Mùa đông AI là cách gọi những giai đoạn mà nguồn tài trợ, đầu tư và sự quan tâm dành cho trí tuệ nhân tạo sụt giảm mạnh, sau khi những lời hứa trước đó không thành hiện thực. Ngành AI đã trải qua hai mùa đông được ghi nhận rộng rãi: lần thứ nhất khoảng giữa thập niên 1970 đến đầu thập niên 1980, lần thứ hai khoảng cuối thập niên 1980 đến đầu thập niên 1990. Mốc năm chính xác tuỳ tài liệu, vì "mùa đông" là cách nói hình ảnh chứ không phải một sự kiện có ngày bắt đầu.
Cả hai lần đều có chung một kịch bản: thành công ban đầu trên bài toán nhỏ, hứa hẹn quá lớn, tiền đổ vào nhanh, rồi va phải giới hạn thật của công nghệ, và niềm tin sụp đổ còn nhanh hơn. Hiểu kịch bản này không phải để dự đoán ngày mai, mà để đọc những lời hứa về AI hôm nay với con mắt có kinh nghiệm hơn.
Mùa đông thứ nhất: khi bài toán nhỏ không mở rộng được
Sau hội thảo Dartmouth năm 1956, AI có gần hai thập niên lạc quan, với những chương trình chứng minh định lý, chơi cờ, trò chuyện đơn giản. Rồi một loạt sự việc khiến niềm tin lung lay:
- Dịch máy không đạt kỳ vọng. Từ thập niên 1950, chính phủ Mỹ chi nhiều tiền cho dịch máy tự động. Năm 1966, báo cáo của uỷ ban ALPAC kết luận dịch máy chậm hơn, kém chính xác hơn và tốn kém hơn dịch người, khiến tài trợ cho hướng này bị cắt mạnh.
- Mạng nơ-ron đơn lớp bị chỉ ra giới hạn. Năm 1969, cuốn sách "Perceptrons" của Marvin Minsky và Seymour Papert phân tích chặt chẽ những việc mạng perceptron một lớp không thể làm. Cuốn sách thường được nhắc như một lý do khiến nghiên cứu mạng nơ-ron chững lại nhiều năm, dù mức ảnh hưởng thật của nó vẫn được các nhà sử học tranh luận.
- Số khả năng tăng theo cấp số (combinatorial explosion). Nhiều chương trình chạy tốt trên ví dụ đồ chơi nhưng khi bài toán lớn lên, số khả năng phải xét tăng nhanh tới mức máy thời đó không thể tính hết. Thế giới thật có quá nhiều trường hợp.
- Báo cáo Lighthill (1973). Theo yêu cầu của cơ quan tài trợ nghiên cứu Anh, nhà toán học James Lighthill đánh giá ngành AI và kết luận các mục tiêu lớn chưa đạt được. Tài trợ AI ở Anh bị cắt giảm đáng kể sau đó.
- Mỹ siết tài trợ quân sự. Cùng giai đoạn, các cơ quan tài trợ quân sự Mỹ chuyển sang đòi hỏi kết quả ứng dụng cụ thể hơn, giảm tiền cho nghiên cứu AI cơ bản.
Thuật ngữ tiếng Anh combinatorial explosion ở mục thứ ba mô tả đúng bức tường mà nhiều phương pháp AI thời đó va phải: thêm vài quân cờ, vài thành phố, vài quy tắc là số trường hợp cần xét nhân lên gấp bội, và không máy nào tính hết.
Mùa đông thứ hai: hệ chuyên gia đắt đỏ và giòn
Đầu thập niên 1980, AI trở lại mạnh mẽ dưới dạng hệ chuyên gia. Ý tưởng hấp dẫn với doanh nghiệp: phỏng vấn chuyên gia giỏi nhất, ghi kiến thức của họ thành quy tắc, và có một "chuyên gia điện tử" làm việc không nghỉ. Một số hệ thống mang lại lợi ích đo được trong những việc hẹp, nên các tập đoàn lớn lập bộ phận AI riêng, các công ty khởi nghiệp mọc lên bán phần mềm và máy tính chuyên dụng. Nhật Bản khởi động dự án Máy tính Thế hệ thứ Năm từ năm 1982, khiến Mỹ và châu Âu cũng tăng đầu tư để không bị bỏ lại.
Đến cuối thập niên, những điểm yếu lộ ra. Hệ chuyên gia phải được cập nhật bằng tay mỗi khi kiến thức đổi, và chi phí bảo trì tăng theo số quy tắc. Chúng "giòn": làm tốt trong phạm vi đã viết luật, nhưng gặp tình huống lệch một chút là đưa ra kết luận vô lý mà không biết mình sai. Năm 1987, thị trường máy tính chuyên dụng chạy ngôn ngữ Lisp sụp đổ khi máy tính để bàn thông thường đủ mạnh và rẻ hơn nhiều. Dự án Thế hệ thứ Năm của Nhật kết thúc vào đầu thập niên 1990 mà không đạt các mục tiêu lớn ban đầu.
Hệ quả là chữ "AI" trở nên khó nghe trong giới đầu tư và cả giới nghiên cứu. Nhiều nhà khoa học tiếp tục làm việc nhưng gọi công trình của mình bằng tên khác như học máy, hệ thống thông minh, thống kê tính toán. Một phần tiến bộ âm thầm của thập niên 1990–2000 diễn ra dưới những cái tên ít ồn ào ấy.
Hai mùa đông đặt cạnh nhau
Bảng tóm tắt dưới đây giúp thấy kịch bản lặp lại. Các mốc năm là khoảng gần đúng theo cách các tài liệu lịch sử ngành thường dùng.
| Mùa đông thứ nhất | Mùa đông thứ hai | |
|---|---|---|
| Khoảng thời gian | Giữa thập niên 1970 – đầu thập niên 1980 | Cuối thập niên 1980 – đầu thập niên 1990 |
| Lời hứa trước đó | Máy sẽ sớm suy luận, dịch, hiểu ngôn ngữ như người | Hệ chuyên gia sẽ thay chuyên gia trong nhiều ngành |
| Giới hạn va phải | Bài toán thật quá lớn, máy quá yếu, thiếu kiến thức thường thức | Chi phí bảo trì quy tắc, hệ thống giòn, phần cứng chuyên dụng mất chỗ đứng |
| Ai rút tiền | Chủ yếu cơ quan tài trợ nghiên cứu của nhà nước | Cả doanh nghiệp lẫn nhà nước |
| Thứ còn sống sót | Nghiên cứu cơ bản về tìm kiếm, logic, biểu diễn tri thức | Học máy thống kê, mạng nơ-ron với lan truyền ngược |
Điểm đáng chú ý ở cột cuối: mùa đông không xoá sạch ngành. Những hướng nghiên cứu khiêm tốn hơn vẫn tiếp tục, và chính chúng trở thành nền móng cho giai đoạn tiếp theo. Mạng nơ-ron bị lạnh nhạt ở cả hai mùa đông lại là thứ dẫn đầu sau năm 2012.
Dấu hiệu của kỳ vọng quá mức, rút từ hai lần trước
Thành công trên bài toán mẫu được kể như thành công ngoài đời. Cả hai lần, các chương trình chạy tốt trong phòng thí nghiệm với dữ liệu sạch, phạm vi hẹp, rồi được giới thiệu như thể sẵn sàng thay người trong mọi tình huống. Khoảng cách từ bản trình diễn tới sản phẩm dùng hằng ngày thường dài hơn nhiều so với lời hứa.
Mốc thời gian cụ thể và gần. Những câu kiểu "trong mười năm nữa máy sẽ làm được X" xuất hiện dày đặc trước cả hai mùa đông. Mốc gần tạo áp lực cho nhà tài trợ, và khi mốc trôi qua mà chưa thấy kết quả, niềm tin sụp nhanh.
Chi phí ẩn bị bỏ qua. Hệ chuyên gia được bán với chi phí xây dựng, nhưng chi phí bảo trì và cập nhật mới là thứ làm chúng chết. Với AI hiện nay, chi phí tương tự có thể nằm ở điện năng, dữ liệu, kiểm tra chất lượng và người giám sát.
Tiền đổ vào theo tâm lý sợ bị bỏ lại. Dự án của Nhật thập niên 1980 khiến nhiều nước khác đầu tư theo vì sợ tụt hậu, hơn là vì đã thấy kết quả. Khi quyết định được đưa ra vì sợ, việc đánh giá kỹ thường bị xem nhẹ.
Hôm nay có thể có mùa đông thứ ba không: hai phía lập luận
Đây là câu hỏi hay được đặt ra mỗi khi có tin về chi phí khổng lồ của các trung tâm dữ liệu hay về những sản phẩm AI không đạt kỳ vọng. Trang này không dự đoán, nhưng có thể trình bày hai phía lập luận để bạn tự cân nhắc.
Phía cho rằng tình hình khác hai lần trước chỉ ra: AI hiện nay đã có mặt trong sản phẩm được hàng trăm triệu người dùng hằng ngày, từ dịch thuật, nhận dạng giọng nói, tìm kiếm, gợi ý, tới chatbot; nó tạo ra doanh thu thật và giá trị thật trong nhiều công việc. Hai lần trước, AI chủ yếu sống bằng tiền tài trợ nghiên cứu hoặc một thị trường ngách. Ngoài ra, nhiều năng lực hiện nay đã được kiểm chứng độc lập chứ không chỉ là bản trình diễn.
Phía thận trọng chỉ ra những điểm giống: kỳ vọng rất cao, nhiều mốc thời gian được hứa, mức đầu tư lớn dựa trên kỳ vọng tương lai, chi phí vận hành cao, và những giới hạn kỹ thuật còn rõ như bịa thông tin hay khó kiểm soát độ tin cậy. Họ cho rằng có thể không có "mùa đông" theo nghĩa ngành bị bỏ rơi, nhưng có thể có giai đoạn điều chỉnh khi một phần kỳ vọng không thành và dòng tiền chảy chậm lại.
Cách nhìn cân bằng là phân biệt hai thứ: công nghệ đã chứng minh giá trị ở những việc cụ thể thì khó biến mất, còn những lời hứa lớn nhất về tương lai thì luôn có thể bị điều chỉnh. Khi đọc tin, hãy tách xem tin đang nói về cái đã làm được hay cái được hứa sẽ làm được.
Dùng bài học mùa đông để đọc một lời hứa về AI
Khi gặp một lời hứa lớn về AI trong tin tức, quảng cáo hay buổi giới thiệu sản phẩm, bạn có thể đi qua năm bước kiểm tra rút từ lịch sử:
- Xác định lời hứa nói về việc đã làm được hôm nay hay việc sẽ làm được trong tương lai. Hai loại cần mức tin khác nhau.
- Hỏi bằng chứng đến từ bản trình diễn có chọn lọc hay từ sử dụng thật, rộng rãi, có người ngoài kiểm tra.
- Tìm chi phí ẩn: ai phải kiểm tra kết quả, ai sửa khi sai, cần bao nhiêu dữ liệu và điện năng, dữ liệu của bạn được dùng ra sao.
- Chú ý mốc thời gian: lời hứa càng gần, càng cụ thể mà thiếu bằng chứng thì càng nên dè dặt.
- Nhìn xem người nói được lợi gì nếu bạn tin. Không có nghĩa họ nói sai, nhưng là một yếu tố cần tính đến.
Năm bước này không làm bạn hoài nghi mọi thứ, mà giúp bạn đặt đúng mức tin cho từng lời hứa. Đó là bài học lớn nhất mà hai mùa đông AI để lại cho người không làm nghề.
Câu hỏi thường gặp
Mùa đông AI có làm ngành trí tuệ nhân tạo biến mất không?
Không. Mùa đông làm giảm mạnh tiền và sự chú ý, khiến nhiều dự án dừng lại, nhưng nghiên cứu vẫn tiếp tục ở quy mô nhỏ hơn. Nhiều tiến bộ quan trọng như lan truyền ngược hay các phương pháp học máy thống kê được phát triển chính trong hoặc ngay sau những giai đoạn khó khăn đó.
Ai đặt ra chữ "mùa đông AI"?
Thuật ngữ được dùng rộng rãi từ giữa thập niên 1980, khi các nhà nghiên cứu trong ngành cảnh báo về nguy cơ kỳ vọng quá mức với hệ chuyên gia sẽ dẫn tới một giai đoạn bị cắt giảm. Cách ví von này được cho là lấy cảm hứng từ hình ảnh "mùa đông hạt nhân" phổ biến thời đó.
Chu kỳ cường điệu công nghệ có áp dụng cho AI không?
Nhiều người dùng hình ảnh chu kỳ cường điệu, tức là kỳ vọng lên cao, rơi xuống vực thất vọng rồi dần ổn định, để mô tả các công nghệ mới, kể cả AI. Đây là mô hình mô tả kinh nghiệm chứ không phải quy luật khoa học, nên chỉ nên dùng như một gợi ý để suy nghĩ, không phải công cụ dự báo.
Người đi làm có cần lo nếu có mùa đông AI không?
Với người dùng AI trong công việc hằng ngày, những công cụ đã chứng minh giá trị khó biến mất. Điều nên làm là không đặt toàn bộ quy trình vào một công cụ duy nhất, giữ kỹ năng nghề của mình, và đánh giá công cụ bằng lợi ích thật chứ không bằng lời quảng cáo.
Có ngành công nghệ nào khác từng có mùa đông giống AI không?
Nhiều công nghệ trải qua giai đoạn kỳ vọng quá mức rồi điều chỉnh, ví dụ làn sóng công ty internet cuối thập niên 1990 với sự sụp đổ năm 2000, sau đó internet vẫn phát triển mạnh. Điểm chung là công nghệ có giá trị thật vẫn sống, còn những kỳ vọng thổi phồng và mô hình kinh doanh yếu thì bị đào thải.