Mùa hè năm 2012, tờ The New York Times đăng một bài báo với tiêu đề khá lạ: Cần bao nhiêu máy tính để nhận ra một con mèo? Câu trả lời là 1.000 máy cùng với 16.000 lõi xử lý. Một mạng máy tính khổng lồ của Google đã xem hình ảnh từ 10 triệu video YouTube, và dù không ai dạy con mèo trông như thế nào, nó vẫn tự nhận ra. Thí nghiệm ấy được xem là một trong những cột mốc mở đầu cho thời đại trí tuệ nhân tạo mà chúng ta đang sống.
Người đứng tên đầu tiên trên bài báo khoa học về thí nghiệm đó là một nghiên cứu sinh khoảng 30 tuổi, người mà về sau báo chí mô tả là dáng gầy, ít nói, đeo cặp kính dày. Anh sinh ra ở một làng quê thuộc Thừa Thiên Huế, nơi đến khi anh lên 9 tuổi vẫn chưa có điện. Tên anh là Lê Viết Quốc.
Hơn một thập kỷ sau đó, cái tên ấy xuất hiện ở nhiều bước ngoặt của ngành AI: công trình giúp máy dịch trọn vẹn cả câu, nền tảng cho Google Dịch thế hệ mới; dự án dạy máy tự thiết kế mạng nơ-ron; những nghiên cứu giúp mô hình ngôn ngữ biết suy luận từng bước. Báo chí trong nước gọi ông là quái kiệt AI. Tháng 8 năm 2026, ông cùng một nhóm nhà khoa học hàng đầu rời Google để lập công ty với mục tiêu còn táo bạo hơn: để máy móc tự khám phá khoa học.
Vậy điều gì đã đưa một cậu bé từ làng quê Huế đến những phòng thí nghiệm định hình tương lai công nghệ? Ông đã thực sự đóng góp những gì, và đâu là phần của tập thể? Trong video này, chúng ta sẽ đi từ một bức ảnh trong cuốn sách cũ, qua những canh bạc khoa học mà ít người tin, đến hành trình mới nhất của người Việt đứng giữa cuộc cách mạng AI.
Được tạo bởi AI·Có thể có lỗi
Tóm tắt video
Được tạo bởi AI
Video kể về hành trình truyền cảm hứng của Lê Viết Quốc, từ một cậu bé nghèo ở Huế trở thành nhà khoa học AI hàng đầu tại Google. Nội dung làm nổi bật những đóng góp mang tính bước ngoặt của ông trong lĩnh vực Deep Learning, từ thí nghiệm nhận diện con mèo, phát triển Seq2Seq, AutoML cho đến việc thành lập Discovery Loop nhằm tự động hóa khám phá khoa học.
Mùa hè năm 2012, tờ The New York Times đăng một bài báo với
tiêu đề khá lạ, cần bao nhiêu máy tính để nhận ra một con mèo?
Câu trả lời là 1.000 máy cùng với 16.000 loại xử lý.
Một mạng máy tính khổng lồ của Google đã xem hình ảnh từ 10 triệu
video YouTube, và dù không ai dạy con mèo trông như thế nào,
nó vẫn tự nhận ra. Thí nghiệm ấy được xem là một trong những cột
mốc mở đầu cho thời đại trí tuệ nhân tạo mà chúng ta đang sống.
Người đứng tên đầu tiên trên bài báo khoa học về thí
nghiệm đó là một nghiên cứu sinh khoảng 30 tuổi,
người mà về sau báo chí mô tả là dáng gầy, ít nói, đeo cặp kính dày.
Anh sinh ra ở một làng quê thuộc Thừa Thiên Huế,
nơi đến khi anh lên 9 tuổi vẫn chưa có điện, tên anh là Lê Viết Quốc.
Hơn một thập kỷ sau đó, cái tên ấy xuất hiện ở nhiều bước
ngoặt của ngành AI, công trình giúp máy dịch trọn vẹn cả câu,
nền tảng cho Google dịch thế hệ mới,
dự án dạy máy tự thiết kế mạng Neuron,
những nghiên cứu giúp mô hình ngôn ngữ biết suy luận từng bước.
Báo chí trong nước gọi ông là quái kiệt AI. Tháng 8 năm 2026,
ông cùng một nhóm nhà khoa học hàng đầu rời Google để lập công
ty với mục tiêu còn táo bạo hơn để máy móc tự khám phá khoa học.
Vậy điều gì đã đưa một cậu bé từ làng quê Huế đến
những phòng thí nghiệm định hình tương lai công nghệ?
Ông đã thực sự đóng góp những gì và đâu là phần của tập thể?
Trong video này, chúng ta sẽ đi từ một bức ảnh trong cuốn
sách cũ qua những canh bạc khoa học mà ít người tin đến hành
trình mới nhất của người Việt đứng giữa cuộc cách mạng AI.
Ở Thủy Dương, một vùng quê thuộc Hương Thủy,
Thừa Thiên Huế, có một cậu bé 13-14 tuổi,
hay lục tìm sách trong tủ sách của một người bác.
Một ngày, cậu mở cuốn sách kể về những khám phá lớn của nhân loại và
dừng lại ở một bức ảnh, con người đầu tiên đặt chân lên mặt trăng.
Cậu bé ấy là Lê Viết Quốc, sinh năm 1982.
Theo lời chính ông kể, tuổi thơ của ông khá là bình lặng.
Cậu học trường làng, sống ở một vùng quê,
mà đến năm cậu 9 tuổi mới có điện.
Những thứ quen thuộc với trẻ em thành phố như TV hay nồi cơm
điện từng là điều mới mẻ, làm thay đổi hẳn sinh hoạt của cả nhà.
Trong hoàn cảnh ấy, sách là cánh cửa rộng nhất để cậu nhìn ra thế giới.
Bức ảnh trên mặt trăng khiến cậu bé đặt ra một câu hỏi mà nhiều người
lớn chưa từng nghĩ tới, con người không phải là loài khỏe nhất,
không chạy nhanh nhất, cũng không biết bay, vậy tại sao chính
con người chứ không phải loài nào khác lại đặt chân lên mặt trăng?
Câu trả lời quốc tự tìm ra rất đơn giản đó là trí tuệ.
Từ câu trả lời ấy, một ý nghĩa khác nảy ra,
nếu trí tuệ đưa con người đi xa đến như vậy,
liệu có thể tạo ra một cỗ máy cũng có trí tuệ hay không?
Theo một số nguồn, cậu bé khi ấy mơ về một chiếc máy
tính đủ thông minh để tự phát minh ra những thứ mới.
Đó chỉ là giấc mơ của một đứa trẻ ở làng quê,
nhưng nó sẽ theo ông suốt hơn 3 thập kỷ sau.
Lên cấp 3, Quốc thi đỗ vào lớp chuyên toán tin của trường Quốc học Huế,
ngôi trường hơn trăm năm tuổi từng đào tạo
nhiều thế hệ học trò nổi tiếng của đất nước.
Ông được nhớ đến như một cậu học sinh xuất sắc và toán học cùng tin
học trở thành nền móng cho con đường mà cậu đã lặng lẽ chọn từ trước.
Sau khi nhận học bổng Quốc theo học ngành kỹ thuật phần mềm
tại Đại học Quốc gia nước Úc, năm 2004, khi đang học tại đây,
ông bắt đầu tìm hiểu và tham gia nghiên cứu trí tuệ nhân tạo.
Đó là một bước chuyển lớn với chàng trai từ làng quê Huế.
Nhưng điều bất ngờ là ông không thấy việc học ở đây quá khó.
Theo lời ông kể với tạp chí Tiêu Sáng, năm thứ nhất ông thấy nhàn,
sang năm thứ hai thì bắt đầu thấy chán.
Thay vì để thời gian trôi qua,
Quốc tìm đến thứ mình thực sự quan tâm đó là trí tuệ nhân tạo.
Năm thứ hai đại học, ông mạnh dạn xin thực tập với một giáo
sư chuyên về AI, người hướng dẫn ông khi ấy là Alex Smola,
nhà khoa học máy tính nổi tiếng trong lĩnh vực học máy.
Cùng Smola, chàng sinh viên Việt Nam nghiên cứu các phương pháp kernel,
một kỹ thuật toán học giúp máy tính tìm ra quy luật ẩn trong dữ liệu.
Những năm ở Canberra mang lại cho Quốc hai thứ quan trọng,
thứ nhất là tấm bằng kỹ thuật phần mềm loại ưu,
thứ hai quan trọng hơn là một lời giới thiệu,
vì giáo sư mà ông theo thực tập đã giới thiệu ông sang đọc
Stanford ở California, một trong những trung tâm nghiên cứu
máy tính hàng đầu thế giới nằm ngay giữa thung lũng Silicon.
Năm 2007, Lê Viết Quốc bắt đầu chương trình tiến sĩ khoa học máy
tính tại Stanford. Từ một làng quê không có điện, ông đã đến
đúng nơi những công nghệ định hình thế giới đang được sáng tạo.
Nhưng lĩnh vực ông chọn, học sâu,
tức cách cho máy học bằng những mạng lưới mô phỏng neuron thần kinh,
lúc ấy lại chưa được giới khoa học coi trọng.
Với nhiều người trong ngành,
đó chưa phải hướng đi đáng để đặt cược cả sự nghiệp.
Vậy điều gì khiến một nhóm nhỏ các nhà nghiên cứu, trong đó có
chàng nghiên cứu sinh đến từ Huế, vẫn kiên trì đặt cược vào nó?
Vì sao một ý tưởng từng bị số đông xem nhẹ lại
trở thành nền móng của trí tuệ nhân tạo hôm nay?
Câu hỏi ấy được kể lại từ chính góc
nhìn của người trong cuộc trong cuốn
Deep Learning cuộc cách mạng học sâu của Terrence Sejnowski,
xuất bản năm 2018.
Sejnowski là nhà khoa học tại viện Salk ở Mỹ,
chuyên nghiên cứu cách bộ não xử lý thông tin.
Ông giải thích bằng ngôn ngữ dễ hiểu cách
những mạng neuron nhân tạo học từ dữ liệu
theo cách gần giống bộ não học từ kinh nghiệm.
Ông cũng kể lại hành trình gần 3 thập kỷ.
Mà một cộng đồng nhỏ các nhà nghiên
cứu kiên nhẫn theo đuổi hướng đi này
Giữa lúc nhiều người cho rằng máy tính
không thể mô phỏng cách bộ não học
Đọc cuốn sách, bạn sẽ hiểu rõ hơn bối cảnh
mà chàng nghiên cứu sinh đến từ Huế bước vào
Và vì sao sự kiên trì ấy lại dẫn đến
những bước ngoặt mà chúng ta sắp kể
Bạn tâm đắc cuốn sách này cùng nhiều cuốn
sách về trí tuệ nhân tạo và công nghệ
Đã có trên app sách tinh gọn do team phát triển
Bạn có thể tải ứng dụng theo website sách tinh gọn.com nhé
Cảm ơn bạn rất nhiều
Mùa thu năm 2007, Lê Viết Quốc bước vào vòng
thí nghiệm của giáo sư Andrew Ng tại Stanford.
Andrew Ng là nhà khoa học máy tính người Mỹ, gốc Hoa, về sau trở
thành một trong những gương mặt nổi tiếng nhất của ngành trí tuệ
nhân tạo và là người đồng sáng lập nền tảng học trực tuyến Coursera.
Dưới sự hướng dẫn của ông, chàng nghiên cứu sinh Việt Nam bắt
đầu đi tìm lời giải cho câu hỏi đã theo mình từ thời niên thiếu,
làm thế nào để máy tính hiểu thế giới theo cách con người hiểu.
Nhiều hệ thống nhận diện hiệu quả khi ấy phụ thuộc
vào lượng lớn dữ liệu được con người gán nhãn.
Quốc muốn mở rộng khả năng học từ dữ liệu
chưa gán nhãn bằng những mạng neuron lớn hơn.
Muốn máy nhận ra con chó, phải có người đánh dấu
hàng nghìn bức ảnh và ghi rõ đâu là con chó.
Một cách làm vừa chậm vừa tốn công.
Trong khi đó, thế giới tràn ngập dữ liệu chưa có ai gán nhãn.
Hình ảnh, video, văn bản trên Internet.
Nếu máy có thể tự học từ khối dữ liệu đó,
giống như một đứa trẻ tự quan sát xung quanh thì sẽ ra sao?
Trong một cuộc phỏng vấn với tạp chí Wired năm 2015, ông từng nói rằng
sẽ thật tuyệt nếu có một thuật toán học được từ dữ liệu không gán nhãn,
bởi loại dữ liệu này nhiều hơn rất nhiều so với dữ liệu đã gán nhãn.
Ý tưởng ấy đã theo ông từ những năm ở Stanford, khi học sâu hay
học bằng mạng neuron nhân tạo vẫn còn đứng bên lề của ngành.
Có thể hình dung mạng neuron nhân tạo như một mạng lưới gồm rất nhiều
nút nhỏ, đối với nhau, mỗi nút giống một tế bào thần kinh đơn giản.
Khi được cho xem dữ liệu, các mối nối giữa những nút này được
điều chỉnh dần, cho đến khi cả mạng lưới nhận ra được quy luật.
Ý tưởng này đã có từ nhiều thập kỷ trước, nhưng kết quả thực tế thường
thua các phương pháp khác nên nhiều nhà khoa học không còn mặn mà.
Lê Viết Quốc nhìn nhận vấn đề theo hướng khác.
Ông tin rằng các thuật toán học sâu khi ấy không hẳn là kém,
mà chỉ chậm và quá nhỏ. Theo ông, nếu làm cho những mạng neuron mô
phỏng lớn hơn khoảng 100 lần, chúng có thể học tốt hơn rất nhiều.
Từ kết quả nghiên cứu của mình, ông đi đến một kết luận mà
chính ông thừa nhận là rất gây tranh cãi vào thời điểm ấy,
dữ liệu và sức mạnh tính toán quan trọng hơn bản thân thuật toán.
Nghe thì đơn giản nhưng đây là quan điểm đi ngược xu hướng khi ấy. Phần
lớn giới nghiên cứu khi ấy tin rằng tiến bộ đến từ những ý tưởng thuật
toán thông minh hơn chứ không phải chỉ từ việc làm cho mọi thứ to lên.
Còn Quốc cho rằng một mạng neuron đủ lớn được nuôi bằng đủ nhiều dữ
liệu có thể tự học những điều mà con người khó lập trình cho nó.
Vấn đề là muốn chứng minh điều đó cần một nguồn
lực tính toán khổng lồ vượt quá khả năng tiếp cận
thông thường của các phòng thí nghiệm học thuật.
Một phòng thí nghiệm ở Stanford, dù danh tiếng đến đâu, cũng không
thể cấp riêng hàng nghìn máy tính cùng lúc cho một thí nghiệm.
Theo lời kể của Lê Viết Quốc đến năm 2011, ông nhận ra rằng
muốn học sâu thành công thì phải có rất nhiều máy tính,
và nơi đáp ứng được điều đó nằm ngay gần Stanford,
nhưng không phải là một trường đại học, đó là Google.
Năm 2011, Andrew Ng bắt đầu hợp tác với Google và Lê
Viết Quốc cùng thầy chuyển sang làm việc về AI tại đây.
Theo tạp chí Tia Sáng, ông vào Google khi ấy với tư cách thực tập sinh.
Ở đây ông gặp Jeff Dean, một trong những kỹ sư lừng danh của Google,
người đã thiết kế nhiều hệ thống nền tảng
giúp công ty xử lý lượng dữ liệu khổng lồ.
Cũng trong năm 2011, một nhóm nghiên cứu mới hình
thành bên trong Google X, phòng thí nghiệm chuyên
những dự án táo bạo của Google như là xe tự lái.
Nhóm ban đầu là sự hợp tác bán thời gian giữa Jeff
Dean và nhà nghiên cứu Greg Corrado cùng với Andrew
Ng và được đặt tên Google Brain, bộ não của Google.
Mục tiêu là khám phá học sâu bằng chính lượng dữ liệu
và hạ tầng máy tính khổng lồ mà chỉ Google mới có.
Về vai trò của Lê Viết Quốc trong nhóm này,
các nguồn mô tả không giống nhau,
nhiều tài liệu quốc tế gọi ông là một trong những người đồng sáng
lập Google Brain cùng với Andrew Ng, Jeff Dean và Greg Corrado,
trong khi có nguồn gọi ông là thành viên sáng lập hoặc kỹ sư sáng lập.
Dù gọi theo cách nào, điểm chung là ông có mặt ngay từ những ngày đầu,
khi Google Brain mới chỉ là một ý tưởng thử nghiệm.
Nhóm nhỏ ấy đã quyết định mở đầu bằng một thí nghiệm có quy mô
chưa từng có. Họ sẽ xây dựng một mạng neuron lớn hơn rất nhiều
so với những gì từng được thử, chạy trên hàng nghìn máy tính
và cho nó học từ một nguồn dữ liệu đời thường mà ai cũng biết.
Video trên YouTube, không ai biết chắc nó sẽ phát triển đến đâu.
Ngày 25 tháng 6 năm 2012, nhà báo John Markoff của tờ
The New York Times đăng một bài viết với tiêu đề gây tò mò
Cần bao nhiêu máy tính để nhận ra một con mèo?
Câu trả lời nằm ngay trong tiêu đề 1.000 máy và 16.000 loại xử lý
Bài báo kể về một thí nghiệm trong phòng thí nghiệm bí mật Google X
Nơi một mạng máy tính khổng lồ đã tự dạy mình nhận ra con mèo
Ý tưởng của thí nghiệm ngay đơn giản nhưng quy mô thì chưa từng có.
Nhóm nghiên cứu kết nối 16.000 bộ xử lý thành
một mạng Neuron với hơn 1 tỷ mối kết nối,
rồi cho nó xem những hình ảnh thu nhỏ lấy
ngẫu nhiên từ 10 triệu video trên YouTube.
Không ai nói với nó đâu là người, đâu là xe, đâu là con mèo.
Jeff Dean kể với The New York Times rằng trong suốt quá trình huấn
luyện, nhóm chưa bao giờ nói với hệ thống rằng đây là một con mèo.
Vậy mà sau khi xem đủ nhiều hình ảnh, mạng neuron tự hình
thành một bộ phận phản ứng mạnh với hình ảnh con mèo.
Không cần bất kỳ nhãn dán nào, hệ thống tự hình thành một
neuron có khả năng nhận biết mỗi khi nhìn thấy hình ảnh mặt mèo.
Thí nghiệm chứng minh máy tính có thể tự học
các đặc điểm phức tạp từ thế giới xung quanh.
Để hiểu vì sao kết quả này quan trọng,
hãy nghĩ về cách một đứa trẻ học nhận biết thế giới.
Không ai ngồi chỉ cho trẻ hàng nghìn bức ảnh con mèo kèm lời
giải thích, đứa trẻ chỉ quan sát rồi dần dần từ nhận ra những
con vật bốn chân, tai nhọn, có ria và gom chúng vào một nhóm.
Thí nghiệm của Google Brain cho thấy máy tính cũng có thể học
theo cách tương tự miễn là nó đủ lớn và được xem đủ nhiều.
Khi được thử với danh sách 20.000 loại vật thể,
hệ thống đạt độ chính xác 15,8%,
cải thiện tương đối 70% so với kết quả đối chiếu trước đó.
Dù vậy, những người làm ra nó vẫn rất thận trọng.
Andrew Ng nói với The New York Times rằng
so sánh các thông số trong mạng neuron
với khớp thần kinh trong não người
chỉ là một phép so sánh rất lỏng lẽo.
Bài báo cũng chỉ ra rằng mạng máy tính ấy vẫn nhỏ hơn rất nhiều
so với vùng xử lý hình ảnh trong não người,
vốn có số neuron và khớp thần kinh nhiều hơn khoảng 1 triệu lần.
Bài báo khoa học trình bày thí nghiệm này được công bố tại
Hội nghị quốc tế về học máy, gọi tắt là ICML, năm 2012.
Và người đứng tên đầu tiên chính là Lê Viết Quốc,
người dẫn dắt của dự án với một nghiên cứu sinh chưa bảo vệ luận
án đó là vị trí hiếm có, đặt ông vào trung tâm của một trong
những thí nghiệm được nhắc đến nhiều nhất trong lịch sử học sâu.
ý nghĩa của thí nghiệm con mèo còn
lớn hơn khả năng nhận ra một con vật.
Theo tạp chí Tia Sáng, nghiên cứu này
khiến cả ngành bắt đầu chú ý đến quy mô.
Ý tưởng từng gây tranh cãi của Lê Viết Quốc rằng
một mạng neuron đủ lớn với đủ nhiều dữ liệu
sẽ tự học được những điều đáng chú ý.
nay đã có bằng chứng rõ ràng.
Thành công ấy cũng thay đổi số phận của chính Google Brain.
Từ một dự án thử nghiệm trong Google X,
nhóm được chuyển về một phần chính của Google,
nơi các công trình của họ nhanh chóng được đưa vào những
sản phẩm như tìm kiếm hình ảnh và nhận dạng giọng nói.
Astro Teller, người đứng đầu Google X,
về sau còn nói rằng riêng giá trị mà Google Brain mang lại đã
đủ để bù đắp toàn bộ chi phí của cả phòng thí nghiệm Google X.
Năm 2013, Lê Viết Quốc bảo vệ luận án tiến sĩ tại Stanford với đề
tài về học đặc trưng ở quy mô lớn, tức cách để máy tự tìm ra những
đặc điểm quan trọng trong khối dữ liệu khổng lồ. Ngay sau đó,
ông chính thức gia nhập Google với vai trò là nhà nghiên cứu.
Gần 10 năm sau, năm 2022, thí nghiệm
con mèo được vinh danh tại chính hội nghị ICML bằng một đề cử danh
dự cho giải thưởng cho những công trình đứng vững với thời gian.
Nhưng với Lê Viết Quốc nhận ra hình ảnh mới chỉ là bước bắt đầu,
một bức ảnh con mèo dù phức tạp vẫn là một khung hình đứng yên,
ngôn ngữ thì khác, từ ngữ nối tiếp nhau và nghĩa của một chữ phụ thuộc
vào những chữ đứng trước và sau nó, liệu một mạng neuron có thể hiểu
và chuyển cả một câu từ ngôn ngữ này sang ngôn ngữ khác hay không?
Tháng 9 năm 2014, ba nhà nghiên cứu của Google Brain
công bố bài báo Học chuỗi sang chuỗi bằng mạng neuron,
tên tiếng Anh là Sequence-to-Sequence Learning with Neural Networks.
Ba tác giả gồm Ilya Sutskever, người về sau đồng sáng lập OpenAI,
Oriol Vinyals, về sau là một trong những nhà khoa
học chủ chốt của Google DeepMind, và Lê Viết Quốc,
mô hình trong bài báo được giới nghiên cứu, gọi tắt là Seq2Seq.
Để hiểu seq2seq làm gì,
hãy nghĩ đến cách một người phiên dịch làm việc.
Người phiên dịch kém sẽ dịch từng chữ ngay khi nghe thấy và kết
quả thường ngô nghê vì mỗi ngôn ngữ có trật tự từ khác nhau.
Người phiên dịch giỏi thì nghe hết cả câu, hiểu trọn ý rồi
mới diễn đạt lại bằng ngôn ngữ kia theo cách tự nhiên nhất.
seq2seq làm điều tương tự bằng hai mạng neuron nối tiếp nhau.
Mạng thứ nhất đọc toàn bộ câu đầu vào,
từng chữ một rồi nén ý nghĩa của cả câu, thành một chuỗi con số,
giống như ghi nhớ ý chính vào đầu. Mạng thứ hai nhận chuỗi
con số ấy và lần lượt viết ra câu ở ngôn ngữ đích.
Giới chuyên môn gọi kiến trúc này là mã hóa và giải mã.
Một bên nén ý nghĩa lại, một bên mở ý nghĩa ra.
Theo lời Lê Viết Quốc kể với báo Tuổi Trẻ, những thử nghiệm
đầu tiên của mô hình này là dịch tiếng Việt sang tiếng Anh.
Còn theo tạp chí Tia Sáng,
khi nhóm đề xuất ý tưởng nén cả một câu thành chuỗi số trước khi dịch,
nhiều đồng nghiệp tỏ ra hoài nghi vì cách làm này đi
ngược với các hệ thống dịch máy phổ biến lúc đó,
vốn chủ yếu xử lý văn bản theo từng chữ từng cụm nhỏ.
Cũng trong năm 2014, Lê Viết Quốc cùng nhà nghiên cứu Thomas Mikolov
phát triển một phương pháp biến cả đoạn văn hay văn bản thành chuỗi
con số, về sau được gọi là Doc2Vec.
Do đó, máy tính có thể so sánh nội dung của hai văn bản,
chẳng hạn nhận ra hai bài viết đang nói về cùng
một chủ đề dù dùng những từ ngữ khác nhau.
Năm 2014 cũng là năm tên tuổi Lê Viết Quốc được giới công nghệ quốc
tế chú ý. Tạp chí MIT Technology Review ấn phẩm về công nghệ của
Viện Công nghệ Massachusetts đưa ông vào danh sách những nhà sáng
tế vinh danh xuất sắc dưới 35 tuổi, với lý do là mục tiêu của ông làm cho
phần mềm đủ thông minh để giúp con người trong cuộc sống hàng ngày.
Chỉ hai năm sau, mục tiêu ấy đã thành hiện thực. Ngày 27 tháng 9, 2016,
Google công bố hệ thống dịch máy bằng mạng Neuron cho Google dịch.
Cặp ngôn ngữ đầu tiên được áp dụng là tiếng Trung sang tiếng Anh,
và các ngôn ngữ khác được bổ sung trong những tháng tiếp theo.
Theo kết quả thử nghiệm của Google,
các chuyên gia đánh giá rằng hệ thống mới này giúp giảm trung bình
khoảng 60% lỗi so với phương pháp dịch dựa trên cụm từ trước đây.
Điểm khác biệt cốt lõi nằm đúng ở ý tưởng của seq2seq,
hệ thống cũ chủ yếu phân tích văn bản theo từng chữ từng cụm,
còn hệ thống mới đọc và xử lý cả câu.
Lê Viết Quốc khi ấy là một trong những nhà
khoa học góp phần phát triển hệ thống,
giải thích với tạp chí Scientific American rằng từ đầu vào đến đầu ra,
mọi thứ đều do một mạng neuron duy nhất đảm nhận.
Dù chỉ thử nghiệm tiếng Việt và tiếng Anh,
Quốc vẫn có thể cùng đồng nghiệp phát triển phương pháp dịch
cho nhiều ngôn ngữ khác nhờ dữ liệu huấn luyện. Khả năng mở
rộng ấy tiếp tục được phát triển qua nhiều thế hệ Google dịch.
Ông không cần biết tiếng Nhật hay tiếng Đức để máy dịch được
những thứ tiếng ấy, vì chính cỗ máy tự học từ dữ liệu,
đúng như niềm tin ông theo đuổi từ những năm ở Stanford.
Ảnh hưởng của Seq2Seq còn vượt xa Google dịch,
kiến trúc mã hóa và giải mã ấy trở thành điểm khởi đầu
cho hàng loạt cải tiến về sau, trong đó có cơ chế chú ý,
giúp máy tập trung vào những phần quan trọng nhất trong câu.
Theo đánh giá của giới nghiên cứu,
chuỗi cải tiến này đã mở đường cho những mô hình nền tảng
đứng sau các chatbot mà nhiều người đang dùng hôm nay.
Tháng 12 năm 2014, đúng 10 năm sau khi ra đời,
bài báo Seq2Seq nhận giải Test of Time, giải thưởng vinh
danh những công trình đứng vững với thời gian tại NeurIPS,
một trong những hội nghị uy tín nhất ngành trí tuệ nhân tạo.
Hội đồng xét giải gọi đây là công trình nền
tảng đã đặt ra kiến trúc mã hóa và giải mã.
Đến thời điểm đó, bài báo đã được trích dẫn hơn 27.000 lần.
Nhưng trong khi thế giới đang làm quen với Google dịch thế hệ mới,
Lê Viết Quốc lại bận tâm đến một vấn đề khác.
Mỗi mô hình mạng Neuron như Seq2Seq đều phải được các giới chuyên
gia thiết kế thủ công thử đi thử lại từng cấu trúc trong nhiều tháng.
Ông tự hỏi nếu máy đã học được cách nhìn và cách dịch,
tại sao nó không thể học cách tự thiết kế chính mình?
Năm 2016, Lê Viết Quốc cùng Barrett Soft,
một nhà nghiên cứu của Google Brain,
công bố bài báo tìm kiếm kiến trúc mạng neuron bằng học tăng cường.
Ý tưởng của họ nghe như khoa học viễn tưởng,
dùng trí tuệ nhân tạo để thiết kế ra trí tuệ nhân tạo.
Để hiểu vì sao điều này quan trọng, cần biết một thực tế ít
người để ý. Mỗi mạng neuron là một cấu trúc gồm nhiều tầng,
mỗi tầng có kích thước, cách kết nối và cách xử lý riêng,
và chỉ cần chọn sai một chi tiết, mô hình có thể kém đi rất nhiều.
Trong nhiều năm, việc thiết kế những cấu trúc này phụ thuộc
vào kinh nghiệm và trực giác của các chuyên gia hàng đầu.
Những người cứ thử, sửa rồi lại thử.
Một công việc lặp đi lặp lại mà Lê Viết Quốc muốn giảm bớt.
Cách làm mà Zoph và Lê Viết Quốc đề xuất có thể hình dung như một kiến
trúc sư làm việc với đội thợ xây. Kiến trúc sư ở đây là một mạng
neuron liên tục đưa ra bản thiết kế cho những mạng neuron khác.
Mỗi bản thiết kế được xây thành mô hình thật,
đem đi huấn luyện và chấm điểm rồi điểm số được gửi ngược
lại để kiến trúc sư rút kinh nghiệm cho bạn bè tiếp theo.
Phương pháp học qua thử và sai,
được thưởng khi làm tốt, ấy được gọi là học tăng cường.
Kết quả rất đáng chú ý. Những cấu trúc do máy tự thiết kế cho các bài
toán nhận diện hình ảnh và xử lý ngôn ngữ đạt hiệu quả ngang bằng,
thậm chí vượt qua cả những thiết kế tốt nhất do con người làm ra.
Có những lựa chọn của máy khác thường đến mức trước đó các
nhà nghiên cứu từng cho là không phù hợp với bài toán.
Dù vậy, phương pháp này vẫn còn rất đốn kém.
Theo các nhà nghiên cứu để tìm ra một kiến trúc
tốt hệ thống phải dùng tới tám trăm bộ xử lý đ
ồ hoạmạnh trong nhiều tuần
liền một lượng tài nguyên mà gần như chỉ những công ty như
Mì Gõ Để không
Google mới đủ sức bỏ ra nhưng ý tưởng ấy đủ thuyết phục để được
đưa lên sân khấu lớn nhất của Google.
Tháng 5 năm 2017, tại hội nghị nhà phát triển Google I/O, giám đốc
bỏ lỡ những
điều hành Sundar Pichai công bố dự án AutoML, tức là học máy tự động.
video hấp dẫn
Cũng trong năm 2017, Lê Viết Quốc khởi xướng và dẫn dắt dự án
AutoML bên trong Google Brain với mục tiêu ban đầu được nêu rõ,
giúp việc thiết kế mô hình dễ dàng hơn, kể cả những người
không có nhiều chuyên môn về học máy cũng có thể sử dụng.
Năm 2018, từ những nghiên cứu này, Google ra mắt Google Cloud AutoML,
bộ công cụ giúp doanh nghiệp và người không chuyên tự huấn luyện mô
hình AI chất lượng cao cho nhu cầu riêng. Chẳng hạn một cửa hàng muốn
phân loại ảnh sản phẩm hay một công ty muốn nhận diện linh kiện lỗi
thì có thể làm điều đó mà không cần đội ngũ chuyên gia học máy riêng.
Song song, nhóm của Lê Viết Quốc tìm cách
làm cho việc tìm kiếm kiến trúc rẻ hơn.
Một phương pháp có tên là NAS cho phép các mô hình thử nghiệm chia sẻ
với nhau những gì đã học được, thay vì mỗi mô hình phải học lại từ đầu.
Do đó rút ngắn đáng kể thời gian tìm kiếm.
Năm 2019, ông cùng đồng nghiệp Mingxing Tan giới thiệu EfficientNet,
một họ mô hình nhận diện hình ảnh vừa chính xác
vừa nhỏ hơn và nhanh hơn các mô hình trước đó.
Đến năm 2020, dự án AutoML-Zero đánh dấu
một bước đi táo bạo khác của nhóm.
Thử nghiệm cho thấy máy tính có khả năng tự mò mẫm để
tạo ra thuật toán học máy từ các phép toán nền tảng,
dựa trên các bài toán mô phỏng và bộ tiêu chuẩn
do các kỹ sư đặt ra từ trước.
Dù mới ở giai đoạn sơ bộ,
hướng đi này mở ra triển vọng tự động hóa công việc thiết kế AI.
Lê Viết Quốc từng chia sẻ rằng mục tiêu cuối cùng
của nhóm là phát triển những khái niệm học máy mới,
mà ngay cả các nhà nghiên cứu cũng chưa tìm ra.
Câu nói ấy cho thấy một sợi chỉ xuyên suốt trong cách nghĩ của ông.
Từ thí nghiệm con mèo đến set to set, rồi AutoML, ông luôn tìm cách
giảm bớt phần việc con người phải làm bằng tay để máy tự học nhiều hơn.
Một bài viết của trang AI Frontiers năm 2018 mô
tả ông là người gầy, ít nói, đeo kính dày,
trông chẳng giống người đang dẫn dắt một cuộc cách mạng AI.
Đến cuối thập niên 2010, máy đã có thể tự nhìn,
tự dịch và thậm chí tự thiết kế một phần chính mình, nhưng vẫn còn
hai năng lực được coi là đặc trưng nhất của trí tuệ con người,
trò chuyện tự nhiên và suy luận từng bước để giải quyết vấn đề khó.
Đó sẽ là những thử thách tiếp theo của Lê Viết Quốc.
Năm 2020, Google Brain giới thiệu Meena,
một chatbot có thể trò chuyện về gần như mọi chủ đề, và Lê Viết
Quốc là một trong những nhà nghiên cứu đóng góp cho dự án này.
Meena về sau được đổi tên thành LaMDA,
mô hình ngôn ngữ lớn của Google dành cho hội thoại.
Theo những gì ông chia sẻ với báo Tuổi Trẻ, khi ấy một số đồng nghiệp
rất hào hứng với chatbot này và muốn phát hành nó ra công chúng, nhưng
Google quyết định giữ lại vì vẫn còn những vấn đề chưa được giải quyết.
Đó là lựa chọn thận trọng của một công ty lớn.
Nên mỗi sản phẩm ra mắt đều có thể ảnh hưởng đến
rất nhiều người dùng và uy tín của cả tập đoàn
Trong khi đó, nhóm nghiên cứu của ông
chuyển sự chú ý sang một câu hỏi khó hơn
Làm sao để máy biết suy nghĩ chứ không dừng ở việc nói trôi chảy
Ông kể với Tuổi Trẻ rằng gần đây,
nhóm đã chuyển sang nghiên cứu về khả năng tư duy
Các mô hình ngôn ngữ thời đó viết văn rất trôi chảy
Nhưng thường gặp khó với những bài toán cần nhiều bước suy luận
Năm 2022, Lê Viết Quốc và đồng tác giả bài báo giới thiệu
kỹ thuật chuỗi suy nghĩ, tên tiếng Anh là Chain of Thought,
ý tưởng này rất gần với cách thầy cô dạy học sinh giải toán.
Thay vì đòi đáp số ngay, thầy cô yêu cầu viết lời giải từng bước,
khi được hướng dẫn trình bày lập luận từng bước trước khi trả lời,
các mô hình ngôn ngữ lớn giải những bài toán nhiều bước tốt hơn hẳn.
Kỹ thuật ấy nghe giản dị nhưng nó mở ra một hướng đi quan trọng,
thay vì chỉ tập trung làm mô hình lớn hơn,
người ta có thể khai thác năng lực của các mô hình lớn bằng
cách kích hoạt tư duy lập luận từng bước thông qua lời nhắc.
Từ đó hướng nghiên cứu về khả năng suy luận của mô hình ngôn ngữ nhanh
chóng thu hút sự chú ý và làm thay đổi cách tiếp cận của cả ngành.
Tháng 4 năm 2023, Google sắp nhập Google Brain với DeepMind,
phòng thí nghiệm AI mà Google mua lại trước đó,
để thành lập Google DeepMind.
Nhóm nghiên cứu từng khởi đầu từ một dự án thử nghiệm trong Google X,
với sự góp mặt của Lê Viết Quốc ngay từ những ngày đầu,
nay đã trở thành một phần của Google DeepMind.
Ngày 17 tháng 1 năm 2024,
tạp chí khoa học Nature công bố Alpha Geometry, một hệ thống AI,
giải bài toán hình học ở trình độ Olympic Toán học quốc tế.
Hai tác giả chính là Trịnh Hoàng Triều và Lương Minh Thắng đều là nhà
nghiên cứu gốc Việt và Lê Viết Quốc là một trong các đồng tác giả trong
bộ ba mươi bài hình học từ các kỳ thi Olympic AlphaGeometry giải được
hai mươi lăm bài trong thời gian quy định gần bằng mức trung bình hai mươi lăm
ví chín bài của các thí sinh giành huy chương vàng điểm đặc biệt là AlphaGeom
etry không
học từ lời giải của con người mà được huấn luyện từ đầu trên khoảng một trăm triệu
ví dụ do máy tự tạo ra
Hệ thống kết hợp hai phần, một mô hình ngôn ngữ đưa ra gợi ý về
những đường kẻ phù hữu ích giống như trực giác của người giải toán,
và một bộ máy suy luận chặt chẽ để rút ra kết luận từ những gợi ý ấy.
Mã nguồn của hệ thống được công bố công khai để cộng đồng cùng sử dụng.
Với nhiều người Việt Nam, hình ảnh ba nhà khoa học gốc Việt cùng đứng
tên trên một công trình đăng ở Nature về chính môn hình học, môn thi
quen thuộc của bao thế hệ học sinh chuyên toán là điều rất đáng nhớ.
Còn với Lê Viết Quốc, đây là thêm một bước trên con đường,
đưa máy từ chỗ chỉ biết bắt chước đến chỗ biết lập luận.
Đến thời điểm này, ông trở thành Google Fellow, một trong những
danh hiệu cao nhất dành cho các nhà khoa học và kỹ sư tại Google.
Quan điểm từng gây tranh cãi khi ông còn là nghiên cứu sinh,
rằng dữ liệu và sức mạnh tính toán quan trọng hơn thuật toán,
đã phần nào được củng cố qua làn sóng các mô hình ngôn ngữ lớn.
Nhưng chính ông lại đang hướng tới một điều xa
hơn những mô hình chỉ biết trả lời câu hỏi.
Tháng 3 năm 2025,
Lê Viết Quốc về Việt Nam dự một hội nghị về trí tuệ nhân
tạo và chia sẻ với VNExpress nhiều nhận định thẳng thắn.
Ông cho rằng khoảng cách về AI giữa Mỹ và Trung
Quốc đã thu hẹp từ khoảng 2 năm xuống còn 6 tháng,
sau khi công ty DeepSeek của Trung Quốc
ra mắt những mô hình khiến ông ấn tượng.
Trước đó, khi trò chuyện với Tuổi Trẻ cuối 2024,
ông gọi làn sóng AI là một cơ hội lớn cho Việt Nam
vì đầu tư vào AI ít tốn kém hơn nhiều so với đầu tư vào sản
xuất chip và Việt Nam có thể tận dụng các mô hình mã nguồn mở.
Với Việt Nam, lời khuyên của ông khá rõ ràng. Theo ông,
phần lớn các tổ chức nên tận dụng mô hình mã nguồn mở để đi nhanh hơn,
nhưng Việt Nam cũng nên đóng góp ngược lại bằng mô hình,
dữ liệu hoặc ý tưởng mới.
Thay vì chỉ sử dụng để xây dựng uy tín và thu hút nhân tài,
ông khuyên đừng vội vã chạy theo những người đi trước vì họ
vẫn liên tục tiến lên, mà hãy tập trung vào đổi mới sáng tạo,
tìm những hướng đi mới và đầu tư vào đó.
Ông cũng thẳng thắn chỉ ra rằng, nhiều sinh viên giỏi nhất
đi học nước ngoài rồi ở lại, việc quay về không hề dễ dàng,
nên các trường đại học và viện nghiên cứu trong nước cần được nâng tầm.
Rồi ngày 5 tháng 8 năm 2026, một thông báo khiến giới công nghệ
toàn cầu chú ý, Jeff Dean, nhà khoa học trưởng của Google DeepMind,
người gắn bó với Google từ năm 1999, cùng Sanjay Ghemawat,
Oriol Vinyals và Lê Viết Quốc rời Google để thành
lập công ty mới mang tên là Discovery Loop.
Trên mạng xã hội X, Lê Viết Quốc viết rằng ông hào hứng
được đồng sáng lập công ty cùng những cộng sự lâu năm
với sứ mệnh tự động hóa học máy, kỹ thuật và khoa học.
Discovery Loop được lập dưới dạng công ty vì lợi ích cộng đồng,
một loại hình doanh nghiệp ở Mỹ cam kết
cân bằng giữa lợi nhuận và lợi ích xã hội.
Công ty muốn dùng AI để đẩy nhanh nghiên cứu khoa học,
tự đề xuất thí nghiệm, chạy hàng nghìn thí nghiệm cùng lúc,
đánh giá kết quả và điều chỉnh hướng đi.
Trong tuyên bố chung, nhóm sáng lập cho rằng chân trời tiếp theo của AI
là vượt ra ngoài việc trả lời câu hỏi để bắt đầu tạo ra những khám phá.
Vòng gọi vốn đầu tiên do hai quỹ đầu tư Radical Ventures và
Cosine Ventures dẫn dắt, cùng nhiều quỹ lớn khác tham gia.
Đáng chú ý, chính Alphabet, công ty mẹ của Google, cũng là nhà
đầu tư sáng lập và đối tác cung cấp hạ tầng điện toán đám mây.
Sự ra đi của nhóm diễn ra giữa lúc Alphabet tái cấu trúc mạng AI
khi Demis Hassabis trở vị trí giám đốc điều hành Google DeepMind.
Đến tháng 9-2016, theo Business Insider, Discovery Loop
đang tìm nguồn vốn mới ở mức định giá là khoảng 50 tỷ đô,
dù các điều khoản vẫn có thể thay đổi và chưa có gì được đảm bảo.
Nhìn lại, sứ mệnh của Discovery Loop gần như là sự nối
dài tự nhiên của những gì Lê Viết Quốc đã theo đuổi.
Thí nghiệm con mèo giúp máy tự học mà không cần con người gắn nhãn.
AutoML giúp máy tự thiết kế mô hình mà
không cần chuyên gia mày mò từng chi tiết.
Và giờ ông cùng các cộng sự muốn đi thêm một bước,
để máy tự đặt câu hỏi, tự làm thí nghiệm và tự tìm ra điều mới.
Công ty vẫn đang ở những ngày đầu và chưa công bố sản phẩm thương mại
cụ thể nào, nên chưa ai biết tham vọng tự động hóa khoa học có thành
hiện thực hay không, hay sẽ mất bao lâu. Điều rõ ràng là lần này Lê
Viết Quốc không còn là cậu nghiên cứu sinh theo thầy sang Google,
mà là một trong những người sáng lập, cùng ngồi ở bàn quyết định.
Khoảng 30 năm trước, ở một làng quê Huế, một cậu bé nhìn bức ảnh người
đầu tiên trên mặt trăng và tự hỏi điều gì đã đưa con người đến đó.
Câu trả lời của cậu là trí tuệ,
và từ đó cậu mơ về một cỗ máy đủ thông minh để tự phát minh.
Hôm nay, công ty mà ông đồng sáng lập đang theo đuổi đúng giấc mơ ấy,
những cỗ máy biết tự khám phá.
Cũng cần nói cho công bằng rằng không đột phá nào
trong câu chuyện này là thành quả của riêng một người
Thí nghiệm con mèo là công sức của cả nhóm Google Brain
Sutskever có Ilya Sutskever và Oriol Vinyals
OpenAI có Barret Zoph cùng với nhiều đồng nghiệp khác
AlphaGeometry có Trịnh Hoàng Triều và Lương Minh Thắng
Khoa học hiện đại là công việc của tập thể
Nhưng trong mỗi tập thể ấy, Lê Viết Quốc đều đóng một vai trò rõ ràng
Và nhiều lần là người khởi xướng hoặc dẫn dắt
Có lẽ bài học lớn nhất từ hành trình của ông không nằm ở những giải
thưởng, mà ở hai điều giản dị, sự tò mò của một cậu bé dám hỏi vì sao
con người lên được mặt trăng và sự kiên định với một nghiên cứu
sinh dám tin vào một quan điểm mà nhiều người cho là gây tranh cãi.
Với mỗi chúng ta, câu hỏi đáng giữ lại có lẽ là
ý tưởng nào mình đang tin dù chưa ai tin và mình
có đủ kiên nhẫn để theo nó đến cùng hay không?
Cảm ơn bạn đã dành thời gian theo dõi video này.
Nếu thấy nội dung hữu ích và muốn ủng hộ team,
bạn có thể tham gia chương trình hội viên youtube
bằng cách bấm vào nút tham gia bên dưới video nhé.
Xin chào và hẹn gặp lại trong những nội dung tiếp theo.