Năm 2024, hai giải Nobel khoa học tự nhiên cùng gắn với trí tuệ nhân tạo. Giải Vật lý trao cho John Hopfield và Geoffrey Hinton vì những khám phá và phát minh nền tảng cho phép học máy bằng mạng thần kinh nhân tạo. Giải Hoá học trao một nửa cho David Baker vì thiết kế protein bằng tính toán, nửa còn lại cho Demis Hassabis và John Jumper vì dự đoán cấu trúc protein.
Hai giải này kể hai câu chuyện khác nhau. Giải Vật lý tôn vinh việc vật lý giúp tạo ra AI: những ý tưởng từ vật lý thống kê đã đặt nền cho mạng thần kinh. Giải Hoá học tôn vinh việc AI giúp làm khoa học: công cụ tính toán giải một câu đố lớn của hoá sinh. Hiểu đúng hai chiều này giúp bạn đọc tin khoa học về AI tỉnh táo hơn, và cũng là một bài học lịch sử khoa học hay cho lớp học.
Giải Vật lý: từ hệ từ tính đến bộ nhớ của máy
Năm 1982, John Hopfield, một nhà vật lý, công bố một mô hình mạng gồm nhiều "nút" nối với nhau, mỗi nút chỉ có hai trạng thái, giống như những mũi tên từ tính nhỏ trong một vật liệu có thể chỉ lên hoặc xuống. Mạng có một đại lượng tương tự năng lượng; khi bạn đưa vào một mẫu bị nhiễu, mạng tự điều chỉnh từng nút sao cho năng lượng giảm dần, và dừng lại ở mẫu đã lưu gần nhất. Nói đơn giản, mạng "nhớ lại" một bức ảnh hoàn chỉnh từ một bức ảnh bị mờ hay thiếu mảnh.
Ý tưởng then chốt là mượn ngôn ngữ của vật lý: trạng thái ổn định của một hệ vật lý tương ứng với ký ức của mạng. Cách nhìn này giúp các nhà nghiên cứu dùng công cụ toán học quen thuộc của vật lý thống kê để phân tích mạng, chẳng hạn hỏi một mạng có bao nhiêu nút thì nhớ được bao nhiêu mẫu trước khi bắt đầu lẫn lộn.
Geoffrey Hinton cùng các cộng sự, trong đó có Terrence Sejnowski, phát triển tiếp thành máy Boltzmann vào giữa những năm 1980, đặt theo tên nhà vật lý Ludwig Boltzmann. Máy này không chỉ nhớ mẫu mà còn học được đặc điểm thống kê của một tập dữ liệu, và có thể sinh ra mẫu mới giống dữ liệu đã học. Ủy ban Nobel nhấn mạnh rằng các công trình này là một phần nền móng cho làn sóng học sâu sau đó. Hinton còn có nhiều đóng góp khác cho học sâu, nhưng lời trao giải tập trung vào phần gốc rễ liên quan đến vật lý.
Giải Hoá học: đoán hình và thiết kế protein
Nửa giải của Demis Hassabis và John Jumper gắn với AlphaFold, hệ thống AI dự đoán hình dạng ba chiều của protein từ trình tự axit amin. Bài toán này tồn tại từ khi người ta hiểu rằng trình tự quyết định hình dạng, và trong nhiều thập kỷ các phương pháp tính toán chỉ tiến chậm. Ở cuộc thi đánh giá CASP năm 2020, AlphaFold phiên bản thứ hai cho độ chính xác ngang tầm thí nghiệm với rất nhiều protein, và từ đó trở thành công cụ thường ngày của các phòng thí nghiệm sinh học.
Nửa giải của David Baker đi theo chiều ngược lại: thay vì đoán hình từ trình tự có sẵn trong tự nhiên, nhóm của ông tìm trình tự cho những protein chưa từng tồn tại. Năm 2003, nhóm công bố một protein thiết kế có cấu trúc mới, khác các protein tự nhiên đã biết. Từ đó đến nay, phòng thí nghiệm của ông và nhiều nhóm khác thiết kế protein cho nhiều mục đích nghiên cứu. Bộ phần mềm của nhóm Baker phát triển qua nhiều năm, và ở giai đoạn sau cũng dùng học sâu.
Điểm đáng chú ý là giải Hoá học năm 2024 trao cho cả người tạo công cụ AI lẫn người dùng tính toán để tạo ra phân tử mới. Đó là tín hiệu rằng trong hoá sinh, tính toán đã thành một phần chính thức của phương pháp, không còn là phụ trợ.
Hai giải, hai chiều: vật lý cho AI và AI cho hoá học
Bảng so sánh dưới giúp bạn hoặc học sinh nhớ nhanh ai được trao giải gì, theo đúng tinh thần lời trao giải. Tên đầy đủ và câu chữ chính thức có trên trang của Tổ chức Nobel; khi trích dẫn trong bài viết hay bài thuyết trình, nên lấy từ nguồn đó.
| Nobel Vật lý 2024 | Nobel Hoá học 2024 | |
|---|---|---|
| Người nhận | John Hopfield, Geoffrey Hinton | David Baker (một nửa); Demis Hassabis và John Jumper (một nửa) |
| Đóng góp chính | Mạng có thể lưu và khôi phục mẫu; máy học được đặc điểm thống kê của dữ liệu | Thiết kế protein mới bằng tính toán; dự đoán cấu trúc protein bằng AI |
| Chiều tác động | Ý tưởng vật lý giúp tạo ra nền móng của học máy | Công cụ tính toán, trong đó có AI, giải bài toán của hoá sinh |
| Thời điểm công trình gốc | Đầu và giữa những năm 1980 | Từ đầu những năm 2000 (thiết kế) đến 2020 (dự đoán) |
| Câu hỏi để thảo luận trên lớp | Một mô hình học máy có thể được coi là vật lý không? | Khi máy đoán đúng, ta đã hiểu cơ chế chưa? |
Cột cuối là gợi ý để giáo viên mở thảo luận. Không có đáp án duy nhất, và đó chính là điều làm câu hỏi đáng hỏi.
Những tranh luận quanh hai giải
Đây có phải là vật lý? Ngay sau công bố, một số nhà vật lý bày tỏ ngạc nhiên vì giải Vật lý trao cho công trình gắn với khoa học máy tính. Phía bảo vệ cho rằng mạng Hopfield và máy Boltzmann xuất phát trực tiếp từ vật lý thống kê, và chính những công cụ đó cũng đang được dùng ngược lại trong nghiên cứu vật lý. Hai cách nhìn đều có lý lẽ; tranh luận này cho thấy ranh giới giữa các ngành ngày càng mờ.
Công lao chia thế nào cho đủ. Học sâu là thành quả của rất nhiều người qua nhiều thập kỷ, và giải Nobel giới hạn tối đa ba người cho mỗi lĩnh vực. Nhiều nhà nghiên cứu nhắc rằng những người khác cũng có đóng góp nền tảng. Đây là chuyện quen thuộc với Nobel, không riêng gì năm 2024.
Vai trò của công ty công nghệ. Hai người nhận giải Hoá học làm việc tại một phòng nghiên cứu thuộc tập đoàn công nghệ lớn, nơi có lượng máy tính mà nhiều trường đại học không có. Điều này mở ra câu hỏi về việc nghiên cứu cơ bản ngày càng phụ thuộc vào tài nguyên tính toán đắt đỏ. Mặt khác, kho dự đoán cấu trúc protein được công bố miễn phí cho giới khoa học.
Lời cảnh báo từ chính người nhận giải. Geoffrey Hinton, trong những năm gần đây, nhiều lần lên tiếng về rủi ro của AI tiên tiến. Việc một người góp phần đặt nền cho công nghệ đồng thời kêu gọi thận trọng nhắc rằng khoa học không chỉ hỏi "làm được không" mà còn hỏi "nên làm thế nào".
Dùng hai giải Nobel 2024 làm bài học khoa học trên lớp
Giáo viên khoa học tự nhiên ở bậc trung học có thể biến sự kiện này thành một tiết học về bản chất của khoa học. Gợi ý dưới đây làm được trong một hoặc hai tiết, không cần máy tính mạnh.
- Mở đầu bằng câu hỏi: "Một mạng máy tính có thể nhớ một bức ảnh giống cách nam châm nhớ hướng của nó không?" Cho học sinh đoán trước khi giải thích.
- Làm hoạt động trên giấy: mỗi học sinh là một "nút", giơ tay lên hoặc xuống theo luật đơn giản là làm giống đa số các bạn ngồi cạnh. Bắt đầu từ một hình xếp sẵn rồi làm lệch vài người, xem lớp có tự quay về hình cũ không.
- Giới thiệu protein bằng một sợi dây có nhiều hạt màu, cho học sinh gấp thử thành hình có hốc, rồi hỏi vì sao đoán trước hình gấp lại khó.
- Chia nhóm đọc bản tóm tắt phổ thông trên trang của Tổ chức Nobel; giáo viên chuẩn bị trước bản dịch các đoạn ngắn.
- Cho học sinh dùng chatbot hỏi về hai giải, rồi so câu trả lời với bản tóm tắt chính thức và đánh dấu chỗ khác nhau. Không dùng tài khoản cá nhân của học sinh nhỏ tuổi, và không nhập họ tên học sinh vào chatbot.
- Kết bằng thảo luận: "Nếu máy đoán đúng mà không giải thích được vì sao, ta đã hiểu khoa học chưa?" Không chấm đúng sai, chỉ ghi lại các lập luận.
Hoạt động "người làm nút" thường gây cười và học sinh nhớ lâu. Điều cần nhấn mạnh sau đó là mạng thật dùng toán, không phải đa số đơn giản, nhưng tinh thần "hệ tự trôi về trạng thái ổn định" là giống nhau.
Đọc đúng ý nghĩa của hai giải
Khi tin tức đưa "AI đoạt giải Nobel", câu chữ ấy dễ gây hiểu nhầm. Giải Nobel trao cho con người, không trao cho phần mềm. Những người nhận giải được tôn vinh vì ý tưởng và công trình kéo dài nhiều năm, phần lớn là toán học, mô hình và thí nghiệm kiểm chứng, chứ không phải vì đã "bấm nút cho AI làm hộ".
Cũng không nên đọc hai giải như lời tuyên bố rằng AI sẽ tự giải hết khoa học. Bài toán dự đoán cấu trúc protein có hai điều kiện thuận lợi hiếm có: một kho dữ liệu chất lượng cao tích luỹ qua nửa thế kỷ và một cuộc thi đánh giá khách quan. Nhiều bài toán khoa học khác không có hai điều kiện đó. Hiểu điều này giúp bạn đánh giá các tin "AI giải quyết bài toán X" sau này: hãy hỏi dữ liệu đến từ đâu và ai đã kiểm chứng.
Cuối cùng, hai giải nhắc rằng khoa học tiến lên nhờ giao thoa giữa các ngành. Một ý tưởng vật lý từ thập niên 1980 trở thành nền của công cụ tính toán, và công cụ đó quay lại giúp hoá học, sinh học. Với học sinh đang phân vân chọn ban, đây là ví dụ sống động rằng vật lý, hoá học, sinh học và tin học không tách rời nhau.
Câu hỏi thường gặp
Geoffrey Hinton có phải là người phát minh ra AI không?
Không. Trí tuệ nhân tạo là một lĩnh vực có từ giữa thế kỷ hai mươi với đóng góp của rất nhiều người. Hinton là một trong những nhà nghiên cứu có ảnh hưởng lớn nhất trong nhánh mạng thần kinh và học sâu, và giải Nobel tôn vinh những đóng góp nền tảng cụ thể của ông cùng Hopfield.
Mạng Hopfield có còn được dùng ngày nay không?
Dạng nguyên thuỷ ít được dùng trực tiếp trong sản phẩm, nhưng ý tưởng của nó vẫn được nghiên cứu, và những năm gần đây có các phiên bản hiện đại được các nhà nghiên cứu liên hệ với cơ chế chú ý trong mô hình ngôn ngữ. Giá trị lớn nhất của nó là cách nhìn mạng như một hệ vật lý có năng lượng.
Vì sao giải Hoá học lại trao cho người làm phần mềm?
Vì sản phẩm của họ giải một bài toán hoá học thực sự: hình dạng của phân tử protein và cách tạo ra protein mới. Hoá học từ lâu đã dùng tính toán, và giải Nobel Hoá học năm 2013 cũng từng trao cho các mô hình máy tính mô phỏng phản ứng hoá học.
Có nhà khoa học Việt Nam nào liên quan đến hai giải này không?
Ủy ban Nobel chỉ trao cho những người được nêu tên. Rất nhiều nhà nghiên cứu khắp thế giới, có thể có người Việt, đã dùng hoặc phát triển các công cụ liên quan, nhưng nếu bạn thấy tin nói một cá nhân cụ thể "góp phần vào giải Nobel", hãy kiểm nguồn gốc kỹ trước khi chia sẻ.
Học sinh muốn tìm hiểu học máy nên bắt đầu từ đâu?
Nên bắt đầu từ nền tảng toán lớp 10 đến 12 như hàm số, xác suất, thống kê và vectơ, song song với tập lập trình cơ bản. Hiểu một mô hình đơn giản như đường thẳng khớp dữ liệu giúp bạn hiểu ý tưởng cốt lõi của học máy trước khi đọc về mạng thần kinh.
Tin "AI nhận giải Nobel" có chính xác không?
Không chính xác. Giải Nobel chỉ trao cho người hoặc tổ chức theo quy định, không trao cho phần mềm. Cách nói đúng là các nhà khoa học được trao giải vì những công trình liên quan đến AI, gồm cả nền tảng lý thuyết và ứng dụng vào bài toán khoa học.