Demis Hassabis, cha đẻ của trí tuệ nhân tạo Google

26 Giới hạn của LLM và lộ trình vượt qua

Kim Kyung-ran, Kim Kyung-jin

Trụ sở chính của Google DeepMind nằm tại King's Cross. Demis Hassabis đang chìm sâu vào suy nghĩ khi nhìn xuống dòng người và xe cộ đang hối hả qua lại, cùng những cành cây đang đung đưa trong gió qua khung cửa sổ. Trên màn hình phía sau ông, những bài thơ mượt mà và các kết quả lập trình phức tạp do Gemini viết đang hiển thị, nhưng trong lòng Hassabis vẫn tồn tại một sự khao khát chưa được lấp đầy. Ông cảm thấy như thể mình đang một lần nữa đối mặt với những giới hạn căn bản mà ông từng cảm nhận khi phát triển trò chơi 《Theme Park》 vào đầu những năm 1990.

"AI hiện nay giống như một con vẹt nói rất giỏi. Nó đưa ra từ tiếp theo có vẻ hợp lý nhất về mặt xác suất, nhưng hoàn toàn không biết 'thực thể' mà từ đó ám chỉ là gì, cũng như thế giới vật lý này vận hành như thế nào." Điểm hạn chế chí mạng nhất của các mô hình ngôn ngữ lớn (LLM) mà Hassabis chỉ ra chính là sự thiếu vắng của 'thực thể vật lý (Grounding)' và 'khả năng lập kế hoạch (Planning)'.

Các mô hình như ChatGPT hay Gemini mô phỏng các quy luật ngôn ngữ gần như hoàn hảo bằng cách học hỏi từ dữ liệu văn bản trên internet. Tuy nhiên, đối với chúng, "quả táo" chỉ đơn thuần là thông tin văn bản về một loại trái cây màu đỏ và tròn, hoàn toàn tách biệt với những trải nghiệm vật lý như cảm giác khi cầm trên tay, gia tốc trọng trường khi rơi, hay độ giòn khi cắn một miếng. Sự chuyển đổi từ "hệ thống thụ động" sang "hệ thống tác nhân" không chỉ dừng lại ở phạm vi triết học.

Khi AI cố gắng vượt ra khỏi cửa sổ văn bản để điều khiển robot trong thế giới thực hoặc thiết kế các thí nghiệm nhằm khám phá ra các vật liệu mới, "sự thiếu hụt về trải nghiệm" sẽ trở thành một bức tường không thể vượt qua. Hassabis đã định nghĩa điều này là giới hạn của "Hệ thống thụ động (Passive System)". Các mô hình LLM hiện tại chỉ bắt đầu phản hồi khi người dùng đặt câu hỏi.

Khả năng tự thiết lập mục tiêu, lập kế hoạch dài hạn để đạt được mục tiêu đó, cũng như khả năng điều chỉnh chiến lược khi gặp thất bại giữa chừng đang thiếu hụt một cách đáng kể. Vào tháng 1 năm 2025, Hội nghị Thường niên Diễn đàn Kinh tế Thế giới (WEF) diễn ra tại Davos, Thụy Sĩ đã trở thành tâm điểm của những tranh luận xoay quanh vấn đề này. Hassabis đã cùng với Dario Amodei của Anthropic bước lên sân khấu, và khẳng định rằng các hệ thống AI hiện tại "vẫn còn một khoảng cách rất xa mới có thể chạm tới" mức trí tuệ của con người.

"Không thể (còn lâu mới tới được)", ông khẳng định chắc nịch. Lời nói của ông vô cùng rõ ràng. "Nếu chỉ huấn luyện bằng văn bản, tuyệt đối không thể đạt tới mức độ trí tuệ như con người."

"Chúng ta cần thế giới thực." Tại một sự kiện tương tự, Yann LeCun, người đã rời Meta để thành lập AI Labs, đã đưa ra một lời chỉ trích sắc bén hơn: "Chúng có thể vượt qua các kỳ thi luật sư và viết được mã nguồn, nhưng hoàn toàn không thể xử lý được thế giới thực."

"Đó là lý do tại sao cả robot gia đình lẫn xe tự lái hoàn toàn vẫn chưa tồn tại." Cách diễn đạt của ông rằng ngành công nghiệp AI đang "bị lún quá sâu vào LLM (completely LLM-pilled)" chính là một câu nói tóm gọn những hạn chế về mặt cấu trúc của phương pháp tiếp cận lấy văn bản làm trung tâm. Hãy lấy ví dụ về một yêu cầu như "Hãy lập kế hoạch nghỉ lễ cho tuần tới". LLM có thể liệt kê một lịch trình nghe có vẻ hợp lý, nhưng nó sẽ trở nên bất lực trong giai đoạn 'thực thi' — như thực sự đặt vé máy bay, gọi điện cho khách sạn để kiểm tra phòng trống, hay điều chỉnh lịch trình theo sự thay đổi của thời tiết. Đó là bởi vì mô hình không hiểu được mối quan hệ nhân quả của những gì nó thốt ra, mà chỉ tạo ra câu trả lời dựa trên sự liên kết thống kê của văn bản.

Hiện tượng được gọi là 'ảo giác (Hallucination)' cũng xảy ra trong cùng một ngữ cảnh. Đó là những 'lời nói dối nghe có vẻ thuyết phục', được tạo ra khi mô hình cứ nối tiếp các từ có xác suất cao mà không có cơ chế nội bộ để kiểm chứng tính xác thực của sự thật. Trong bài phát biểu tại Davos năm 2025, Hassabis đã chỉ ra sự mâu thuẫn này một cách sắc bén.

Gemini có thể giải quyết được các bài toán ở cấp độ Olympic Toán học Quốc tế (IMO), nhưng lại mắc lỗi ở những bài toán hình học cấp tiểu học. Dù có thể tạo ra những hình ảnh kinh ngạc, nhưng nó lại không hiểu được tại sao một chiếc cốc không thể lơ lửng giữa không trung. Khoảng cách này chính là minh chứng cho thấy các mô hình ngôn ngữ thực sự không hề "hiểu" được các quy luật vật lý của thế giới.

Sự thiếu hụt dữ liệu chất lượng cao và khả năng tốc độ phát triển của AI bị chậm lại. Vấn đề nghiêm trọng hơn chính là sự cạn kiệt dữ liệu. Hassabis hiểu rõ hơn ai hết sự thật rằng "hầu như tất cả dữ liệu văn bản trên internet đã được sử dụng hết". Dữ liệu văn bản do nhân loại tạo ra là hữu hạn, và sự hoài nghi về việc không thể đạt được AGI nếu chỉ dựa vào 'Định luật mở rộng (Scaling Law)' — tức là đổ thêm dữ liệu vào các mô hình lớn hơn — đang lan rộng trong toàn ngành.

Bản thân Hassabis cũng thừa nhận rằng "bằng chứng về hiệu suất giảm dần (evidence of diminishing returns)" đang xuất hiện trong toàn ngành. Ông nói thêm rằng điều này không có nghĩa là tốc độ phát triển đã tiến gần về mức bằng không, nhưng quyết định rằng việc chỉ đơn thuần mở rộng quy mô LLM sẽ có những giới hạn nhất định là rất rõ ràng. Chỉ riêng văn bản thôi thì không thể chứa đựng được tất cả kiến thức của thế giới.

Những cử động tinh tế của đôi bàn tay người nghệ nhân khi nhào nặn gốm sứ, sự phán đoán trực giác của một bác sĩ phẫu thuật, hay những biến số trong một thí nghiệm vật lý phức tạp, tất cả đều được ghi lại dưới dạng văn bản.

Đây là lĩnh vực của tri thức ẩn (Tacit Knowledge) chưa được mã hóa. Demis Hassabis đã chỉ ra rằng "rất khó để dùng lời nói để giải thích" cách thức vận hành cơ học của tính năng động không gian, nhận thức không gian và bối cảnh vật lý của thế giới. Ngôn ngữ chứa đựng nhiều thông tin về thế giới hơn con người dự đoán, nhưng thông tin đó vẫn tồn tại những hạn chế mà ngay cả các nhà ngôn ngữ học cũng không lường trước được.

Đối với Hassabis, vấn đề này không phải là một trở ngại về mặt kỹ thuật, mà là một khiếm khuyết bản chất của "trí tuệ" – chủ đề mà ông đã dành cả cuộc đời để theo đuổi. Ông thường nói với các kỹ sư tại DeepMind rằng: "Chúng ta không định tạo ra một AI có khả năng học thuộc lòng cả cuốn bách khoa toàn thư. Thứ chúng ta muốn là một trí tuệ có thể tự nắm bắt tình hình và tìm ra giải pháp khi bị ném vào một môi trường xa lạ."

Đó chính là 'trí tuệ sống' mà anh ấy đã từng cố gắng hiện thực hóa trước bàn cờ vua khi mới 12 tuổi, và với tư cách là một nhà phát triển trò chơi khi 17 tuổi. Textra là một AI vượt xa khỏi những dữ liệu một chiều, để thấu hiểu thế giới ba chiều nơi thời gian, không gian và luật nhân quả cùng chi phối. Đây chính là thách thức cốt lõi của kỷ nguyên 'Hậu LLM' (Post-LLM) mà Hassabis đang hướng tới — một thế giới nơi các mô hình thế giới (World Model) và sự đổi mới trong mô phỏng đóng vai trò chủ đạo. "Trí tuệ là gì? Đó chính là một bộ máy mô phỏng tương lai."

Những kết luận mà Hassabis đạt được khi nghiên cứu về hồi hải mã (Hippocampus) và trí tưởng tượng tại Đại học College London (UCL) đã được chuyển hóa trọn vẹn vào lộ trình công nghệ của DeepMind. Ông bị mê hoặc bởi sự thật rằng não bộ con người tái tổ hợp các ký ức trong quá khứ để mô phỏng các kịch bản tương lai trong tâm trí, từ đó lựa chọn hành động tối ưu nhất. Ông tin chắc rằng để AI đạt được trí thông minh thực thụ, nó không chỉ đơn thuần là truy xuất dữ liệu khổng lồ, mà phải sở hữu một 'Mô hình thế giới (World Model)' – thứ có khả năng nội tại hóa các nguyên lý vận hành của thế giới giống như bộ não con người.

Mở rộng Gemini thành mô hình thế giới: AI mô phỏng và lập kế hoạch thế giới. Ngày 16 tháng 12 năm 2025, trong tập cuối cùng của mùa podcast Google DeepMind, Hassabis đã có cuộc trò chuyện kéo dài hơn 50 phút với nhà toán học kiêm người truyền bá khoa học Hannah Fry. Đây không phải là một buổi ra mắt sản phẩm hay đánh giá, mà là một cuộc đối thoại hướng tới 10 năm tới. Hassabis đã đưa ra hai điều tất yếu phải đạt được để tiến tới AGI.

Một cái là mô hình thế giới (world model) giúp AI thực sự hiểu được vật lý và không gian, cái còn lại là các thí nghiệm tự động giúp AI có thể trực tiếp giải quyết các vấn đề cơ bản như vật liệu mới hay phản ứng nhiệt hạch thông qua thực nghiệm. Điều quan trọng hơn cả là hai yếu tố này phải được kết nối để tạo thành một vòng lặp kín (Closed Loop). Một hệ thống tuần hoàn của nghiên cứu khoa học, nơi AI tự đặt ra câu hỏi, tự kiểm chứng và tự lặp lại quá trình đó.

Đối với Hassabis, AGI không phải là điểm đến cuối cùng của các mô hình tạo sinh, mà là điểm khởi đầu của một vòng lặp kín trong nghiên cứu khoa học. Thế nào là mô hình thế giới (world model)? Theo định nghĩa của Hassabis, đó là khả năng hiểu biết trực quan của AI về thực tại vật lý. Đó là việc nắm bắt được cái gì có thể đổ, cái gì có thể chuyển động, sự vật biến đổi như thế nào, không gian được cấu trúc ra sao và thời gian trôi đi như thế nào. Hassabis đã tiết lộ rằng mô hình thế giới luôn là mối quan tâm cốt lõi của ông.

Đây không phải là một ý tưởng mới. Tuy nhiên, khi tiến đến năm 2025, nó đã trở thành một nhiệm vụ nhất định phải thực hiện. Genie và SIMA: Nền tảng của vòng lặp huấn luyện vô hạn và AI vật lý. Minh chứng mạnh mẽ nhất cho tầm nhìn này chính là các dự án 'Genie' và 'SIMA'. Được công bố lần đầu vào năm 2024, Genie là một mô hình học hỏi từ các video trò chơi 2D platformer trên internet, từ đó có khả năng tạo ra các thế giới ảo có thể chơi được chỉ từ một hình ảnh tĩnh hoặc một bản phác thảo đơn giản.

Và vào tháng 8 năm 2025, với sự xuất hiện của Genie 3, một đẳng cấp hoàn toàn mới đã được thiết lập. Genie 3 có khả năng tạo ra các môi trường 3D thực tế, cho phép khám phá theo thời gian thực chỉ từ các mô tả bằng văn bản hoặc duy nhất một hình ảnh. Bạn có thể trải nghiệm thế giới tự nhiên từ sa mạc đến đại dương, tận mắt chứng kiến các hiện tượng thời tiết cực đoan, và tạo ra những thế giới tưởng tượng cùng các kịch bản huyền ảo. Hình ảnh mượt mà với độ phân giải 720p, tốc độ từ 20 đến 24 khung hình mỗi giây. Nhìn bề ngoài, nó giống như một trình tạo trò chơi, nhưng bản chất cốt lõi của nó nằm ở việc "học hỏi các quy luật vật lý".

Genie 3 đã tự mình nhận ra các quy luật của thế giới, chẳng hạn như khi nhân vật nhảy lên thì phải rơi xuống đất, hay khi va vào tường thì không thể đi tiếp được nữa, chỉ thông qua việc quan sát sự thay đổi của các pixel. Theo giải thích chính thức từ Google DeepMind, "Mô hình thế giới (World model) tận dụng sự hiểu biết sâu sắc về môi trường vật lý để mô phỏng nó. Genie 3 là một bước đệm quan trọng hướng tới AGI, cho phép các tác nhân (agent) có thể dự đoán thế giới sẽ tiến hóa như thế nào và hành động của chính chúng sẽ ảnh hưởng đến thế giới đó ra sao."

Thêm vào đó, 'SIMA 2 (Scalable Instructable Multiworld Agent)' là một tác nhân hành động với các mục tiêu cụ thể bên trong thế giới ảo này. Nếu như SIMA 1 của năm 2024 chỉ dừng lại ở mức độ tuân theo khoảng 600 mệnh lệnh đơn giản như "quay sang trái" hay "leo lên thang", thì SIMA 2 được công bố vào tháng 12 năm 2025 lại là một thực thể hoàn toàn khác biệt. Với việc tích hợp mô hình nền tảng Gemini làm công cụ suy luận cốt lõi, SIMA 2 không còn là một kẻ tuân thủ thụ động chỉ biết chờ đợi các chỉ dẫn từng bước

Từ một công cụ, nó đã tiến hóa thành một người đồng nghiệp chủ động, có khả năng suy luận các mục tiêu cấp cao và thảo luận chiến lược thông qua đối thoại với người dùng. Trong khi tỷ lệ thành công của các nhiệm vụ phức tạp trong SIMA 1 chỉ ở mức khoảng 31%, thì SIMA 2 đã thu hẹp đáng kể khoảng cách với thành tích của người chơi là con người. Điều mà Hassabis nhìn thấy từ sự kết hợp của hai dự án này chính là tiềm năng của một 'Vòng lặp huấn luyện vô hạn (Infinite Training Loop)'.

Genie tạo ra thế giới, và Shimma trải nghiệm thế giới đó. Mượn lời của Hassabis, "Bất kể Shimma Agent muốn học điều gì, Genie đều có thể tạo ra ngay lập tức." Điểm thú vị là hai AI này không hề biết danh tính của nhau.

Jennie không biết rằng Shima là một AI khác. Cô ấy chỉ coi Shima là một người chơi. Shima cũng không biết rằng thế giới mà mình đang trải nghiệm được tạo ra bởi AI. Anh ấy chỉ tập trung vào việc hoàn thành nhiệm vụ. Sự hợp tác trong trạng thái vô tri này tạo ra một chu kỳ huấn luyện có tiềm năng mở rộng vô hạn. Cơ chế tự cải thiện (Self-Improvement) của Shima 2 chính là cốt lõi của vòng lặp này.

Đầu tiên, Gemini sẽ đề xuất các nhiệm vụ và tiêu chuẩn phần thưởng. Sigma 2 sẽ trải qua quá trình thử và sai trong môi trường đó. Những kinh nghiệm về thành công và thất bại sẽ được ghi lại. Những kinh nghiệm đó sẽ trở thành dữ liệu huấn luyện cho thế hệ Sigma 2 tiếp theo.

Ngay cả khi không có sự hướng dẫn của con người, các kỹ năng vẫn có thể được phát triển chỉ thông qua việc tự chơi trong các trò chơi mới, và quá trình tự cải thiện này thậm chí còn hoạt động trong cả những môi trường hoàn toàn mới do chính nó tạo ra. Đây là một phiên bản mở rộng của nguyên lý mà AlphaGo đã sử dụng để đạt đến trình độ cờ vây siêu việt thông qua việc tự đấu (Self-play), nhưng thay vì giới hạn trong không gian đóng của bàn cờ, sân khấu đã được mở rộng ra thế giới 3D vô cùng đa dạng. Mô hình video Veo và chuẩn đánh giá vật lý: Từ "ảo giác" đến "vật lý dựa trên nền tảng". Mô hình tạo video 'Veo' được công bố vào năm 2024 cũng là một phần của bức tranh này.

Hassabis đã lấy việc các video do Veo tạo ra tuân thủ các quy luật vật lý tốt đến mức nào làm thước đo cho AGI. Nếu các mô hình video trước đây thường xuất hiện hiện tượng "ảo giác" như chiếc cốc lơ lửng giữa không trung hay ngón tay người biến thành sáu ngón, thì Veo đã nỗ lực để thấu hiểu và phản ánh được ánh sáng, bóng tối, trọng lực và quán tính. Tuy nhiên, Hassabis cũng rất thẳng thắn.

Các mô hình video hiện nay đã thừa nhận rằng "mặc dù trông có vẻ chân thực đối với mắt thường, nhưng vẫn chưa đạt đến 'cấp độ vật lý' (physics-grade)". Để lấp đầy khoảng cách này, DeepMind đang xây dựng một hệ thống đánh giá chuẩn vật lý (physics benchmark). Đây là một hệ thống mô phỏng lại các thí nghiệm vật lý cấp trung học phổ thông như chuyển động của con lắc hay quả bóng lăn, nhằm kiểm chứng xem kết quả do AI tạo ra có tuân thủ chính xác 100% các định luật chuyển động của Newton hay không.

Trong chatbot, ảo giác chỉ là một lỗi phần mềm, nhưng trong AI vật lý, ảo giác có thể trở thành một thảm họa. Nếu robot dự đoán sai trọng lượng của một chiếc cốc, chiếc cốc sẽ vỡ; nếu xe tự lái nhận định sai độ cong của con đường, tai nạn sẽ xảy ra. "Trí tưởng tượng dựa trên nền tảng vật lý (Physically grounded)" chính là định hướng công nghệ mà Demis Hassabis theo đuổi. Việc hiện thực hóa về mặt kỹ thuật khái niệm "công cụ mô phỏng tâm trí" bắt nguồn từ khoa học thần kinh — mọi gốc rễ đều nằm ở thí nghiệm khổng lồ nhằm hiện thực hóa "Công cụ mô phỏng tâm trí (Simulation Engine of the Mind)" bên trong máy tính, dựa trên nền tảng khoa học thần kinh của Hassabis.

Những gì tìm thấy được khi nghiên cứu các bệnh nhân bị tổn thương hồi hải mã tại UCL — rằng những người mất trí nhớ thậm chí không thể tưởng tượng được tương lai — đã dạy cho Demis Hassabis về bản chất của trí thông minh. Trí nhớ không phải là một kho lưu trữ quá khứ, mà là nguyên liệu thô để mô phỏng tương lai. Bộ não sắp xếp lại các mảnh ghép của quá khứ để trình diễn trong tâm trí những tình huống chưa xảy ra, từ đó lựa chọn hành động tối ưu nhất. Sự kết hợp giữa Genie 3 và Sema 2, các bài kiểm tra vật lý của Veo, và sự mở rộng đa phương thức của Gemini, tất cả đều là những bản dịch kỹ thuật từ sự thấu hiểu về thần kinh học này.

Hassabis tin rằng thông qua mô hình thế giới này, AI có thể mô phỏng trước các vấn đề phức tạp của thế giới thực, từ đó giúp giảm thiểu đáng kể chi phí thử nghiệm và sai sót trong thực tế. Dự báo biến đổi khí hậu, sự liên kết phân tử của các ứng viên thuốc mới, kiểm soát phản ứng nhiệt hạch. Tất cả những điều này sẽ được AI thử nghiệm hàng chục triệu lần trong thế giới ảo trước, sau đó chỉ những kết quả đã được kiểm chứng mới được áp dụng vào thực tế. Vào tháng 12 năm 2025, DeepMind đã công bố kế hoạch hợp tác với chính phủ Anh để khai trương phòng thí nghiệm nghiên cứu khoa học tự động hóa hoàn toàn đầu tiên tại Anh vào năm 2026.

Tại viện nghiên cứu được tích hợp hoàn toàn với Gemini này, hàng trăm loại vật liệu được tổng hợp và thử nghiệm mỗi ngày, với việc thực hiện thí nghiệm, phân tích dữ liệu và điều chỉnh hướng đi đều do AI và robot dẫn dắt. Vòng lặp kín ảo (virtual closed loop) mà Genie và Shima tạo ra trong thế giới kỹ thuật số, cùng với vòng lặp kín thí nghiệm (experimental closed loop) mà phòng thí nghiệm tự động này thực hiện trong thế giới vật lý. Hai hệ thống nghiên cứu tự trị song song này chính là khung xương của AGI mà Hassabis đang hình dung. Một cậu bé từng là nhà phát triển trò chơi nay đã trở thành một nhà khoa học, và hiện đang dạy cho AI 'cách mô phỏng thế giới' để giải quyết các vấn đề mang tính toàn cầu.

Theo cách diễn đạt của Hassabis, "Trong quá khứ, chúng ta đã huấn luyện những AI đưa ra câu trả lời, nhưng giờ đây chúng ta phải huấn luyện những AI biết nghiên cứu." Đây chính là con đường dẫn tới AGI mà ông đang vẽ ra. Không phải là những mô hình lớn hơn hay sức mạnh tính toán mạnh mẽ hơn, mà là một lộ trình dựa trên khả năng thực sự 'hiểu' thế giới và 'thay đổi' thế giới của AI.

Tương lai của các tác nhân (Agent) sở hữu khả năng Suy luận (Reasoning) và Trí nhớ (Memory) Ngày 11 tháng 12 năm 2024, ngay sau khi trở về từ Thụy Điển sau lễ trao giải Nobel Hóa học, Hassabis đã đúc kết thách thức cốt lõi của 12 tháng tới thành một cụm từ duy nhất trong cuộc phỏng vấn với Axios: "World Model (Mô hình thế giới). Đó chính là mặt trận tiếp theo." Tuy nhiên, chỉ riêng World Model thôi thì vẫn chưa đủ.

Ngay cả khi AI có thể mô phỏng thế giới, nếu nó không thể suy luận logic dựa trên kết quả mô phỏng đó, cũng như không thể ghi nhớ những kinh nghiệm trong quá khứ để phản ánh vào các quyết định hiện tại, thì nó vẫn chỉ là một trí tuệ nửa vời. Hệ thống Agent "thực sự ấn tượng và đáng tin cậy" sẽ xuất hiện trong vòng 2~3 năm tới. Demis Hassabis đã định nghĩa năm 2025 và 2026 là "điểm uốn nơi AI tiến hóa từ một công cụ thụ động thành một cộng sự chủ động". Thông qua nhiều cuộc phỏng vấn và các cuộc họp nội bộ, ông đã dự báo rằng "một hệ thống Agent thực sự ấn tượng và đáng tin cậy" sẽ xuất hiện trong vòng 2~3 năm tới. Những Agent mà ông đề cập vượt xa mức độ chỉ trả lời câu hỏi của người dùng. Đó là thực thể có thể thực hiện các mệnh lệnh phức tạp như: "Hãy lập kế hoạch cho kỳ nghỉ lần này dựa trên ngân sách của năm tới, sau đó đặt vé máy bay, chỗ ở và lưu danh sách các quán ăn ngon vào Google Maps của tôi".

Google DeepMind đang tiến bước theo hướng này. Cùng với việc ra mắt Gemini 2.0 vào tháng 12 năm 2024, Project Mariner đã được công bố, đây là một nguyên mẫu nghiên cứu về tác nhân (agent) có khả năng thay mặt người dùng thực hiện các tác vụ bằng cách di chuyển qua lại giữa các trang web ngay trong trình duyệt Chrome. Nó có khả năng nhận diện và suy luận các yếu tố web như văn bản, mã nguồn, hình ảnh, biểu mẫu trên màn hình để hành động. Dự án này đã ghi nhận hiệu suất cao nhất đạt 83.5% trong bài kiểm tra WebVoyager.

Tất nhiên, dù vẫn còn chậm và chưa hoàn hảo, nhưng đúng như cách diễn đạt của Hassabis, "về mặt kỹ thuật, mọi thứ đã bắt đầu trở nên khả thi." Project Astra đã cho thấy tầm nhìn về một trợ lý AI đa năng với khả năng hiểu video, chia sẻ màn hình và ghi nhớ, trong khi tác nhân lập trình Jules đã hỗ trợ các nhà phát triển trong công việc viết mã của họ. Hassabis đã tóm tắt tư tưởng cốt lõi đằng sau tất cả những điều này chỉ trong một câu.

"Ngay từ đầu, chúng tôi đã hướng tới việc xây dựng một hệ thống dựa trên tác nhân (agent-based system). Ngay từ khi bắt đầu, chúng đã có thể lập kế hoạch, thực hiện hành động và đạt được mục tiêu.” Để làm được điều này, hai khả năng cốt lõi là 'Suy luận (Reasoning)' và 'Trí nhớ (Memory)' là vô cùng thiết yếu.

Trước hết là vấn đề về 'trí nhớ'. Hassabis đã đặt ưu tiên hàng đầu vào việc giải quyết tình trạng 'mất trí nhớ ngắn hạn' mà các LLM hiện nay đang gặp phải. Hiện tượng quên mất nội dung phía trước hoặc mất dấu ngữ cảnh khi cuộc hội thoại kéo dài là một điểm yếu chí mạng trong việc biến AI thành một đối tác lâu dài. DeepMind đang [phát triển] Gemini

Từ phiên bản 1.5 Pro, chúng tôi đã giới thiệu cửa sổ ngữ cảnh (Context Window) khổng lồ lên đến hơn 1 triệu token. Quy mô này tương đương với việc ghi nhớ toàn bộ bộ truyện Harry Potter vào trong đầu cùng một lúc. Với Gemini 2.5 Pro, hệ thống đã có khả năng xử lý các nội dung video có độ dài lên tới 3 giờ đồng hồ.

Tuy nhiên, thay vì chỉ dừng lại ở việc tiếp nhận một lượng lớn dữ liệu, Hassabis đang nỗ lực hiện thực hóa một hệ thống "trí nhớ tình tiết (Episodic Memory)" cho AI, tương tự như hồi hải mã của con người, có khả năng sàng lọc các thông tin quan trọng để lưu trữ vào bộ nhớ dài hạn và truy xuất chúng một cách phù hợp khi cần thiết. Trong danh sách các nhiệm vụ nghiên cứu hướng tới AGI mà ông đã đưa ra tại Davos năm 2025, "trí nhớ dài hạn tốt hơn (better long-term memory)" và "khả năng học tập liên tục (the ability to learn continuously)" đã được nêu rõ. Tiếp theo là 'suy luận'.

Như nhà kinh tế học hành vi Daniel Kahneman đã phân loại, nếu 'Hệ thống 1' là kiểu tư duy trực giác và nhanh chóng, thì 'Hệ thống 2' là quá trình suy xét logic và chậm rãi. Các chatbot hiện nay gần với Hệ thống 1, nơi đưa ra câu trả lời ngay lập tức ngay khi nhận được câu hỏi. Hassabis đã kết hợp bí quyết học tăng cường của DeepMind để cố gắng giúp AI có "thời gian suy nghĩ" nội bộ trước khi đưa ra câu trả lời.

Ý tưởng này đã trở thành hiện thực. Được ra mắt vào tháng 3 năm 2025, Gemini 2.5 Pro đã mang tên gọi chính thức là 'Mô hình Tư duy (Thinking Model)'. Nó được thiết kế để trải qua quá trình suy ngẫm nội tại, mô phỏng nhiều lộ trình logic khác nhau trước khi tạo câu trả lời, tự kiểm chứng các lỗi sai và đưa ra đáp án tối ưu nhất.

Giống như cách AlphaGo đã tìm kiếm vô số khả năng để đưa ra nước đi tiếp theo, mô hình này triển khai một "Cây tư duy" (Tree of Thoughts) bên trong mình trước khi đưa ra câu trả lời. Như Hassabis đã giải thích trong một cuộc phỏng vấn podcast, "Việc biến các mô hình quy mô lớn thành các bộ dự đoán thế giới ngày càng chính xác hơn, thành các mô hình thế giới đáng tin cậy hơn là cần thiết nhưng có lẽ vẫn chưa đủ. Chúng ta cần phải đặt lên trên đó các cơ chế lập kế hoạch như AlphaZero." Gemini 2.5 Pro đã vươn lên vị trí số 1 trên bảng xếp hạng LMArena và giữ vững ngôi đầu trong hơn 6 tháng, đạt được thành tích cao nhất trong các bài toán cấp độ Olympic Toán học Quốc tế, lập trình thi đấu và suy luận khoa học cấp độ tiến sĩ.

Và vào tháng 11 năm 2025, Gemini 3 Pro đã xuất hiện. Theo thông báo chính thức từ Google DeepMind, Gemini 3 được thiết kế để "nắm bắt chiều sâu và sắc thái, dẫn đầu về khả năng suy luận...

Đây là một mô hình. Chế độ Gemini 3 Deep Think đã nâng hiệu suất suy luận lên một tầm cao mới. Theo lời của Hassabis, mục tiêu của Gemini 3 là tạo ra "mô hình đa năng xuất sắc nhất", tập trung vào việc khắc phục các điểm yếu về lập trình, suy luận và toán học của các phiên bản trước đó.

Lộ trình từng bước từ Proto-AGI đến AGI hoàn chỉnh. Hassabis gọi trạng thái tích hợp giữa suy luận, trí nhớ và mô hình thế giới là 'Proto-AGI'. Đây là cửa ải cuối cùng để tiến tới AGI hoàn chỉnh. Lộ trình từng bước mà ông đưa ra rất rõ ràng. Giai đoạn 1 là dạng 'chatbot' như hiện nay, giai đoạn 2 là 'bộ suy luận (Reasoner)' sử dụng các công cụ trong một phạm vi hạn chế, giai đoạn 3 là 'tác nhân (Agent)' hành động tự chủ trong thế giới vật lý và kỹ thuật số với các mục tiêu dài hạn, và cuối cùng giai đoạn 4 là giai đoạn 'chuyên gia (Expert/Scientist)' – nơi tự thiết lập và kiểm chứng các giả thuyết khoa học để tạo ra kiến thức mới mà không cần sự can thiệp của con người. Trong buổi công bố chung cùng Amodei tại Davos năm 2025, Hassabis nhận định xác suất đạt được AGI trong vòng 10 năm tới là 50%.

Tuy nhiên, ông đã khẳng định rõ ràng rằng chỉ với các hệ thống AI ở dạng như hiện tại thì điều đó là không thể. "Có lẽ chúng ta sẽ cần thêm một hoặc hai bước đột phá nữa." Những khoảng cách cốt lõi mà ông xác định được là khả năng học tập chỉ từ một vài ví dụ, khả năng học tập liên tục, trí nhớ dài hạn tốt hơn, cùng với khả năng suy luận và lập kế hoạch được cải thiện.

Danh sách này cụ thể đến mức đáng kinh ngạc, đồng thời cho thấy Demis Hassabis đang thiết kế mọi dự án của DeepMind chính xác theo hướng lấp đầy khoảng cách này. Hassabis đã tóm tắt mục tiêu cuối cùng của hành trình này trong một câu: "Chúng ta đang chuyển dịch từ thời đại chạm vào điện thoại thông minh sang thời đại truyền đạt ý định cho AI."

Trong tầm nhìn của ông, các agent trong tương lai sẽ là những 'Trợ lý vạn năng (Universal Assistant)' hoàn hảo, thấu hiểu cuộc sống của từng cá nhân, đồng thời là đối tác nghiên cứu cùng nhân loại giải quyết các vấn đề nan giải. Tuy nhiên, ông cũng đồng thời cảnh báo về những rủi ro mà các agent mạnh mẽ này có thể mang lại, đó là vấn đề về việc thiết lập mục tiêu sai lệch hoặc lạm dụng quyền hạn.

Trong quá trình phát triển Dự án Mariner, Google đã thiết lập nguyên tắc "thực hiện nghiên cứu chủ động về các loại rủi ro mới và các biện pháp giảm thiểu, đồng thời giữ con người trong vòng kiểm soát (keeping humans in the loop)". Nghiên cứu về 'Sự căn chỉnh (Alignment)' và 'Khả năng kiểm soát' phải được tiến hành song song với các tiến bộ công nghệ. Khi Shimma 2 sở hữu khả năng tự cải thiện, vấn đề này càng trở nên gay gắt hơn, và DeepMind đã đồng hành trong mọi giai đoạn phát triển cùng với Đội ngũ Phát triển và Đổi mới có Trách nhiệm (Responsible Development and Innovation Team).

Lộ trình tiến tới AGI của Hassabis không phụ thuộc vào các mô hình lớn hơn hay sức mạnh tính toán mạnh mẽ hơn. Nó dựa trên khả năng AI thực sự 'hiểu' thế giới và 'thay đổi' thế giới. Mô hình thế giới (world model) là nền móng, suy luận và trí nhớ là những trụ cột, và tự

Thí nghiệm Donghwa là một mái nhà. Kiến trúc sư của công trình này là một người sở hữu những trải nghiệm trí tuệ đa dạng: học cờ vua năm 4 tuổi, tạo ra trò chơi điện tử năm 17 tuổi và nghiên cứu về não bộ ở độ tuổi 30. Đối với ông, AGI không phải là một cỗ máy thông minh. Nó phải trở thành một 'công cụ thông thái' giúp mở rộng và bảo vệ trí tuệ của nhân loại. Trong niềm tin chắc chắn của ông rằng AGI sẽ là khoảnh khắc mang tính biến đổi nhất trong lịch sử nhân loại, luôn ẩn chứa trách nhiệm của một nhà khoa học rằng sự biến đổi đó phải đi đúng hướng. Nguyên lý hoạt động của mô hình Transformer