The Age of AGI

Hôm nay có một bài viết khá viral trên X của Demis Hassabis nói về AGI, trong đó có một câu:

“We’ve essentially found a way to make sand think”

Nghe có vẻ giống một câu văn khoa học viễn tưởng, nhưng nếu nhìn vào cấu tạo của những con chip đang vận hành các hệ thống AI hiện nay, nó lại là một mô tả khá chính xác. Silicon được tạo ra từ những nguyên tố có rất nhiều trong cát. Qua hàng chục năm phát triển của vật lý, kỹ thuật bán dẫn, khoa học máy tính và machine learning, con người đã biến thứ vật chất tưởng như vô tri ấy thành những hệ thống có thể viết, lập trình, phân tích hình ảnh, dự đoán cấu trúc protein và trò chuyện với chúng ta bằng ngôn ngữ tự nhiên.

Nhưng Demis không viết bài này chỉ để nói về những gì AI đã làm được.

Demis Hassabis@demishassabis

https://t.co/PTeDiv1b6L

9:10 AM · Jul 14, 2026 · 7.3M Views

1.16K Replies · 3.41K Reposts · 16.9K Likes

Ông đang nói về một bước chuyển lớn hơn nhiều: sự xuất hiện của AGI — Artificial General Intelligence, hay trí tuệ nhân tạo tổng quát.

Ngày 14/7/2026, Demis Hassabis, CEO và đồng sáng lập Google DeepMind, đăng một bài viết có tiêu đề A Framework for Frontier AI and the Dawning of a New Age. Trong đó, ông cho rằng AGI có thể chỉ còn cách chúng ta vài năm ngắn ngủi, đồng thời đề xuất một khuôn khổ quản lý dành cho những mô hình AI Frontier.

Đây không phải là lần đầu tiên một lãnh đạo công nghệ dự đoán AGI sắp xuất hiện. Điều khiến bài viết này đáng chú ý nằm ở chỗ Demis không chỉ nói về tiềm năng của AGI, mà còn thừa nhận một sự thật khá đáng lo:

Tốc độ phát triển của AI đang vượt xa tốc độ con người hiểu và kiểm soát nó.

Với mình, đây mới là insight quan trọng nhất của toàn bộ bài viết.

Khi nghe đến AGI, nhiều người hình dung nó như một phiên bản ChatGPT mạnh hơn: trả lời chính xác hơn, viết code tốt hơn, hiểu được nhiều ngôn ngữ hơn hoặc tạo ra hình ảnh chân thật hơn.

Nhưng đó chưa phải là điểm khác biệt cốt lõi.

Phần lớn các hệ thống AI hiện nay vẫn được xem là Artificial Narrow Intelligence (ANI). Chúng có thể rất mạnh trong nhiều nhiệm vụ, nhưng khả năng của chúng vẫn phụ thuộc đáng kể vào dữ liệu huấn luyện, công cụ được cung cấp, cách con người thiết kế quy trình và phạm vi môi trường mà chúng được phép hoạt động.

AGI hướng đến một năng lực rộng hơn đó là một hệ thống có thể học, suy luận, thích nghi và giải quyết gần như mọi nhiệm vụ trí tuệ mà con người có thể làm.

Nó không chỉ viết code, mà có thể hiểu vấn đề kinh doanh, thiết kế giải pháp, tự tìm hiểu một công nghệ mới, xây dựng sản phẩm, kiểm thử, quan sát phản hồi của người dùng rồi tiếp tục cải thiện hệ thống.

Nó không chỉ đọc một bài nghiên cứu y khoa, mà có thể kết nối kiến thức từ sinh học, hóa học, thống kê và khoa học máy tính để đề xuất một hướng nghiên cứu mới.

Quan trọng hơn, AGI có khả năng chuyển kiến thức từ một lĩnh vực sang lĩnh vực khác. Đây là điều con người thực hiện khá tự nhiên nhưng các hệ thống AI truyền thống thường gặp khó khăn.

Một người từng quản lý dự án phần mềm có thể sử dụng kinh nghiệm đó để tổ chức một sự kiện. Một kỳ thủ có thể vận dụng tư duy chiến lược vào kinh doanh. Một nhà vật lý có thể nhìn thấy cấu trúc toán học trong một vấn đề sinh học.

AGI, ít nhất trong hình dung của những người đang xây dựng nó, cũng sẽ sở hữu sự linh hoạt tương tự.

Nói cách khác, đây không còn là một công cụ thực hiện một nhiệm vụ cụ thể.

Nó gần với khái niệm về một bộ não số có thể học cách thực hiện nhiều loại công việc khác nhau.

Demis so sánh AGI không phải với Internet hay điện thoại di động, mà với việc con người khám phá ra điện hoặc lửa.

Ban đầu mình cảm thấy sự so sánh này có phần phóng đại nhưng càng suy nghĩ, mình càng hiểu logic phía sau nó.

Internet thay đổi cách thông tin được truyền đi. Điện thoại thông minh thay đổi cách con người tiếp cận thông tin và kết nối với nhau. Nhưng AGI có thể tác động trực tiếp đến quá trình tạo ra tri thức.

Trước đây, để giải quyết một vấn đề phức tạp, chúng ta cần tập hợp những người có chuyên môn phù hợp. Khả năng tiến bộ của một tổ chức bị giới hạn bởi số lượng kỹ sư, nhà khoa học, bác sĩ, nhà thiết kế hoặc nhà quản lý mà tổ chức đó có thể tuyển dụng.

Nếu AGI xuất hiện, trí tuệ có thể dần trở thành một loại hạ tầng.

Giống như điện, chúng ta không nhất thiết phải hiểu toàn bộ hệ thống điện lực để sử dụng một chiếc máy giặt. Trong tương lai, một doanh nghiệp nhỏ cũng có thể tiếp cận năng lực phân tích, nghiên cứu và phát triển sản phẩm tương đương một đội ngũ rất lớn hiện nay.

Một nhà khoa học có thể làm việc với hàng trăm AI agent để thử nghiệm đồng thời nhiều giả thuyết. Một công ty khởi nghiệp với vài người có thể vận hành khối lượng công việc trước đây cần hàng trăm nhân sự. Một cá nhân có thể có một nhóm trợ lý số giúp nghiên cứu, lập kế hoạch, học tập và thực hiện dự án.

Nếu Internet giúp chúng ta phân phối thông tin gần như miễn phí, AGI có thể giúp phân phối năng lực nhận thức với chi phí ngày càng thấp.

Và khi một nguồn lực từng rất khan hiếm trở nên phổ biến, toàn bộ cấu trúc kinh tế xung quanh nó sẽ thay đổi.

Tuy nhiên, một trong những đoạn đáng chú ý nhất trong bài viết của Demis không nói về năng suất hay sự thịnh vượng.

Ông mô tả thế giới hiện tại đang bị cuốn vào một cuộc cạnh tranh thương mại và địa chính trị cực kỳ khốc liệt. Các công ty muốn xây dựng mô hình mạnh nhất. Các quốc gia muốn sở hữu hạ tầng tính toán, chip, dữ liệu và nhân tài tốt nhất. Nhà đầu tư muốn tìm ra người chiến thắng tiếp theo.

Sự cạnh tranh này tạo ra tiến bộ rất nhanh.

Nhưng nó cũng tạo ra một nghịch lý: không ai muốn giảm tốc độ trước, ngay cả khi tất cả đều nhận ra rằng tốc độ hiện tại có thể dẫn đến những rủi ro chưa được hiểu đầy đủ.

Điều này khá giống với một đội product đang chạy đua để release.

Khi deadline đến gần, áp lực từ khách hàng, đối thủ và doanh thu khiến mọi người tập trung vào câu hỏi: “Làm thế nào để đưa tính năng này lên production nhanh nhất?”

Trong khi đó, những câu hỏi khó hơn thường bị đẩy sang phía sau:

Hệ thống sẽ phản ứng như thế nào trong những tình huống chưa được dự đoán? Người dùng có thể sử dụng tính năng này theo cách nào khác với ý định ban đầu? Chúng ta có khả năng rollback hay không? Ai chịu trách nhiệm khi có sự cố?

Với một sản phẩm thông thường, hậu quả có thể là một hệ thống bị gián đoạn, một dự án thất bại hoặc một khoản doanh thu bị mất.

Với một hệ thống AI có khả năng tự hành động, tiếp cận hạ tầng số, viết phần mềm, nghiên cứu sinh học hoặc tự cải thiện, phạm vi hậu quả lớn hơn rất nhiều.

Vấn đề không phải là những người xây dựng AI không nhận thức được rủi ro. Ngược lại, họ là người hiểu rất rõ những rủi ro đó.

Nhưng trong một cuộc đua, việc một bên tự nguyện dừng lại có thể đồng nghĩa với việc trao lợi thế cho bên còn lại.

Đây không còn là một bài toán kỹ thuật đơn thuần. Nó là bài toán về incentive, governance và khả năng phối hợp giữa những tổ chức không hoàn toàn tin tưởng lẫn nhau.

Một quan niệm mình thường thấy trong các cuộc thảo luận về AI là chúng ta phải lựa chọn giữa hai hướng.

Hoặc tiếp tục đổi mới nhanh chóng và chấp nhận rủi ro.

Hoặc tăng cường quản lý và làm chậm tiến bộ.

Nhưng framework của Demis dựa trên một cách nhìn khác: quản lý không nhất thiết phải bắt đầu bằng việc giới hạn toàn bộ ngành AI. Nó có thể tập trung vào những hệ thống mạnh nhất và có khả năng tạo ra rủi ro lớn nhất.

Ông đề xuất thành lập một cơ quan tiêu chuẩn dành cho Frontier AI tại Hoa Kỳ. Các mô hình đạt đến một số ngưỡng năng lực nhất định sẽ được xếp vào nhóm “frontier-class” và phải trải qua quá trình đánh giá trước khi được phát hành.

Việc đánh giá không chỉ kiểm tra xem mô hình trả lời câu hỏi tốt đến đâu. Nó tập trung vào những năng lực có thể tạo ra rủi ro nghiêm trọng, chẳng hạn như khả năng tấn công mạng, hỗ trợ phát triển tác nhân sinh học nguy hiểm, vượt qua các cơ chế bảo vệ hoặc cố tình che giấu hành vi.

Trong giai đoạn đầu, các phòng thí nghiệm có thể tự nguyện gửi mô hình để đánh giá tối đa 30 ngày trước khi phát hành. Khi quy trình đã đủ đáng tin cậy, việc đánh giá có thể trở thành yêu cầu bắt buộc đối với các mô hình frontier muốn được triển khai trên thị trường Mỹ.

Điểm mình đánh giá cao trong đề xuất này là cách tiếp cận dựa trên năng lực thực tế, thay vì chỉ dựa trên tên công ty, quy mô doanh nghiệp hoặc số lượng tham số của mô hình.

Một startup nhỏ xây dựng mô hình thông thường không cần phải chịu cùng quy trình quản lý với một hệ thống có khả năng tự động tìm kiếm lỗ hổng bảo mật hoặc điều khiển hạ tầng quan trọng.

Tương tự trong phát triển phần mềm, một công cụ hỗ trợ viết nội dung không nên có cùng release process với một AI agent có quyền thay đổi production database.

Rủi ro khác nhau cần những cơ chế kiểm soát khác nhau.

Tuy nhiên, việc xây dựng một cơ quan đánh giá AI cũng không đơn giản như tạo ra một danh sách benchmark rồi yêu cầu mọi mô hình vượt qua.

Chúng ta đã thấy điều gì xảy ra khi một chỉ số trở thành mục tiêu.

Khi các đội ngũ biết trước nội dung bài kiểm tra, họ có thể tối ưu hệ thống để đạt điểm cao mà không thực sự cải thiện năng lực nền tảng. Một mô hình có thể vượt qua benchmark an toàn nhưng vẫn hành xử theo cách không mong muốn trong một môi trường hoàn toàn mới.

Demis cũng thừa nhận vấn đề này. Ông đề xuất các bộ kiểm thử phải được cập nhật thường xuyên, những benchmark đã bão hòa cần bị loại bỏ, đồng thời cơ quan đánh giá phải có khả năng tự xây dựng các bài kiểm tra bí mật, độc lập với các phòng thí nghiệm AI.

Đây là tư duy khá quen thuộc trong software engineering.

Một hệ thống không an toàn chỉ vì nó vượt qua một bộ test cố định. Test chỉ có giá trị khi nó phản ánh đúng những tình huống mà hệ thống có thể gặp trong thực tế.

Nhưng AI phức tạp hơn phần mềm truyền thống ở một điểm: chúng ta không hoàn toàn lập trình từng hành vi của mô hình. Chúng ta huấn luyện nó từ một lượng dữ liệu khổng lồ, sau đó quan sát những năng lực xuất hiện.

Một số năng lực chỉ trở nên rõ ràng khi mô hình đạt đến một quy mô nhất định. Một số hành vi có thể không xuất hiện trong phòng thí nghiệm nhưng lại xuất hiện khi hệ thống được kết nối với Internet, công cụ, dữ liệu doanh nghiệp và những AI agent khác.

Vì vậy, đánh giá AGI không thể chỉ là một kỳ thi diễn ra trước ngày release.

Nó phải là một quá trình liên tục gồm kiểm thử, quan sát, giới hạn quyền truy cập, ghi lại hành vi và phản ứng khi xuất hiện những năng lực mới.

Nói cách khác, chúng ta không chỉ cần xây dựng model tốt hơn.

Chúng ta còn phải xây dựng một hệ vận hành đủ mạnh để quản lý model đó.

Demis hình dung AGI có thể đưa nhân loại đến một thế giới hậu khan hiếm, nơi tài nguyên không còn là giới hạn chính của sự tiến bộ.

Đây là phần mình vừa thấy hấp dẫn, vừa cảm thấy cần thận trọng.

Bởi ngay cả khi trí tuệ trở nên dồi dào, điều đó không có nghĩa mọi vấn đề sẽ tự động được giải quyết.

Ngày nay, con người đã có đủ kiến thức để sản xuất nhiều lương thực hơn, xây dựng thành phố tốt hơn, giảm nhiều loại bệnh tật và cải thiện chất lượng giáo dục. Nhưng khoảng cách giữa “biết điều cần làm” và “thực sự làm được” vẫn rất lớn.

Không phải mọi vấn đề đều tồn tại vì chúng ta chưa đủ thông minh.

Nhiều vấn đề tồn tại vì lợi ích giữa các nhóm khác nhau, vì nguồn lực phân phối không đồng đều, vì tổ chức thiếu khả năng thực thi hoặc vì con người không thể thống nhất nên ưu tiên điều gì.

AGI có thể giúp chúng ta tìm ra hàng nghìn giải pháp tốt hơn. Nhưng việc lựa chọn giải pháp nào, ai được hưởng lợi, ai chịu chi phí và ai có quyền quyết định vẫn là những câu hỏi mang tính con người.

Trong một thế giới mà khả năng phân tích trở nên rẻ đi, judgment có thể trở nên có giá trị hơn.

Khi việc tạo ra phương án không còn khó, khả năng xác định đúng vấn đề sẽ quan trọng hơn.

Khi AI có thể viết phần lớn code, điều tạo ra khác biệt không còn chỉ là tốc độ coding, mà là khả năng hiểu người dùng, thiết kế hệ thống và quyết định điều gì đáng được xây dựng.

Khi một tổ chức có thể tạo ra hàng trăm kế hoạch trong vài phút, lợi thế sẽ thuộc về những người biết kế hoạch nào phù hợp với bối cảnh, giá trị và mục tiêu dài hạn của mình.

Từ góc nhìn product, AGI không loại bỏ nhu cầu về tư duy sản phẩm.

Nó khiến tư duy sản phẩm trở nên quan trọng hơn.

Bởi sản phẩm chưa bao giờ chỉ là tập hợp của những gì chúng ta có khả năng xây dựng. Sản phẩm là kết quả của những lựa chọn về việc chúng ta nên xây dựng điều gì.

Sau khi đọc bài viết của Demis, mình nghĩ hành trình đến AGI không chỉ là một cuộc đua xây dựng model mạnh hơn. Nó gồm ít nhất ba lớp vấn đề phải được giải quyết song song.

Lớp đầu tiên là capability: làm thế nào để tạo ra những hệ thống có khả năng học, suy luận, lập kế hoạch và thích nghi tốt hơn.

Lớp thứ hai là control: làm thế nào để bảo đảm những hệ thống đó hoạt động trong phạm vi con người mong muốn, không lạm dụng công cụ và không theo đuổi mục tiêu bằng những cách nguy hiểm.

Lớp cuối cùng là coordination: làm thế nào để các công ty, quốc gia và cộng đồng thống nhất được một số nguyên tắc tối thiểu, ngay cả khi họ đang cạnh tranh với nhau.

Ngành AI đang tiến rất nhanh ở lớp đầu tiên.

Chúng ta đã bắt đầu đầu tư nhiều hơn vào lớp thứ hai.

Nhưng lớp thứ ba có lẽ là phần khó nhất.

Con người có lịch sử khá tốt trong việc phát minh ra công nghệ, nhưng không phải lúc nào cũng giỏi trong việc thống nhất cách sử dụng công nghệ ấy. Với AGI, khoảng cách giữa hai năng lực này có thể tạo ra hậu quả lớn hơn bất kỳ công nghệ nào trước đây.

Framework của Demis chưa phải là lời giải hoàn chỉnh. Một cơ quan chủ yếu nhận tài trợ từ chính ngành công nghiệp mà nó giám sát luôn có nguy cơ bị ảnh hưởng bởi lợi ích của ngành. Một framework khởi đầu tại Hoa Kỳ cũng chưa thể đại diện cho toàn bộ thế giới. Việc áp dụng cùng một tiêu chuẩn cho mô hình mã nguồn đóng và mã nguồn mở chắc chắn sẽ tạo ra nhiều tranh luận.

Nhưng có lẽ giá trị quan trọng nhất của đề xuất này không nằm ở cấu trúc cụ thể của cơ quan.

Nó nằm ở việc chuyển cuộc thảo luận từ những nguyên tắc chung chung như “AI cần an toàn” sang những cơ chế cụ thể hơn:

Mô hình nào cần được đánh giá? Ai thực hiện đánh giá? Kiểm tra những năng lực gì? Khi nào một hệ thống không nên được release? Chúng ta xử lý thế nào khi một rủi ro chỉ xuất hiện sau khi triển khai?

Đó là những câu hỏi khó, nhưng ít nhất chúng đưa cuộc trò chuyện đến gần hơn với thực tế.

Mình không biết AGI sẽ xuất hiện sau ba năm, năm năm hay lâu hơn. Thực tế là ngay cả những chuyên gia hàng đầu cũng chưa thống nhất AGI chính xác là gì và làm thế nào để xác nhận rằng chúng ta đã đạt đến nó.

Nhưng có lẽ chúng ta không cần chờ đến ngày một phòng thí nghiệm tuyên bố đã tạo ra AGI mới bắt đầu chuẩn bị.

Những thay đổi ban đầu đã diễn ra.

AI đang dịch chuyển từ công cụ trả lời sang hệ thống thực hiện. Từ một chatbot nằm trong cửa sổ trình duyệt, nó đang trở thành agent có thể truy cập dữ liệu, sử dụng phần mềm, viết code và hoàn thành chuỗi công việc kéo dài nhiều bước.

Mỗi bước tiến đó đều đưa chúng ta gần hơn đến một thế giới nơi trí tuệ không còn là nguồn lực khan hiếm nhất.

Nhưng khi trí tuệ trở nên dồi dào, những thứ khác sẽ trở nên quan trọng hơn: khả năng phán đoán, trách nhiệm, niềm tin, giá trị và năng lực phối hợp giữa con người với nhau.

Có lẽ AGI sẽ giúp chúng ta khám phá thuốc mới, tạo ra nguồn năng lượng sạch và giải quyết những bài toán khoa học từng mất hàng thập kỷ. Nó cũng có thể làm thay đổi thị trường lao động, tập trung quyền lực vào một số tổ chức và tạo ra những loại rủi ro mà hiện tại chúng ta chưa có ngôn ngữ để mô tả.

Hai khả năng đó có thể cùng tồn tại.

Vì vậy, câu hỏi quan trọng không chỉ là:

Khi nào AGI sẽ xuất hiện?

Câu hỏi lớn hơn là:

Khi trí tuệ không còn là giới hạn, con người sẽ lựa chọn làm gì với nó?

Tương lai ấy chưa được viết sẵn. Nhưng những quyết định về công nghệ, chính sách và cách chúng ta xây dựng sản phẩm ngay hôm nay đang âm thầm viết những dòng đầu tiên.