MIT: Triết học đang "nuốt chửng" AI - Cần áp dụng các khung triết học vào phát triển AI để tạo ra giá trị bền vững (P1)

-  Triết học đang ngày càng quyết định cách các công nghệ số lập luận, dự đoán, sáng tạo và đổi mới. Thách thức đối với doanh nghiệp là liệu lãnh đạo có nhận thức và nghiêm túc sử dụng triết học như một nguồn lực để tạo giá trị với AI hay không.

-  Các quan điểm triết học về mục đích của mô hình AI (mục đích luận), định nghĩa kiến thức (nhận thức luận) và cách AI biểu diễn thực tế (bản thể luận) đều góp phần tạo ra giá trị. Nếu không có sự nuôi dưỡng thấu đáo về triết học, các tổ chức sẽ không thể thu được lợi nhuận và lợi thế cạnh tranh vượt trội từ đầu tư vào AI tạo sinh và dự đoán.

-  Các nhà đầu tư và doanh nhân như Peter Thiel, Alex Karp, Fei-Fei Li và Stephen Wolfram đều nhấn mạnh tầm quan trọng của triết học đối với công việc của họ. Các đột phá trong khoa học máy tính và AI thường bắt nguồn từ tư duy triết học sâu sắc về bản chất của tính toán, trí thông minh, ngôn ngữ và tâm trí.

-  Các công ty như Starbucks và Amazon đã phát triển những quan điểm triết học mới về lòng trung thành của khách hàng để định hướng việc phát triển và triển khai các mô hình AI. Họ không chỉ đơn thuần triển khai AI để cải thiện hiệu suất trên một bộ chỉ số nhất định.

-  Khi công nghệ AI chuyển từ mô hình ngôn ngữ sang hệ thống AI tác nhân, việc đào tạo triết học trở nên quan trọng hơn. Các hệ thống AI cần được đào tạo để học và "học cách học" dựa trên các khung triết học được lựa chọn cẩn thận.

-  Các tổ chức cần xây dựng các khung triết học tinh vi cho AI tác nhân, bao gồm tính tự chủ về nhận thức luận, hiểu biết về bản thể học, kiến trúc mục đích luận và tính tự chủ về đạo đức.

-  Tương lai của AI trong doanh nghiệp thuộc về những nhà điều hành nắm bắt được rằng khả năng cuối cùng của AI không phải là tính toán mà là triết học. Những tiến bộ có ý nghĩa trong khả năng của AI đến từ việc tích hợp các khung triết học tốt hơn vào cách các hệ thống này suy nghĩ, học hỏi, đánh giá và sáng tạo.

📌 Triết học đang định hình tương lai của AI, đòi hỏi các nhà lãnh đạo doanh nghiệp phải áp dụng tư duy triết học để tạo ra giá trị bền vững. Các công ty tiên phong như Starbucks và Amazon đã áp dụng quan điểm triết học mới về lòng trung thành của khách hàng để phát triển AI hiệu quả hơn. Tương lai thuộc về những người hiểu rằng sức mạnh thực sự của AI nằm ở khả năng triết học, không chỉ là tính toán.

https://sloanreview.mit.edu/article/philosophy-eats-ai/

#MIT

Triết học nuốt chửng AI  
Tạo ra giá trị kinh doanh bền vững với AI đòi hỏi tư duy phản biện về các triết lý khác nhau đang định hình sự phát triển, huấn luyện, triển khai và sử dụng AI.  
Michael Schrage và David Kiron  
Ngày 16 tháng 1, 2025  

Năm 2011, Marc Andreessen, một lập trình viên trở thành nhà đầu tư mạo hiểm, đã nổi tiếng tuyên bố rằng, "Phần mềm đang nuốt chửng thế giới" trên tờ The Wall Street Journal phiên bản giấy. Bản tuyên ngôn này mô tả một công nghệ đang biến đổi không ngừng mọi ngành công nghiệp toàn cầu mà nó tiêu thụ. Ông không sai; phần mềm vẫn đang có sự thèm khát toàn cầu.  

Không đầy 6 năm sau, Jensen Huang, nhà đồng sáng lập kiêm CEO của Nvidia, đã mạnh dạn cập nhật quan điểm của Andreessen khi khẳng định, "Phần mềm đang nuốt chửng thế giới … nhưng AI đang nuốt chửng phần mềm." Sự chuyển dịch thuật toán ngày càng nhanh từ việc lập trình của con người sang học máy đã dẫn đến một phát biểu khác của Huang rằng, "Học sâu là một yêu cầu chiến lược đối với mọi công ty công nghệ lớn. Học sâu ngày càng thấm nhuần vào mọi khía cạnh của công việc, từ hạ tầng, công cụ, đến cách sản phẩm được tạo ra." Giá trị vốn hóa thị trường hàng nghìn tỷ USD của Nvidia đã khẳng định dự đoán sáng suốt của Huang vào năm 2017.  

Nhưng ngay cả khi phần mềm nuốt chửng thế giới và AI nuốt chửng phần mềm, thì yếu tố nào dường như sẵn sàng "nuốt chửng" AI? Câu trả lời nằm ngay trước mắt. Điều này thách thức các nhà lãnh đạo doanh nghiệp và công nghệ phải suy nghĩ lại về khoản đầu tư và mối quan hệ của họ với trí tuệ nhân tạo. Không thể trốn tránh yếu tố này; nó len lỏi vào các tập dữ liệu huấn luyện và mạng thần kinh của mọi mô hình ngôn ngữ lớn (LLM) trên toàn cầu.  

Triết học đang nuốt chửng AI: Là một ngành học, tập dữ liệu, và một hệ tư duy, triết học ngày càng đóng vai trò quyết định cách mà các công nghệ số suy luận, dự đoán, sáng tạo, tạo sinh và đổi mới. Thách thức lớn đối với doanh nghiệp là liệu các nhà lãnh đạo có sở hữu sự tự nhận thức và kỷ luật để sử dụng triết học như một nguồn lực nhằm tạo ra giá trị với AI hay không, hay chỉ đơn giản mặc định sử dụng những nguyên tắc triết học ngầm định và không được nêu rõ ràng cho các triển khai AI của họ. Dù theo cách nào — tốt hay xấu — triết học vẫn nuốt chửng AI. Đối với các nhà điều hành có ý thức chiến lược, ẩn dụ này cần phải luôn nằm trong tâm trí.  

Trong khi đạo đức và AI có trách nhiệm hiện đang thống trị nhận thức về vai trò của triết học trong phát triển và triển khai các giải pháp AI, thì những chủ đề này chỉ đại diện cho một phần nhỏ trong các quan điểm triết học định hình và hướng dẫn việc sản xuất, sử dụng, và ứng dụng AI. Việc ưu tiên các nguyên tắc và rào cản đạo đức làm giảm giá trị thực sự của ảnh hưởng từ triết học. Các quan điểm triết học về mục tiêu mà mô hình AI nên đạt được (đạo đức học mục đích), điều gì được coi là tri thức (nhận thức luận), và cách AI đại diện cho thực tại (bản thể học) cũng định hình việc tạo ra giá trị. Nếu không nuôi dưỡng và áp dụng sâu sắc các hiểu biết triết học, các tổ chức sẽ không thể gặt hái được lợi nhuận vượt trội và lợi thế cạnh tranh từ các khoản đầu tư vào AI tạo sinh và dự đoán.  

Lập luận này ngày càng nhận được sự ủng hộ cả về mặt thực nghiệm lẫn kỹ thuật. Có lý do chính đáng để các nhà đầu tư, nhà đổi mới, và doanh nhân như Peter Thiel, đồng sáng lập PayPal; Alex Karp của Palantir Technologies; giáo sư Fei-Fei Li của Stanford; và Stephen Wolfram của Wolfram Research công khai nhấn mạnh triết học và tính nghiêm ngặt về triết học là động lực cho công việc của họ. Việc vận dụng các quan điểm triết học một cách rõ ràng không phải là điều mới mẻ hay lạ lẫm đối với AI. Những bước đột phá trong khoa học máy tính và AI luôn xuất hiện từ tư duy triết học sâu sắc về bản chất của tính toán, trí tuệ, ngôn ngữ và tư duy. Ví dụ, những hiểu biết cơ bản của nhà khoa học máy tính Alan Turing về máy tính bắt nguồn từ các câu hỏi triết học về khả năng tính toán và trí thông minh — bài kiểm tra Turing thực chất là một thí nghiệm tư duy triết học. Phân tích về trò chơi ngôn ngữ và việc tuân theo quy tắc của triết gia Ludwig von Wittgenstein đã trực tiếp ảnh hưởng đến sự phát triển của khoa học máy tính, trong khi các nghiên cứu về logic của triết gia Gottlob Frege đã cung cấp nền tảng triết học cho nhiều ngôn ngữ lập trình.

Gần đây hơn, công trình đạt giải Nobel năm 2024 của Geoffrey Hinton về mạng nơ-ron nhân tạo xuất phát từ các câu hỏi triết học về cách tư duy đại diện và xử lý tri thức. Khi Claude Shannon tại MIT phát triển lý thuyết thông tin, ông đồng thời giải quyết một vấn đề kỹ thuật và trả lời các câu hỏi triết học về bản chất và ý nghĩa của thông tin. Thật vậy, việc Sam Altman theo đuổi tham vọng trí tuệ nhân tạo tổng quát (AGI) tại OpenAI được cho là xuất phát từ các cân nhắc triết học về trí tuệ, ý thức và tiềm năng của con người. Những người tiên phong này không xem triết học là tách biệt hay khác biệt so với kỹ thuật thực tiễn; trái lại, sự rõ ràng trong triết học đã tạo điều kiện cho các đột phá kỹ thuật.

Các nhà lãnh đạo cần đầu tư vào kỹ năng tư duy phản biện của chính mình để đảm bảo triết học làm cho các cỗ máy thông minh hơn và có giá trị hơn.

Hiện nay, các quy định, tranh tụng và chính sách công mới nổi đang đại diện cho những lực lượng ngoại sinh bắt buộc các mô hình AI phải tích hợp mục đích, độ chính xác và sự phù hợp với các giá trị của con người. Nhưng các công ty có các giá trị và lý do riêng được định hướng bởi giá trị để chấp nhận và tích hợp các quan điểm triết học vào hệ thống AI của mình. Các bậc thầy về triết học, từ Khổng Tử đến Kant hay Anscombe, vẫn đang là các nguồn tài nguyên bị đánh giá thấp và chưa được tận dụng trong việc huấn luyện, tinh chỉnh, gợi ý và tạo ra các kết quả AI có giá trị. Như chúng tôi lập luận, việc cố ý thấm nhuần các mô hình ngôn ngữ lớn (LLM) bằng các quan điểm triết học có thể tăng hiệu quả của chúng một cách đột phá.

Điều này không có nghĩa là các công ty nên thuê giám đốc triết học … ít nhất là chưa. Nhưng nếu hành động như thể triết học và các hiểu biết triết học chỉ là yếu tố phụ hoặc gia tăng đối với tác động của AI trong doanh nghiệp sẽ làm giảm tiềm năng công nghệ và kinh tế của chúng. Các chiến lược AI hiệu quả và thực thi ngày càng đòi hỏi tư duy phản biện — từ cả con người lẫn máy móc — về các triết lý khác nhau đang định hình và thúc đẩy việc sử dụng AI. Nói cách khác, các tổ chức cần một chiến lược AI "với triết học và vì triết học". Cả lãnh đạo lẫn nhà phát triển đều cần thống nhất về các triết lý định hướng sự phát triển và sử dụng AI. Các nhà lãnh đạo quyết tâm tối đa hóa lợi nhuận từ AI phải đầu tư vào kỹ năng tư duy phản biện của chính mình để đảm bảo triết học làm cho các cỗ máy của họ thông minh hơn và có giá trị hơn.

Triết học, không chỉ đạo đức, nuốt chửng AI

Thất bại đáng tiếc và lộ liễu của Google với Gemini AI minh họa các rủi ro khi các quan điểm triết học không được đồng bộ hóa trong việc huấn luyện AI tạo sinh. Vì sợ bị tụt lại phía sau các đối thủ mô hình ngôn ngữ lớn (LLM), Google đã nâng cấp nền tảng hội thoại Bard bằng cách tích hợp nó với mô hình Imagen 2 mạnh mẽ của gã khổng lồ công nghệ này nhằm cho phép các lệnh văn bản tạo ra các phản hồi hình ảnh chất lượng cao. Tuy nhiên, khi người dùng Gemini yêu cầu LLM tạo ra hình ảnh về các nhân vật và sự kiện lịch sử quan trọng — như các nhà lập quốc của Mỹ, người Bắc Âu, Chiến tranh thế giới thứ hai, v.v. — các kết quả đầu ra thường xuyên bao gồm các đại diện về chủng tộc và giới tính mang tính đa dạng nhưng không chính xác về mặt lịch sử. Ví dụ, Gemini đã mô tả các nhà lập quốc của Mỹ như là những người đa chủng tộc và mô tả các chiến binh Viking là phụ nữ châu Á.

Những kết quả phi lịch sử này đã châm ngòi cho sự chỉ trích và chế giễu rộng rãi. Các hình ảnh phản ánh lý tưởng về sự đa dạng hiện đại được áp đặt lên các bối cảnh và hoàn cảnh mà cuối cùng không thuộc về chúng. Với tài năng, nguồn lực và sự tinh vi kỹ thuật lớn của Google, đâu là nguyên nhân gốc rễ giải thích tốt nhất cho những kết quả không thể chấp nhận này? Google đã để cho sự hỗn loạn về mục đích (teleology) chi phối giữa các mục tiêu mâu thuẫn: tính chính xác và các sáng kiến đa dạng, bình đẳng và hòa nhập (DEI). Vấn đề không nằm ở chất lượng hoặc khả năng tiếp cận dữ liệu; các thuật toán mang tính khẳng định chủ động của Gemini để tránh những thành kiến được nhận thức đối với các nhóm sắc tộc hoặc giới tính cụ thể đã dẫn đến những kết quả đầu ra sai lệch, không chính xác và không mong muốn về mặt lịch sử. Điều tưởng chừng như là một lỗi trong AI đạo đức hoặc AI có trách nhiệm thực chất không phải là thất bại kỹ thuật mà là một thất bại về mục đích. Các nhà huấn luyện, tinh chỉnh và kiểm thử của Google đã đưa ra một quyết định sai lầm — không phải về AI hay mô hình tồi, mà về các mệnh lệnh triết học không phù hợp với mục đích chính.

Triết học nuốt chửng lòng trung thành của khách hàng

Những thất bại này xảy ra ở bất kỳ nơi nào mà các tổ chức không suy nghĩ lại về các nguyên tắc triết học cơ bản của họ. Ví dụ, các công ty thường nói rằng họ muốn tạo ra, phát triển và phục vụ những khách hàng trung thành. Tuy nhiên, thay vì định nghĩa rõ ràng lòng trung thành nghĩa là gì, họ mặc định đo lường nó bằng các chỉ số đóng vai trò như các đại diện định lượng thay thế. Việc sử dụng AI để tối ưu hóa RFM (tần suất mua gần nhất, mức độ thường xuyên và giá trị tiền tệ), quản lý rời bỏ khách hàng (churn management) và KPI NPS (điểm quảng bá ròng) có đồng nghĩa về mặt tính toán với việc tối ưu hóa lòng trung thành của khách hàng không? Đối với quá nhiều nhà tiếp thị và các giám đốc phụ trách sự thành công của khách hàng, đây là một câu hỏi nghiêm túc. Không có cái nhìn thấu đáo hơn về lòng trung thành, các biện pháp và chỉ số như vậy trở thành định nghĩa được áp đặt bởi các giám đốc. Việc tính toán tốt hơn trở thành sự thay thế, thay vì là động lực, cho việc suy nghĩ tốt hơn. Đây là một hạn chế đáng kể.

Như von Wittgenstein từng nhận xét: "Giới hạn của ngôn ngữ của tôi là giới hạn của thế giới của tôi." Tương tự, những giới hạn và ràng buộc của các chỉ số không cần thiết và không nên định nghĩa giới hạn của những gì lòng trung thành của khách hàng có thể nghĩa là. Về mặt chiến lược, kinh tế và cảm xúc, "lòng trung thành" có thể có nhiều chiều đo có thể đo lường được. Đây là tùy chọn mang tính mục đích, bản thể học và nhận thức luận mà các khả năng ngày càng tăng của AI mời gọi và khuyến khích.

Trong nghiên cứu, giảng dạy và tư vấn của mình, chúng tôi thấy các công ty kết hợp các khả năng định lượng nâng cao với các phân tích được định hình triết học về "lòng trung thành" có thể và nên có ý nghĩa gì. Các phân tích này không chỉ bao gồm các cân nhắc đạo đức mà còn cả nhận thức luận, bản thể học và mục đích học.

Ví dụ, Starbucks và Amazon đã phát triển những quan điểm triết học mới mẻ về lòng trung thành của khách hàng, giúp định hướng việc phát triển và triển khai các mô hình AI của họ. Họ không chỉ đơn giản triển khai AI để cải thiện hiệu năng trên một tập hợp các chỉ số cụ thể. Năm 2019, dưới sự lãnh đạo của CEO lúc bấy giờ là Kevin Johnson, đội ngũ cấp cao của Starbucks đã phát triển nền tảng AI Deep Brew để thúc đẩy điều mà họ coi là bản chất bản thể học của trải nghiệm Starbucks: xây dựng sự kết nối giữa khách hàng và nhân viên trong cửa hàng, cả trực tiếp lẫn trực tuyến.

Việc tạo điều kiện cho các "trải nghiệm kết nối" một cách kỹ thuật số đã trở thành trung tâm của cách Starbucks thực hiện và nuôi dưỡng lòng trung thành của khách hàng. Deep Brew cũng hỗ trợ chương trình khách hàng thân thiết mở rộng của công ty, với các thành viên chiếm hơn một nửa doanh thu của Starbucks. Với những thách thức hiện tại của công ty và ban lãnh đạo mới, những mối quan tâm này càng trở nên cấp bách và ưu tiên hơn: Những cảm nhận triết học nào nên định hướng cho các bản nâng cấp và sửa đổi ứng dụng Starbucks? Liệu "lòng trung thành di sản" và các thước đo của nó có được suy nghĩ lại một cách căn bản không?

Trong khi Amazon Prime bắt đầu như một dịch vụ vận chuyển tiết kiệm vào năm 2004, nhà sáng lập Jeff Bezos nhanh chóng tái hình dung nó thành một nền tảng tương tác để xác định và duy trì những khách hàng tốt nhất và trung thành nhất của Amazon. Một giám đốc điều hành Prime thời kỳ đầu nhớ lại rằng Bezos từng tuyên bố: "Tôi muốn xây một con hào xung quanh những khách hàng tốt nhất của chúng ta. Chúng ta sẽ không coi những khách hàng tốt nhất của mình là điều hiển nhiên." Bezos muốn Prime trở thành nơi mua sắm mặc định của khách hàng, không chỉ là một công cụ tiết kiệm chi phí.

Amazon đã sử dụng các nguồn lực phân tích khổng lồ để rà soát dữ liệu hành vi, giao dịch và xã hội nhằm hiểu rõ hơn và cá nhân hóa các dịch vụ dành cho khách hàng Prime. Quan trọng hơn, đội ngũ Prime không chỉ tìm cách gia tăng lòng trung thành từ khách hàng. Tổ chức đã nỗ lực thể hiện sự trung thành lớn hơn đối với khách hàng: tính tương hỗ là trọng tâm trong quan điểm triết học của Prime.

Một lần nữa, Amazon không triển khai AI chỉ để cải thiện hiệu suất dựa trên các chỉ số khách hàng hiện có; họ đã học cách xác định, tạo ra và khen thưởng những khách hàng tốt nhất. Các nhà lãnh đạo đã suy nghĩ sâu sắc về cách xác định và hiểu (theo nghĩa nhận thức luận) khách hàng tốt nhất của họ, cũng như xác định vai trò của từng khách hàng trong mô hình kinh doanh đang phát triển của tổ chức. Rõ ràng, "tốt nhất" và "sinh lợi nhiều nhất" có sự trùng lặp nhưng không đồng nghĩa với nhau.

Đối với Starbucks và Amazon, các cân nhắc triết học đã hỗ trợ sự xuất sắc trong việc đo lường. Việc sử dụng bản thể học (để xác định trải nghiệm Starbucks), nhận thức luận (để hiểu khách hàng tại Amazon), và mục đích học (để định nghĩa mục tiêu của sự tương tác với khách hàng) đã dẫn đến các thước đo và chỉ số có ý nghĩa hơn. Các giá trị về lòng trung thành đã học cách làm giàu giá trị của lòng trung thành — và ngược lại.

Không may thay, nhiều doanh nghiệp lâu đời đang sử dụng AI để nâng cao "sự tập trung vào khách hàng" lại mặc định dựa vào các chỉ số KPI không có sự kết nối triết học với lòng trung thành của khách hàng, hành vi trung thành của khách hàng, và xu hướng trung thành của khách hàng. Việc nhầm lẫn giữa các chỉ số trung thành và lòng trung thành thực sự là một sự sai lệch nguy hiểm; điều này ưu tiên đo lường hơn là suy nghĩ lại một cách cẩn thận về các nguyên tắc cơ bản của khách hàng. Như nhà triết học/kỹ sư Alfred Korzybski đã quan sát gần một thế kỷ trước, "Bản đồ không phải là lãnh thổ."

Triết học định hình AI có năng lực chủ động: Từ tiềm năng tham số đến sự xuất sắc tự chủ

Khi các công nghệ thông minh chuyển đổi từ các mô hình ngôn ngữ sang các hệ thống AI có năng lực chủ động (agentic AI), trí tuệ của chiến binh/thi sĩ Hy Lạp cổ Archilochus — "Chúng ta không vươn tới mức kỳ vọng của mình; chúng ta rơi xuống mức huấn luyện của mình" — trở thành một cảnh báo chiến lược. Khi kết hợp với câu châm ngôn châm biếm của nhà thống kê George Box — "Mọi mô hình đều sai, nhưng một số mô hình hữu ích" — thách thức trở nên rõ ràng hơn: Khi phát triển AI theo đuổi các mục tiêu của tổ chức một cách độc lập, việc chỉ tập trung vào "tính hữu ích" là chưa đủ. Các tổ chức cần nhiều hơn thế. Việc tạo ra các tác nhân tự chủ hoặc bán tự chủ đáng tin cậy và hiệu quả phụ thuộc ít hơn vào các công nghệ kỹ thuật hay đổi mới thuật toán, mà phụ thuộc nhiều hơn vào đào tạo triết học để cố ý tích hợp ý nghĩa, mục đích và năng lực thực sự vào các khung nhận thức của chúng. Sự xuất sắc về hiệu suất phụ thuộc vào sự xuất sắc trong đào tạo. AI có hiệu suất cao phụ thuộc vào huấn luyện có hiệu suất cao.

Trong khi các mô hình ngôn ngữ lớn và nhỏ xuất sắc trong việc nhận diện mẫu và tạo ra các đầu ra tinh vi dựa trên dữ liệu huấn luyện, các tổ chức cần AI vượt xa khả năng phản hồi theo lệnh một cách vượt trội. Các hệ thống AI có năng lực chủ động không chỉ xử lý và tạo ra ngôn ngữ; chúng còn hiểu mục tiêu theo ngữ cảnh, xây dựng kế hoạch, và thực hiện các hành động tự chủ mà cần phải phù hợp với các giá trị của tổ chức. Điều này đòi hỏi đào tạo triết học vượt xa việc chỉ nhúng các kiến thức phục vụ khả năng ra quyết định và lý luận tự chủ hoặc bán tự chủ.

Nghiên cứu gần đây như Boundless Socratic Learning With Language Games của DeepMind và các nghiên cứu về phản ánh tư tưởng hệ trong các hệ thống AI đã làm sáng tỏ một nhận thức quan trọng: Năng lực chủ động không xuất phát từ các mô hình lớn hơn hay nhiều tham số hơn (tức là các quy tắc mở rộng) mà từ các khung triết học được lựa chọn một cách có chủ ý để tạo điều kiện cho khả năng lý luận và hành động tự chủ. Cuối cùng, các tác nhân AI phải tự phát triển và triển khai các quyết định của mình trên các lĩnh vực triết học trong khi vẫn duy trì sự phù hợp với các giá trị con người. Nói cách khác, chúng cần được đào tạo để học và "học cách học."

Hãy xem xét, chẳng hạn, cách cảm quan này có thể được thể hiện trong thực tiễn kinh doanh toàn cầu:

Kịch bản: Hệ thống AI quản lý gián đoạn chuỗi cung ứng

Phản hồi theo cách nhận diện mẫu: “Dữ liệu lịch sử cho thấy nên triển khai các nhà cung cấp dự phòng và tăng cường mức tồn kho an toàn.”

Phản hồi được đào tạo triết học: “Tôi đã phân tích các đặc điểm độc đáo của sự gián đoạn này và những tác động hệ thống rộng lớn hơn. Thay vì mặc định tăng mức tồn kho, tôi đề xuất:

1. Phát triển quan hệ đối tác chiến lược với các nhà cung cấp chủ chốt tại các khu vực ổn định
2. Thiết kế lại quy trình để tăng khả năng hiển thị chuỗi cung ứng
3. Đặt các điểm đệm chiến lược dựa trên mức độ quan trọng của từng thành phần

Tôi đã mô phỏng các biện pháp can thiệp này trong nhiều kịch bản khác nhau và có thể hướng dẫn triển khai đồng thời điều chỉnh dựa trên phản hồi từ các bên liên quan. Chúng ta có muốn xem xét phân tích chi tiết không?”

Kịch bản chuỗi cung ứng này minh họa rằng AI có năng lực chủ động (agentic AI) cần rút ra bài học và học hỏi từ các bối cảnh mang tính mục đích học (teleological), nhận thức luận (epistemological), và bản thể học (ontological) để đề xuất các giải pháp thúc đẩy các kết quả mong muốn của doanh nghiệp. Các đề xuất này cần tìm cách cân bằng và hòa hợp giữa các mục tiêu chiến lược hợp lý với dữ liệu thực nghiệm và phân tích. Kết hợp lại, đây có thể được coi là các khung triết học để đào tạo các tác nhân AI có khả năng học cách giải quyết vấn đề tốt hơn và khai phá/tận dụng các cơ hội.

Các khung triết học dành cho AI có năng lực chủ động

1. Năng lực nhận thức luận: Vượt ra ngoài xử lý thông tin

Các hệ thống AI đạt được năng lực nhận thức luận khi chúng vượt khỏi xử lý thông tin thụ động để chủ động xây dựng và xác nhận tri thức. Điều này đòi hỏi đào tạo trong các khung triết học để cho phép:

• Học tập tự định hướng: Các tác nhân AI tự chủ xác định lỗ hổng kiến thức và theo đuổi sự hiểu biết mới, thay vì chờ đợi truy vấn hoặc chỉ dẫn. Ví dụ: Khi phân tích xu hướng thị trường, chúng chủ động khám phá các thị trường lân cận và các yếu tố mới nổi thay vì chỉ giới hạn trong các điểm dữ liệu được yêu cầu.
• Kiểm nghiệm giả thuyết động: Các tác nhân tạo ra và kiểm nghiệm các khả năng thay vì chỉ đánh giá các phương án đã biết. Khi đối mặt với gián đoạn chuỗi cung ứng, chẳng hạn, chúng không chỉ đánh giá các giải pháp thay thế đã biết mà còn đề xuất và mô phỏng các giải pháp mới dựa trên hiểu biết sâu hơn về nguyên nhân.
• Nhận thức siêu nhận thức: Các tác nhân duy trì ý thức tích cực về những gì chúng biết, những gì chúng không biết, và độ tin cậy của kiến thức đó. Thay vì chỉ cung cấp câu trả lời, chúng giao tiếp mức độ tự tin và những lỗ hổng kiến thức tiềm ẩn có thể ảnh hưởng đến quyết định.

Nền tảng nhận thức luận này chuyển đổi cách các hệ thống AI tương tác với tri thức — từ việc nhận diện mẫu trong dữ liệu huấn luyện sang việc chủ động xây dựng sự hiểu biết thông qua điều tra và xác nhận có hệ thống. Một hệ thống AI chuỗi cung ứng được đào tạo mạnh về nhận thức luận không chỉ dự đoán gián đoạn dựa trên mẫu lịch sử; nó còn chủ động xây dựng và tinh chỉnh các mô hình nguyên nhân của mối quan hệ với nhà cung cấp, động lực thị trường, và rủi ro hệ thống để tạo ra các hiểu biết sâu sắc và hành động hơn.

2. Hiểu biết bản thể học: Từ nhận diện mẫu đến hiểu biết hệ thống

Các hệ thống AI cần các khung bản thể học tinh vi để hiểu cả bản chất của chính chúng lẫn thực tại phức tạp mà chúng hoạt động trong đó. Điều này bao gồm:

• Tự hiểu biết: Duy trì nhận thức động về khả năng và giới hạn của chính chúng trong sự hợp tác giữa con người và AI.
• Kiến trúc nhân quả: Xây dựng các mô hình phong phú về cách các yếu tố trong môi trường của chúng ảnh hưởng lẫn nhau — từ tác động trực tiếp đến các hiệu ứng lan tỏa tinh vi.
• Tư duy hệ thống: Nhận ra rằng các thách thức kinh doanh tồn tại trong các hệ thống lồng ghép có mức độ phức tạp tăng dần, nơi thay đổi ở một khu vực chắc chắn ảnh hưởng đến các khu vực khác.

Ví dụ: Một AI quản lý hoạt động bán lẻ không nên mặc định tối ưu hóa hàng tồn kho dựa trên mẫu bán hàng; nó cần hiểu cách các quyết định tồn kho ảnh hưởng đến mối quan hệ với nhà cung cấp, dòng tiền, sự hài lòng của khách hàng, và nhận thức về thương hiệu. Nền tảng bản thể học này chuyển đổi nhận diện mẫu thành trí thông minh ngữ cảnh, cho phép các giải pháp giải quyết cả nhu cầu trước mắt và các tác động hệ thống.

3. Kiến trúc mục đích học: Từ thực hiện nhiệm vụ đến hành động có mục đích

Các hệ thống có năng lực chủ động cần các khung phức tạp để hiểu và theo đuổi mục đích ở nhiều cấp độ. Nền tảng mục đích học này cho phép chúng:

• Hình thành và tinh chỉnh mục tiêu: Vượt ra ngoài việc thực hiện các nhiệm vụ được xác định trước để tự chủ phát triển và điều chỉnh các mục tiêu dựa trên bối cảnh thay đổi.
• Điều hướng hệ thống mục đích: Hiểu cách các hành động tức thời phục vụ các sứ mệnh rộng lớn hơn của tổ chức, cân bằng giữa hiệu quả ngắn hạn và việc tạo ra giá trị dài hạn.
• Giải quyết các ưu tiên mâu thuẫn: Chủ động nhận ra và hòa giải các căng thẳng giữa các mục tiêu khác nhau của tổ chức, đưa ra các thỏa hiệp có nguyên tắc phù hợp với ý định chiến lược.

Ví dụ: Một AI tiếp thị không chỉ tối ưu hóa tỷ lệ nhấp chuột; nó theo đuổi các chiến lược tương tác cân bằng giữa các chỉ số tức thời với giá trị thương hiệu, giá trị vòng đời khách hàng và vị thế thị trường. Điều này phản ánh cuộc thảo luận về lòng trung thành khách hàng ở trên. Mỗi hành động bắt nguồn từ sự hiểu biết rõ ràng không chỉ về nhiệm vụ cần thực hiện mà còn tại sao nhiệm vụ đó lại quan trọng trong các bối cảnh tổ chức rộng lớn hơn.

Những cảm quan được học hỏi và rèn luyện này biến AI từ một “công cụ đạt được các mục tiêu đã cho” thành “hệ thống theo đuổi các mục đích và kết quả tổ chức được chỉ định một cách có ý thức.” Thật vậy, sự chuyển đổi từ “đầu ra” sang “kết quả” nhấn mạnh vai trò của mục đích trong việc thúc đẩy hành động.

4. Năng lực đạo đức: Từ tuân thủ quy tắc đến lý luận đạo đức tự chủ

Ngoài việc tuân theo các quy tắc, AI có năng lực chủ động cần khả năng lý luận đạo đức tự chủ và năng lực cân nhắc đạo đức trong các tình huống mới lạ. Việc tích hợp các khung lý luận cho phép các mô hình điều hướng những tình huống chưa từng có, đồng thời duy trì niềm tin của các bên liên quan và sự phù hợp với các giá trị doanh nghiệp. Điều này vượt xa các quy tắc đơn giản hay ràng buộc; nó tập trung vào việc xây dựng các khung đánh giá phức tạp để xem xét các tác động và đưa ra các quyết định dựa trên nguyên tắc trong những tình huống chưa từng có. Giống như tất cả các mô hình AI có trách nhiệm, các lựa chọn đạo đức của AI có năng lực chủ động cần minh bạch, dễ hiểu và có thể giải thích được.

Triển khai thực tiễn: Từ lý thuyết đến năng lực chủ động

Hãy xem xét một tác nhân AI quản lý một hệ thống tổ chức phức tạp. Không giống như chatbot truyền thống hoặc mô hình ngôn ngữ, tác nhân này cung cấp các phản hồi nâng cao dựa trên sự đào tạo từ một quan điểm triết học cụ thể — chẳng hạn như “chủ nghĩa gia trưởng tự do,” cơ sở kinh tế chính trị của lý thuyết Nudge của Thaler và Cass Sunstein:

Phản hồi của mô hình ngôn ngữ truyền thống:
“Dựa trên các chỉ số hiện tại, năng suất của bộ phận có thể được cải thiện bằng cách triển khai chính sách làm thêm giờ. Mức lương tiêu chuẩn là 1,5 lần lương cơ bản cho tối đa 10 giờ mỗi tuần.”

Phản hồi của AI có năng lực chủ động:
“Tôi đã tự chủ phân tích các thách thức về năng suất và xác định ba điểm can thiệp tiềm năng. Trước khi đề xuất làm thêm giờ, tôi đã mô phỏng các tác động dài hạn của nhiều giải pháp khác nhau. Phân tích của tôi cho thấy nguyên nhân gốc rễ nằm ở sự không hiệu quả trong quy trình chứ không phải số giờ lao động. Tôi đề xuất triển khai thiết kế lại quy trình làm việc theo hướng cộng tác, và tôi có thể hỗ trợ điều này. Tôi đã chuẩn bị các mô phỏng chi tiết cho thấy kết quả dự kiến và có thể điều chỉnh kế hoạch dựa trên phản hồi của các bên liên quan. Chúng ta có muốn xem xét các phương án thay thế này và các tác động dự kiến không?”

Dù phản hồi của AI có năng lực chủ động này có thể giống như một hành động mang tính nhân văn, điều này không làm lu mờ ý nghĩa triết học: Giải pháp chiến lược được đề xuất phản ánh rõ ràng sự đào tạo triết học của tác nhân AI và tìm cách vừa liên kết hành vi của nhân viên với mục tiêu tổ chức, vừa bảo vệ quyền lựa chọn cá nhân. Việc ràng buộc trong khuôn khổ triết học này không làm suy giảm hiệu quả của mô hình; thay vào đó, nó tăng cường khả năng thúc đẩy các kết quả mong muốn. Trong cấu trúc “chủ nghĩa gia trưởng tự do” của Sunstein/Thaler, AI có năng lực chủ động trở thành một “kiến trúc sư lựa chọn” cho người dùng.

Dĩ nhiên, phạm vi của các khung triết học có sẵn vượt xa chủ nghĩa gia trưởng tự do. Các triết lý phương Tây và phương Đông mang đến nguồn tài nguyên phong phú để giải quyết các căng thẳng giữa lợi ích cá nhân và tập thể. Truyền thống phân tích và lục địa (Continental) cung cấp các cách tiếp cận khác nhau về logic, ngôn ngữ và tạo dựng giá trị. (Xem Phụ lục: So sánh cách tiếp cận triết học phương Đông và phương Tây đối với mô hình ngôn ngữ lớn (LLM) để phân tích cách các phương pháp đào tạo triết học khác nhau này ảnh hưởng đến đầu ra và tương tác của AI có năng lực chủ động). Điều quan trọng là lựa chọn và kết hợp các khung triết học phù hợp với mục tiêu tổ chức và nhu cầu của các bên liên quan. Các thể loại khung triết học mới có thể cần thiết để khai thác đầy đủ tiềm năng của AI tạo sinh.

Như thất bại của Gemini tại Google đã minh chứng rõ ràng, việc quản lý các xung đột giữa các quan điểm triết học được tích hợp là một thách thức phát triển vốn đã rất khó khăn. Điều này không thể được giao phó hoặc mặc định cho các đội kỹ thuật hay các cán bộ tuân thủ chỉ đơn thuần làm theo danh sách kiểm tra. Các nhóm lãnh đạo cần tích cực tham gia vào việc lựa chọn và định hình các khung triết học và các ưu tiên quyết định cách hệ thống AI suy nghĩ và hoạt động.

Mệnh lệnh chiến lược: Từ đào tạo kỹ thuật đến đào tạo triết học

Chúng tôi lập luận rằng hệ thống AI thành công hay thất bại phụ thuộc vào mức độ đào tạo triết học của chúng, chứ không phải chỉ vào năng lực kỹ thuật. Khi các tổ chức tích hợp các khung triết học tinh vi vào quá trình đào tạo AI, họ tái cấu trúc và định hình lại các kiến trúc tính toán thành các hệ thống có thể:

• Tạo ra các hiểu biết chiến lược thay vì các phản ứng mang tính chiến thuật.
• Tương tác có ý nghĩa với những người ra quyết định thay vì chỉ trả lời các truy vấn.
• Tạo ra giá trị đo lường được bằng cách hiểu và theo đuổi mục đích của tổ chức.

Những điều này nên được xem là các mệnh lệnh chiến lược, chứ không chỉ là các bài tập học thuật hay thí nghiệm tư duy. Những ai bỏ qua chân lý triết học này sẽ tạo ra các công cụ mạnh mẽ nhưng cuối cùng lại bị giới hạn; những ai chấp nhận nó sẽ nuôi dưỡng các đối tác AI có khả năng thúc đẩy sứ mệnh chiến lược của mình. Bỏ qua triết học hoặc coi nó như một yếu tố phụ rủi ro sẽ dẫn đến việc tạo ra các hệ thống không phù hợp — những cỗ máy nhận diện mẫu không có mục đích, những máy tính tạo ra câu trả lời sai một cách nhanh chóng.

Những chuyển dịch từ LLM sang AI có năng lực chủ động không phải là sự cải tiến dần dần hay chỉ đơn thuần là một tầng lớp bổ sung vào hệ thống; chúng đòi hỏi việc tái hình dung căn bản cách đào tạo AI. Những “tái hình dung” này vượt xa việc cải thiện dữ liệu đào tạo và/hoặc tăng số lượng tham số — chúng đòi hỏi tích hợp khả năng học tập tự định hướng và lý luận đạo đức tự chủ.

Hàm ý khiêu khích: Cách tiếp cận hiện tại đối với phát triển AI, chủ yếu tập trung vào cải thiện sự hiểu biết và tạo sinh ngôn ngữ, có thể không đủ để tạo ra các tác nhân AI thực sự hiệu quả. Thay vì đào tạo các mô hình để xử lý thông tin tốt hơn, chúng ta cần các hệ thống tham gia vào cuộc điều tra triết học thực sự và phát triển nhận thức tự chủ.

Do đó, những hiểu biết này gợi ý rằng chúng ta không chỉ đang đối mặt với các thách thức kỹ thuật trong phát triển AI — mà chúng ta đang tiến gần đến một sự chuyển đổi trong cách hiểu và phát triển trí tuệ nhân tạo. Việc chuyển sang năng lực chủ động buộc chúng ta phải đối mặt với các câu hỏi triết học sâu sắc về bản chất của sự tự chủ, ý thức và lý luận đạo đức mà chúng ta phần lớn đã có thể né tránh trong quá trình phát triển các mô hình ngôn ngữ.

(Xem Phụ lục: Claude phản ánh về nền tảng triết học của chính nó để biết thêm về cuộc đối thoại xoay quanh cách Claude đánh giá cơ sở triết học của mình.)

Tương lai của AI trong doanh nghiệp thuộc về những nhà lãnh đạo hiểu rằng khả năng tối thượng của AI không phải nằm ở tính toán mà ở triết học. Những bước tiến quan trọng trong năng lực AI — từ khả năng lập luận tốt hơn đến kết quả đáng tin cậy hơn và những hiểu biết sâu sắc hơn — đến từ việc tích hợp các khuôn khổ triết học tốt hơn vào cách hệ thống này tư duy, học hỏi, đánh giá và sáng tạo. Giá trị thực sự của AI không nằm ở sức mạnh tính toán ngày càng tăng mà ở khả năng học cách tích hợp và thực hiện tư duy chiến lược trên quy mô lớn.

Mỗi lời nhắc, tham số và triển khai đều mã hóa các giả định triết học về tri thức, sự thật, mục đích và giá trị. Khi trí thông minh nhân tạo học cách trở nên mạnh mẽ hơn, có năng lực hơn, hợp lý hơn, đổi mới hơn và sáng tạo hơn, khả năng đặt câu hỏi mang tính triết học và tham gia một cách đạo đức với các đồng nghiệp và cộng tác viên con người càng trở nên quan trọng. Việc bỏ qua tác động và ảnh hưởng của các góc nhìn triết học đối với hiệu năng của mô hình AI tạo ra những mức độ rủi ro chiến lược ngày càng lớn, đặc biệt khi AI đảm nhận vai trò chiến lược hơn trong doanh nghiệp. Việc áp dụng các khuôn khổ triết học một cách nghiêm ngặt và có suy xét không chỉ giảm thiểu rủi ro — mà còn trao quyền cho các thuật toán theo đuổi mục tiêu doanh nghiệp một cách chủ động và không ngừng học hỏi để cải thiện theo cách vừa truyền cảm hứng vừa tiếp sức cho các nhà lãnh đạo con người.

Hết phần 1