AI có thể suy luận mà không cần viết từng bước thành lời?

Một mô hình thử nghiệm nhỏ mang tên BDH-CQ đã giải được gần 3 trong 10 câu đố của bộ đánh giá ARC-AGI-1 khi có hai lượt thử. Điều đáng chú ý không chỉ nằm ở số câu đúng: mô hình không chuyển các bước suy luận trung gian thành một chuỗi câu chữ. Thử nghiệm này gợi ra câu trả lời ban đầu cho câu hỏi trung tâm: AI có thể suy luận mà không cần viết mọi bước thành lời, ít nhất với một số bài toán thị giác có cấu trúc. [1]

Cách làm ấy có thể tiết kiệm tính toán vì mô hình không phải liên tục tạo ra các từ trung gian trước khi đưa ra đáp án. Tuy nhiên, kết quả chưa chứng minh BDH-CQ vượt trội so với những kiến trúc khác, càng chưa cho thấy nó có thể thay thế AI đa dụng. Đổi lại cho sự gọn nhẹ còn có một vấn đề rõ ràng: khi quá trình trung gian không hiện ra dưới dạng ngôn ngữ, con người càng khó xem mô hình đã đi đến đáp án bằng cách nào. [1]

Vì sao AI thường viết ra chuỗi suy luận?

Nhiều hệ thống AI hiện nay xử lý câu hỏi khó bằng cách tạo một chuỗi suy luận bằng ngôn ngữ, thường được gọi là chain-of-thought. Thay vì nhảy thẳng tới câu trả lời, mô hình sinh ra các bước trung gian nối tiếp nhau. Phương pháp này có thể cải thiện kết quả ở một số nhiệm vụ, nhưng mỗi từ hoặc mảnh từ được tạo ra đều cần tài nguyên tính toán. Một câu trả lời cuối cùng rất ngắn vì thế vẫn có thể đòi hỏi một quá trình sinh văn bản dài, làm tăng thời gian và chi phí. [1]

Ngôn ngữ đặc biệt hữu ích khi cần trình bày lời giải cho con người, nhưng điều đó không đồng nghĩa nó luôn là dạng biểu diễn hiệu quả nhất bên trong máy. Có thể hình dung một người xoay thử các mảnh ghép trong đầu rồi chỉ nói vị trí đúng, thay vì đọc thành tiếng từng lần thử. Ví dụ này không mô tả chính xác hoạt động của BDH-CQ; nó chỉ cho thấy sự khác nhau giữa việc thực hiện thao tác và việc kể lại thao tác ấy bằng lời.

Bộ nhớ cố định thay thế chuỗi chữ như thế nào?

Trong các bài kiểm tra suy luận, mô hình thường được xem vài ví dụ trước khi xử lý câu hỏi mới. Một cách phổ biến là giữ những ví dụ đó trong ngữ cảnh để mô hình có thể tham chiếu lại. BDH-CQ đi theo hướng khác: mỗi ví dụ được dùng để cập nhật một bộ nhớ có kích thước cố định. Khi số ví dụ tăng lên, phần bộ nhớ này không dài ra tương ứng và mô hình không phải quay lại đọc toàn bộ những gì đã nhận trước đó. [1]

Điểm quan trọng nằm ở sự nén thông tin. Bộ nhớ không cần giữ nguyên từng ví dụ dưới dạng một bản ghi dài; nó giữ một trạng thái đã được cập nhật từ các ví dụ. Khi câu hỏi xuất hiện, mô hình dùng trạng thái đó để xử lý bài toán mà không viết các bước trung gian thành câu. [1]

Có thể dùng một ví dụ giả định để phân biệt hai cách làm. Một hệ thống giữ ngữ cảnh giống như đặt tất cả phiếu mẫu lên bàn và xem lại từng phiếu khi gặp câu hỏi. Hệ thống dùng trạng thái cố định giống như quan sát từng phiếu, điều chỉnh một bảng ghi nhớ nhỏ rồi cất phiếu đi. Bảng ghi nhớ có thể giúp thao tác nhanh hơn, nhưng người ngoài không còn nhìn vào toàn bộ phiếu để lần theo từng quyết định.

BDH-CQ giải được những loại câu đố nào?

ARC-AGI-1 gồm những câu đố yêu cầu hệ thống suy ra quy tắc thị giác từ một số ví dụ rồi áp dụng vào trường hợp mới. Đây không đơn thuần là bài kiểm tra khả năng nhớ đáp án: mô hình phải nhận ra phép biến đổi thích hợp trong từng câu đố. BDH-CQ làm tốt hơn ở một số nhiệm vụ liên quan đến xoay hoặc di chuyển hình, nhưng gặp nhiều khó khăn hơn với thay đổi màu sắc và một số bài kết hợp nhiều quy tắc. [1]

Ở các câu đố khó về thứ tự và cấu trúc lồng nhau, kết quả của mô hình tốt hơn sau khi nó được xem một ví dụ có độ khó tương tự. Chi tiết này cho thấy hiệu quả không chỉ phụ thuộc vào câu hỏi cuối cùng mà còn vào những mẫu được đưa vào trước đó. Bộ nhớ cố định vẫn phải nhận được ví dụ đủ phù hợp để hình thành trạng thái hữu ích; nó không tự động biến mọi bài toán phức tạp thành một phép suy luận ngắn. [1]

Tỷ lệ gần 3 trong 10 vì thế nên được hiểu trong đúng phạm vi của phép thử: một mô hình nhỏ, được thiết kế cho dạng bài ARC và có hai lượt thử. Kết quả cho thấy cách suy luận không thành lời có thể hoạt động, chứ không chứng minh rằng nó đã giải quyết được phần lớn câu đố hoặc đạt năng lực suy luận tổng quát. [1]

Ít từ hơn có thực sự đồng nghĩa với rẻ hơn?

Lợi ích trực tiếp của cách tiếp cận này là tránh sinh một chuỗi dài các đơn vị ngôn ngữ trước đáp án. Nhóm phát triển ước tính mỗi truy vấn câu đố của BDH-CQ tốn khoảng 0,00070 USD, tương đương gần một phần mười một chi phí được báo cáo cho GPT-5.6 Luna trên cùng bộ đánh giá. Tuy nhiên, hai con số được tính theo những cách khác nhau, nên tỷ lệ ấy chỉ cho thấy khả năng tiết kiệm chứ không phải một phép so sánh ngang bằng. [1]

Chi phí tạo từ chỉ là một phần của toàn bộ quá trình. Một mô hình vẫn phải tiếp nhận ví dụ, cập nhật trạng thái và thực hiện phép tính nội bộ để tìm đáp án. Vì vậy, bỏ phần diễn đạt bằng lời không có nghĩa suy luận trở nên miễn phí hoặc tức thời. Điều có thể giảm là lượng công việc dành riêng cho việc liên tục biến trạng thái bên trong thành văn bản trung gian. [1]

Hiệu quả hơn nhưng khó nhìn vào bên trong

Nghiên cứu về BDH-CQ mới được đưa lên arXiv và chưa qua bình duyệt. Các nhà nghiên cứu được Science News tham vấn xem đây là một kết quả đáng chú ý về hiệu quả, đồng thời nhấn mạnh rằng chưa thể tách rõ lợi ích đến từ kiến trúc hay từ cách mô hình được huấn luyện. BDH-CQ cũng được chuyên biệt hóa cho bài toán kiểu ARC, trong khi AI đa dụng phải xử lý nhiều dạng yêu cầu rất khác nhau. [1]

Việc không có chuỗi chữ trung gian còn làm giảm khả năng kiểm tra trực tiếp. Nếu mô hình trả lời sai, người quan sát không thể đọc lại một lời giải tuần tự để tìm điểm rẽ sai. Dù vậy, chuỗi suy luận được viết ra cũng chưa chắc phản ánh trung thực toàn bộ cơ chế đã tạo nên đáp án. Văn bản có thể là cách mô hình trình bày một lời giải hợp lý, không nhất thiết là bản ghi hoàn chỉnh của mọi phép tính bên trong. [1]

Giá trị lớn nhất của thử nghiệm do đó không nằm ở lời hứa loại bỏ ngôn ngữ khỏi AI. Nó cho thấy cần phân biệt hai chức năng vốn thường bị gộp làm một: suy luận để tìm đáp án và diễn đạt để con người theo dõi. Một hệ thống có thể thực hiện phần đầu trong trạng thái nội bộ gọn hơn, rồi chỉ dùng ngôn ngữ khi cần giao tiếp. Câu hỏi tiếp theo không chỉ là mô hình có trả lời đúng hay không, mà còn là làm sao đánh giá một quá trình vừa tiết kiệm vừa không hiện rõ thành lời. [1]