, công nghệ này vẫn thiếu khả năng quan trọng nhất là biết câu hỏi nào đáng để theo đuổi. Nói cách khác, AI hiện xuất sắc trong việc trả lời câu hỏi, nhưng kém trong việc đặt câu hỏi có ý nghĩa. Chính vì vậy, con người vẫn giữ vai trò cốt lõi ở ba tầng: hình thành giả thuyết, định khung vấn đề và vạch ra hướng đi chiến lược cho chương trình nghiên cứu. Khi AI được giao nghiên cứu dựa trên câu hỏi của hai bài báo gửi tới một hội nghị lớn, chính các tác giả của nghiên cứu gốc được yêu cầu đánh giá kết quả. Kết luận: khoảng cách giữa “thực hiện nghiên cứu” và “làm khoa học” vẫn còn đáng kể.
Giới hạn AI nghiên cứu không nằm trong thuật toán mà nằm ở tổ chức
Trong nhiều phòng thí nghiệm, các công cụ AI nghiên cứu khoa học và mô phỏng đã sẵn sàng nhưng bị bỏ không. Trách nhiệm thường bị đổ cho công nghệ, trong khi công nghệ thường hoạt động tốt; cái “tắc” là mọi thứ xung quanh: cách công cụ kết nối với thí nghiệm hiện có, ai đủ kỹ năng vận hành, và tổ chức gán vai trò gì cho phương pháp số. Một nghiên cứu về triển khai AI trong doanh nghiệp cho thấy khoảng 95% các thử nghiệm AI tạo sinh không đem lại tác động đo được; nguyên nhân nằm ở chiến lược thực thi và tích hợp vào quy trình làm việc, không phải độ tinh vi của mô hình. Trong R&D vật liệu, khoảng cách này được gọi là “know–do gap”: mô hình ngày càng mạnh, nhưng giá trị thực tế phụ thuộc việc tổ chức có hấp thụ được hay không. Nói gọn: giới hạn AI nghiên cứu hiện nằm ở hợp tác con người AI, chứ không nằm ở khả năng thuần kỹ thuật.
Từ công cụ bị bỏ quên đến cộng sự đồng sáng tạo
Những tổ chức đi trước đã cho thấy điều gì xảy ra khi “ghép đúng người với đúng máy”. Tại một hãng xe lớn, nhóm vật liệu tích hợp mô phỏng tăng tốc bằng AI vào quy trình phát triển và rút ngắn một dự án từ ba tháng xuống còn một tuần, đồng thời đánh giá công cụ có thể dùng rộng rãi cho các mục tiêu nghiên cứu khác nhau. Các ước tính học thuật cho rằng phương pháp do AI dẫn dắt có thể nén chu trình phát triển vật liệu từ 10–20 năm xuống còn một đến hai năm. Nhưng để đạt được điều này, phải thiết kế lại quy trình, hạ thấp rào cản sử dụng công cụ số và chấp nhận văn hóa hợp tác con người AI. Các nền tảng mô phỏng loại bỏ công việc hạ tầng, kết hợp với tác tử AI dịch ý định ngôn ngữ tự nhiên thành mã chạy, đã thay đổi được đối tượng có thể tham gia – miễn là vẫn giữ được chuẩn mực khoa học. Kết luận thẳng thắn: AI có thể chạy thí nghiệm, nhưng con người phải quyết định nên chạy thí nghiệm nào, vì sao, và để làm gì.
