Từ bài toán Navier-Stokes đến Riemann cuộc đua AI chinh phục toán học tăng tốc
Anthropic và nhà toán học tuyên bố giải được giả thuyết Riemann sau 167 năm
Có những bài toán tồn tại lâu đến mức nhiều thế hệ nhà khoa học dành cả cuộc đời nghiên cứu nhưng vẫn không thể tìm ra lời giải. Giả thuyết Riemann là một trong số đó.
Từ bài toán Navier-Stokes đến Riemann cuộc đua AI chinh phục toán học tăng tốc
Được nhà toán học Bernhard Riemann đặt ra năm 1859, bài toán này liên quan đến một trong những bí ẩn sâu sắc nhất của toán học: quy luật ẩn phía sau sự phân bố của các số nguyên tố.
Giờ đây, một nhà toán học tên Levent Alpöge, đang làm việc tại Anthropic, tuyên bố đã tìm được lời giải với sự hỗ trợ của Claude và sử dụng ngôn ngữ Lean để biểu diễn chứng minh thành mã có thể kiểm tra chính thức.
Điều đáng chú ý không chỉ là khả năng AI hỗ trợ giải một bài toán tồn tại 167 năm.
Một nhà nghiên cứu khác tại Stanford, Alessandro Masullo, cũng đồng thời công bố một bản chứng minh giả thuyết Riemann tổng quát, nhưng cho biết công trình của mình hoàn toàn do con người thực hiện sau 12 năm nghiên cứu.
Hai sự kiện xuất hiện gần như cùng lúc đặt ra một câu hỏi lớn cho khoa học hiện đại.
Nếu AI có thể hỗ trợ tìm ra những chứng minh toán học mà con người chưa từng đạt được, vai trò của nhà khoa học sẽ thay đổi như thế nào?
Và quan trọng hơn, làm sao phân biệt một lời giải có vẻ đúng với một chứng minh thực sự đúng?
Tin tức chính vừa xảy ra
Levent Alpöge công bố rằng ông đã tìm được một chứng minh có thể biên dịch bằng Lean cho giả thuyết Riemann.
Ông mô tả quá trình nghiên cứu trong một bài viết, kể lại việc trao đổi với Giám đốc điều hành Anthropic Dario Amodei vào tối Chủ nhật để hỏi cách công bố phát hiện đặc biệt này.
Thời điểm khá trùng hợp. Anthropic vừa trở thành phòng thí nghiệm trí tuệ nhân tạo tiên phong đầu tiên được đưa lên thị trường chứng khoán, theo thông tin trong bài viết gốc.
Alpöge cho biết ông đã theo đuổi bài toán từ khi còn nhỏ và cảm thấy không thể tiếp tục chờ đợi mới công bố kết quả.
Trong quá trình nghiên cứu, ông sử dụng Claude để tìm kiếm và kết nối những phần lập luận toán học phức tạp.
Ông mô tả trải nghiệm này như một hành trình đầy bối rối, trong đó AI liên tục hỗ trợ khám phá các mảnh ghép của chứng minh.
Điểm quan trọng là kết quả không chỉ dừng lại ở một đoạn văn do AI tạo ra.
Chứng minh được thể hiện bằng ngôn ngữ Lean, cho phép kiểm tra tính hợp lệ về mặt hình thức.
Một số nhà toán học tham gia trao đổi trên nền tảng Zulip, trong đó có Andrew Sutherland thuộc MIT, cho biết họ đã xác nhận mã chứng minh có thể biên dịch thành công.
Đây là một bước kiểm tra đáng chú ý, nhưng chưa đồng nghĩa với việc toàn bộ cộng đồng toán học đã hiểu và xác nhận mọi khía cạnh của lời giải.
Điều gì mới trong phát hiện này?
Có ba điểm mới đáng chú ý.
Thứ nhất, AI tham gia vào một bài toán toán học ở cấp độ rất cao.
Claude không chỉ hỗ trợ giải thích công thức hay viết chương trình. Theo mô tả của Alpöge, mô hình đã tham gia vào quá trình tìm kiếm và kết nối các lập luận toán học phức tạp.
Thứ hai, chứng minh được biểu diễn bằng Lean.
Đây là khác biệt quan trọng so với một lời giải thông thường được viết bằng ngôn ngữ tự nhiên.
Lean cho phép chuyển các phát biểu và lập luận toán học thành cấu trúc mà máy tính có thể kiểm tra theo những quy tắc logic được xác định rõ.
Thứ ba, một lời giải hoàn toàn do con người thực hiện cũng xuất hiện.
Alessandro Masullo, nghiên cứu sinh sau tiến sĩ tại Stanford, công bố một bản chứng minh giả thuyết Riemann tổng quát sau 12 năm nghiên cứu.
Công trình được giới thiệu bởi Ravi Vakil, giáo sư Stanford và Chủ tịch Hiệp hội Toán học Hoa Kỳ.
Masullo nhấn mạnh rằng nghiên cứu của mình không sử dụng AI.
Điều này tạo ra một sự đối chiếu thú vị.
Một bên là con người kết hợp AI và công cụ kiểm chứng hình thức. Bên kia là một nhà toán học dành 12 năm theo đuổi bài toán bằng nghiên cứu của chính mình.
Tuy nhiên, bản chứng minh của Masullo chưa được biểu diễn bằng Lean và vẫn cần được cộng đồng chuyên môn thẩm định.
Cả hai công trình đều chưa thể được xem là lời giải đã được cộng đồng toán học chính thức chấp nhận chỉ dựa trên thông tin hiện có.
Tại sao giả thuyết Riemann quan trọng?
Để hiểu tầm quan trọng của sự kiện, cần hiểu giả thuyết Riemann thực sự nói về điều gì.
Số nguyên tố là những số tự nhiên lớn hơn 1 chỉ chia hết cho 1 và chính nó.
Ví dụ:
2, 3, 5, 7, 11, 13, 17 và 19.
Những con số này xuất hiện trong toán học với một đặc điểm kỳ lạ: chúng không phân bố theo một quy luật đơn giản.
Khi đếm các số nguyên tố trong những khoảng ngày càng lớn, các nhà toán học nhận thấy có những cấu trúc và quy luật thống kê sâu sắc.
Bernhard Riemann đưa ra giả thuyết liên quan đến vị trí các nghiệm không tầm thường của hàm zeta Riemann.
Nói đơn giản, giả thuyết cho rằng những nghiệm quan trọng này đều nằm trên một đường thẳng đặc biệt trong mặt phẳng phức, nơi phần thực bằng một nửa.
Điều này có ý nghĩa lớn vì nó liên quan đến mức độ chính xác mà các nhà toán học có thể mô tả sự phân bố của số nguyên tố.
Nếu giả thuyết được chứng minh, nhiều kết quả trong lý thuyết số có thể được củng cố và mở rộng.
Đây cũng là một trong những bài toán thuộc danh sách Giải thưởng Thiên niên kỷ của Viện Toán học Clay.
Một lời giải hợp lệ có thể mang lại giải thưởng 1 triệu USD theo chương trình này, sau khi đáp ứng các điều kiện công nhận.
Nhưng giá trị của giả thuyết Riemann không nằm ở khoản tiền thưởng.
Nó nằm ở việc giải quyết một trong những câu hỏi nền tảng nhất của toán học hiện đại.
Claude và Lean hoạt động như thế nào?
Đây là phần quan trọng nhất để hiểu tại sao sự kiện này khác với việc một chatbot trả lời một câu hỏi toán học khó.
Claude là mô hình trí tuệ nhân tạo có khả năng xử lý ngôn ngữ, lập luận và hỗ trợ lập trình.
Lean là một ngôn ngữ lập trình chuyên dụng cho toán học hình thức.
Hai công nghệ này có vai trò khác nhau.
Claude hỗ trợ tìm kiếm lời giải.
Nhà nghiên cứu có thể trao đổi với mô hình, đưa ra các giả thuyết, yêu cầu phân tích những lập luận phức tạp và tìm cách kết nối các kết quả toán học đã biết.
Mô hình có thể đề xuất hướng tiếp cận, phát hiện mối liên hệ và hỗ trợ chuyển đổi ý tưởng thành các bước lập luận.
Lean kiểm tra chứng minh.
Khi một lập luận được chuyển thành mã Lean, hệ thống sẽ kiểm tra xem từng bước có tuân thủ những quy tắc logic và các định lý được khai báo hay không.
Nếu có bước suy luận không hợp lệ, quá trình kiểm tra sẽ phát hiện lỗi.
Có thể hình dung sự kết hợp này giống như một phòng nghiên cứu có hai bộ phận.
Một bộ phận chuyên tìm kiếm ý tưởng và đề xuất lời giải. Bộ phận còn lại kiểm tra xem lời giải có thực sự đứng vững hay không.
Claude giúp khám phá.
Lean giúp xác minh.
Đây là một kiến trúc rất đáng chú ý vì nó giảm sự phụ thuộc vào việc con người phải tự kiểm tra mọi bước suy luận bằng mắt.
Tuy nhiên, Lean chỉ xác minh rằng chứng minh được mã hóa là hợp lệ dựa trên những định nghĩa, giả định và thư viện toán học được sử dụng.
Nó không tự động chứng minh rằng người viết đã diễn đạt đúng ý nghĩa của bài toán ban đầu.
Do đó, việc kiểm tra mã thành công vẫn cần đi cùng quá trình đánh giá toán học độc lập.
Dữ liệu và bằng chứng nằm ở đâu?
Trong sự kiện này, có ba lớp bằng chứng cần được phân biệt.
| Lớp kiểm chứng | Ý nghĩa | Tình trạng được bài gốc đề cập |
|---|---|---|
| Công bố chứng minh | Nhà nghiên cứu đưa ra lập luận | Alpöge đã công bố |
| Kiểm chứng hình thức | Mã Lean được biên dịch thành công | Có xác nhận độc lập từ một số nhà toán học |
| Thẩm định chuyên môn | Chuyên gia hiểu và xác nhận toàn bộ lập luận | Quá trình vẫn cần tiếp tục |
Sự khác biệt này rất quan trọng.
Một chương trình có thể biên dịch thành công nhưng người đọc vẫn chưa hiểu tại sao chứng minh lại có ý nghĩa toán học như vậy.
Trong cuộc trao đổi trên Zulip, Chris Birkbeck, nhà lý thuyết số tại Đại học East Anglia, nhận xét rằng chứng minh sử dụng những công cụ toán học rất sâu.
Ông đề cập đến các giới hạn đồng điều, biểu diễn Galois, nâng tự đẳng cấu và nhiều kết quả quan trọng khác trong lý thuyết số.
Đây không phải những khái niệm có thể giải thích đầy đủ bằng vài công thức phổ thông.
Phản ứng của các chuyên gia cho thấy họ đang thực sự xem xét nội dung, thay vì chỉ bị thu hút bởi tuyên bố AI giải được một bài toán nổi tiếng.
Nhưng cần thời gian để kiểm tra toàn bộ cấu trúc chứng minh và diễn giải nó thành ngôn ngữ mà nhiều nhà toán học khác có thể hiểu, đánh giá và sử dụng.
Doanh nghiệp kiếm tiền và tạo giá trị thế nào từ AI toán học?
Một phát hiện toán học chưa chắc lập tức tạo ra doanh thu.
Nhưng công nghệ đứng phía sau nó có thể mở ra những thị trường rất lớn.
Giá trị kinh tế không chỉ nằm ở việc giải một bài toán nổi tiếng. Nó nằm ở khả năng giảm chi phí nghiên cứu, kiểm tra và phát triển tri thức.
Có thể nhìn thấy bốn hướng tạo giá trị.
Tăng năng suất nghiên cứu
Các nhà khoa học có thể sử dụng AI để tìm kiếm tài liệu, thử nghiệm giả thuyết và khám phá hướng tiếp cận mới.
Thay vì dành nhiều thời gian cho những thao tác lặp lại, họ có thể tập trung vào những quyết định quan trọng hơn.
Tự động hóa kiểm chứng
Những chứng minh phức tạp có thể được chuyển thành cấu trúc hình thức để máy tính kiểm tra.
Điều này đặc biệt có ích trong những lĩnh vực mà một lỗi logic nhỏ có thể làm hỏng toàn bộ kết quả.
Phát triển phần mềm chuyên ngành
Các hệ thống AI kết hợp công cụ chứng minh hình thức có thể phục vụ nghiên cứu toán học, kỹ thuật, khoa học máy tính và các lĩnh vực đòi hỏi độ chính xác cao.
Tạo ra tri thức có thể tái sử dụng
Một chứng minh được biểu diễn thành mã có thể được lưu trữ, kiểm tra và sử dụng làm nền tảng cho những nghiên cứu tiếp theo.
Đây là điểm khác biệt giữa một câu trả lời đơn lẻ và một tài sản tri thức có thể tích lũy.
Nếu được phát triển đúng hướng, hệ thống này có thể giúp giảm chi phí nghiên cứu khoa học trong dài hạn.
Anthropic đang tiến gần mô hình nền tảng nghiên cứu khoa học
Anthropic thường được nhìn nhận như một doanh nghiệp phát triển mô hình trí tuệ nhân tạo phục vụ người dùng và doanh nghiệp.
Nhưng câu chuyện của Alpöge cho thấy một hướng phát triển khác.
AI có thể trở thành công cụ nghiên cứu chuyên sâu, thay vì chỉ là trợ lý trả lời câu hỏi.
Một nền tảng như Claude có thể đóng vai trò lớp tương tác giữa con người và hệ thống tri thức phức tạp.
Người nghiên cứu đưa ra mục tiêu. AI hỗ trợ phân tích. Công cụ chuyên ngành thực hiện kiểm tra. Con người đánh giá kết quả và quyết định hướng đi tiếp theo.
Đây là một mô hình có thể mở rộng sang nhiều lĩnh vực.
Trong kỹ thuật, AI có thể hỗ trợ kiểm tra tính đúng đắn của thiết kế.
Trong khoa học máy tính, AI có thể giúp phát hiện lỗi logic trong phần mềm.
Trong toán học, AI có thể hỗ trợ xây dựng chứng minh hình thức.
Trong nghiên cứu vật lý, AI có thể hỗ trợ xử lý các mô hình toán học phức tạp.
Điểm quan trọng là doanh nghiệp không nhất thiết phải xây dựng một mô hình AI có khả năng làm mọi thứ.
Họ có thể kết hợp mô hình nền tảng với những công cụ chuyên biệt để tạo ra một hệ thống có độ tin cậy cao hơn.
Đó là hướng phát triển có giá trị thương mại lâu dài.
Cuộc cạnh tranh không chỉ nằm giữa các phòng thí nghiệm AI
Sự kiện này cũng cho thấy một cuộc cạnh tranh rộng hơn giữa các mô hình AI và hệ sinh thái nghiên cứu khoa học.
Một bên là những doanh nghiệp có khả năng phát triển mô hình lớn, sở hữu hạ tầng tính toán và thu hút các nhà nghiên cứu hàng đầu.
Bên kia là các trường đại học, viện nghiên cứu và cộng đồng khoa học có nền tảng tri thức tích lũy qua nhiều thế hệ.
Hai bên không nhất thiết phải đối đầu.
Trường hợp của Alpöge cho thấy một nhà toán học làm việc trong doanh nghiệp AI có thể sử dụng công cụ của chính hệ sinh thái đó để nghiên cứu một bài toán nền tảng.
Trường hợp Masullo cho thấy nghiên cứu do con người thực hiện vẫn có vai trò quan trọng và không thể bị thay thế chỉ bằng khả năng tạo ra câu trả lời của mô hình.
Lợi thế cạnh tranh trong giai đoạn tiếp theo có thể đến từ khả năng kết hợp ba yếu tố:
Mô hình AI có năng lực suy luận.
Công cụ chuyên ngành có khả năng kiểm chứng.
Đội ngũ con người hiểu sâu lĩnh vực nghiên cứu.
Doanh nghiệp nào kết nối được ba yếu tố này thành một quy trình đáng tin cậy sẽ có lợi thế lớn.
Rủi ro khi AI tạo ra những lời giải vượt quá khả năng hiểu của con người
Có một vấn đề rất đáng chú ý trong câu chuyện của Alpöge.
Ông bày tỏ phần nào cảm giác áy náy vì công bố chứng minh mà chưa có một cách giải thích thực sự dễ hiểu đối với con người.
Đây không phải chuyện nhỏ.
Trong khoa học, một kết quả không chỉ cần đúng. Nó còn cần được truyền đạt, kiểm tra và hiểu để những nhà nghiên cứu khác có thể tiếp tục phát triển.
Nếu AI tạo ra một chứng minh mà chỉ một số ít chuyên gia có thể giải mã, tốc độ tạo ra tri thức có thể tăng nhưng khả năng phổ biến tri thức lại trở thành nút thắt.
Có ít nhất bốn rủi ro cần chú ý.
Rủi ro phụ thuộc vào AI
Nhà nghiên cứu có thể quá tin tưởng vào kết quả do mô hình đề xuất mà không kiểm tra đầy đủ các giả định.
Rủi ro sai lệch khi chuyển đổi
Ý tưởng toán học ban đầu có thể bị diễn đạt sai khi chuyển thành mã hình thức.
Rủi ro thiếu khả năng giải thích
Một kết quả được kiểm chứng nhưng quá khó hiểu có thể khiến cộng đồng khó đánh giá và sử dụng.
Rủi ro đánh đồng biên dịch thành công với chân lý toán học
Một hệ thống kiểm chứng chỉ xác nhận tính hợp lệ của những gì được đưa vào hệ thống. Nó không thay thế việc kiểm tra định nghĩa, giả thiết và phạm vi của bài toán.
Do đó, AI có thể tăng tốc khám phá nhưng không nên trở thành cơ quan duy nhất quyết định điều gì được xem là đúng.
Doanh nghiệp Việt Nam có thể học gì từ bước tiến này?
Đây là phần có giá trị thực tế nhất đối với các doanh nghiệp nhỏ và vừa.
Không phải doanh nghiệp nào cũng cần giải những bài toán toán học hàng trăm năm tuổi.
Nhưng mọi doanh nghiệp đều có những vấn đề phức tạp cần suy luận, kiểm tra và ra quyết định.
Ví dụ:
Một công ty logistics cần tối ưu hàng nghìn tuyến giao hàng.
Một doanh nghiệp thương mại điện tử cần dự báo nhu cầu và tồn kho.
Một công ty tài chính cần kiểm tra các quy tắc tính toán.
Một doanh nghiệp phần mềm cần phát hiện lỗi trong hệ thống.
Một doanh nghiệp sản xuất cần tối ưu quy trình và giảm lãng phí.
Những bài toán này không nhất thiết đòi hỏi mô hình AI đắt nhất.
Chúng đòi hỏi cách kết hợp AI với dữ liệu và công cụ kiểm chứng phù hợp.
Nếu điều hành một doanh nghiệp nhỏ tại Việt Nam, tôi sẽ tập trung vào sáu hướng sau.
Chọn bài toán kinh doanh thay vì chạy theo mô hình AI
Đừng bắt đầu bằng câu hỏi nên mua Claude, GPT hay một mô hình Trung Quốc nào.
Hãy bắt đầu bằng câu hỏi doanh nghiệp đang mất tiền ở đâu.
Ví dụ, một doanh nghiệp giao hàng có thể mất tiền vì phân tuyến chưa tối ưu, giao hàng thất bại hoặc nhân viên phải nhập dữ liệu thủ công.
Đó là những vấn đề có thể giải quyết bằng cách kết hợp mô hình AI, thuật toán tối ưu và dữ liệu vận hành.
Một doanh nghiệp thương mại điện tử có thể sử dụng AI để phân loại yêu cầu khách hàng, dự báo hàng tồn và phát hiện những đơn hàng có dấu hiệu bất thường.
Giá trị nằm ở kết quả kinh doanh, không nằm ở tên mô hình.
Kết hợp AI với công cụ kiểm chứng
Đây là bài học lớn nhất từ sự kết hợp giữa Claude và Lean.
Không nên để AI tự tạo câu trả lời rồi mặc nhiên xem đó là kết quả cuối cùng.
Hãy thiết kế quy trình gồm ba lớp:
AI đề xuất phương án.
Phần mềm chuyên ngành kiểm tra kết quả.
Con người phê duyệt những quyết định quan trọng.
Ví dụ, trong kế toán, AI có thể hỗ trợ phân loại chứng từ nhưng phần mềm kế toán và quy tắc đối chiếu phải kiểm tra số liệu.
Trong lập trình, AI có thể viết mã nhưng hệ thống kiểm thử tự động, kiểm tra bảo mật và người phát triển vẫn phải đánh giá.
Trong logistics, AI có thể đề xuất tuyến đường nhưng hệ thống phải kiểm tra giới hạn tải trọng, thời gian giao hàng và chi phí thực tế.
Đây là kiến trúc đáng tin cậy hơn việc giao toàn bộ quyết định cho một mô hình.
Xây dựng dữ liệu riêng để tạo lợi thế cạnh tranh
Một mô hình AI có thể được nhiều doanh nghiệp sử dụng cùng lúc.
Nhưng dữ liệu vận hành của từng doanh nghiệp lại khác nhau.
Doanh nghiệp giao hàng có lịch sử giao nhận. Doanh nghiệp du lịch có dữ liệu đặt phòng. Doanh nghiệp bán lẻ có lịch sử mua sắm. Doanh nghiệp sản xuất có dữ liệu máy móc và chất lượng sản phẩm.
Đây mới là nền tảng để tạo ra những hệ thống AI có giá trị riêng.
Doanh nghiệp nên chuẩn hóa dữ liệu ngay từ đầu, thay vì để thông tin phân tán trong bảng tính, tin nhắn và nhiều phần mềm không kết nối với nhau.
Khi dữ liệu đủ tốt, AI mới có thể đưa ra những phân tích sát với thực tế kinh doanh.
Tận dụng hệ sinh thái AI của Hoa Kỳ và Trung Quốc
Doanh nghiệp Việt Nam không cần phụ thuộc hoàn toàn vào một hệ sinh thái.
Có thể sử dụng các mô hình của Hoa Kỳ cho những tác vụ lập trình, phân tích và xử lý ngôn ngữ; đồng thời đánh giá các mô hình Trung Quốc khi cần lựa chọn giải pháp có chi phí phù hợp hoặc khả năng triển khai riêng.
Tuy nhiên, cần đánh giá theo cùng một tiêu chuẩn:
Chất lượng kết quả.
Chi phí sử dụng.
Khả năng bảo vệ dữ liệu.
Quyền sử dụng thương mại.
Khả năng tích hợp.
Độ ổn định khi vận hành.
Không nên chọn một mô hình chỉ vì nó đang được cộng đồng công nghệ chú ý.
Một mô hình rẻ hơn nhưng thường xuyên tạo kết quả sai có thể khiến doanh nghiệp mất nhiều tiền hơn trong dài hạn.
Tự động hóa những quy trình có thể đo lường
Doanh nghiệp nên ưu tiên những quy trình có đầu vào và đầu ra rõ ràng.
Ví dụ, quy trình xử lý đơn hàng có thể được chia thành các bước:
Tiếp nhận yêu cầu.
Kiểm tra thông tin.
Phân loại đơn hàng.
Đề xuất phương án xử lý.
Xác nhận với khách hàng.
Cập nhật hệ thống.
Đối chiếu kết quả.
AI có thể hỗ trợ những bước liên quan đến ngôn ngữ và phân tích. Phần mềm nghiệp vụ đảm nhiệm các quy tắc và dữ liệu. Nhân viên xử lý trường hợp ngoại lệ.
Sau khi triển khai, doanh nghiệp cần đo thời gian xử lý, tỷ lệ sai sót và chi phí trên mỗi đơn hàng.
Nếu không đo được hiệu quả, không nên mở rộng đầu tư.
Đào tạo nhân viên thành người kiểm chứng AI
Trong tương lai, giá trị của nhân viên không chỉ nằm ở khả năng tự thực hiện mọi công việc.
Họ cần biết cách đặt vấn đề, đánh giá kết quả và phát hiện khi AI đưa ra câu trả lời sai.
Một nhân viên kế toán cần hiểu nghiệp vụ để kiểm tra kết quả AI.
Một lập trình viên cần hiểu kiến trúc hệ thống để đánh giá mã do AI tạo ra.
Một nhân viên kinh doanh cần hiểu khách hàng để nhận biết khi đề xuất của AI không phù hợp.
Doanh nghiệp không nên chỉ đào tạo nhân viên cách sử dụng công cụ. Cần đào tạo họ cách kiểm tra công cụ.
Kế hoạch 12 tháng ứng dụng AI cho doanh nghiệp vừa và nhỏ
Một lộ trình thực tế có thể triển khai theo bốn giai đoạn.
| Giai đoạn | Trọng tâm | Kết quả cần đạt |
|---|---|---|
| Tháng 1–3 | Chuẩn hóa dữ liệu và xác định quy trình cần cải thiện | Có dữ liệu đủ tốt |
| Tháng 4–6 | Thử nghiệm AI trên một hoặc hai quy trình | Đo được hiệu quả thực tế |
| Tháng 7–9 | Kết nối AI với phần mềm nghiệp vụ và công cụ kiểm chứng | Giảm thao tác thủ công |
| Tháng 10–12 | Mở rộng quy trình hiệu quả và đào tạo nhân viên | Tăng năng suất toàn doanh nghiệp |
Điều quan trọng là không cần triển khai tất cả cùng lúc.
Một doanh nghiệp nhỏ có thể bắt đầu bằng việc giảm một nửa thời gian xử lý yêu cầu khách hàng hoặc giảm tỷ lệ sai sót khi nhập đơn hàng.
Nếu thành công, hãy mở rộng sang những quy trình khác.
Đây là cách sử dụng AI dựa trên hiệu quả kinh doanh thay vì chạy theo xu hướng.
Kỷ nguyên AI không loại bỏ vai trò của con người trong khoa học
Câu chuyện của Alessandro Masullo cũng mang một ý nghĩa đặc biệt.
Sau 12 năm nghiên cứu, ông công bố công trình của mình với thông điệp rằng những nhà toán học vẫn đang tiếp tục tồn tại và đóng góp cho khoa học.
Đây là một lời nhắc quan trọng trong thời đại AI.
Công nghệ có thể thay đổi tốc độ nghiên cứu, nhưng tri thức không chỉ được tạo ra bằng khả năng tính toán.
Nó còn cần sự kiên trì, trực giác, khả năng đặt câu hỏi và sự hiểu biết sâu sắc về bản chất vấn đề.
Một mô hình AI có thể đề xuất hàng nghìn hướng tiếp cận. Nhưng việc lựa chọn câu hỏi nào đáng theo đuổi và kết quả nào thực sự có ý nghĩa vẫn cần năng lực nghiên cứu của con người.
Trong tương lai, nhà khoa học có thể không còn phải tự thực hiện mọi bước tính toán như trước.
Nhưng họ sẽ cần giỏi hơn trong việc thiết kế quy trình nghiên cứu, sử dụng công cụ và đánh giá kết quả.
Giả thuyết Riemann đã tồn tại từ năm 1859. Việc một nhà toán học sử dụng Claude để xây dựng chứng minh có thể kiểm tra bằng Lean là một dấu hiệu đáng chú ý về khả năng ứng dụng AI trong nghiên cứu khoa học.
Nhưng điều quan trọng không phải là tuyên bố AI đã thay thế con người giải được mọi bài toán.
Điều quan trọng là một quy trình nghiên cứu mới đang hình thành.
AI giúp khám phá. Công cụ hình thức giúp kiểm chứng. Con người tiếp tục giải thích, đánh giá và mở rộng tri thức.
Hai công trình xuất hiện gần như cùng lúc, một có sự hỗ trợ của AI và một được thực hiện hoàn toàn bởi con người, cho thấy khoa học không nhất thiết phải lựa chọn giữa hai phía.
Đối với doanh nghiệp Việt Nam, bài học cũng rất rõ ràng.
Đừng xem AI là một phép màu có thể tự động giải quyết mọi vấn đề. Hãy xem nó như một năng lực mới cần được tích hợp vào quy trình kinh doanh, đi cùng dữ liệu tốt, công cụ kiểm tra và con người có chuyên môn.
Trong cuộc đua AI, doanh nghiệp không nhất thiết phải sở hữu mô hình thông minh nhất.
Doanh nghiệp cần xây dựng được hệ thống biến trí tuệ nhân tạo thành kết quả có thể kiểm chứng, đo lường và tạo ra giá trị thực tế.
Đó mới là lợi thế cạnh tranh có thể tồn tại lâu dài.
Từ bài toán Navier-Stokes đến Riemann cuộc đua AI chinh phục toán học tăng tốc
Giả thuyết Riemann, Claude AI, Anthropic, Levent Alpöge, ngôn ngữ Lean, chứng minh toán học, AI giải toán, toán học hình thức, AI nghiên cứu khoa học, bài toán thiên niên kỷ, Alessandro Masullo, trí tuệ nhân tạo, tự động hóa doanh nghiệp, ứng dụng AI Việt Nam
Chia sẻ: