Mùa đông AI những năm 1970: Chính phủ “đóng băng” lĩnh vực này như thế nào — và vì sao nó quay trở lại với những bóng tối đen tối hơn?
Trí tuệ nhân tạo không ra đời từ sự tò mò thuần túy. Ngay từ lúc chính thức được đặt tên tại hội thảo Dartmouth năm 1956, nó đã gắn chặt với nguồn tài trợ thời Chiến tranh Lạnh, tham vọng quân sự và những lời hứa táo bạo rằng máy móc sẽ sớm ngang tầm trí tuệ con người. Những lời hứa đó sụp đổ dưới sự giám sát vào giữa thập niên 1970. Những gì xảy ra sau đó không phải là lệnh cấm hoàn toàn hay “đóng cửa” AI, mà là sự đóng băng nghiêm trọng nguồn tài trợ của chính phủ — đặc biệt ở Anh và thông qua DARPA ở Mỹ — được biết đến với tên gọi Mùa đông AI thứ nhất. Nghiên cứu chậm lại rõ rệt, các phòng thí nghiệm mất hỗ trợ, và chính cụm từ “trí tuệ nhân tạo” có lúc trở thành điều cấm kỵ. Tiền và sự quan tâm quay trở lại vào thập niên 1980, rồi lại sụp đổ, trước khi bùng nổ hiện đại của deep learning và mô hình ngôn ngữ lớn. Trên đường đi, nguồn gốc quân sự của lĩnh vực này, chu kỳ thổi phồng và thất vọng, cùng hạ tầng trung tâm dữ liệu khổng lồ ngày nay đã hé lộ những mặt tối ít được chú ý hơn so với các đột phá.
Thời kỳ hoàng kim và cú sụp đổ
Trong thập niên 1950 và 1960, sự lạc quan rất cao. Những thành công ban đầu về chứng minh định lý, chơi cờ đam và xử lý ngôn ngữ sơ khai, kết hợp với nguồn tài trợ hào phóng và tương đối không ràng buộc từ Cơ quan Dự án Nghiên cứu Tiên tiến Quốc phòng Mỹ (DARPA, lúc đó là ARPA), đã nuôi dưỡng kỳ vọng rằng trí tuệ máy tổng quát chỉ còn cách một hoặc hai thập niên. Các nhà nghiên cứu như Marvin Minsky, John McCarthy và Herbert Simon đã đưa ra những dự báo tự tin trước công chúng.
Thực tế đã can thiệp. Báo cáo ALPAC năm 1966 kết luận rằng dịch máy đắt đỏ, không đáng tin cậy và không xứng đáng tiếp tục đầu tư mạnh sau nhiều năm nỗ lực. Năm 1969, cuốn sách Perceptrons của Minsky và Seymour Papert chỉ ra những hạn chế cơ bản của mạng nơ-ron một lớp sơ khai. Tu chính án Mansfield năm 1969 yêu cầu nghiên cứu do DARPA tài trợ phải có ứng dụng quân sự rõ ràng, trực tiếp, chấm dứt sự hỗ trợ mở hơn của thập niên trước.
Đòn quyết định ở Anh đến với Báo cáo Lighthill năm 1973. Sir James Lighthill, nhà toán học ứng dụng nổi tiếng, đã xem xét nghiên cứu AI cho Hội đồng Nghiên cứu Khoa học Anh và đưa ra đánh giá thẳng thắn: các khám phá chưa tạo ra những tác động lớn như đã hứa, sự bùng nổ tổ hợp khiến việc mở rộng quy mô trở nên khó khăn, và nhiều mục tiêu tham vọng trông không thực tế. Báo cáo này trở thành cơ sở cho những cắt giảm mạnh; hầu hết nỗ lực AI tại các trường đại học Anh mất tài trợ, chỉ còn một số ít công việc tiếp tục ở những nơi như Edinburgh.
Tại Mỹ, DARPA cũng thu hẹp tương tự. Chương trình Nghiên cứu Hiểu lời nói của họ, với mục tiêu tham vọng về hệ thống có thể hiểu lệnh bằng giọng nói, đã không đáp ứng được kỳ vọng của nhà tài trợ. Các hợp đồng bị cắt khoảng năm 1974; các buổi trình diễn năm 1976 của những hệ thống như HARPY và HEARSAY-II không dẫn đến tài trợ tiếp theo. Đến giữa và cuối thập niên 1970, tiền cho nghiên cứu AI trở nên rất khó tìm. Các nhà nghiên cứu đổi tên công việc của mình thành “hệ thống chuyên gia”, “hệ thống dựa trên tri thức” hoặc “nhận dạng mẫu” để tránh sự kỳ thị. Giai đoạn này, khoảng 1974–1980, chính là Mùa đông AI thứ nhất.
Đây không phải là lệnh cấm hoàn toàn của chính phủ đối với mọi hoạt động AI — công việc tư nhân hoặc học thuật vẫn có thể tiếp tục ở quy mô giảm — nhưng việc rút các nguồn tài trợ công cộng chủ đạo đã thực sự làm đình trệ tiến bộ trong nhiều năm. Việc thổi phồng quá mức đã dẫn đến kết quả không như mong đợi, và các nhà tài trợ phản ứng bằng sự hoài nghi cùng việc thắt chặt hầu bao.
Băng tan rồi lại đóng băng lần hai, và sự trỗi dậy hiện đại
Tài trợ bắt đầu quay trở lại vào đầu thập niên 1980. Hệ thống chuyên gia — các chương trình dựa trên quy tắc hẹp mã hóa kiến thức chuyên môn cho những nhiệm vụ như cấu hình đơn hàng máy tính — đã cho thấy giá trị thương mại thực tế. Hệ thống XCON của Digital Equipment Corporation là một thành công đáng chú ý. Dự án Thế hệ thứ Năm của Nhật Bản và các phản ứng như chương trình Alvey của Anh cùng Sáng kiến Máy tính Chiến lược của DARPA đã đổ tiền mới vào lĩnh vực này. Một thời kỳ bùng nổ diễn ra, với máy Lisp chuyên dụng, các phòng AI doanh nghiệp và sự thổi phồng của truyền thông.
Thời kỳ bùng nổ đó kết thúc vào cuối thập niên 1980. Hệ thống chuyên gia tỏ ra giòn, đắt đỏ để bảo trì và hạn chế ngoài các lĩnh vực hẹp. Các máy trạm đa năng rẻ hơn đã đánh bại thị trường máy Lisp. DARPA lại giảm hỗ trợ dưới sự lãnh đạo mới. Mùa đông AI thứ hai kéo dài từ khoảng 1987 đến thập niên 1990.
Tiến bộ âm thầm vẫn tiếp tục. Những cải tiến về sức mạnh tính toán, lượng dữ liệu sẵn có và thuật toán (đặc biệt là backpropagation cho mạng nơ-ron) đã đặt nền móng cho sự phục hưng deep learning của thập niên 2010. Các đột phá về nhận dạng hình ảnh, AlphaGo, rồi các mô hình ngôn ngữ lớn đã biến AI từ chủ đề nghiên cứu chuyên biệt thành công nghệ phổ biến. Các hệ thống ngày nay có khả năng vượt xa mọi thứ từ thập niên 1970, nhưng chúng vẫn dựa trên cùng một mô hình tuyên bố tham vọng, đầu tư khổng lồ và chi phí kỹ thuật cùng xã hội thực tế.
Lịch sử tối và hiện tại tối hơn: Nguồn gốc quân sự và trung tâm dữ liệu
Sự phụ thuộc sớm của AI vào tài trợ quân sự và quốc phòng đã định hình các ưu tiên của nó. Công việc về chỉ huy-và-kiểm soát, nhận dạng mẫu và phân tích tự động phù hợp với nhu cầu Chiến tranh Lạnh. Đặc tính sử dụng kép đó chưa bao giờ biến mất hoàn toàn; các công cụ AI hiện đại hỗ trợ giám sát, hỗ trợ nhắm mục tiêu, phân tích tình báo và hệ thống tự hành. Các nhà phê bình lưu ý rằng các kỹ thuật tối ưu cho hiệu quả quân sự có thể nhúng những giả định về kiểm soát, dự đoán và rủi ro mà khó chuyển giao — hoặc gây hại — sang các bối cảnh dân sự như cảnh sát dự đoán hoặc giám sát hàng loạt.
Mặt tối hữu hình nhất của làn sóng bùng nổ hiện tại là vật chất. Việc huấn luyện và chạy các mô hình lớn đòi hỏi sức mạnh tính toán khổng lồ tập trung tại các trung tâm dữ liệu. Những cơ sở này tiêu thụ lượng điện khổng lồ — thường vẫn được tạo ra từ nhiên liệu hóa thạch — và nước để làm mát. Các ước tính chỉ ra rằng trung tâm dữ liệu đã chiếm tỷ lệ ngày càng tăng trong lượng điện toàn cầu; khối lượng công việc AI đang đẩy nhanh sự tăng trưởng đó. Các dự báo cho thấy chúng có thể thêm hàng trăm triệu tấn khí thải tương đương CO₂ mỗi năm nếu được cung cấp bởi nguồn carbon cao, đồng thời gây áp lực lên nguồn cung nước địa phương (một trung tâm lớn có thể dùng hàng triệu gallon mỗi ngày) và góp phần vào nhiệt, tiếng ồn cùng ô nhiễm không khí ở các cộng đồng gần đó.
Tác động địa phương bao gồm máy phát dự phòng diesel thải nitơ oxit, khả năng ảnh hưởng đến nước uống, và việc chuyển đổi đất đai. Rác thải điện tử từ phần cứng ngắn hạn thêm một gánh nặng nữa. Lợi ích của AI (công cụ năng suất, mô hình hóa khoa học, nghiên cứu y tế) là có thật và được phân phối rộng rãi; chi phí môi trường và cộng đồng thì tập trung gần các cơ sở và trong các hệ thống năng lượng cung cấp cho chúng. Các cam kết khí hậu trước đây của các công ty đã bị căng thẳng bởi quy mô đột ngột của nhu cầu AI.
Việc thổi phồng quá mức trong lịch sử cũng để lại di sản hoài nghi. Mỗi lần bùng nổ đều có những tuyên bố rằng trí tuệ ngang tầm con người hoặc mang tính biến đổi sắp đến; mỗi mùa đông theo sau khi kết quả chậm hơn. Làn sóng hiện tại đã tạo ra những tiến bộ thực sự về ngôn ngữ, thị giác và suy luận hẹp, nhưng các câu hỏi về độ tin cậy, thiên kiến (các mô hình được huấn luyện trên dữ liệu con người không hoàn hảo có thể khuếch đại các mô hình xã hội), cường độ năng lượng và sự tập trung quyền lực vẫn chưa được giải quyết.
Bài học từ sự đóng băng
Những cắt giảm tài trợ thập niên 1970 là phản ứng hợp lý trước những kỳ vọng không đạt và rào cản kỹ thuật của thời đại — sức mạnh tính toán hạn chế, sự bùng nổ tổ hợp, và khó khăn trong việc nắm bắt tri thức thế giới thực bằng hệ thống ký hiệu. Chúng không phải là âm mưu đàn áp trí tuệ, mà là sự điều chỉnh sau nhiều năm dự báo thổi phồng. Khi tiền quay trở lại, nó đến cho những ứng dụng hẹp hơn, có thể đo lường được trước khi các tham vọng rộng hơn xuất hiện lại.
Quy mô ngày nay khác biệt. Trung tâm dữ liệu và việc huấn luyện mô hình áp đặt tải trọng môi trường có thể đo lường mà nghiên cứu trước đây không có. Các động lực quân sự và thương mại của lĩnh vực này tiếp tục định hình những gì được xây dựng và triển khai. Hiểu về các mùa đông hữu ích chính vì nó cho thấy sự nhiệt tình có thể vượt xa bằng chứng nhanh như thế nào, và nền tảng vật chất cùng thể chế của AI quan trọng không kém thuật toán.
Công nghệ này khó có thể bị “đóng cửa” lần nữa theo cùng cách; các lợi ích thương mại và chiến lược quá cao. Liệu giai đoạn tiếp theo của nó sẽ được định hình nhiều hơn bởi quản trị cẩn thận về sử dụng năng lượng, sự minh bạch về hạn chế và kỳ vọng thực tế — hay bởi một chu kỳ thổi phồng khác theo sau là phản ứng dữ dội — vẫn là câu hỏi mở. Lịch sử là công khai; các mặt tối có thể đo lường được. Cả hai đều xứng đáng được chú ý nhiều hơn so với marketing.