RSI: Khái niệm kế nhiệm AGI và tham vọng AI tự nâng cấp không cần con người

Dự án Recursive Superintelligence vừa được chuyên gia Richard Socher công bố đã đánh dấu một bước chuyển quan trọng trong lộ trình phát triển trí tuệ nhân tạo toàn cầu. Thay vì chỉ dừng lại ở AGI (trí tuệ nhân tạo tổng quát), giới công nghệ đang hướng tới RSI (Recursive Self-Improvement – tự cải tiến đệ quy), một trạng thái mà AI có khả năng tự nâng cấp mã nguồn và cấu trúc của chính nó mà không cần đến sự can thiệp của con người. Trong kịch bản này, quy trình từ hình thành ý tưởng, triển khai đến kiểm chứng các đột phá nghiên cứu đều được tự động hóa hoàn toàn. Khi AI có thể quản lý chu kỳ nâng cấp hiệu quả hơn các kỹ sư phần mềm, tiến trình này sẽ trở thành một vòng lặp kín, nơi tốc độ phát triển chỉ còn bị giới hạn bởi năng lực tính toán (compute power). Đây không còn là lý thuyết viễn tưởng khi nhiều công ty khởi nghiệp và các phòng thí nghiệm hàng đầu đang ráo riết biến RSI thành kim chỉ nam cho các thế hệ mô hình ngôn ngữ lớn tiếp theo.

Nỗ lực hiện thực hóa vòng lặp tự cải tiến từ các phòng thí nghiệm hàng đầu

Các nhân vật tầm cỡ trong ngành AI đang triển khai những dự án thực nghiệm để chứng minh tính khả thi của việc tự động hóa nghiên cứu. Andrej Karpathy, một tên tuổi lớn từ Tesla và OpenAI, đang thu hút sự chú ý với dự án Auto-Research. Ông sử dụng các agent swarms (bầy đàn tác tử) để huấn luyện các mô hình quy mô nhỏ như GPT-2 thực hiện các tác vụ cơ bản. Dù Karpathy thừa nhận những kết quả hiện tại chưa mang tính đột phá lớn, nhưng nó đã tạo ra một nền tảng quan trọng cho việc áp dụng RSI ở quy mô lớn hơn, đặc biệt là khi ông gia nhập Anthropic để tập trung vào giai đoạn pre-training.

Song song đó, startup Adaption của Sara Hooker đã ra mắt công cụ AutoScientist nhằm tự động hóa việc huấn luyện các mô hình tiên phong. Tương tự, Doris Xin, nhà sáng lập Disarray, đã chứng minh sức mạnh của các tác tử máy học tự huấn luyện khi giành được 28 huy chương trong các cuộc thi Kaggle, vượt qua nhiều đối thủ là con người. Theo quan điểm của Xin, thách thức lớn nhất hiện nay không phải là tính sáng tạo mà là độ tin cậy và kỹ thuật hạ tầng. Nếu được cung cấp nguồn tài nguyên tính toán vô hạn, việc AI tự vận hành các quy trình kỹ thuật “xương sống” để tự nâng cấp là điều hoàn toàn nằm trong tầm tay.

Sự chuyển dịch này cho thấy một tư duy mới: AI không chỉ là công cụ hỗ trợ mà đang dần trở thành chủ thể nghiên cứu. Khi các hệ thống như Claude Code của Anthropic đã có thể tự viết gần như 100% mã nguồn cho chính mình, ranh giới giữa người điều khiển và hệ thống tự vận hành đang trở nên mong manh hơn bao giờ hết. Các kỹ sư tại Anthropic tin rằng các phiên bản thử nghiệm như Mythos có thể sớm thay thế một lập trình viên cấp độ L4, đảm nhận các dự án phức tạp mà không cần giám sát thường xuyên.

Khoảng cách giữa thực tại và viễn cảnh trí tuệ siêu việt

Dù tham vọng là rất lớn, các nhà lãnh đạo công nghệ như Sundar Pichai (CEO của Google) vẫn giữ thái độ thận trọng khi nhận định rằng chúng ta vẫn chưa thực sự chạm đến ngưỡng RSI theo đúng định nghĩa kinh điển. Một hệ thống tự cải tiến đệ quy thực thụ đòi hỏi khả năng tự định hướng (self-direction) tuyệt đối, trong khi các mô hình hiện nay vẫn bộc lộ điểm yếu ở khả năng quản lý các tác vụ mơ hồ kéo dài, sự tinh tế trong lựa chọn giải pháp và khả năng xác minh độc lập. Khoảng cách này cho thấy RSI không phải là một bước nhảy vọt tức thì mà là một dải phổ tiến hóa liên tục.

Để làm rõ lộ trình này, Ajeya Cotra từ tổ chức METR đã phân chia quá trình tiếp quản nghiên cứu của AI thành ba cột mốc: tính thỏa đáng (adequacy), tính ngang bằng (parity) và tính ưu việt (supremacy). Hiện tại, AI đang tiến rất gần đến ngưỡng “thỏa đáng”, tức là có thể tạo ra một số kết quả nghiên cứu độc lập dù chưa thực sự hiệu quả. Khi đạt đến mức “ngang bằng” với con người, tốc độ tiến bộ của AI được dự báo sẽ tăng tốc chóng mặt, dẫn đến trạng thái “ưu việt” chỉ trong thời gian ngắn sau đó. Tuy nhiên, Helen Toner từ CSET lưu ý rằng việc sử dụng AI để hỗ trợ nghiên cứu vẫn khác xa với định nghĩa về một hệ thống hoàn toàn không cần con người.

Thách thức cuối cùng nằm ở sự đánh đổi giữa lao động nhân lực và trí tuệ máy móc, cùng với những rào cản về căn chỉnh AI (alignment) và giới hạn vật lý của phần cứng. Khác với các quy luật mở rộng (scaling laws) thông thường, việc bàn giao toàn bộ quy trình tư duy và thực thi cho AI là một bài toán hóc búa về mặt kỹ thuật. Dù viễn cảnh về một trí tuệ siêu việt tự bùng nổ (intelligence explosion) vẫn gây tranh luận, giới chuyên gia đều đồng thuận rằng sự xuất hiện của các vòng lặp đệ quy sẽ khiến tương lai của công nghệ trở nên khó dự đoán hơn bao giờ hết.

Việc hiểu rõ về RSI giúp chúng ta có cái nhìn thực tế hơn về tương lai của trí tuệ nhân tạo, vượt ra ngoài những thuật ngữ tiếp thị thông thường. Để chuẩn bị cho làn sóng này, các doanh nghiệp và cá nhân cần tập trung vào việc phát triển kỹ năng giám sát hệ thống tác tử (agentic workflows) và cập nhật các tiêu chuẩn mới về an toàn AI, thay vì chỉ thuần túy học cách sử dụng các công cụ tạo nội dung đơn giản.