AI hành xử giống bộ não hơn là cơ sở dữ liệu – vai trò của khoa học nhận thức trong câu chuyện nguồn gốc giúp giải thích tại sao

AI behaves more like a brain than a database – cognitive science’s role in its origin story helps explain why

AI hành xử giống bộ não hơn là cơ sở dữ liệu – vai trò của khoa học nhận thức trong câu chuyện nguồn gốc giúp giải thích tại sao
Michael Hout, Associate Dean of Research and Professor of Psychology, New Mexico State University Arryn Robbins, Assistant Professor of Psychology, University of Richmond
Show
Hide
EN – VI
VI – EN
3000-5000 ▼
0-3000
3000-5000
5000-7000
7000-10000

When people think about what ChatGPT or other large language models are doing behind the scenes, it’s common to reach for the language of computing. You might assume there is a database, or a logical series of steps being executed, in order to provide a response to your query.

Khi mọi người suy nghĩ về những gì ChatGPT hoặc các mô hình ngôn ngữ lớn khác đang làm đằng sau hậu trường, việc sử dụng thuật ngữ ngành máy tính là điều rất phổ biến. Bạn có thể cho rằng có một cơ sở dữ liệu, hoặc một chuỗi các bước logic đang được thực thi, nhằm đưa ra phản hồi cho truy vấn của bạn.

Picturing AI responses as akin to your computer pulling up a file is a sensible line of thinking. But it’s incorrect. Understanding the central influence of cognitive science in AI’s evolution helps explain why.

Hình dung các phản hồi của AI giống như việc máy tính của bạn đang mở một tệp tin là một hướng suy nghĩ hợp lý. Nhưng điều đó không chính xác. Hiểu được ảnh hưởng trung tâm của khoa học nhận thức trong quá trình tiến hóa của AI sẽ giúp giải thích lý do tại sao.

AI’s history isn’t only a computer science story. Fundamental advances that gave rise to today’s AI were brought about by people whose goal was to understand the human mind, not help you with your homework or travel itinerary. This distinction is important, because it helps better explain how these systems “behave” the way they do.

Lịch sử của AI không chỉ là câu chuyện của khoa học máy tính. Những tiến bộ nền tảng tạo nên AI ngày nay được tạo ra bởi những người có mục tiêu tìm hiểu tâm trí con người chứ không phải để giúp bạn làm bài tập về nhà hay lên lịch trình du lịch. Sự khác biệt này rất quan trọng, bởi vì nó giúp giải thích rõ hơn lý do tại sao các hệ thống này lại “hành xử” theo cách chúng đang làm.

We are cognitive scientists who teach students about the interdisciplinary roots of our field, including its deep and often overlooked ties to computer science and AI. There’s a shared history that often gets lost in conversations about what AI is doing.

Chúng tôi là những nhà khoa học nhận thức, những người giảng dạy cho sinh viên về các cội nguồn liên ngành của lĩnh vực chúng tôi, bao gồm cả mối liên hệ sâu sắc và thường bị lãng quên của nó với khoa học máy tính và AI. Có một lịch sử chung thường bị bỏ quên trong các cuộc trò chuyện về những gì AI đang làm.

AI’s lineage is often overlooked

Nguồn gốc của AI thường bị bỏ quên

The term “artificial intelligence” was coined in 1956, at a Dartmouth College workshop. At the time, people thought that a machine could be made intelligent if you could write down the right set of rules for it to follow.

Thuật ngữ “trí tuệ nhân tạo” được đặt ra vào năm 1956 tại một hội workshop ở Đại học Dartmouth. Vào thời điểm đó, người ta cho rằng một cỗ máy có thể trở nên thông minh nếu bạn viết ra đúng tập hợp các quy tắc cho nó tuân theo.

Figure
The Perceptron machine’s many connections were like a simple version of the neural connections in a brain. Frederic Lewis/Archive Photos via Getty Images
Nhiều kết nối của cỗ máy Perceptron giống như một phiên bản đơn giản của các kết nối thần kinh trong bộ não. Frederic Lewis/Archive Photos qua Getty Images

Rather than build a machine that followed rules, however, psychologist Frank Rosenblatt built one in 1958 – the Perceptron – that learned from examples. Rosenblatt hadn’t been at the Dartmouth workshop, but he was thinking about how to make a machine intelligent in a fundamentally different, more human way. His key insight was to build an artificial neural network: a computer algorithm modeled loosely on the architecture of the brain.

Tuy nhiên, thay vì chế tạo một cỗ máy tuân theo các quy tắc, nhà tâm lý học Frank Rosenblatt đã chế tạo ra một cỗ máy vào năm 1958 – chiếc Perceptron – có khả năng học hỏi từ các ví dụ. Rosenblatt đã không tham dự hội thảo ở Dartmouth, nhưng ông đang suy nghĩ về cách làm cho một cỗ máy trở nên thông minh theo một cách hoàn toàn khác biệt và mang tính con người hơn. Phát hiện quan trọng của ông là xây dựng một mạng lưới thần kinh nhân tạo: một thuật toán máy tính mô phỏng lỏng lẻo cấu trúc của bộ não.

This approach built on the work of psychologists like Donald Hebb who were studying brains and behavior. Specifically, Hebb explored how neural connections strengthen when used, a fundamental insight that later seeded machine learning.

Cách tiếp cận này được xây dựng dựa trên công trình của các nhà tâm lý học như Donald Hebb, những người đang nghiên cứu về bộ não và hành vi. Cụ thể, Hebb đã khám phá ra cách các kết nối thần kinh mạnh mẽ hơn khi được sử dụng, một hiểu biết nền tảng sau này đã đặt nền móng cho học máy (machine learning) .

Further advances came in the 1980s, as psychologists sought to explain how people perform complex cognitive tasks, such as recognizing words and forming memories. Cognitive and computer scientists together – David Rumelhart, Geoffrey Hinton and Ronald Williams – figured out how to train artificial neural networks with multiple layers, an idea that later became known as “deep learning.” These multilayered neural networks were capable of more complex tasks and generalizing what they “learned” to apply to new examples.

Những tiến bộ tiếp theo diễn ra vào những năm 1980, khi các nhà tâm lý học tìm cách giải thích cách con người thực hiện các tác vụ nhận thức phức tạp, chẳng hạn như nhận dạng từ ngữ và hình thành ký ức. Các nhà khoa học máy tính và nhận thức cùng nhau – David Rumelhart, Geoffrey Hinton và Ronald Williams – đã tìm ra cách huấn luyện các mạng thần kinh nhân tạo có nhiều lớp, một ý tưởng sau này được biết đến với tên gọi “học sâu” (deep learning) . Các mạng thần kinh nhiều lớp này có khả năng thực hiện các tác vụ phức tạp hơn và khái quát hóa những gì chúng “học được” để áp dụng vào các ví dụ mới.

In the following decades, computer scientists and engineers enabled computing capabilities to be scaled up, developing graphics chips, the transformer architecture and more. Without these systems, modern AI would still struggle to recognize letters and words, rather than be able to hold realistic conversations in natural language.

Trong những thập kỷ tiếp theo, các kỹ sư và nhà khoa học máy tính đã giúp mở rộng quy mô năng lực tính toán, phát triển các chip đồ họa, kiến trúc transformer và nhiều thứ khác. Nếu không có các hệ thống này, AI hiện đại vẫn sẽ chật vật trong việc nhận dạng các chữ cái và từ ngữ, chứ chưa thể có những cuộc trò chuyện thực tế bằng ngôn ngữ tự nhiên.

The fundamental insights, however, came from the study of the mind: AI should learn from examples, and its architecture should be based on the human brain.

Tuy nhiên, những hiểu biết nền tảng lại xuất phát từ việc nghiên cứu tâm trí: AI nên học hỏi từ các ví dụ, và kiến trúc của nó nên dựa trên bộ não con người.

These foundational ideas matter for reasons of practicality. Modern AI isn’t born from rules – it’s grown from examples. And things that are grown are not as predictable as systems based on rules.

Những ý tưởng nền tảng này đóng vai trò quan trọng vì lý do thực tiễn. AI hiện đại không được sinh ra từ các quy tắc – nó phát triển từ các ví dụ. Và những thứ lớn lên từ việc phát triển thì không thể đoán trước được như các hệ thống dựa trên quy tắc.

Its origin helps explain its ‘behavior’

Nguồn gốc của nó giúp giải thích ‘hành vi’ của nó

Human intuitions and mental models about how technology works govern how people use it. The idea of AI as software – deterministic, fact–retrieving – causes people to misinterpret the outputs they provide.

Trực giác và mô hình tâm trí của con người về cách công nghệ hoạt động chi phối cách mọi người sử dụng nó. Ý tưởng coi AI như phần mềm – mang tính quyết định, chuyên truy xuất sự thật – khiến mọi người hiểu sai các đầu ra mà chúng cung cấp.

AI “hallucinations” are common; chatbots often state falsehoods. Thinking of AI as a database makes this behavior appear confusing. How could a system look up an answer that doesn’t exist?

Hiện tượng “ảo giác” ở AI là phổ biến; các chatbot thường đưa ra những thông tin sai lệch. Việc coi AI như một cơ sở dữ liệu khiến hành vi này trở nên khó hiểu. Làm thế nào một hệ thống có thể tra cứu một câu trả lời không tồn tại?

But human memory doesn’t “look up” answers. It is reconstructive and imperfect, filling in gaps with plausible details. Thanks to pioneering work by psychologist Elizabeth Loftus, researchers know that false memories are unfortunately common and can be implanted with relative ease.

Nhưng trí nhớ con người không “tra cứu” các câu trả lời. Nó mang tính tái tạo và không hoàn hảo, lấp đầy các khoảng trống bằng những chi tiết hợp lý. Nhờ công trình tiên phong của nhà tâm lý học Elizabeth Loftus, các nhà nghiên cứu biết rằng ký ức giả rất tiếc là điều phổ biến và có thể được cấy ghép tương đối dễ dàng.

A system that “looks something up” gives the same answer every time, but it is therefore limited in responding to a finite set of questions. Human minds don’t work that way, and neither does AI. The price to pay for being able to generalize to new questions and tasks is a system prone to confabulation.

Một hệ thống “tra cứu thứ gì đó” sẽ đưa ra cùng một câu trả lời mỗi lần, nhưng do đó nó bị hạn chế trong việc phản hồi một tập hợp các câu hỏi hữu hạn. Tâm trí con người không hoạt động theo cách đó, và AI cũng vậy. Cái giá phải trả cho việc có khả năng khái quát hóa các câu hỏi và tác vụ mới là một hệ thống dễ bịa đặt thông tin (confabulation) .

Thinking of AI as like a primitive brain also helps explain additional puzzling behaviors, such as getting different answers to the same question. Ask your young child what they want for dinner twice and you may get different requests. Framing matters when interacting with an AI system too, as these systems can be nudged into giving you answers you prefer. They operate in a probabilistic fashion, much like human memory, not in a deterministic fashion, like a calculator.

Việc coi AI giống như một bộ não nguyên thủy cũng giúp giải thích các hành vi khó hiểu bổ sung, chẳng hạn như việc nhận được các câu trả lời khác nhau cho cùng một câu hỏi. Hãy hỏi đứa con nhỏ của bạn hai lần xem chúng muốn ăn gì vào bữa tối và bạn có thể nhận được những yêu cầu khác nhau. Việc định framing (khung ngữ cảnh) cũng rất quan trọng khi tương tác với hệ thống AI, vì các hệ thống này có thể được thúc đẩy để đưa ra câu trả lời mà bạn thích. Chúng hoạt động theo phương thức xác suất, giống như trí nhớ của con người, chứ không hoạt động theo phương thức tất định như một chiếc máy tính bỏ túi.

None of this means that AI necessarily thinks like people do, if the systems think at all. Humans and AI commonly “perceive” things differently; computer vision can spot subtle abnormalities that human screeners might miss, but might also misinterpret something, such as a defaced road sign.

Không điều nào trong số này có nghĩa là AI chắc chắn suy nghĩ giống như con người, nếu như các hệ thống đó thực sự có suy nghĩ. Con người và AI thường “nhận thức” sự việc theo những cách khác nhau; thị giác máy tính có thể phát hiện ra những điểm bất thường tinh vi mà người sàng lọc bằng mắt thường có thể bỏ sót, nhưng cũng có thể diễn giải sai một thứ gì đó, chẳng hạn như một biển báo giao thông bị bôi bẩn.

Figure
It’s a bird, it’s a plane? People and AIs may not agree about what they’re ‘seeing.’ Geraint Rowland Photography/Moment via Getty Images
Đó là một con chim, đó là một chiếc máy bay? Con người và AI có thể không đồng tình về những gì chúng đang ‘nhìn thấy’. Geraint Rowland Photography/Moment qua Getty Images

Why those origins still matter

Tại sao những nguồn gốc đó vẫn quan trọng

If modern AI is unpredictable, how can people come to understand it?

Nếu AI hiện đại không thể đoán trước, làm thế nào con người có thể hiểu được nó?

The answer is by understanding where this technology came from. Recognizing that AI systems are more akin to brains than databases can help people build more accurate mental models of what AI can do and can lead to better ways of understanding how these systems work.

Câu trả lời là bằng cách hiểu công nghệ này xuất phát từ đâu. Việc nhận ra rằng các hệ thống AI giống với bộ não hơn là cơ sở dữ liệu có thể giúp mọi người xây dựng các mô hình tâm trí chính xác hơn về những gì AI có thể làm, đồng thời dẫn đến những cách tốt hơn để hiểu cách các hệ thống này hoạt động.

Users overtrust the wrong things. With a significant proportion of ChatGPT users indicating that they use ChatGPT like a search engine, it seems that people are treating outputs as retrieved fact rather than fluent, confident guesses. This misunderstanding can cause users to skip the verification step they’d likely apply to a person and potentially make decisions, including financial ones, based on confabulation.

Người dùng quá tin tưởng vào những điều sai lầm. Với một tỷ lệ đáng kể người dùng ChatGPT cho biết họ sử dụng ChatGPT giống như một công cụ tìm kiếm, có vẻ như mọi người đang coi các đầu ra là sự thật được truy xuất chứ không phải là những phỏng đoán trôi chảy và tự tin. Sự hiểu lầm này có thể khiến người dùng bỏ qua bước xác minh mà họ có thể sẽ áp dụng đối với một con người, và từ đó có khả năng đưa ra các quyết định – bao gồm cả các quyết định tài chính – dựa trên thông tin bịa đặt.

Institutions grapple with differing mental models. Faculty remain split between banning AI tools outright and building them into coursework, treating AI as producing answers to be checked or trusted like collaborators. Divisions are causing confusion and sowing rifts among (and within) educators and their students.

Các tổ chức đang vật lộn với các mô hình tâm trí khác nhau. Các giảng viên vẫn bị chia rẽ giữa việc cấm hoàn toàn các công cụ AI và tích hợp chúng vào bài tập khóa học, coi AI là công cụ tạo ra câu trả lời cần được kiểm tra hoặc tin tưởng như những cộng tác viên. Sự chia rẽ này đang gây ra sự nhầm lẫn và tạo ra các rạn nứt giữa (và trong nội bộ) các nhà giáo dục và học sinh của họ.

Computer science is rediscovering cognitive science’s questions. Today’s systems are opaque even to their builders. One approach to understanding them, probing what goes in and what comes out, resembles behaviorism, a once–dominant field of psychology that studied only observable behavior. Researchers are now moving toward interpretability: opening up the models to see what’s happening inside – closer in spirit to neuroscience – and working on problems cognitive scientists have chewed on for decades.

Khoa học máy tính đang tái khám phá các câu hỏi của khoa học nhận thức. Các hệ thống ngày nay thậm chí còn mờ đục đối với chính những người tạo ra chúng. Một cách tiếp cận để hiểu chúng, đó là thăm dò những gì đi vào và những gì đi ra, giống với chủ nghĩa hành vi, một lĩnh vực tâm lý học từng chiếm ưu thế chuyên nghiên cứu các hành vi có thể quan sát được. Các nhà nghiên cứu giờ đây đang hướng tới tính khả giải thích (interpretability): mở các mô hình ra để xem điều gì đang diễn ra bên trong – gần gũi hơn về mặt tinh thần với thần kinh học – và giải quyết các vấn đề mà các nhà khoa học nhận thức đã suy ngẫm trong nhiều thập kỷ.

The exchange runs both ways. Just as computer science draws on cognitive science’s questions and methods, cognitive science draws on the accessibility of AI models themselves, using them to test and refine theories of the mind. Computer science and cognitive science split off from one project decades ago: understanding how intelligence works. The more these fields keep trading questions and tools, the better placed humanity will be.

Sự trao đổi diễn ra theo cả hai chiều. Cũng giống như khoa học máy tính dựa vào các câu hỏi và phương pháp của khoa học nhận thức, khoa học nhận thức cũng dựa vào khả năng tiếp cận của chính các mô hình AI, sử dụng chúng để kiểm tra và tinh chỉnh các lý thuyết về tâm trí. Khoa học máy tính và khoa học nhận thức đã tách ra từ một dự án duy nhất vào nhiều thập kỷ trước: tìm hiểu cách thức hoạt động của trí tuệ. Các lĩnh vực này càng trao đổi nhiều câu hỏi và công cụ cho nhau, nhân loại sẽ càng có vị thế tốt hơn.

The authors do not work for, consult, own shares in or receive funding from any company or organization that would benefit from this article, and have disclosed no relevant affiliations beyond their academic appointment.

Các tác giả không làm việc cho, tư vấn cho, sở hữu cổ phần trong hoặc nhận tài trợ từ bất kỳ công ty hay tổ chức nào có thể được hưởng lợi từ bài viết này, và không công bố bất kỳ mối liên hệ nào có liên quan ngoài các chức danh học thuật của họ.