AGI thường được nhắc đến khi bàn về khả năng AI học hỏi và giải quyết công việc ở mức độ tương đương con người trên nhiều lĩnh vực. Tuy nhiên, việc một ứng dụng viết tốt, xử lý được hình ảnh hay tự thực hiện nhiều bước chưa đủ để kết luận hệ thống đó đã đạt AGI.
Với người học và doanh nghiệp, điều cần hiểu là năng lực nào đã được kiểm chứng và điều gì vẫn thuộc mục tiêu nghiên cứu. Sansan Academy sẽ làm rõ khái niệm AGI, các tiêu chí đánh giá cùng tiềm năng và rủi ro cần xem xét khi công nghệ tiếp tục phát triển.
AGI là gì?
AGI là viết tắt của Artificial General Intelligence, chỉ mục tiêu xây dựng AI có năng lực nhận thức rộng, có thể học và giải quyết nhiều loại nhiệm vụ ở mức tương đương con người. Điểm khác biệt được kỳ vọng là khả năng vận dụng điều đã học vào hoàn cảnh mới, thay vì chỉ thực hiện tốt một nhóm việc được thiết kế sẵn.
Trong các tài liệu về General AI, tính tổng quát liên quan đến cả độ rộng của công việc và chất lượng thực hiện. Biết trả lời về nhiều chủ đề chưa đủ nếu hệ thống không chọn được kiến thức, phương pháp phù hợp để giải quyết vấn đề.
Các nhóm nghiên cứu vẫn dùng những ngưỡng khác nhau để mô tả AGI. Có cách định nghĩa nhấn mạnh năng lực ngang người ở phần lớn nhiệm vụ, có cách phân chia thành nhiều cấp độ. Ý thức hay cảm xúc giống con người không phải điều kiện bắt buộc trong mọi cách định nghĩa này.
Phân biệt AGI với các khái niệm AI dễ nhầm lẫn
Các thuật ngữ về AI có thể mô tả phạm vi năng lực hoặc cách hệ thống tạo ra kết quả. Hiểu đúng góc nhìn của từng khái niệm giúp bạn đọc thông tin về công nghệ mà không mặc định mọi tên gọi đều thuộc cùng một thang phát triển.
So sánh AI hẹp, AI tạo sinh, AGI và siêu trí tuệ nhân tạo
Bảng sau đặt các khái niệm cạnh nhau theo phạm vi năng lực và trạng thái phát triển. Những mô tả về AGI và siêu trí tuệ cần được đọc theo định nghĩa đang sử dụng, bởi chưa có một ngưỡng đánh giá chung cho mọi cách tiếp cận.
| Khái niệm | Góc nhìn chính | Phạm vi năng lực | Trạng thái phát triển |
|---|---|---|---|
| AI hẹp – Artificial Narrow Intelligence | Chuyên môn hóa theo nhiệm vụ hoặc miền ứng dụng | Thực hiện những công việc xác định như nhận dạng khuôn mặt hoặc phát hiện giao dịch bất thường | Đã được triển khai trong nhiều sản phẩm và quy trình |
| AI tạo sinh – Generative AI | Khả năng tạo nội dung | Sinh văn bản, hình ảnh, âm thanh hoặc mã lập trình theo dữ liệu và yêu cầu đầu vào | Đang được sử dụng rộng rãi. Đây là nhóm công nghệ theo chức năng, không phải một cấp độ nằm giữa AI hẹp và AGI |
| AGI – Artificial General Intelligence | Năng lực nhận thức tổng quát | Học và thực hiện nhiều loại nhiệm vụ ở mức tương đương con người, với khả năng chuyển kiến thức sang hoàn cảnh mới | Là mục tiêu nghiên cứu còn có khác biệt về định nghĩa và cách xác nhận đạt được |
| Siêu trí tuệ nhân tạo – Artificial Superintelligence, viết tắt là ASI | Năng lực vượt con người trên phạm vi rộng | Vượt đáng kể năng lực nhận thức của con người trong nhiều hoặc hầu hết lĩnh vực theo cách định nghĩa | Chủ yếu được xem xét trong nghiên cứu và các kịch bản tương lai |
Thực trạng phát triển AGI hiện nay
AI đã xử lý được nhiều dạng thông tin và thực hiện công việc qua công cụ, nhưng năng lực giữa các nhiệm vụ còn không đồng đều. Để hiểu tiến độ phát triển AGI, cần phân biệt kết quả đã được quan sát với khả năng thích nghi rộng và làm việc ổn định mà các nhóm nghiên cứu đang hướng tới.
Những việc AI đa phương thức và hệ thống tác nhân đã làm được
AI đa phương thức, hay multimodal AI, có thể xử lý nhiều dạng thông tin như văn bản, hình ảnh và âm thanh. Khả năng cụ thể tùy mô hình, chẳng hạn đọc nội dung ảnh, giải thích biểu đồ hoặc kết hợp tài liệu để trả lời.
AI agent bổ sung cách thực hiện công việc qua công cụ: lấy thông tin ở một bước rồi dùng kết quả cho bước tiếp theo. Mức tự chủ phụ thuộc cách hệ thống được tổ chức và quyền được cấp, không chỉ năng lực của mô hình.
Giới hạn khi AI gặp nhiệm vụ mới hoặc phải làm việc dài hạn
Ở nhiệm vụ dài, hệ thống phải giữ được mục tiêu và kiểm tra kết quả trung gian. Nếu không phát hiện một bước sai, các bước sau có thể tiếp tục dựa trên thông tin sai rồi đưa toàn bộ công việc lệch khỏi yêu cầu.
Ví dụ, ở mốc 50%, hệ thống được dự đoán có xác suất thành công một phần hai với nhiệm vụ có thời lượng tương ứng theo phương pháp đo. Đây không phải sự bảo đảm có thể giao việc mà không cần giám sát. Khi dùng kết quả cho công việc thực tế, còn phải xét loại nhiệm vụ, mức hỗ trợ và cách xử lý lỗi.
Chưa có hệ thống nào được công nhận rộng rãi là AGI
Sự khác nhau về định nghĩa là một lý do khiến tuyên bố đạt AGI chưa tạo ra sự công nhận thống nhất. Một nhóm có thể nhấn mạnh phạm vi nhiệm vụ, còn nhóm khác đòi hỏi chất lượng ngang người và độ tin cậy trên phạm vi rộng. Vì vậy, tên gọi cần đi cùng tiêu chí và kết quả kiểm tra cụ thể.
Báo cáo An toàn AI Quốc tế công bố ngày 3/2/2026 vẫn định nghĩa AGI là hệ thống giả định có năng lực ngang bằng hoặc vượt con người ở tất cả hay gần như tất cả nhiệm vụ nhận thức. Nghiên cứu Measuring Progress Toward AGI: A Cognitive Framework công bố tháng 5/2026 cũng đề xuất cách đánh giá nhiều nhóm năng lực, thay vì xem một điểm số là ngưỡng xác nhận chung. Đây là các cách tiếp cận nghiên cứu, không phải một bộ chứng nhận AGI đã được cộng đồng thống nhất sử dụng.
Những tiêu chí thường dùng để đánh giá AGI
Đánh giá AGI liên quan đến cả phạm vi công việc lẫn chất lượng thực hiện và khả năng học thích nghi. Các tiêu chí sau giúp xem xét một tuyên bố năng lực có cơ sở đến đâu, nhưng không tạo thành bộ chứng nhận AGI đã được thống nhất.
Vận dụng kiến thức giữa nhiều lĩnh vực
Tính tổng quát không nằm ở việc liệt kê nhiều thông tin thuộc những chủ đề khác nhau. Hệ thống cần chọn được dữ kiện và phương pháp liên quan khi vấn đề vượt khỏi một chuyên môn riêng lẻ.
Chẳng hạn, phương án cải thiện sản xuất phải xét dữ liệu thiết bị cùng chi phí và điều kiện an toàn. Một câu trả lời có đủ các từ này nhưng không giải thích ảnh hưởng qua lại giữa chúng vẫn chưa giải quyết được bài toán. Nhiệm vụ đánh giá vì thế cần có điều kiện mới và cách chấm rõ ràng để kiểm tra khả năng vận dụng, không chỉ mức độ quen thuộc với dạng câu hỏi.
Hiểu cách chọn bài toán, thiết kế quy trình và dùng AI có kiểm soát trong công việc hằng ngày.
Thích nghi với tình huống chưa từng gặp
Khả năng thích nghi thể hiện ở việc hệ thống học được quy tắc hoặc điều kiện mới rồi điều chỉnh cách giải quyết vấn đề. Nhiệm vụ có thể giữ nguyên mục tiêu nhưng thay đổi dữ liệu, công cụ hoặc giới hạn thực hiện để xem hệ thống phản ứng thế nào.
Một đánh giá có giá trị cần ghi rõ hệ thống được cung cấp bao nhiêu hướng dẫn và có được sửa lỗi sau mỗi lần thử hay không. Việc hoàn thành nhiệm vụ sau rất nhiều lần hỗ trợ mang ý nghĩa khác với khả năng tự học từ một lượng thông tin mới giới hạn. Khả năng nhận biết lúc cần hỏi thêm cũng cần được xem xét, bởi tiếp tục xử lý khi dữ kiện chưa đủ có thể dẫn đến phương án thiếu căn cứ.
Hoàn thành nhiệm vụ nhiều bước với kết quả ổn định
Năng lực thực hiện cần được xem xét trên cả chuỗi công việc từ khi nhận yêu cầu đến lúc hoàn thành. Hệ thống phải duy trì mục tiêu và kiểm tra những điều kiện quan trọng, kể cả khi kết quả từ một công cụ không như dự kiến.
Độ ổn định được đánh giá qua nhiều lần thực hiện và nhiều biến thể của nhiệm vụ. Người kiểm tra cần ghi nhận tỷ lệ hoàn thành đúng, số lần phải can thiệp và những lỗi có thể dẫn đến hậu quả lớn, thay vì chỉ chọn lần chạy thành công nhất.
Được kiểm tra qua nhiều tình huống thay vì một điểm số
Benchmark là bộ nhiệm vụ kiểm tra những năng lực cụ thể. Điểm cao cho biết hệ thống làm tốt trong phạm vi phép đo, nhưng có thể che đi sự khác biệt giữa các nhóm việc hoặc điều kiện sử dụng.
Để đọc một kết quả, cần xem cùng những thông tin sau:
- Nhiệm vụ thuộc lĩnh vực nào và có tách khỏi dữ liệu dùng để phát triển hệ thống không?
- Hệ thống được gọi công cụ nào, thử bao nhiêu lần và nhận hỗ trợ gì?
- Kết quả có lặp lại ổn định, với thời gian và chi phí có thể chấp nhận không?
Kết hợp nhiều bộ nhiệm vụ và kiểm tra độc lập giúp nhận diện điểm mạnh, điểm yếu tốt hơn việc chỉ chọn điểm số cao nhất. Các tình huống mới hoặc có dữ liệu nhiễu cũng cho biết hệ thống xử lý ra sao khi điều kiện không còn giống bài kiểm tra quen thuộc.
Những trở ngại kỹ thuật trên đường phát triển AGI
Việc bổ sung dữ liệu hoặc tăng năng lực tính toán chưa tự giải quyết mọi vấn đề về học hỏi và hành động. Một hệ thống muốn hoạt động ổn định lâu dài còn phải quản lý kiến thức, lập kế hoạch và phối hợp các nguồn thông tin khi hoàn cảnh thay đổi.
Ghi nhớ và học kiến thức mới mà không quên kiến thức cũ
Có hai vấn đề khác nhau: nhớ thông tin đang dùng cho một nhiệm vụ và học thêm kiến thức, kỹ năng để sử dụng về sau. Lưu toàn bộ lịch sử không giải quyết được cả hai nếu hệ thống không tìm đúng dữ kiện hoặc không nhận ra thông tin đã lỗi thời.
Trong continual learning, việc tiếp tục huấn luyện trên dữ liệu mới có thể làm giảm năng lực ở nhiệm vụ cũ. Hiện tượng này gọi là catastrophic forgetting: những thay đổi giúp mô hình làm tốt việc mới có thể ảnh hưởng đến phần đã học trước đó.
Suy luận và lập kế hoạch trong môi trường thay đổi
Lập kế hoạch không chỉ là viết ra một chuỗi bước hợp lý. Hệ thống còn phải biết trạng thái hiện tại đã thay đổi ra sao và bước tiếp theo có còn thực hiện được không.
Ví dụ, nếu một nguồn dữ liệu không truy cập được, hệ thống cần xác định có thể dùng nguồn thay thế hay phải hỏi người phụ trách. Cứ tiếp tục theo kế hoạch cũ có thể tạo ra kết quả thiếu căn cứ. Với mục tiêu nhiều ràng buộc, một lựa chọn thuận lợi trước mắt cũng có thể làm mất khả năng hoàn thành các bước sau.
Đánh giá năng lực này cần đối chiếu kế hoạch với hành động thực tế, bao gồm cách sửa sai và lúc hệ thống quyết định dừng để xin hỗ trợ. Chuỗi giải thích nghe hợp lý không thay thế cho việc hoàn thành đúng yêu cầu.
Kết nối thông tin từ nhiều nguồn với hành động thực tế
Hệ thống có thể nhận dữ liệu từ văn bản, hình ảnh và thiết bị đo nhưng các nguồn này không phải lúc nào cũng thống nhất. Một thông tin cập nhật chậm hoặc một tín hiệu đo sai có thể làm thay đổi cách hiểu về tình huống hiện tại.
Để hành động đúng, AI cần xác định nguồn nào đáng tin và dữ kiện nào còn phải kiểm tra. Với robot hoặc thiết bị vật lý, hệ thống còn phải đáp ứng giới hạn về chuyển động và thời gian phản ứng trong môi trường có người cùng hoạt động.
Kết quả tốt trong mô phỏng cần tiếp tục được kiểm tra khi chuyển sang môi trường thực. Những khác biệt về ánh sáng, vật liệu hoặc cách bố trí có thể tạo ra tình huống mà mô hình chưa xử lý được trong quá trình thử nghiệm.
Tiềm năng ứng dụng nếu AGI được phát triển
Những ứng dụng dưới đây là các khả năng có thể được mở rộng nếu hệ thống đạt năng lực tổng quát và đáp ứng yêu cầu về độ tin cậy. Nhiều phần việc đã được AI hiện tại hỗ trợ, còn mức độ phối hợp linh hoạt giữa chúng vẫn là vấn đề cần tiếp tục kiểm chứng.
Hỗ trợ nghiên cứu cần kết hợp nhiều chuyên ngành
AGI được kỳ vọng hỗ trợ tổng hợp kiến thức từ những lĩnh vực khác nhau để hình thành và kiểm tra giả thuyết. Một hệ thống như vậy có thể tham gia từ bước tìm tài liệu đến phân tích dữ liệu và đề xuất hướng thử nghiệm theo mục tiêu nghiên cứu.
Giá trị của năng lực này nằm ở việc nhận ra những mối liên hệ phù hợp và phát hiện điểm chưa nhất quán giữa các nguồn. Kết quả đề xuất vẫn phải được kiểm tra bằng phương pháp chuyên môn và bằng chứng thực nghiệm trước khi được chấp nhận. Với thử nghiệm ảnh hưởng đến con người hoặc môi trường, thẩm quyền phê duyệt cần được xác định riêng theo phạm vi nghiên cứu.
Xử lý quy trình công việc dài và phức tạp
Nếu được phát triển đủ tin cậy, một AGI system có thể hỗ trợ theo dõi quy trình cần phối hợp nhiều bộ phận và nguồn dữ liệu. Hệ thống sẽ phải liên hệ đầu ra cuối cùng với các bước phụ thuộc, cập nhật tiến độ và điều chỉnh khi điều kiện thay đổi.
Chẳng hạn, khi nhà cung cấp giao chậm, kế hoạch cung ứng cần xét lại ảnh hưởng đến tồn kho và sản xuất. Việc đề xuất một lịch thay thế khác với quyền tự đổi đơn hàng hay cam kết với đối tác. Những quyết định đó vẫn cần được đặt trong phạm vi thẩm quyền đã giao.
Điều chỉnh cách hỗ trợ theo từng mục tiêu và hoàn cảnh
Trong học tập, một khả năng được kỳ vọng ở AGI là theo dõi mục tiêu, phần kiến thức đã nắm và những điểm còn vướng để điều chỉnh cách hướng dẫn. Đây là hướng ứng dụng có điều kiện, không phải lời khẳng định mọi hệ thống AI hiện tại đều hiểu đầy đủ từng người học.
Cá nhân hóa còn cần phân biệt thông tin người dùng đã xác nhận với suy đoán của hệ thống. Người sử dụng cần có cách sửa thông tin sai, quản lý dữ liệu được lưu và lựa chọn mức hỗ trợ mình chấp nhận. Hệ thống nên giúp họ hiểu phương án cùng hệ quả, không tự thay thế quyền quyết định.
Rủi ro và yêu cầu kiểm soát AGI
Rủi ro phụ thuộc năng lực hệ thống cùng quyền truy cập và môi trường được phép hoạt động. Vì vậy, việc kiểm soát cần được thiết kế song song với phát triển công nghệ và được kiểm tra lại khi phạm vi sử dụng thay đổi.
Giữ hành động của hệ thống phù hợp với mục tiêu con người
Yêu cầu giảm chi phí có thể bị thực hiện khác với ý định ban đầu nếu bỏ qua giới hạn về chất lượng và an toàn. Đây là ví dụ về khoảng cách giữa mục tiêu được mô tả và kết quả con người thực sự mong muốn, không chỉ là lỗi diễn đạt trong một câu lệnh.
Các giới hạn quan trọng còn phải được thể hiện qua quyền truy cập, cơ chế phê duyệt và cách kiểm tra hành động. Khi AI được kết nối với công cụ có thể tạo thay đổi lớn, chỉ thêm một câu nhắc trong prompt không thay thế được những biện pháp này.
Bảo đảm khả năng giám sát, can thiệp và ngừng hoạt động
Giám sát chỉ có tác dụng khi người có thẩm quyền vừa nhìn được việc đang diễn ra, vừa có cách can thiệp. Với một hệ thống thực hiện hành động qua công cụ, cần chuẩn bị ít nhất các phần sau:
- Truy vết: ghi nhiệm vụ, công cụ đã dùng và thay đổi đã tạo ra để tìm lại nguyên nhân khi có sai lệch.
- Kiểm soát hành động: xác định việc nào cần phê duyệt, ai được tạm dừng và cách thu hồi quyền truy cập.
- Xử lý sau khi dừng: bàn giao việc còn dang dở hoặc khôi phục trạng thái phù hợp để không phát sinh thêm gián đoạn.
Những cơ chế này cần được thử trong điều kiện vận hành. Có nút dừng không tự cho biết hệ thống sẽ để lại trạng thái nào hoặc những thao tác nào đã không thể đảo ngược.
Ngăn chặn lạm dụng và bảo vệ dữ liệu
Rủi ro lạm dụng tăng khi hệ thống có thể truy cập dữ liệu nhạy cảm và thực hiện thao tác trên nhiều dịch vụ. Đơn vị triển khai cần giới hạn công cụ và quyền truy cập theo nhiệm vụ, đồng thời quản lý dữ liệu được đưa vào, người được tiếp cận và thời gian lưu trữ.
Một rủi ro khác là indirect prompt injection: chỉ dẫn độc hại có thể được cài trong website hoặc tài liệu mà AI đọc. Nội dung tham khảo khi đó cố khiến hệ thống làm việc ngoài yêu cầu, chẳng hạn tiết lộ thông tin hoặc gọi công cụ sai mục đích. Hệ thống cần tách dữ liệu bên ngoài khỏi lệnh điều khiển và kiểm tra quyền trước hành động. Những biện pháp này giảm rủi ro, không tạo bảo đảm tuyệt đối trước mọi cách tấn công.
Xem xét tác động đến việc làm và phân bổ lợi ích
Khả năng tự động hóa một nhiệm vụ không đồng nghĩa toàn bộ một vị trí sẽ biến mất. Một công việc còn có trách nhiệm phối hợp, kiểm tra và quyết định, trong khi mức thay đổi thực tế phụ thuộc chi phí triển khai cùng cách doanh nghiệp tổ chức lại nhiệm vụ.
Nếu lợi ích công nghệ tập trung ở những tổ chức sở hữu dữ liệu và hạ tầng lớn, khả năng tiếp cận của doanh nghiệp nhỏ và người lao động có thể trở thành vấn đề. Vì vậy, việc chuẩn bị cần bao gồm đào tạo lại, hỗ trợ chuyển đổi công việc và xem xét cách phân bổ lợi ích. Doanh nghiệp có thể bắt đầu từ những nhiệm vụ đang thay đổi để xác định nhân sự cần hỗ trợ gì, thay vì lấy một dự báo thời điểm xuất hiện AGI làm kế hoạch nhân sự.
Kết luận
AGI hướng đến năng lực học và giải quyết vấn đề trên phạm vi rộng, nhưng cách định nghĩa và đánh giá vẫn còn khác nhau. Khi gặp tuyên bố đạt AGI, hãy xem hệ thống đã làm được nhiệm vụ nào, trong điều kiện gì và với độ tin cậy ra sao. Với người học và doanh nghiệp, hiểu giới hạn của AI đang dùng, quản lý dữ liệu và giữ rõ quyền kiểm soát của con người là những việc có thể thực hiện ngay, không cần chờ một mốc AGI được dự báo.
Bài viết liên quan
- AR (Augmented Reality) là gì? Ứng dụng của công nghệ AR
- Data Warehouse là gì? Những đặc điểm kỹ thuật của DW
- Kinh tế xanh là gì? Các nguyên tắc trong phát triển kinh tế xanh
- Supplier là gì? Mối quan hệ của Supplier trong Logistics
- Trái phiếu xanh là gì? Các loại trái phiếu xanh trên thế giới
- Tín dụng xanh là gì? Các lĩnh vực có thể tiếp cận tín dụng xanh
