Huy chương Fields gia nhập OpenAI, ByteDance ra mắt chương trình nhà khoa học STEM

Giải Fields năm nay được coi là «lần cuối cùng của thế hệ thuần túy» — có thể những đột phá trong tương lai sẽ đều được thực hiện thông qua sự kết hợp với AI.

Quá trình chuyển đổi này có thể diễn ra nhanh hơn chúng ta tưởng: trong buổi họp báo giải Fields, khi được hỏi về công việc tiếp theo của một trong những người đoạt giải, nhà toán học Canada Jacob Tsimerman, anh cho biết mình đã bắt đầu chuyển sang nghiên cứu an toàn AI và sắp tới sẽ bắt đầu làm việc tại bộ phận an toàn của OpenAI.

Ở phía bên kia, Mark Chen, Giám đốc nghiên cứu cấp cao của OpenAI, đã ngay lập tức bày tỏ sự hoan nghênh.

Các học giả hàng đầu đang xem các công ty AI hàng đầu như một nền tảng để hiện thực hóa tham vọng của mình. Trong thời gian gần đây, ngày càng nhiều nhà khoa học hàng đầu, bao gồm các nhà toán học, vật lý học, sinh học, đang chuyển đến các công ty mô hình lớn hàng đầu. Chỉ riêng trong nửa đầu năm nay, đã có các nhà khoa học nổi bật như John Jumper – người đoạt giải Nobel Hóa học, nhà kinh tế học Chad Jones, và triết gia Harvey Lederman cùng gia nhập Anthropic.

Đằng sau điều này, các công ty AI hàng đầu cũng đồng thời hướng ánh mắt về cùng một hướng: họ đều mời các nhà khoa học đến trực tiếp các dự án phát triển AI. Sự tích hợp sâu sắc giữa AI và khoa học tiên tiến đang trở thành điều bắt buộc, thay vì chỉ là lựa chọn.

Các công ty AI lớn trong nước cũng đang theo kịp: ngay trong thứ Năm tuần này, đội ngũ Seed Edge của ByteDance đã công bố Kế hoạch Nhà khoa học Seed STEM, mở ra 100 vị trí hợp tác dành cho các nhà khoa học và nghiên cứu sinh tiến sĩ trong các lĩnh vực khoa học tiên tiến như toán học, vật lý, hóa học, sinh học, mời họ cùng Seed khám phá những vấn đề chưa được giải đáp trong khoa học cơ bản. Theo thông tin công khai, đây là kế hoạch đầu tiên tại Trung Quốc đầu tư quy mô lớn vào AI để thúc đẩy phát hiện khoa học tiên tiến.

Trong bối cảnh cạnh tranh nhanh chóng theo ngày trong lĩnh vực AI hiện nay, việc đầu tư vào nghiên cứu AI cơ bản dài hạn có thể không trực quan bằng việc tinh chỉnh kỹ năng lập trình hay cải thiện điểm số trên các bài kiểm tra: năng lực cải thiện của những yếu tố này có thể nhanh chóng chuyển hóa thành trải nghiệm sản phẩm và doanh thu thương mại, trong khi phản hồi từ nghiên cứu cơ bản và AI thúc đẩy phát hiện khoa học lại có chu kỳ kéo dài hơn nhiều, đồng thời con đường khám phá cũng đầy rẫy sự không chắc chắn.

Nhưng ngược lại, một khi đạt được bước đột phá thực sự trên con đường này, giá trị mang tính cách mạng mà nó mang lại sẽ vượt xa nhiều so với các đợt cải tiến sản phẩm thông thường.

Yao Shunyu trước đây đã chia sẻ với đội ngũ một quan điểm: Việc huấn luyện mô hình lớn không có phép màu. Thách thức thực sự nằm ở việc thực hiện đúng những điều cơ bản và chắc chắn có thể làm đúng. Phán đoán này cũng trùng hợp với quan điểm lâu dài của CEO Anthropic, Dario — các yếu tố cốt lõi thúc đẩy tiến bộ của AI luôn là sức mạnh tính toán, chất lượng và quy mô dữ liệu, thời gian huấn luyện và hàm mục tiêu có thể mở rộng, “tất cả các phương pháp và kỹ thuật thông minh thực ra không quan trọng đến vậy”.

Khi nhìn lại các mô hình SOTA thực sự như Claude, Seedance, đều không có con đường tắt nào; cốt lõi đều là xác định hướng đi sớm và thực hiện rất nhiều công việc nền tảng về chất lượng dữ liệu và kiến trúc hạ tầng.

Anthropic tập trung nguồn lực cao độ vào việc nâng cao khả năng mã hóa của mô hình, thông qua đào tạo học tăng cường để mô hình có thể tự hiểu và tạo ra mã chất lượng cao thông qua thử nghiệm lặp đi lặp lại, đồng thời tạo ra vòng lặp tiến hóa tự tăng tốc dựa trên phản hồi của người dùng.

Trong lĩnh vực tạo video mà nhiều công ty lớn đều khó duy trì, Seedance đã biến việc tạo video AI từ những thí nghiệm mang tính “bốc thăm” thành một công cụ sản xuất công nghiệp có thể kiểm soát tốt hơn và giàu tính sáng tạo hơn, nhờ vào kiến trúc mô hình đột phá và công việc dữ liệu tinh vi.

Có thể thấy, điều thực sự quyết định giới hạn năng lực của mô hình không bao giờ là sự tích lũy kỹ thuật, mà là làm nền tảng dữ liệu thật vững chắc, xây dựng cấu trúc cơ sở thật ổn định, đồng thời đặt mục tiêu dài hạn và duy trì sự kiên định chiến lược cùng sự kiên nhẫn đầy đủ.

Đây không phải là điều dễ dàng trong bối cảnh hiện nay, nhưng chúng ta có thể thấy ngày càng nhiều công ty trong lĩnh vực mô hình lớn trong nước sẵn sàng bình tâm theo đuổi con đường khó khăn nhưng đúng đắn này.

Năm nay, DeepSeek Kiến trúc mHC (manifold-constrained hyperconnection) được ra mắt, được coi là một bước đột phá trong lĩnh vực kiến trúc nền tảng mô hình lớn. Nó cũng là DeepSeek Một trong những nâng cấp kiến trúc quan trọng của V4, thay thế các kết nối dư thừa truyền thống, được tích hợp xuyên suốt thiết kế của toàn bộ mô hình. Đáng chú ý, nghiên cứu mHC đã tham khảo Hyper-Connections (HC) do đội ngũ Seed của ByteDance đề xuất.

Trước đây, kết nối dư thừa được ngành công nghiệp xem là cấu hình mặc định trong kiến trúc nền tảng của Transformer, HC đã率先 phá vỡ mô hình dòng đơn này, tăng đáng kể khả năng biểu diễn đặc trưng của mô hình mà gần như không làm tăng lượng tính toán. Từ việc HC đưa ra ý tưởng đột phá đến việc mHC được triển khai thực tế, đây là hình ảnh thu nhỏ của sự đổi mới công nghệ trong lĩnh vực kiến trúc nền tảng của các đội ngũ AI Trung Quốc, điều vốn hiếm thấy trong quá trình phát triển công nghệ mô hình lớn trước đây.

Đầu năm ngoái, Byte Seed đã thành lập đặc biệt một đội名叫 Edge, với mong muốn thực hiện các chủ đề nghiên cứu có mức độ xác định không cao và chưa chắc đã thấy kết quả trong ngắn hạn. Để tạo môi trường ổn định cho các nhà nghiên cứu, họ thậm chí còn điều chỉnh chu kỳ đánh giá hiệu suất — không thiết lập cơ chế đánh giá giữa chừng, mà chỉ đánh giá tổng thể khi có kết quả.

Sau khi được thành lập, đội ngũ này luôn duy trì sự khiêm tốn. Gần đây, họ đã công bố bộ đánh giá EdgeBench kéo dài trên X, lần đầu tiên trong ngành định nghĩa hệ thống các quy luật học tập của Agent trong môi trường thực tế, tìm ra quy luật Scaling mới trong chiều hướng học môi trường, và gây ra nhiều cuộc thảo luận từ các chuyên gia hàng đầu trong ngành.

Theo tin đồn, OpenAI cũng đang tích hợp bộ đánh giá này để kiểm tra khả năng dài hạn của mô hình riêng.

Trong lĩnh vực AI, mọi người thường tập trung vào chính các mô hình lớn; việc xây dựng Benchmark thực sự đòi hỏi thời gian dài và nhiều nhân lực. Thiết kế và mở nguồn các bài kiểm tra chuẩn cho các khả năng AI tiên tiến không chỉ nhằm đo lường tiến bộ của chính mình, mà còn thông qua việc thiết lập tiêu chuẩn ngành, phơi bày điểm yếu của mô hình, để định hướng toàn bộ lĩnh vực phát triển theo hướng minh bạch và đáng tin cậy hơn. Các phòng thí nghiệm AI hàng đầu đầu tư rất lớn vào việc xây dựng benchmark.

OpenAI đã mở nguồn khung Evals, trở thành công cụ chuẩn hóa trong ngành để đánh giá các mô hình ngôn ngữ lớn và các hệ thống dựa trên LLM. Ngoài ra, OpenAI còn thiết kế một loạt tiêu chuẩn chuyên dụng cho các khả năng前沿, bao gồm SimpleQA, BrowseComp, MLE-bench, v.v.

Anthropic đã thực hiện rất nhiều công việc xung quanh SWE-bench, giúp làm rõ điểm mạnh về khả năng mã hóa của Claude; họ cũng đã phát hành Terminal-Bench để đánh giá khả năng của Agent trong việc hoàn thành các nhiệm vụ chuỗi dài trong môi trường dòng lệnh thực tế.

Các đánh giá này không phải là ngẫu nhiên đối với điểm mạnh của các mô hình khác nhau.

Có thể thấy, nhận thức của đội ngũ AI tiên phong về lộ trình phát triển của AI đang thay đổi; khả năng của các mô hình lớn đã vượt qua giai đoạn lợi nhuận huấn luyện dựa solely vào việc tích lũy tham số và dữ liệu, và động lực tăng trưởng chính ở giai đoạn tiếp theo chắc chắn sẽ đến từ sự tương tác, phản hồi và tự tiến hóa liên tục của mô hình trong môi trường mở thực tế.

Nguyên lý前沿 của khoa học cơ bản chính là hình thái cao nhất của việc mở ra các bối cảnh chưa biết đến. Chương trình Seed STEM vừa được ByteDance công bố nhằm cùng các nhà khoa học xác định và vượt qua các vấn đề cấp độ nghiên cứu, khám phá khả năng thúc đẩy phát hiện khoa học bằng AI. Các nhà khoa học không chỉ cung cấp các chủ đề, mà còn là nhận thức về vấn đề, tiêu chí đánh giá và cách thức phản hồi.

Tại sao phải hợp tác với các nhà khoa học? Câu trả lời là những bài toán còn lại hiện nay đã không còn đủ khó đối với các mô hình lớn.

Các hệ thống đánh giá mô hình hiện nay chủ yếu tập trung vào các nhiệm vụ đóng với câu trả lời chuẩn xác. Các câu hỏi có lời giải xác định, việc đánh giá có tiêu chí cố định, và con đường cải thiện năng lực mô hình rõ ràng. Tuy nhiên, khoa học thực sự hoàn toàn tuân theo một logic khác: nó không có con đường giải bài rõ ràng, đòi hỏi nhà nghiên cứu tự mình đưa ra giả thuyết, thiết kế phương án xác minh, xử lý dữ liệu bất thường và nhiễu, cũng như suy luận các cơ chế nền tảng — toàn bộ quá trình đầy rẫy thử nghiệm, lặp lại và bất định.

Nhiệm vụ trong thế giới thực mới là tiêu chuẩn cuối cùng để kiểm tra khả năng của các mô hình AI. Sau pre-training Scaling và test-time Scaling, ngành công nghiệp đang tìm kiếm hướng Scaling tiếp theo, và “học tương tác liên tục trong môi trường mở thực tế” chính là một trong những con đường được kỳ vọng nhất.

Do đó, khi phát triển các mô hình tiên tiến, các đội ngũ AI hàng đầu toàn cầu không còn chỉ dựa vào đội ngũ AI tự mình tinh chỉnh mô hình, mà còn mời gọi các nhà nghiên cứu xuất sắc từ nhiều lĩnh vực khác nhau, để các vấn đề thực tế trong ngành trở thành động lực thúc đẩy sự tiến hóa của mô hình.

Ở Bắc Mỹ, gần đây nhiều nhà nghiên cứu từ các trường đại học đã lần lượt gia nhập các công ty mô hình lớn. Đầu tháng 7, trưởng khoa EECS tại Berkeley, Jelani Nelson, đã công bố nghỉ phép học thuật để gia nhập Anthropic. Tính từ đầu năm đến nay, ít nhất 22 giáo sư và nhà nghiên cứu đã tạm thời rời bỏ hoặc giảm bớt công việc tại các trường đại học như Stanford, Berkeley, Harvard để chuyển sang làm việc tại OpenAI, Anthropic, DeepMind và Meta. Bốn công ty này hiện đã thu hút ít nhất 80 giáo sư đại học hiện tại hoặc cựu giáo sư.

Đằng sau sự gia nhập dần dần của các nhà đầu tư lớn là những dự án được xây dựng có hệ thống.

Tại OpenAI, chương trình Residency đã trở thành kênh thường niên để thu hút nhân tài cấp cao, đặc biệt hướng đến những người hiện không tập trung nghiên cứu AI. Người tham gia ngay từ ngày đầu tiên sẽ trực tiếp hợp tác thực tế với các đội ngũ ứng dụng và nghiên cứu tiên tiến của OpenAI. Chương trình này tương đương với “chương trình đào tạo tiến sĩ rút gọn”, giúp các chuyên gia đa ngành nhanh chóng hoàn thành sự hội tụ giữa các lĩnh vực. Nhiều dự án mang tính bước ngoặt như ImageGPT và Codex đều có sự tham gia sâu sắc của các nghiên cứu viên驻场. Sự đột phá trong năng lực nghiên cứu của các mô hình GPT về suy luận toán học và suy diễn cơ chế sinh học cũng không thể tách rời từ sự đóng góp liên tục của những nhân tài đa ngành này.

Tại Anthropic, Chương trình STEM Fellows được thiết kế dành riêng cho các chuyên gia trong lĩnh vực khoa học, công nghệ, kỹ thuật và toán học đã được hệ thống hóa và mở rộng quy mô lớn vào năm 2026. Chương trình kéo dài vài tháng, mời các chuyên gia hàng đầu từ các lĩnh vực không phải AI như vật lý học, sinh học, toán học, kinh tế học... vào bên trong Anthropic. Họ có thể mang theo những câu hỏi chưa được giải đáp hoặc quy trình làm việc phức tạp trong lĩnh vực của mình để trực tiếp sử dụng các mô hình Claude chưa được công bố và các công cụ đánh giá nội bộ.

Trong các dự án này, các nhà khoa học vật liệu sẽ xây dựng quy trình đánh giá chuyên biệt cho Claude về suy luận ổn định pha, trong khi các nhà khoa học khí hậu sẽ tích hợp sâu các công cụ mô hình hóa khí quyển chuyên nghiệp với mô hình. Trong chu kỳ cư trú, hơn 80% các nhà nghiên cứu đã tạo ra các thành quả học thuật chất lượng cao; những phản hồi từ các lĩnh vực thực tế này trực tiếp trở thành tín hiệu huấn luyện để cải tiến mô hình, đồng thời thúc đẩy sự tiến hóa của Claude trong suy luận khoa học và gọi các công cụ phức tạp.

Giá trị của các dự án này đã vượt xa chính nghiên cứu khoa học, các công ty AI hàng đầu đều đặt việc cạnh tranh thu hút các nhà khoa học lĩnh vực này ngang hàng với việc cạnh tranh nguồn lực tính toán.

Đối với cộng đồng khoa học, hợp tác cũng mang giá trị to lớn. Các mô hình lớn đang trở thành cơ sở hạ tầng khoa học mới: từ suy luận công thức, mô phỏng số đến phân tích lượng lớn tài liệu và dữ liệu thực nghiệm, AI đang tái định hình mô hình nghiên cứu, biến những chủ đề trước đây bị hạn chế bởi nhân lực và sức mạnh tính toán thành khả thi.

Được mời tham gia đội ngũ mô hình lớn để tham gia nghiên cứu tại chỗ, ý nghĩa không kém gì một nhà thiên văn học được cấp quyền sử dụng độc quyền kính thiên văn siêu cấp thế hệ tiếp theo. Những dự án như vậy mang lại nhiều lợi thế cho các nhà khoa học, không chỉ giúp tiếp cận lượng lớn năng lực tính toán AI và trải nghiệm các mô hình tiên tiến, mà còn có thể sử dụng AI như một “bộ não ngoài”, chuyển sự chú ý sang việc xác định chính vấn đề.

Đối với những nhà khoa học tràn về Anthropic và OpenAI, sự hợp tác sâu sắc này vừa là chất khuếch đại hiệu quả nghiên cứu, vừa là đòn bẩy để khai phá những phát hiện mới. Lúc này, khi quay lại nhìn vào trong nước, chúng ta nhận ra khoảng trống trong lĩnh vực giao thoa giữa AI và nghiên cứu cơ bản đang được ByteDance Seed đi đầu lấp đầy.

Khi các nhà nhận giải Fields quyết định gia nhập OpenAI, và ngày càng nhiều nhà khoa học STEM bắt đầu hợp tác cùng các đội ngũ mô hình, cuộc cạnh tranh ở giai đoạn tiếp theo của AI đang chuyển từ các cải tiến sản phẩm ngắn hạn, xếp hạng và đột phá nhiệm vụ đơn lẻ sang những vấn đề nền tảng mang tính dài hạn, phức tạp và tiên tiến hơn.

Nghiên cứu khoa học là thiết yếu vì nó đứng ở tiền tuyến của kiến thức nhân loại. Nếu có thể vững vàng trong môi trường mở có độ phức tạp cao như vậy, điều đó có nghĩa là AI thế hệ tiếp theo thực sự có khả năng tham gia vào các nhiệm vụ phức tạp thực tế.

Con đường này khó có thể đưa ra những kết quả nổi bật trong thời gian ngắn, cũng khó tạo thành vòng lặp kinh doanh rõ ràng trong ngắn hạn. Nó chậm, nặng nề và đầy bất định. Nhưng chính vì vậy, nó mới là thước đo tốt nhất để kiểm tra xem một đội ngũ có thực sự sẵn sàng lắng lòng đầu tư vào nền tảng và công nghệ tiên phong hay không.

Bản kiểm tra cuối cùng mà mô hình lớn phải nộp là liệu nó có thể cùng con người thúc đẩy những vấn đề chưa được giải quyết hay không.

Sự tiến bộ của khoa học đòi hỏi chủ nghĩa dài hạn, và việc hiện thực hóa AGI cũng vậy.

Bài viết này đến từ tài khoản WeChat “Machine Heart” (ID: almosthuman2014), tác giả: Zé Nán