Ở thời điểm hiện nay, AI chưa thay được nhà khoa học, nhưng đã thay đổi cách nhà khoa học làm việc. Máy làm rất tốt những việc như tìm mẫu trong dữ liệu khổng lồ, đoán nhanh kết quả của mô phỏng tốn kém, sàng lọc hàng triệu ứng viên. Còn chọn câu hỏi đáng hỏi, thiết kế thí nghiệm chặt chẽ, hiểu vì sao một kết quả đúng và chịu trách nhiệm về kết luận vẫn là việc của con người.
Bài này tổng hợp lại từ những câu chuyện có thật như dự đoán cấu trúc protein, tìm vật liệu, đọc cuộn giấy cổ, để rút ra quy luật chung: AI thành công trong điều kiện nào, thất bại kiểu gì, và người học khoa học hôm nay nên chuẩn bị gì. Đây là bài đọc nền cho cả danh mục AI làm khoa học của trang.
Khoa học gồm những việc gì, máy đang giúp ở đâu
Một cách hữu ích để trả lời câu hỏi "AI có thay nhà khoa học không" là tách khoa học thành các việc cụ thể, rồi xét từng việc.
| Việc trong nghiên cứu | Mức AI giúp hiện nay | Ghi chú |
|---|---|---|
| Đọc và tóm tắt tài liệu | Giúp nhiều | Hay bịa trích dẫn; phải mở bài gốc kiểm |
| Đặt câu hỏi nghiên cứu | Gợi ý được, chất lượng không đều | Câu hỏi hay cần hiểu sâu lĩnh vực và biết điều gì còn bỏ ngỏ |
| Thiết kế thí nghiệm | Hỗ trợ một phần | Cần biết thiết bị, ràng buộc thực tế, đạo đức |
| Làm thí nghiệm | Robot tự động ở một số phòng thí nghiệm | Phần lớn thí nghiệm vẫn cần tay người |
| Phân tích dữ liệu lớn | Giúp rất nhiều | Đúng sai phụ thuộc cách chia dữ liệu và kiểm |
| Mô phỏng | Tăng tốc mạnh | Mô hình học từ mô phỏng có thể sai khi ra ngoài vùng đã học |
| Diễn giải, rút kết luận | Hỗ trợ ít | Cần hiểu cơ chế và giới hạn của dữ liệu |
| Chịu trách nhiệm, công bố | Không | Nhiều tạp chí không chấp nhận AI đứng tên tác giả |
Bảng cho thấy AI mạnh ở các khâu có nhiều dữ liệu và có cách chấm đúng sai rõ, yếu ở các khâu cần phán đoán, bối cảnh và trách nhiệm.
Khi nào AI thành công trong khoa học
Có kho dữ liệu chất lượng tích luỹ lâu. Dự đoán cấu trúc protein dựa trên hàng trăm nghìn cấu trúc do các phòng thí nghiệm đo trong nửa thế kỷ. Không có kho này, mô hình không có gì để học.
Có cách chấm đúng sai khách quan. Cuộc thi CASP giữ kín đáp án; bài toán olympic có lời giải kiểm được; cuộn giấy cổ có mảnh đã mở để đối chiếu. Khi có trọng tài như vậy, máy được thử sai nhiều lần mà lỗi không lọt ra ngoài.
Có mô phỏng đủ tốt để tập. Điều khiển plasma trong lò nhiệt hạch học được trên mô phỏng trước khi lên lò thật. Lĩnh vực nào có mô phỏng đáng tin, AI có chỗ để luyện.
Việc lặp lại với khối lượng lớn. Lọc ảnh bẫy ảnh, quét đường cong ánh sáng của hàng trăm nghìn ngôi sao: đây là những việc con người làm được nhưng không đủ thời gian. AI thay phần sức lao động, còn quyết định cuối vẫn để người kiểm.
Có chuyên gia đứng cuối dây chuyền. Trong mọi câu chuyện thành công đã kể, luôn có người hiểu nghề kiểm kết quả của máy: nhà sinh học, nhà thiên văn, nhà nghiên cứu văn bản cổ. Đây không phải chi tiết phụ mà là điều kiện cần.
Khi nào AI làm khoa học hỏng
Rò rỉ dữ liệu. Một lỗi rất phổ biến trong các nghiên cứu dùng học máy là thông tin của tập kiểm tra vô tình lọt vào tập huấn luyện, ví dụ ảnh của cùng một bệnh nhân hay cùng một ngày đo nằm ở cả hai phía. Mô hình đạt điểm rất cao trên giấy nhưng thất bại khi gặp dữ liệu mới. Nhiều nhà nghiên cứu đã chỉ ra loại lỗi này xuất hiện ở hàng loạt lĩnh vực, và gọi đó là một nguyên nhân khiến kết quả khó tái lập.
Học lối tắt. Mô hình có thể học một dấu hiệu phụ thay vì điều cần học, như nhận ra loại máy chụp thay vì nhận ra bệnh, hay nhận ra nền tuyết thay vì nhận ra con sói. Nó đúng trong dữ liệu cũ vì tình cờ, sai ngay khi hoàn cảnh đổi.
Dữ liệu cũ, thế giới mới. Một ví dụ hay được nhắc trong giới thống kê là hệ thống ước tính dịch cúm từ dữ liệu tìm kiếm trên mạng của Google, từng được kỳ vọng lớn nhưng ở mùa cúm 2012–2013 đã ước tính cao hơn nhiều so với số liệu giám sát chính thức. Các nhà nghiên cứu phân tích trường hợp này nhắc rằng hành vi tìm kiếm thay đổi theo tin tức và theo chính công cụ tìm kiếm, nên quan hệ tìm thấy năm trước không còn đúng năm sau.
Tương quan bị đọc thành nhân quả. AI giỏi tìm ra hai thứ đi cùng nhau, nhưng không tự biết cái nào gây ra cái nào hay cả hai do yếu tố thứ ba. Phân biệt điều này cần thiết kế thí nghiệm có nhóm đối chứng hoặc lập luận nhân quả cẩn thận, phần được bàn kỹ ở danh mục tư duy khoa học của trang.
Những việc vẫn cần con người, và vì sao
Danh sách dưới không phải lời khẳng định rằng máy sẽ mãi không làm được. Đó là mô tả hiện trạng, theo cách nhiều nhà khoa học trong các lĩnh vực khác nhau nhận xét.
- Chọn câu hỏi: biết điều gì quan trọng, điều gì còn bỏ ngỏ, điều gì kiểm được với nguồn lực đang có. Câu hỏi hay thường đến từ việc để ý một chi tiết lạ mà người khác bỏ qua.
- Làm việc với thế giới vật chất: lấy mẫu ngoài đồng, ngoài biển, trong rừng; xử lý sự cố thiết bị; nhận ra mẫu bị nhiễm bẩn. Robot phòng thí nghiệm mới làm được những quy trình lặp lại.
- Hiểu cơ chế: một mô hình đoán đúng chưa giải thích vì sao. Khoa học muốn biết cả hai, vì hiểu cơ chế mới cho phép dự đoán ở những tình huống chưa có dữ liệu.
- Phán xét đạo đức: nghiên cứu trên người, động vật, dữ liệu cá nhân, công nghệ lưỡng dụng đều cần cân nhắc giá trị, không chỉ tính toán.
- Chịu trách nhiệm: khi một kết quả sai gây hại, phải có người đứng ra giải thích và sửa. Đó là lý do nhiều tạp chí khoa học yêu cầu tác giả là người và yêu cầu khai báo việc dùng AI.
- Truyền đạt và tranh luận: thuyết phục đồng nghiệp, phản biện, dạy lại cho thế hệ sau là phần cốt lõi của khoa học như một hoạt động cộng đồng.
Một số nhóm đang thử những hệ thống tự đề xuất giả thuyết, viết mã, chạy mô phỏng và viết bản thảo. Kết quả ban đầu gây chú ý, nhưng chất lượng và độ mới của các bản thảo này còn đang bị giới khoa học tranh luận. Bạn nên theo dõi với thái độ tò mò và hoài nghi lành mạnh.
Câu hỏi đúng hơn: nhà khoa học dùng AI khác nhà khoa học không dùng AI ra sao
Thay vì hỏi máy có thay người không, nhiều người trong nghề đặt câu hỏi thực tế hơn: một nhà khoa học biết dùng AI tốt sẽ làm việc khác đi thế nào. Câu trả lời thường gặp là họ thử được nhiều ý tưởng hơn trong cùng thời gian, viết mã phân tích nhanh hơn, đọc lướt tài liệu rộng hơn. Đổi lại, họ phải kiểm kỹ hơn, vì công cụ càng nhanh thì lỗi càng lan nhanh.
Ví dụ giả định: hai nhóm sinh viên cùng nghiên cứu ảnh hưởng của độ mặn lên cây lúa ở đồng bằng sông Cửu Long. Nhóm thứ nhất dùng chatbot tóm tắt tài liệu và viết mã vẽ đồ thị, rồi mở từng bài gốc kiểm trích dẫn, tự kiểm từng dòng mã. Nhóm thứ hai chép nguyên văn phần tổng quan do chatbot viết. Nhóm thứ nhất tiết kiệm được thời gian mà vẫn vững; nhóm thứ hai có thể nộp báo cáo chứa trích dẫn không tồn tại, và mất uy tín ngay khi người phản biện tra lại.
Bài học ở đây là AI khuếch đại cả điểm mạnh lẫn điểm yếu của người dùng. Người có nền kiến thức vững và thói quen kiểm chứng sẽ đi nhanh hơn; người thiếu nền dễ bị dẫn đi sai mà không biết.
Người học khoa học hôm nay nên chuẩn bị gì
Với học sinh và sinh viên, nền tảng không đổi: toán, thống kê, kiến thức chuyên ngành vững, và kỹ năng làm thí nghiệm hay khảo sát thật. Thêm vào đó là ba thứ mới đáng đầu tư. Một là lập trình và xử lý dữ liệu ở mức đủ để hiểu mô hình làm gì với dữ liệu của mình. Hai là hiểu cách học máy có thể sai, đặc biệt là rò rỉ dữ liệu và học lối tắt. Ba là thói quen kiểm chứng: mọi tóm tắt, trích dẫn, đoạn mã do AI đưa ra đều được coi là bản nháp.
Khi dùng chatbot cho bài tập nghiên cứu, một câu lệnh tốt là: "Đây là kế hoạch phân tích dữ liệu của nhóm. Hãy chỉ ra các chỗ có thể gây rò rỉ dữ liệu giữa tập huấn luyện và tập kiểm tra, và các biến có thể gây nhiễu, nhưng không viết lại kế hoạch." Trước khi dán, bỏ tên thành viên, tên người tham gia khảo sát và mọi dữ liệu cá nhân. Ghi rõ trong báo cáo phần nào có AI hỗ trợ theo quy định của trường hay cuộc thi.
Phần nghề khoa học, nhà khoa học làm gì mỗi ngày và học gì để theo khoa học được bàn riêng ở danh mục nghề khoa học của trang. Còn ở đây, điều đáng nhớ là: khoa học là cách con người kiểm chứng điều mình tin, và AI, dù mạnh đến đâu, cũng là thứ cần được kiểm chứng theo đúng cách ấy.
Câu hỏi thường gặp
AI có thể tự viết một bài báo khoa học không?
Về kỹ thuật, AI có thể tạo ra văn bản trông giống bài báo, kể cả đồ thị và trích dẫn. Nhưng nội dung có thể sai, trích dẫn có thể bịa, và không ai chịu trách nhiệm. Nhiều tạp chí yêu cầu tác giả khai báo việc dùng AI và không chấp nhận AI đứng tên tác giả.
Rò rỉ dữ liệu trong học máy là gì?
Đó là khi thông tin từ dữ liệu dùng để kiểm tra lọt vào quá trình huấn luyện, khiến mô hình trông rất giỏi trên giấy. Ví dụ giả định: ảnh của cùng một cây lúa chụp hai lần nằm ở cả tập học và tập kiểm. Mô hình nhớ cây đó thay vì học dấu hiệu bệnh, nên gặp ruộng mới là sai.
Ngành khoa học nào AI giúp được nhiều nhất hiện nay?
Những ngành có dữ liệu lớn, có cấu trúc và có cách kiểm rõ, như sinh học cấu trúc, thiên văn, khoa học vật liệu, khí tượng, đang dùng AI nhiều. Các ngành dữ liệu ít, khó đo, hoặc gắn với con người và xã hội cần thận trọng hơn khi áp dụng.
Nhà khoa học có phải học lập trình AI không?
Không phải ai cũng cần xây mô hình, nhưng ngày càng nhiều ngành cần người hiểu mô hình làm gì với dữ liệu và có thể sai ở đâu. Biết lập trình và thống kê cơ bản giúp bạn đọc được nghiên cứu dùng AI và làm việc tốt với chuyên gia tính toán.
Làm sao biết một nghiên cứu dùng AI có đáng tin không?
Xem dữ liệu đến từ đâu, có được chia đúng cách giữa huấn luyện và kiểm tra không, kết quả có được kiểm trên dữ liệu độc lập hoặc thí nghiệm thật không, và mã, dữ liệu có công bố để người khác lặp lại không. Thiếu các điều này, nên coi kết quả là sơ bộ.
Học sinh có nên dùng AI khi làm dự án khoa học kỹ thuật không?
Có thể dùng để học khái niệm, gợi ý ý tưởng hay kiểm lỗi lập luận, nhưng phần quan sát, đo đạc, phân tích và kết luận cần do chính các em làm. Hãy đọc quy định của cuộc thi về việc dùng AI và ghi rõ phần nào có trợ giúp.