Chương 1.5: Dự báo mốc thời gian

Ta cần có khả năng dự đoán tiến bộ về năng lực để đánh giá và chuẩn bị cho các rủi ro. Phân tích dựa trên dữ liệu có thể giúp ta dự báo các kịch bản tiềm năng, và suy luận về các tương lai khả dĩ khác nhau.

Việc dự đoán khi nào AI sẽ tự động hóa lao động nhận thức quyết định chiến lược an toàn nào là khả thi. Sự khác biệt giữa 10 năm và 50 năm làm thay đổi căn bản chiến lược an toàn nào là khả thi và rủi ro nào đòi hỏi sự chú ý ngay lập tức. Nếu TAI có thể tự động hóa lao động nhận thức (và qua đó tự động hóa việc nghiên cứu và phát triển học máy) vào năm 2030, ta cần các giải pháp an toàn hoạt động được sớm. Sẽ không có thời gian cho nghiên cứu lý thuyết chậm rãi — ta cần những cách tiếp cận hoạt động được với các hệ thống hiện tại và có thể mở rộng quy mô nhanh chóng. Nếu nó đến vào khoảng năm 2050, ta sẽ có nhiều thời gian hơn cho nghiên cứu căn chỉnh nền tảng, cho việc xây dựng các khung quản trị vững chắc, và cho việc phát triển các phương pháp đánh giá mà ta có thể tin tưởng.

Phần này trình bày các xu hướng thực nghiệm và dự báo về tiến bộ AI bằng phân tích dựa trên dữ liệu. Mục tiêu của chúng tôi là xây dựng dựa trên phần thảo luận về định luật mở rộng quy mô và trình bày những bằng chứng vững chắc nhất hiện có, để bạn có thể hình thành quan điểm có cơ sở về việc AI có thể đang hướng tới đâu. Chúng tôi tập trung chủ yếu vào các xu hướng dựa trên sức mạnh tính toán, với các dự báo định lượng chuyên sâu hơn được trình bày kèm theo biểu đồ. Một phụ lục đề cập đến các khảo sát dựa trên đánh giá chủ quan và ý kiến chuyên gia. Hãy nhớ câu nói cũ: "Mọi mô hình đều sai, nhưng một số mô hình vẫn hữu ích."

Dự báo giúp ta hình thành những niềm tin nhất quán về mặt nội tại đối với các tương lai khả dĩ khác nhau. Cách bạn nên nhìn nhận các phương pháp dự báo không phải là những dự đoán cụ thể về mốc thời gian, mà là những kịch bản giúp bạn suy luận về các tương lai tiềm năng khác nhau. Chúng cho phép bạn kiểm tra xem niềm tin của mình có nhất quán về mặt nội tại hay không. Nếu bạn nghĩ rằng đầu tư tăng 5 lần mỗi năm VÀ hiệu quả phần mềm cải thiện 3 lần mỗi năm VÀ phần cứng mở rộng quy mô 15% mỗi năm VÀ mỗi bậc độ lớn tự động hóa được ít nhất 10% số nhiệm vụ, thì điều đó ngụ ý điều gì? Kết quả của sự kết hợp này có nhất quán với tương lai mà bạn kỳ vọng hay không? Nếu bạn cảm thấy bất ngờ, có lẽ một trong những niềm tin đầu vào của bạn cần được cập nhật lại.

Bằng chứng hiện tại cho thấy việc mở rộng quy mô có thể tiếp tục ít nhất đến năm 2030. Sức mạnh tính toán dùng cho huấn luyện đã tăng 5 lần mỗi năm kể từ 2020, kích thước tập dữ liệu tăng 3,7 lần/năm, và chi phí huấn luyện tăng 3,5 lần/năm. Ví dụ cụ thể, điều này có nghĩa là vào giữa năm 2025, chi phí huấn luyện một mô hình AI duy nhất (Grok-4), bao gồm cả phần cứng và điện năng, được ước tính vào khoảng 480 triệu đô la Mỹ (Epoch AI, 2025 (mở trong tab mới)). Đến năm 2030, quỹ đạo này cho thấy một lượt huấn luyện duy nhất sẽ cần đến hàng trăm tỷ đô la và hàng gigawatt điện năng — tương đương với việc vận hành một thành phố nhỏ (Owen, 2025 (mở trong tab mới)). Đây là những quy mô chưa từng có tiền lệ, nhưng phân tích cho thấy chúng không phải là bất khả thi (Epoch AI, 2025 (mở trong tab mới); Sevilla et al., 2024 (mở trong tab mới); Owen, 2025 (mở trong tab mới)). Câu hỏi đặt ra là liệu các động lực kinh tế có đủ để biện minh cho điều đó hay không, và liệu các giới hạn về hạ tầng (chip, điện năng, dữ liệu, …) có thể được khắc phục kịp thời hay không.

Các hệ thống AI tận dụng nhiều sức mạnh tính toán hơn trong quá trình huấn luyện và suy luận (inference) có khả năng tự động hóa ngày càng nhiều nhiệm vụ hơn. Ban đầu, chỉ một phần nhỏ nhiệm vụ được tự động hóa, nên việc vận hành các hệ thống AI tạo ra giá trị kinh tế tương đối ít.⁶ Khi ngân sách sức mạnh tính toán hiệu dụng (effective compute) đủ lớn, phạm vi nhiệm vụ được tự động hóa sẽ mở rộng, cho đến khi cuối cùng toàn bộ lao động nhận thức đều được tự động hóa. Vòng phản hồi này — sức mạnh tính toán cho phép tự động hóa, tự động hóa làm tăng năng suất, năng suất tăng lại cấp thêm vốn cho sức mạnh tính toán — tiếp diễn cho đến khi lao động được tự động hóa hoàn toàn.

Con đường dẫn đến tự động hóa lao động hoàn toàn đi qua ba nguồn lực: sức mạnh tính toán, dữ liệu, và lợi nhuận kinh tế cấp vốn cho cả hai nguồn lực trên. Trong các tiểu mục dưới đây, ta sẽ xem xét từng giới hạn một. Đối với sức mạnh tính toán, ta sẽ xem xét sự tăng trưởng FLOP hiệu dụng — sự kết hợp giữa nhiều chip hơn, thuật toán tốt hơn, và phần cứng hiệu quả hơn. Đối với dữ liệu, ta sẽ theo dõi thời điểm ta cạn kiệt nguồn văn bản trên internet và điều gì xảy ra sau đó. Mỗi phần sẽ trả lời câu hỏi: liệu giới hạn này có chặn đứng việc mở rộng quy mô trước năm 2030 hay không? Phụ lục cung cấp phân tích chi tiết về các yếu tố liên quan khác như xu hướng đầu tư, sản xuất bán dẫn, và hạ tầng điện năng, dành cho những độc giả muốn có cái nhìn đầy đủ.

Mọi dự báo đều đi kèm biên độ sai số lớn, và sai số này còn dồn tích theo thời gian. Ngay cả khi ta giả định các định luật mở rộng quy mô dựa trên sức mạnh tính toán vẫn đúng, ta vẫn không biết TAI thực sự sẽ cần bao nhiêu sức mạnh tính toán. Một khung phân tích để ước tính sức mạnh tính toán cần thiết cho trí tuệ tổng quát sử dụng "mỏ neo sinh học" (biological anchors), xem bộ não con người như một minh chứng khả thi. Các ước tính này biến thiên đáng kể tùy vào quá trình sinh học nào được dùng làm tham chiếu: cận dưới xem xét lượng tính toán được thực hiện trong việc học kỹ năng suốt một đời người (~10^28 FLOP), trong khi cận trên mang tính lý thuyết tính đến tổng lượng tính toán được thực hiện để định hình con người qua toàn bộ lịch sử tiến hóa (~10^41 FLOP) — chênh lệch nhau tới mười hai bậc độ lớn (Carlsmith, 2020 (mở trong tab mới); Cotra, 2020 (mở trong tab mới); Ho, 2022 (mở trong tab mới)). Điều này cũng giống như không biết một thứ gì đó có giá một đô la hay một nghìn tỷ đô la. Khi ai đó nói "AGI vào năm 2045," ý họ là "khoảng đâu đó trong giai đoạn 2030-2050, với 2045 là điểm trung tâm ước lượng" — chứ không phải một ngày cụ thể. Nguyên tắc tương tự áp dụng cho mọi xu hướng và dự báo được trình bày xuyên suốt phần này; ví dụ, các dự báo về số lượng chip khả dụng chênh lệch nhau tới 20 lần, và một số ước tính về sức mạnh tính toán chênh lệch tới 50 lần (Sevilla et al., 2024 (mở trong tab mới)).

Sức mạnh Tính toán Hiệu dụng

Sức mạnh tính toán hiệu dụng kết hợp ba yếu tố độc lập, mỗi yếu tố đều nhân lên năng lực AI của bạn. Định luật mở rộng quy mô theo dõi hiệu suất theo sức mạnh tính toán, nhưng "sức mạnh tính toán" không chỉ đơn thuần là đếm số GPU. Khi các nhà nghiên cứu nói GPT-4 sử dụng nhiều sức mạnh tính toán hơn GPT-3, họ không chỉ đang nói về việc chạy nhiều phần cứng hơn trong thời gian dài hơn. Họ đang nói về sự tăng trưởng của sức mạnh tính toán "hiệu dụng", được đo bằng số phép toán dấu phẩy động "hiệu dụng" (effective FLOPs, eFLOPs). Ví dụ minh họa, hãy hình dung như việc đo quãng đường một đội xe có thể đi được. Bạn cần ba thứ: có bao nhiêu xe (sản xuất chip), mỗi xe chạy nhanh đến đâu (hiệu quả phần cứng), và bạn lái xe hiệu quả đến mức nào (hiệu quả phần mềm) (Erdil et al., 2025 (mở trong tab mới)). Mối quan hệ này trông như sau:

Sức mạnh tính toán hiệu dụng = Hiệu quả phần mềm × Hiệu quả phần cứng × Số lượng chip

Ví dụ minh họa, hãy hình dung bạn muốn huấn luyện một mô hình đạt độ chính xác 90% trên một bài kiểm tra nào đó. Vào năm 2020, điều đó có thể cần đến 1 tỷ FLOP với các thuật toán sẵn có lúc bấy giờ. Nhưng đến năm 2025, nhờ các phương pháp huấn luyện tốt hơn, việc tận dụng phần cứng hiệu quả hơn, và các cải tiến thuật toán khác, bạn chỉ cần 100 triệu FLOP để đạt cùng mức 90% chính xác đó. Phần mềm của bạn đã trở nên hiệu quả hơn 10 lần. Các thuật toán tốt hơn nhân lên sức mạnh tính toán hiệu dụng của bạn mà không cần xây dựng thêm bất kỳ con chip mới nào. Trong khi đó, hiệu quả vật lý của chip cũng được cải thiện. Một GPU năm 2025 thực hiện được nhiều FLOP hơn trên mỗi đô la so với một GPU năm 2020 — đó chính là hiệu quả phần cứng. Và bạn cũng đang sản xuất nhiều chip hơn nói chung, khi ngày càng có nhiều vốn đầu tư đổ vào. Vì vậy, tổng số FLOP "hiệu dụng" thay đổi như một hàm số của cả ba biến số này.

Mỗi yếu tố có thể cải thiện một cách độc lập, đó là lý do vì sao sức mạnh tính toán hiệu dụng tăng trưởng nhanh hơn bất kỳ đầu vào đơn lẻ nào. Bạn có thể sản xuất thêm chip mà không cần tăng tốc độ của chúng. Bạn có thể phát triển phần mềm tốt hơn để tận dụng phần cứng hiện có. Bạn có thể thiết kế bộ xử lý nhanh hơn mà không cần thay đổi phần mềm hay sản xuất thêm chip. Khi cả ba yếu tố cùng cải thiện đồng thời — như đã và đang diễn ra — tổng sức mạnh tính toán khả dụng (sức mạnh tính toán hiệu dụng) sẽ dồn tích nhanh hơn nhiều so với những gì xu hướng phần cứng đơn thuần gợi ý. Dưới đây là các xu hướng cho từng yếu tố trong năm 2025 (Epoch AI, 2025 (mở trong tab mới)), với chi tiết đầy đủ hơn trong phần phụ lục:

1. Hiệu quả phần cứng: Hiệu suất GPU tăng trưởng 1,35 lần mỗi năm. Mỗi thế hệ chip mới thực hiện được nhiều FLOP/giây hơn với cùng một mức chi phí.
2. Hiệu quả thuật toán: Các cải tiến phần mềm cắt giảm lượng sức mạnh tính toán cần thiết cho một kết quả nhất định khoảng 3 lần mỗi năm. Phương pháp huấn luyện tốt hơn có nghĩa là bạn cần ít phần cứng hơn để đạt cùng một kết quả trên bài kiểm tra.
3. Sản xuất chip: Số lượng chip AI được sản xuất đã tăng trưởng 2,3 lần mỗi năm kể từ năm 2019, được thúc đẩy bởi việc mở rộng các nhà máy bán dẫn (semiconductor fabs) và nguồn vốn đầu tư khổng lồ.

Dữ liệu Huấn luyện

Bên cạnh sức mạnh tính toán hiệu dụng, yếu tố bao trùm thứ hai mà ta phải xem xét là lượng dữ liệu khả dụng để huấn luyện.

Kích thước tập dữ liệu huấn luyện cho các mô hình ngôn ngữ đã tăng trưởng 3,7 lần mỗi năm kể từ năm 2010. Internet có lẽ chỉ còn đủ dữ liệu văn bản cho khoảng 30 năm nữa với tốc độ tiêu thụ hiện tại — nhưng ta sẽ chạm đến giới hạn đó vào khoảng năm 2028. Web đã được lập chỉ mục chứa khoảng 500 nghìn tỷ token văn bản (sau khi loại bỏ trùng lặp). Các mô hình lớn nhất năm 2024 được huấn luyện trên khoảng 15 nghìn tỷ token. Nếu ta tiếp tục mở rộng quy mô ở mức 4 lần mỗi năm, các dự báo cho thấy ta sẽ cạn kiệt nguồn văn bản công khai chất lượng cao trong khoảng từ năm 2026 đến năm 2032 (Epoch AI, 2023 (mở trong tab mới); Villalobos et al., 2024 (mở trong tab mới)). Có ba lối thoát khả dĩ; việc dữ liệu có thực sự giới hạn việc mở rộng quy mô cho đến năm 2030 hay không phụ thuộc vào mức độ hiệu quả của những phương án thay thế này:

• Dữ liệu đa phương tiện: Internet có khoảng 10 nghìn tỷ hình ảnh và khoảng 10 nghìn tỷ giây video. Nếu được mã hóa hiệu quả, điều này có thể làm tăng nguồn cung dữ liệu hiệu dụng lên 3-10 lần.
• Dữ liệu tổng hợp: Việc AI tự tạo ra dữ liệu huấn luyện của chính nó sẽ loại bỏ hoàn toàn giới hạn này — nếu đầu ra có chất lượng đủ cao. Các phương pháp hậu huấn luyện (post-training) như học tăng cường (reinforcement learning) trên các nhiệm vụ suy luận đã cho thấy điều này hiệu quả ở một số lĩnh vực.
• Học dựa trên nhiệm vụ: Học tăng cường tự đối đầu (self-play reinforcement learning) có thể tạo ra dữ liệu huấn luyện thông qua việc tương tác với môi trường. Điều này có nghĩa là AI có thể học mà không cần các ví dụ tiền huấn luyện do con người tạo ra, miễn là nhiệm vụ có thể được hình thức hóa thành các trò chơi với luật chơi rõ ràng và các chỉ số thành công cụ thể (như cờ vây hay cờ vua). Ví dụ, AlphaZero đã học được các chiến lược siêu việt mà không cần bất kỳ ví dụ chơi game nào của con người, chỉ sử dụng luật chơi và hàng tỷ ván đấu tự chơi. Về nguyên tắc, cách tiếp cận này có thể được mở rộng để dạy bất kỳ nhiệm vụ tùy ý nào, cho phép học mà không cần dữ liệu thông qua tự đối đầu trên các nhiệm vụ được xác định trước. Đây vẫn còn là một hướng đi mang tính suy đoán cao, nó đòi hỏi các môi trường mô phỏng mã hóa động lực học của nhiệm vụ, các hàm phần thưởng rõ ràng, và không gian trạng thái khả xử lý.

Chú thích

⁶ Bạn có thể hình dung một nhiệm vụ là một đơn vị công việc hay hoạt động cụ thể mà một người lao động thực hiện như một phần công việc của họ (ví dụ, nhiệm vụ của một công nhân nhà máy có thể bao gồm vận hành máy móc, kiểm tra sản phẩm, và phối hợp với các thành viên trong nhóm). Một số nhiệm vụ được cho là khó tự động hóa hơn những nhiệm vụ khác, vì chúng đòi hỏi nhiều sức mạnh tính toán huấn luyện và thời gian chạy hơn để có thể được tự động hóa hiệu quả.