Tính toán khoa học với AI tác vụ (agentic AI) đã có bước tiến cụ thể hôm thứ Ba khi OpenAI công bố một báo cáo thực địa cho thấy các nhà nghiên cứu dùng tác nhân AI viết mã (AI Coding Agents) để nén khối lượng công việc phần mềm khoa học vốn kéo dài nhiều tháng xuống còn vài ngày.
Báo cáo này ghi nhận các triển khai thực tế trong hệ gen học và sinh học tính toán nói chung, nơi những nhiệm vụ vốn mất tới 18 tháng nay được hoàn tất trong khoảng một tuần.
OpenAI xem đây là bằng chứng cho thấy AI tác vụ đang thay đổi cách thức khám phá khoa học diễn ra ngay lúc này, không phải lời hứa cho tương lai mà là năng lực đã được sử dụng trong môi trường thực.
AI tác vụ trong tính toán khoa học: Báo cáo của OpenAI thực sự cho thấy gì?
Trọng tâm của báo cáo là AI tác vụ trong tính toán khoa học, với các kết quả rất cụ thể. Các nhà khoa học làm việc trên pipeline hệ gen đã sử dụng tác nhân AI viết mã để hiện đại hóa phần mềm khoa học kế thừa với tốc độ gần như không tưởng nếu nhìn từ hai năm trước.
Một trường hợp trong báo cáo là dự án hiện đại hóa phần mềm được ước tính cần tới 18 tháng công sức kỹ sư. Với tác nhân AI viết mã, khối công việc tương tự được hoàn thành trong một tuần.
Mức “nén” khoảng 90% này không đơn thuần đến từ việc viết mã nhanh hơn.
Nó phản ánh một mô hình tổ chức công việc hoàn toàn khác. Tác nhân AI không chỉ tự động hoàn thành vài dòng lệnh.
Chúng đọc toàn bộ codebase hiện có, xác định phần đã lỗi thời, đề xuất viết lại, tự kiểm thử, rồi lặp lại quy trình, tất cả với mức can thiệp tối thiểu của con người giữa các bước. Các nhà khoa học chỉ định hướng theo mục tiêu, thay vì phải mô tả tỉ mỉ từng bước thực hiện.
Đây chính là điểm phân biệt một “tác nhân” AI với một trợ lý viết mã thông thường.
Một công cụ “copilot” gợi ý dòng lệnh tiếp theo. Một tác nhân AI thì lập kế hoạch nhiệm vụ gồm nhiều bước, thực thi xuyên suốt một phiên làm việc, tự giám sát đầu ra và chỉnh sửa khi kết quả lệch khỏi ngưỡng kỳ vọng.
Báo cáo của OpenAI là một trong những minh họa công khai rõ nét nhất về việc mô hình này vận hành ra sao trong một tổ chức nghiên cứu thực thụ.
Vì sao hệ gen là nơi tác nhân AI viết mã chứng minh giá trị sớm nhất?
Hệ gen học là bãi thử tự nhiên cho AI tác vụ vì một lý do mang tính cấu trúc. Lĩnh vực này vận hành trên nền phần mềm kế thừa, có cái đã vài thập kỷ tuổi, viết bằng các ngôn ngữ như Fortran và C bởi các nhà khoa học coi trọng độ chính xác hơn khả năng bảo trì.
“Nợ kỹ thuật” tích tụ dần. Việc hiện đại hóa một pipeline hệ gen thông thường cần những kỹ sư vừa hiểu sinh học vừa nắm vững kiến trúc phần mềm.
Tổ hợp kỹ năng này vừa hiếm vừa đắt đỏ.
Tác nhân AI viết mã giúp “né” nút thắt nguồn lực đó. Chúng có thể đọc tài liệu ở nhiều ngôn ngữ lập trình, hiểu chú thích khoa học chèn trong mã cũ, rồi sinh ra phiên bản hiện đại tương đương mà không cần trải qua nhiều năm đào tạo chuyên ngành.
Nút thắt cổ chai vì thế chuyển từ bài toán “tìm đúng kỹ sư” sang “đặc tả đúng mục tiêu”. Và đây là bài toán dễ giải hơn rất nhiều.
Đọc thêm: Tấn công “cờ lê tiền mã hóa” tăng lên 52 vụ trong 6 tháng, chủ yếu tại Pháp
Báo cáo của OpenAI cũng đề cập tới việc tăng tốc khám phá khoa học vượt xa phạm vi hiện đại hóa phần mềm.
Khi tác nhân chạy được mã nhanh hơn, trên pipeline sạch hơn, với bộ dữ liệu lớn hơn, kết quả nghiên cứu được tạo ra sớm hơn. Trong hệ gen, tốc độ này đồng nghĩa với việc nhận diện biến thể di truyền sớm hơn, xác thực mục tiêu thuốc nhanh hơn, và rút ngắn đáng kể quãng đường từ giả thuyết tới xác nhận thực nghiệm.
Lợi thế về tốc độ mang tính cộng dồn qua thời gian.
Sự thận trọng của Sam Altman đặt ở đâu trong bức tranh tăng tốc này?
Báo cáo của OpenAI được công bố cùng ngày CEO OpenAI Sam Altman nói với TechCrunch rằng công ty có thể cần “giảm nhịp phát triển AI để thế giới kịp thích nghi”. Sự căng thẳng này là có thật và đáng được chỉ ra rõ ràng.
Một công ty vừa công bố bằng chứng cho thấy tác nhân AI viết mã đang nén dự án nghiên cứu 18 tháng xuống còn một tuần, vừa cho rằng thế giới có thể chưa sẵn sàng cho giai đoạn tiếp theo, không hề tự mâu thuẫn.
Đó là hai góc nhìn khác nhau về cùng một thực tại.
Báo cáo thực địa thể hiện năng lực. Phát biểu của Altman thừa nhận hệ quả.
Cả hai đều đúng. Câu hỏi cả hai chưa trả lời là “quyền đặt nhịp” thực sự nằm ở đâu: trong tay các phòng lab, cơ quan quản lý, hay chính những nhà nghiên cứu vốn đã chạy các tác nhân này trong pipeline hệ gen đang hoạt động.
Từ tò mò nghiên cứu tới hạ tầng khoa học
Bức tranh rộng hơn là tác nhân AI viết mã trong tính toán khoa học không còn ở giai đoạn thử nghiệm, mà đã bước vào giai đoạn triển khai.
Báo cáo của OpenAI là báo cáo thực địa chứ không phải bài báo khoa học. Sự phân biệt này rất quan trọng.
Một bài nghiên cứu mô tả điều gì có thể đạt được trong điều kiện kiểm soát. Một báo cáo thực địa mô tả điều gì đã thực sự diễn ra khi các nhà khoa học dùng công cụ thật trên vấn đề thật và đo lường kết quả.
Lịch sử cho thấy tính toán khoa học thường chậm chân hơn phần mềm tiêu dùng trong việc tiếp nhận công cụ mới.
Việc dự án 18 tháng bị rút xuống một tuần, như ghi nhận trong báo cáo OpenAI, cho thấy khoảng cách đó đang thu hẹp nhanh hơn nhiều so với kịch bản mà phần lớn tổ chức từng dự tính. Các phòng lab và trường đại học chưa đánh giá hệ thống mã kế thừa để chuẩn bị cho hiện đại hóa với trợ giúp của tác nhân đang bị bỏ lại rõ rệt so với các đơn vị đã hành động.
Trường hợp hệ gen cũng không phải ngoại lệ chỉ riêng ngành sinh học.
Hóa học tính toán, mô hình khí hậu, vật lý thiên văn và khoa học vật liệu đều vận hành trên những codebase “cao tuổi” tương tự, với đội ngũ bảo trì khan hiếm tương đương. Những động lực khiến hệ gen trở thành lĩnh vực tiên phong đang hiện diện ở mọi ngành khoa học phụ thuộc tính toán nặng.
Những gì OpenAI ghi nhận trong một lĩnh vực rất có thể sẽ lặp lại ở hàng chục lĩnh vực khác.
Đọc tiếp: Ví Sparrow trên cửa hàng Apple hóa ra là giả, 1,8 triệu USD đã bốc hơi