Chương 1.1: Năng lực hiện tại

AI ngày càng có khả năng viết, nhìn, lập trình và điều khiển robot theo những cách thường vượt qua con người. Chúng thể hiện những kỹ năng đáng ngạc nhiên như suy luận và sử dụng công cụ, thách thức những giả định trước đây về những gì AI có thể đạt được.

Các mô hình AI có thể viết, suy luận, lập trình, tạo ra nội dung đa phương tiện, và điều khiển robot — thường sánh ngang hoặc vượt qua hiệu suất của các chuyên gia con người trong những nhiệm vụ cụ thể. Trong phần đầu tiên này, chúng tôi sẽ cố gắng cho bạn cảm nhận về những gì AI thực sự có thể làm được, tính đến cuối năm 2025. Các con số và biểu đồ không thực sự khiến những năng lực này trở nên cụ thể, dễ hình dung, nên chúng tôi sẽ cố gắng đưa vào càng nhiều video, hình ảnh và ví dụ càng tốt để giúp bạn thực sự cảm nhận được AI hiện đang ở đâu. Nhưng nếu bạn quan tâm, chúng tôi cũng nhắc đến điểm số các bài kiểm tra để đo lường tiến bộ một cách định lượng.

Quỹ đạo phát triển quan trọng hơn một bức ảnh chụp nhanh tại một thời điểm. Phần này vừa có thể đóng vai trò một bản lược sử nhanh, vừa là một bức ảnh chụp nhanh về năng lực hiện tại. Khi đọc qua, hãy cố gắng ghi nhớ rằng chúng ta đã đi đến đây nhanh như thế nào. Việc tạo văn bản đã đi từ những đoạn văn mạch lạc đến những trợ lý nghiên cứu chỉ trong vài năm. Việc tạo hình ảnh đã đi từ chỗ đáng buồn cười đến trình độ chuyên nghiệp chỉ trong một thập kỷ. Việc tạo video dường như đang đi theo một quỹ đạo tương tự, nhưng được nén lại chỉ còn ba năm.

Nếu bạn đã quen thuộc với AI hay học máy, một số câu chuyện dưới đây có thể chỉ là ôn lại kiến thức cũ, nhưng hy vọng rằng bất kỳ ai đọc phần này cũng sẽ rút ra được ít nhất một điều mới mẻ.

Trò chơi

AI chơi game đã đạt đến trình độ siêu việt con người (superhuman) ở rất nhiều trò chơi. Việc so sánh AI với con người trong các trò chơi đã là một chủ đề quen thuộc suốt vài thập kỷ qua, với việc AI liên tục tiến bộ. Deep Blue của IBM đánh bại đại kiện tướng cờ vua vào năm 1997 (IBM, 2026 (mở trong tab mới)), Watson của IBM thắng áp đảo trong chương trình Jeopardy! vào năm 2011 (IBM, 2026 (mở trong tab mới)), và AlphaGo đã đánh bại nhà vô địch cờ vây thế giới Lee Sedol vào năm 2016 (DeepMind, 2016 (mở trong tab mới)). AlphaGo là một cột mốc mang tính bước ngoặt, bởi cờ vây là trò chơi có số thế cờ khả dĩ còn nhiều hơn cả số nguyên tử trong vũ trụ quan sát được. Trong ván đấu thứ 2, AlphaGo đã đi Nước 37, một nước đi chỉ có xác suất 1 trên 10.000 được sử dụng. Ban đầu các bình luận viên nghĩ đó là một sai lầm, nhưng hoá ra đó chính là nước đi mà vài lượt sau đã dẫn đến chiến thắng chung cuộc. Nước đi này được nhiều người xem là tia sáng của sự sáng tạo đích thực, khác biệt hẳn so với hàng thế kỷ lối chơi của con người mà mô hình đã được huấn luyện trên đó.

Lần đầu tiên trong lịch sử nhân loại, tôi đã chứng kiến một thứ gì đó giống với trí tuệ nhân tạo thực thụ.

Garry Kasparov Đại kiện tướng cờ vua, 1997 • IBM, 2026 (mở trong tab mới)

Năng lực chơi game siêu việt của AI cũng mở rộng sang cả trò chơi điện tử. Các kỹ thuật học máy áp dụng cho những trò chơi Atari đơn giản vào năm 2013 (Mnih et al., 2013 (mở trong tab mới)) đã tiến triển đến mức OpenAI Five đánh bại các nhà vô địch thế giới ở DOTA 2 vào năm 2019 (OpenAI, 2019 (mở trong tab mới)). Cũng trong năm đó, AlphaStar của DeepMind đã đánh bại các tuyển thủ thể thao điện tử chuyên nghiệp ở StarCraft II (Google DeepMind, 2019 (mở trong tab mới)). Đây là những trò chơi có môi trường thời gian thực, mở, đòi hỏi hàng nghìn quyết định nhanh và khả năng hoạch định dài hạn. Đến năm 2020, hệ thống MuZero đã chơi được các trò Atari, cờ vây, cờ vua và shogi mà thậm chí còn không được cho biết luật chơi (Google DeepMind, 2020 (mở trong tab mới)).¹ Đây đều là những AI tự chơi và tự học một cách hoàn toàn độc lập, không cần con người can thiệp. Đến năm 2025, các AI chơi game đã phát triển đến mức có thể hoạt động trong môi trường mở, trải rộng trên vô số loại trò chơi khác nhau. Chúng mang theo những khả năng học được từ trò chơi này sang trò chơi khác, cải thiện hiệu suất theo thời gian (Google DeepMind, 2025 (mở trong tab mới)).

AI chơi game tương đối hẹp về những gì nó có thể làm. Dù vậy, nó vẫn cực kỳ ấn tượng nhờ khả năng hoạch định chiến lược, nhận diện khuôn mẫu, và tư duy đối kháng mà nó thể hiện. Chính những năng lực suy luận này — hoạch định trước, xây dựng chiến lược, thích ứng theo phản hồi — vốn khởi nguồn từ việc chơi game, nay cũng được áp dụng vào nghiên cứu khoa học, chứng minh toán học, và giải quyết các vấn đề phức tạp trong thế giới thực.

Hình 1.4 - Video minh hoạ một ví dụ về hiện trạng của các trợ lý AI chơi game, sử dụng mô hình SIMA-2 vào năm 2025 (Google DeepMind, 2025 (mở trong tab mới)).

Hình 1.5 - Video minh hoạ một ví dụ về hiện trạng của AI chơi game, sử dụng mô hình SIMA-2 vào năm 2025 (Google DeepMind, 2025 (mở trong tab mới)).

Hoạch định và Học liên tục trong Minecraft với GPT-4

AI có thể xây dựng chiến lược dài hạn và chơi game trong những môi trường động, mở. Các mô hình thuộc dòng Alpha khác nhau trong những năm 2020 không sử dụng LLM. Nhưng đến năm 2023, Voyager — một hệ thống AI chạy trên nền GPT-4 — đã chứng minh rằng một hệ thống dựa trên LLM có thể chơi được Minecraft (Wang et al., 2023 (mở trong tab mới)). Nếu bạn chưa quen thuộc với Minecraft: đây là một sandbox nơi bạn phải hoàn thành các nhiệm vụ theo trình tự — thu thập gỗ, chế tạo công cụ cơ bản, đào đá, nung sắt, chế tạo công cụ tốt hơn, và cuối cùng là đào kim cương. Việc này đòi hỏi phải hoạch định trước hàng trăm bước và có tư duy chiến lược dài hạn. Kể từ năm 2023, chúng ta đã chứng kiến một số hệ thống chơi game dựa trên LLM thể hiện nhiều năng lực đa dạng. Ví dụ, trong các trò chơi chiến lược, Cicero của Meta đã thể hiện kỹ năng đàm phán chiến lược tinh vi lẫn kỹ năng đánh lừa bằng ngôn ngữ tự nhiên trong trò chơi Diplomacy (Bakhtin et al., 2022 (mở trong tab mới)).

Tạo Văn bản

Việc tạo văn bản có thể đưa các mô hình ngôn ngữ đi xa hơn nhiều so với những cuộc hội thoại đơn giản. Có lẽ bạn đã quen thuộc với ChatGPT. Những AI tạo ngôn ngữ dạng này chính là cái mà chúng ta gọi là mô hình ngôn ngữ lớn (large language model - LLM). Vào năm 2018, các phiên bản đầu tiên của những mô hình ngôn ngữ này chỉ có thể viết được vài đoạn văn mạch lạc. Nhưng chỉ trong vài năm ngắn ngủi, chúng đã tiến bộ vượt bậc. Đến năm 2025, GPT-5 trả lời đúng 92,5% câu hỏi trong các lĩnh vực từ những ngành STEM cực kỳ phức tạp, luật quốc tế, cho đến dinh dưỡng và tôn giáo (theo phép đo của bài kiểm tra MMLU). Các mô hình như Claude của Anthropic, Grok của X, GLM-4.7 của Zhipu AI, và DeepSeek-v3.2 cũng thể hiện mức hiệu suất tương tự trên nhiều lĩnh vực khác nhau (ArtificialAnalysis, 2025 (mở trong tab mới); EpochAI, 2025 (mở trong tab mới)).

Các mô hình ngôn ngữ đã tạo ra một hạt nhân cốt lõi, xung quanh đó chúng ta đã chứng kiến nhiều năng lực ấn tượng trỗi dậy — như nghiên cứu khoa học, suy luận, và phát triển phần mềm. Tất cả những năng lực này đều bắt nguồn từ cùng một nguyên lý: tạo sinh ngôn ngữ rồi dần dần tinh chỉnh nó.

Sử dụng Công cụ

LLM có thể sử dụng công cụ bên ngoài một cách thông minh, giúp nâng cao hiệu suất đáng kể. Các mô hình ngôn ngữ vào năm 2020 đã thể hiện khả năng đáng kinh ngạc trong việc giải quyết nhiệm vụ mới chỉ từ hướng dẫn bằng lời, nhưng chúng từng gặp khó khăn với những chức năng cơ bản như tính toán số học. Thay vì cố khiến một mô hình duy nhất làm được mọi thứ, LLM ngày càng sử dụng công cụ bên ngoài để đạt được cả hai loại năng lực (Schick et al., 2023 (mở trong tab mới); Qin et al., 2023 (mở trong tab mới)). Chúng nhận biết được khi nào cần dùng máy tính cầm tay, trình thông dịch mã, hay thông tin cập nhật từ công cụ tìm kiếm — và gọi đúng những công cụ đó khi cần.² Việc sử dụng công cụ cải thiện hiệu suất mô hình một cách đáng kể; chẳng hạn, mô hình OpenAI o3 khi có công cụ bên ngoài vượt trội gần 5% so với chính o3 khi không có công cụ, trên các bài kiểm tra như Humanities Last Exam (HLE) (EpochAI, 2025 (mở trong tab mới)). Tính đến tháng 12 năm 2025, có ít nhất 10.000 máy chủ công cụ đang hoạt động, bao gồm cả những công cụ meta như "công cụ để tìm công cụ", giúp LLM tìm ra đúng công cụ mình cần cho từng tình huống cụ thể (Anthropic, 2025 (mở trong tab mới); Anthropic, 2025 (mở trong tab mới)). Điều này tạo ra mức cải thiện đủ lớn đến mức các công ty nay báo cáo hiệu suất bài kiểm tra riêng biệt — có công cụ và không có công cụ.

Suy luận và Nghiên cứu

Các mô hình nay đã thể hiện được khả năng suy luận nhiều bước, giải quyết vấn đề theo từng bước một. Ngoài việc sử dụng công cụ, LLM giờ đây còn thể hiện quá trình suy luận của mình, tự phát hiện lỗi, và quay lui khi cần thiết. Cuối năm 2024, OpenAI giới thiệu o1, mô hình "suy luận" đầu tiên. Những AI này dành nhiều công sức hơn cho mỗi vấn đề — đánh đổi "thời gian suy nghĩ" để lấy độ chính xác. Chúng suy nghĩ càng lâu thì câu trả lời thường càng tốt hơn (OpenAI, 2024 (mở trong tab mới)). Nhờ sử dụng những kỹ thuật suy luận này, cả OpenAI lẫn Google DeepMind đều đạt thành tích huy chương vàng tại Olympic Toán học Quốc tế năm 2025 (OpenAI, 2025 (mở trong tab mới); Google DeepMind, 2025 (mở trong tab mới)). Trên FrontierMath — một bài kiểm tra toán học ở trình độ nghiên cứu — GPT-5.2 giải được 41% số bài ở bậc 1-3 (EpochAI, 2026 (mở trong tab mới)). Trong thuật ngữ học máy, "thời gian suy nghĩ" được gọi là "suy luận" (inference). Đây là hành động tạo ra các token/từ mới, nên việc tăng thời gian suy nghĩ được gọi một cách chính thức hơn là mở rộng quy mô thời gian suy luận (inference time scaling). Tương tự như việc sử dụng công cụ, điều này cũng tạo ra một mức cải thiện hiệu suất lớn đến mức các công ty báo cáo riêng biệt kết quả bài kiểm tra khi suy nghĩ lâu (tính toán cao) và khi không suy nghĩ (tính toán thấp).

LLM có thể giúp đề xuất và đánh giá các giả thuyết khoa học. Bằng cách kết hợp các kỹ thuật như cho AI suy nghĩ lâu hơn, cùng với các công cụ như tìm kiếm trên web hay các mô hình AI chuyên biệt, chúng ta đang bắt đầu chứng kiến sự xuất hiện của các trợ lý nghiên cứu. Ví dụ, Google đã giới thiệu AI co-scientist vào năm 2025. Đội ngũ phát triển đã dùng nó để đề xuất và đánh giá các phương án tái sử dụng thuốc, xác định đích tác động của thuốc, và giải thích tình trạng kháng kháng sinh trong các phòng thí nghiệm thực tế (Google DeepMind, 2025 (mở trong tab mới)). Một số nhóm khác đã cố gắng xây dựng một nhà khoa học AI hoàn toàn tự động, có khả năng đề xuất ý tưởng nghiên cứu mới, viết mã, thực hiện thí nghiệm, trực quan hoá kết quả, mô tả phát hiện của mình bằng cách viết hẳn một bài báo khoa học hoàn chỉnh, rồi sau đó chạy một quy trình bình duyệt mô phỏng để đánh giá (SakanaAI, 2024 (mở trong tab mới)).

AI đang chuyển mình để trở thành một cộng sự nghiên cứu chủ động trên khắp các lĩnh vực khoa học. Thay vì chỉ sử dụng mô hình ngôn ngữ, các công ty còn áp dụng những cách tiếp cận tương tự AlphaZero để tạo ra cả một loạt mô hình chuyên biệt cho từng lĩnh vực khoa học. Chẳng hạn, Demis Hassabis và John Jumper đã được trao giải Nobel Hoá học cho công trình xây dựng AlphaFold (Google DeepMind, 2024 (mở trong tab mới)). Đây là mô hình đã giúp giải quyết bài toán gấp cuộn protein vốn tồn đọng từ lâu (Google DeepMind, 2022 (mở trong tab mới)), và các phiên bản kế nhiệm AlphaFold 2 và 3 vẫn đang tiếp tục hỗ trợ hàng nghìn nhà nghiên cứu sinh học (DeepMind, 2024 (mở trong tab mới)). Tương tự, AlphaGenome đang giúp chúng ta hiểu rõ hơn về DNA của con người (Google DeepMind, 2025 (mở trong tab mới)). AlphaEvolve giúp tạo ra các thuật toán học máy nhanh hơn (Google DeepMind, 2025 (mở trong tab mới)), còn AlphaChip giúp thiết kế các chất bán dẫn vận hành những thuật toán đó (Google DeepMind, 2024 (mở trong tab mới)).

Không chỉ dừng lại ở toán học và nghiên cứu khoa học, các mô hình AI còn đang phát triển những kỹ năng trí tuệ trừu tượng hơn. LLM có một mức độ nhận thức về nhận thức (metacognition) nhất định — chúng có thể đánh giá tính đúng đắn trong chính các phát biểu của mình và dự đoán được mình sẽ trả lời đúng câu hỏi nào (Kadavath, 2022 (mở trong tab mới)). Chúng có một mức hiểu biết nhất định về chính bản thân mình và những giới hạn của mình. Tương tự, chúng thể hiện khả năng gán trạng thái tâm lý cho chính mình và cho người khác (lý thuyết tâm trí — theory of mind). Điều này giúp ích cho việc dự đoán hành vi và phản ứng của con người (Kosinski 2023 (mở trong tab mới); Xu et al., 2024 (mở trong tab mới)). Chúng ta sẽ bàn kỹ hơn về cách định nghĩa và đo lường một cách cụ thể những khái niệm như trí tuệ, nhận thức về nhận thức, v.v. trong các phần sau.

Phát triển Phần mềm

Việc lập trình đang chuyển mình từ tự động hoàn thành sang phát triển phần mềm mang tính cộng tác. LLM có thể tạo ra văn bản dưới bất kỳ hình thức nào, và một loại văn bản đặc biệt mà chúng đang chứng tỏ mình đặc biệt giỏi chính là tạo mã. Khi kết hợp với năng lực suy luận và các công cụ, LLM có thể đọc tài liệu, chỉnh sửa codebase trải dài hàng nghìn tệp tin, chạy kiểm thử, gỡ lỗi khi thất bại, và lặp lại quá trình cho đến khi các bài kiểm thử đều đạt — với sự hướng dẫn của con người ngày càng ít đi. Vào năm 2025, các hệ thống như Claude Opus 4.5, Gemini 3 Pro, và GPT-5.2 đã có thể triển khai các tính năng và cả những ứng dụng hoàn chỉnh một cách ngày càng độc lập (Anthropic, 2025 (mở trong tab mới); Google DeepMind, 2025 (mở trong tab mới); OpenAI, 2025 (mở trong tab mới)). Khi được kiểm thử với các vấn đề GitHub thực tế từ những dự án mã nguồn mở — vào năm 2024, các hệ thống AI (Claude 3 Opus) chỉ giải quyết được 15% số vấn đề, nhưng đến năm 2025, con số này đã tăng vọt lên 74% (với công cụ + Claude 4 Opus) (SWE bench, 2025 (mở trong tab mới)).

Thị giác: Hình ảnh và Video

Việc tạo hình ảnh đã tiến bộ từ những nhiễu hạt không thể nhận dạng được đến những cảnh ảnh chân thực như thật, chỉ trong chưa đầy một thập kỷ. Vào năm 2014, Mạng đối nghịch tạo sinh (GAN) tạo ra những khuôn mặt nhoè, độ phân giải thấp (Goodfellow et al., 2014 (mở trong tab mới)). Đến năm 2023, các mô hình đã tạo ra được hình ảnh chi tiết từ những yêu cầu bằng văn bản phức tạp. Các mô hình như Midjourney v7 tạo ra những cảnh ảnh chân thực gần như không thể phân biệt được với ảnh chụp chuyên nghiệp. Việc tạo video cũng đang đi theo quỹ đạo tương tự. Video do AI tạo ra và DeepFake ngày càng khó phân biệt với video thật.

Hình 1.18 - Ví dụ một video do AI tạo ra bởi OpenAI Sora 2. Câu lệnh: một vận động viên thể dục dụng cụ lộn nhào trên xà thăng bằng. Phong cách điện ảnh (OpenAI, 2025 (mở trong tab mới)).

Mô hình đa phương tiện lớn (Large Multimodal Models - LMM) kết hợp năng lực hiểu ngôn ngữ và hiểu hình ảnh. Vào năm 2025, các mô hình đa phương tiện có thể trả lời câu hỏi về quan hệ không gian trong hình ảnh, đọc văn bản nhúng trong những cảnh phức tạp, và trích xuất thông tin từ biểu đồ, sơ đồ. Các mô hình hình ảnh ra mắt năm 2025 xử lý được cả việc tạo sinh lẫn chỉnh sửa tinh vi trên nhiều phương tiện khác nhau. Các hệ thống như Gemini 3 Pro Image hoạt động theo kiểu văn bản-thành-hình-ảnh, hình-ảnh-thành-hình-ảnh, và xử lý được cả những chỉnh sửa phức tạp — thay đổi ánh sáng, phong cách, hay bố cục trong khi vẫn giữ được sự nhất quán (Google, 2025 (mở trong tab mới)).

Công nghệ robot

Cả AI lẫn công nghệ robot đều đang phát triển, trong đó robot mang lại cho AI một hình hài vật lý trong thế giới thực. Công nghệ robot đang kết hợp LLM với các mô hình thị giác để tạo ra các mô hình điều khiển robot (ví dụ như RT-1 hay RT-2). Những robot này có thể sử dụng các kỹ thuật vay mượn từ mô hình ngôn ngữ — như chia nhỏ các hành động phức tạp thành kế hoạch từng bước — để điều khiển tay máy của robot (Google DeepMind, 2024 (mở trong tab mới)). Chúng đã học được các hành vi như mở tủ, vận hành thang máy, và các thao tác nấu ăn thông qua việc quan sát con người làm mẫu. Robot đã chứng minh khả năng thực hiện những thao tác đồ vật tinh vi: xào tôm, cất nồi nặng vào tủ, và rửa chảo (Fu et al., 2024 (mở trong tab mới)).

Robot tự động đang chuyển dịch từ các phòng thí nghiệm nghiên cứu sang triển khai công nghiệp thực tế ở quy mô đáng kể. Vào năm 2023, Trung Quốc đã lắp đặt 276.300 robot công nghiệp (AI Index Report, 2025 (mở trong tab mới)). Những hệ thống này đảm nhận việc hàn, lắp ráp linh kiện, xử lý vật liệu, và kiểm tra chất lượng — những nhiệm vụ đòi hỏi độ chính xác nhưng không nhất thiết cần đến khả năng suy luận cao cấp. Bên cạnh robot công nghiệp, robot kho vận là một trong những ứng dụng triển khai trưởng thành nhất — Amazon vận hành hơn 1 triệu robot trên khắp mạng lưới trung tâm xử lý đơn hàng của mình, đảm nhận mọi việc từ lưu trữ hàng tồn kho đến phân loại kiện hàng (Amazon, 2025 (mở trong tab mới)). Robot trong kho bãi và trong công nghiệp có thể xử lý các kiện hàng, tăng tốc việc nhận diện hàng tồn kho bằng thị giác máy, và tự động dỡ hàng khỏi container vận chuyển.

Chú thích

¹ KataGo là một hệ thống dựa trên các kỹ thuật được AlphaGo Zero của DeepMind sử dụng, và cũng đạt trình độ siêu việt con người trong lối chơi của mình. Vào năm 2022, các nhà nghiên cứu đã chứng minh được rằng dù siêu việt, KataGo vẫn có thể bị con người đánh bại, và thể hiện những "kiểu thất bại đáng ngạc nhiên" của các hệ thống AI. Đây là kiểu chủ đề sẽ còn lặp lại nhiều lần xuyên suốt cẩm nang này (Wang and Gleave et al., 2022 (mở trong tab mới)).

² Các tiêu chuẩn như Model Context Protocol (MCP) đang chính thức hoá cách các trợ lý AI kết nối với kho dữ liệu và môi trường phát triển (Anthropic, 2024 (mở trong tab mới)). Giao thức MCP đã được trao tặng lại cho Linux Foundation (Anthropic, 2025 (mở trong tab mới)).