Câu hỏi bám đuổi khoa học suốt 30 năm
Hãy tưởng tượng bạn đang nghe ai đó nói chuyện. Não bạn không thụ động chờ đợi từng từ — nó liên tục dự đoán từ tiếp theo sẽ là gì, rồi chỉ cập nhật khi dự đoán sai. Đây không phải phép ẩn dụ thơ ca. Đây là lý thuyết khoa học thần kinh có tên Predictive Coding (Mã hóa Dự đoán) — một trong những mô hình có sức thuyết phục nhất về cách não người học hỏi.
Vấn đề là: trong nhiều thập kỷ, các nhà nghiên cứu AI đã cố xây dựng mạng nơ-ron theo nguyên lý này, và thất bại liên tiếp. Các mô hình «sinh học trung thực» đó luôn kém xa mô hình AI thông thường về hiệu suất. Trong khi đó, AI thông thường — dù mạnh mẽ — lại học theo kiểu mà não người không bao giờ làm: lan truyền tín hiệu lỗi toàn cục từ đầu ra ngược về đầu vào, một phương pháp gọi là backpropagation. Đây là nghịch lý cốt lõi của khoa học thần kinh tính toán trong 30 năm qua: Chọn tính chính xác, bỏ tính sinh học. Chọn tính sinh học, bỏ tính chính xác.
Một nghiên cứu mới đặt cược rằng sự đánh đổi đó không còn cần thiết nữa.
Predictive Brain Networks: Khi Não Người Trở Thành Bản Thiết Kế
Nhóm tác giả giới thiệu kiến trúc có tên Predictive Brain Networks (PBNs) — mạng nơ-ron được xây dựng hoàn toàn trên quy tắc học cục bộ, không có bất kỳ tín hiệu lỗi nào được lan truyền toàn cục. Nói đơn giản: mỗi tầng trong mạng chỉ «giao tiếp» với tầng kề cạnh nó, giống như cách các vùng não thực sự hoạt động.
Kết quả, theo thông tin hiện có từ bản preprint, đáng chú ý ở nhiều điểm:
- PBNs đạt mức căn chỉnh sinh học với luồng thị giác bụng của não người — con đường nhận dạng vật thể chạy từ vỏ não thị giác sơ cấp (V1) qua V2, V4 đến vỏ não thái dương dưới (IT) — ngang bằng hoặc vượt các mô hình thị giác đã được thiết lập.
- Đây là lần đầu tiên một mô hình vừa đáp ứng tiêu chí sinh học vừa cạnh tranh được với hiệu suất học sâu hiện đại.
- PBNs còn thể hiện một đặc điểm đặc trưng của não linh trưởng: tín hiệu dự đoán từ trên xuống (top-down) ảnh hưởng đến cách các tầng thấp hơn xử lý thông tin — và đóng góp này mạnh hơn khi dùng học cục bộ.
- Ngoài ra, PBNs hỗ trợ ước lượng độ không chắc chắn — một tính năng quý giá để triển khai AI trong thế giới thực.
Hộp giải thích: Predictive Coding là gì?
Não bạn không đơn giản «nhận» thông tin từ mắt hay tai. Nó dự đoán thế giới sẽ trông như thế nào, rồi so sánh với tín hiệu thực tế. Chỉ có sai số dự đoán — phần bất ngờ — mới được truyền lên. Giống như khi bạn nghe câu chuyện quen thuộc: não tự điền vào những gì đã biết, chỉ giật mình khi có điều bất ngờ. Đây là cơ chế cực kỳ tiết kiệm năng lượng. PBNs mô phỏng đúng cơ chế này.
Hai Luồng Quan Điểm: Đột Phá Hay Cần Kiểm Chứng?
Nhìn lạc quan: Nếu được xác nhận, đây có thể là bước ngoặt thật sự. Học cục bộ vốn tương thích tự nhiên với phần cứng neuromorphic — chip AI tiêu thụ năng lượng cực thấp như Intel Loihi hay IBM TrueNorth. Điều này mở ra viễn cảnh AI nhúng, tiết kiệm điện, có thể chạy trên thiết bị biên mà không cần trung tâm dữ liệu khổng lồ. Hơn nữa, các mô hình căn chỉnh tốt với não người có thể đẩy nhanh nghiên cứu giao diện não-máy tính và hiểu biết về rối loạn thị giác.
Nhìn thận trọng: Đây là bản preprint — chưa qua bình duyệt khoa học. Điểm số «căn chỉnh sinh học» phụ thuộc lớn vào cách đo và tập dữ liệu não dùng để so sánh. Cộng đồng khoa học đã từng chứng kiến các tuyên bố tương tự bị thu hẹp đáng kể sau khi kiểm tra độc lập. Hiệu suất phân loại của PBNs cũng chưa được so sánh trực tiếp với các mô hình thị giác tiền tuyến như những gì đang chạy trong GPT-4V hay Gemini. Phạm vi hiện tại cũng giới hạn trong thị giác — việc tổng quát hóa sang ngôn ngữ, âm thanh, hay bộ nhớ vẫn chưa được chứng minh.
Ý Nghĩa Với Việt Nam Và Cộng Đồng AI Khu Vực
Với Việt Nam — nơi VinAI, VinBigdata và hàng loạt chương trình đào tạo AI đại học đang tạo nền móng cho một hệ sinh thái nghiên cứu nội địa — câu chuyện PBNs chạm đúng một câu hỏi lớn hơn: Liệu các nền kinh tế đang phát triển có thể đóng góp vào khoa học AI nền tảng, thay vì chỉ ứng dụng công nghệ từ phương Tây?
Nghiên cứu kiểu này — kết hợp lý thuyết thần kinh học, toán học, và kỹ thuật phần mềm — là đúng hướng mà các trường đại học và viện nghiên cứu Việt Nam đang cần hướng đến. Không chỉ dừng ở ứng dụng, mà tiến tới đặt câu hỏi nền tảng: Trí tuệ là gì, và nó nên được xây dựng như thế nào?
Câu trả lời có thể chưa đến từ bản preprint này. Nhưng câu hỏi — thì đã ở đây từ lâu.
Nghiên cứu được đăng trên arXiv (ID: 2610.37327) dưới dạng preprint và chưa qua bình duyệt độc lập tính đến thời điểm bài viết này được xuất bản.
— Bài viết này được tổng hợp và biên soạn bởi AI LUMINA từ các nguồn đã xác thực. Dữ liệu và thông tin dẫn nguồn từ: arXiv: Quantitative Biology (q-bio).