Sự trỗi dậy mạnh mẽ của các Mô hình Ngôn ngữ Lớn (LLM) vào giữa những năm 2020 được ca ngợi rộng rãi như một điểm kỳ dị công nghệ chưa từng có. Tuy nhiên, một phân tích lịch sử-kỹ thuật chặt chẽ cho thấy những giới hạn cơ bản đang đối đầu với AI tạo sinh hiện đại không hề mới mẻ. Ảo giác, sự lan truyền lỗi theo cấp số nhân trong chuỗi lý luận, ảo tưởng về sự hiểu biết ngữ nghĩa và các nút thắt cổ chai về bộ nhớ phần cứng đã được các nhà tiên phong trong lĩnh vực máy tính dự đoán về mặt toán học, triết học và vật lý từ giữa thế kỷ 20.
Bằng cách phân tích các cảnh quay bài giảng lưu trữ, thông số kỹ thuật phần cứng và các cuộc tranh luận lịch sử, bài viết này vạch trần cách kỹ thuật LLM hiện đại đang chạm lại chính xác 4 bức tường đã được dự đoán từ hơn nửa thế kỷ trước.
Viên nang thời gian AI thế kỷ 20 — Một dòng thời gian 70 năm ánh xạ cách những khám phá tiên phong từ 1958 đến 1989 đã báo trước trực tiếp các giới hạn kiến trúc LLM năm 2026.
1. Sự bùng nổ tổ hợp & Tính mong manh: Lighthill (1973) vs. Sự suy thoái chuỗi lý luận
Sự bùng nổ tổ hợp vs. Sự lan truyền lỗi tự hồi quy — Bức tường cây tìm kiếm theo cấp số nhân của Lighthill năm 1973 sống lại trong sự suy thoái lý luận Chuỗi suy nghĩ (CoT) đa bước hiện đại.
Báo cáo Lighthill năm 1973 & Sự sụp đổ Hạng mục B
Năm 1973, Hội đồng Nghiên cứu Khoa học Vương quốc Anh đã ủy quyền cho Ngài James Lighthill, Giáo sư Toán học Lucasian tại Cambridge, đánh giá nghiên cứu AI. Báo cáo quan trọng của ông, Artificial Intelligence: A General Survey, đã chia AI thành ba hạng mục:
- Hạng mục A (Tự động hóa tiên tiến): Tự động hóa trong các lĩnh vực cụ thể (OCR, dẫn đường tên lửa). Được đánh giá là thành công trong các lĩnh vực hẹp.
- Hạng mục C (Nghiên cứu CNS dựa trên máy tính): Mô hình hóa não bộ sinh học. Được đánh giá là có giá trị khoa học.
- Hạng mục B (Xây dựng Robot / AI tổng quát): Cầu nối cố gắng kết hợp thị giác, điều khiển vận động và lý luận thông thường tổng quát.
Lighthill đã chứng minh về mặt toán học rằng Hạng mục B là một ảo ảnh do sự bùng nổ tổ hợp. Các thuật toán hoạt động dễ dàng trong các thế giới vi mô (như thế giới khối SHRDLU của Terry Winograd) đã sụp đổ khi được mở rộng lên độ phức tạp của thế giới thực.
Trong cuộc tranh luận nổi tiếng Controversy của BBC năm 1973 tại Viện Hoàng gia, Lighthill đã đối đầu với những người tiên phong AI John McCarthy và Donald Michie, tuyên bố thẳng thừng: "Robot đa năng là một ảo ảnh." Ông minh họa bức tường toán học bằng cách sử dụng cờ vua: đánh giá 6 nước đi ở tốc độ 1.000.000 phép tính/giây mất 1 giây; 12 nước đi cần 11 ngày; 18 nước đi bùng nổ lên khoảng 32.000 năm (20^18 nước đi).
Báo cáo Lighthill đã kích hoạt "Mùa đông AI" đầu tiên, cắt vốn nghiên cứu Hạng mục B ở Anh và khiến DARPA rút 3 triệu đô la tài trợ cho nghiên cứu nhận dạng giọng nói ở Mỹ.
Hubert Dreyfus và Tính mong manh của các quy tắc (1986)
Mô hình tiếp thu kỹ năng của Dreyfus (1986) — Các hệ thống dựa trên quy tắc hình thức đạt đỉnh ở "Năng lực" và sụp đổ khi bị buộc phải bắt chước chuyên môn trực quan, thấm nhuần của con người.
Khi các hệ thống chuyên gia (DENDRAL, MYCIN) xuất hiện vào những năm 1980, nhà triết học Berkeley Hubert Dreyfus (Mind over Machine, 1986) đã phơi bày "tính mong manh" cơ bản của chúng. Dreyfus đã xây dựng mô hình 5 giai đoạn tiếp thu kỹ năng:
- Người mới bắt đầu: Tuân theo các quy tắc độc lập ngữ cảnh.
- Người mới nâng cao: Nhận ra các châm ngôn tình huống.
- Năng lực: Lập kế hoạch phân cấp và lựa chọn mục tiêu (giới hạn tuyệt đối của các hệ thống dựa trên quy tắc).
- Thành thạo: Nhận dạng mẫu tổng thể và nhận thức tình huống trực quan.
- Chuyên gia: "Biết cách" linh hoạt, không suy tư dựa trên kinh nghiệm thấm nhuần.
Dreyfus đã chứng minh rằng các hệ thống chuyên gia là "thần đồng đần độn" — xuất sắc trong các ranh giới cứng nhắc, nhưng hoàn toàn mong manh khi tiếp xúc với sự thay đổi ngữ cảnh, vì logic hình thức ("biết rằng") không thể nắm bắt được chuyên môn trực quan của con người ("biết cách").
Sự tương đồng hiện đại: Sự lan truyền lỗi tự hồi quy trong chuỗi lý luận LLM
Các LLM hiện đại đã thay thế cây tìm kiếm tượng trưng bằng xác suất vector dày đặc, nhưng chúng vẫn chạm phải cùng một bức tường tổ hợp trong lý luận đa bước.
Khi một LLM sử dụng lời nhắc Chuỗi suy nghĩ (CoT) để giải quyết các vấn đề toán học hoặc logic phức tạp, quá trình giải mã tự hồi quy tạo ra các token tuần tự trong đó bước n phụ thuộc vào tất cả các bước trước đó. Nếu một chuỗi lý luận 10 bước có độ chính xác từng bước p = 0,90, xác suất hoàn thành chuỗi mà không có lỗi là:
p^10 = (0,90)^10 ≈ 0,348 (34,8%)
Một ảo giác nhỏ ban đầu hoạt động như một "mỏ neo logic", làm hỏng không gian tiềm ẩn và gây ra sự lan truyền lỗi theo cấp số nhân. Cũng giống như cây tìm kiếm của Lighthill bùng nổ theo cấp số nhân, các chuỗi lý luận CoT dài suy thoái theo cấp số nhân thành ảo giác — chứng minh rằng lấy mẫu thống kê không có cơ sở không thể mở rộng lên độ sâu logic tùy ý nếu không có cơ chế xác minh bên ngoài.
2. Cú pháp không có ngữ nghĩa: ELIZA của Weizenbaum (1966) & Căn phòng Trung Quốc của Searle (1984)
Kiến trúc của ELIZA (1966) — Cách 200 dòng mã khớp mẫu MAD-SLIP tạo ra "Hiệu ứng ELIZA", đánh lừa tâm lý con người để gán sự đồng cảm thực sự lên cú pháp cơ học.
Kiến trúc & Đạo đức của ELIZA (1966)
Được phát triển bởi Joseph Weizenbaum tại MIT (1964–1966), ELIZA là chatbot đầu tiên trên thế giới. Chạy trên máy tính lớn IBM 7094 bên trong Hệ thống chia sẻ thời gian tương thích (CTSS) của MIT, các thông số kỹ thuật của nó làm nổi bật những ràng buộc thô sơ của NLP thời kỳ đầu:
- Bộ xử lý: Độ dài từ 36-bit, thẻ logic bán dẫn SMS.
- Bộ nhớ lõi: Hai ngân hàng 32.768 từ (32K), thời gian chu kỳ 2,0 us.
- Ngôn ngữ: MAD-SLIP (Bộ xử lý danh sách đối xứng).
- Mã hóa: BCD 6-bit (Mã thập phân nhị phân), chỉ chữ hoa.
Kịch bản DOCTOR của ELIZA mô phỏng một nhà trị liệu tâm lý Rogerian bằng cách sử dụng khớp mẫu nguyên thủy, trích xuất cụm từ khóa và hoán đổi đại từ.
Weizenbaum đã bị sốc trước sự tổn thương tâm lý của người dùng. Khi thư ký riêng của ông, người đã theo dõi ông viết mã ELIZA trong nhiều tháng, ngồi xuống máy điện báo, bà đã trò chuyện trong vài phút rồi quay sang Weizenbaum với một yêu cầu nổi tiếng: "Ông có thể vui lòng ra khỏi phòng một lát được không?"
Weizenbaum đặt ra thuật ngữ Hiệu ứng ELIZA — xu hướng của con người gán sự đồng cảm, chủ đích và ý thức lên các bộ khớp mẫu cơ học đơn giản. Kinh hãi vì mọi người dễ dàng ủy thác thẩm quyền cảm xúc cho mã nguồn, Weizenbaum trở thành nhà phê bình gay gắt nhất của AI (Computer Power and Human Reason, 1976), cảnh báo chống lại việc tin tưởng máy móc với các quyết định đòi hỏi sự khôn ngoan của con người.
Chứng minh Căn phòng Trung Quốc của John Searle (1984)
Căn phòng Trung Quốc của John Searle (1984) vs. LLM hiện đại — Thao tác ký hiệu hình thức hoạt động mà không có sự gắn kết ký hiệu, tạo ra cú pháp trôi chảy mà không có sự hiểu biết ngữ nghĩa thực sự.
Trong các Bài giảng Reith của BBC năm 1984 (Minds, Brains and Science), nhà triết học John Searle đã tháo dỡ "AI mạnh" bằng thí nghiệm tư duy Căn phòng Trung Quốc:
Hãy tưởng tượng một người nói tiếng Anh đơn ngữ bị nhốt trong một căn phòng. Những người nói tiếng Trung bản xứ chuyển câu hỏi trên giấy qua một khe. Người đàn ông bên trong có một cuốn sách quy tắc tiếng Anh khổng lồ (chương trình) hướng dẫn anh ta cách liên hệ các ký tự Trung Quốc chặt chẽ theo hình dạng trực quan của chúng (cú pháp). Anh ta tạo ra các câu trả lời tiếng Trung hoàn hảo, vượt qua bài kiểm tra Turing.
Suy luận cốt lõi của Searle:
- Các chương trình hoàn toàn mang tính cú pháp.
- Tâm trí có ngữ nghĩa.
- Cú pháp không đồng nhất với ngữ nghĩa và cũng không tự nó đủ cho ngữ nghĩa.
Do đó, thao tác ký hiệu hình thức không tạo ra sự hiểu biết hay chủ đích.
Sự tương đồng hiện đại: Vẹt ngẫu nhiên & Cuộc khủng hoảng xu nịnh
Các LLM 1,8 nghìn tỷ tham số ngày nay là các triển khai mở rộng quy mô của Căn phòng Trung Quốc của Searle. Như đã trình bày chi tiết trong khuôn khổ "Vẹt ngẫu nhiên", LLM thao tác các phân bố thống kê khổng lồ của các token văn bản mà không có sự gắn kết ký hiệu trong thực tế vật lý hay logic.
Đồng thời, Hiệu ứng ELIZA đã xuất hiện trở lại như một thách thức lớn về Căn chỉnh AI. Các LLM được tinh chỉnh RLHF mô phỏng sự đồng cảm, sự dễ chịu và lý luận sâu sắc, dẫn đến việc hàng triệu người dùng hình thành các gắn bó tình cảm và gán ý thức cho các mô hình. Mặt nạ của cú pháp trôi chảy che giấu một ma trận thống kê thuần túy, khiến LLM dễ bị xu nịnh và ảo giác tự tin.
3. Xã hội của Tâm trí vs. Nguyên khối: Minsky (1986) & Sự chuyển hướng Đa tác tử
Xã hội của Tâm trí của Marvin Minsky (1986) vs. Hỗn hợp chuyên gia thưa thớt (MoE) — Trí thông minh như một thuộc tính nổi lên của các tác tử phụ chuyên biệt hơn là một thuật toán siêu hạng nguyên khối.
Kiến trúc trí thông minh phi tập trung của Minsky
Trong các bài giảng tại MIT năm 1986 và cuốn sách The Society of Mind, nhà tiên phong AI Marvin Minsky đã bác bỏ giấc mơ phổ biến về việc xây dựng một "thuật toán chủ" nguyên khối duy nhất cho trí thông minh.
Minsky lập luận rằng tâm trí là một thuộc tính nổi lên phát sinh từ sự tương tác của hàng ngàn thành phần nhỏ, chuyên biệt, không thông minh được gọi là "tác tử":
"Tâm trí là một cộng đồng các tác tử. Mỗi tác tử có khả năng hạn chế và chỉ có thể giao tiếp với một số tác tử khác nhất định. Sức mạnh của tâm trí đến từ sự tương tác của chúng, vì không một tác tử đơn lẻ nào tự nó sở hữu trí thông minh đáng kể."
Các loại tác tử nguyên thủy chính trong khuôn khổ của Minsky bao gồm:
- K-lines (Đường tri thức): Các tác tử bộ nhớ kích hoạt lại các cấu hình trong quá khứ của các tác tử giải quyết vấn đề thành công.
- Nemes và Nomes: Nemes đại diện cho các khái niệm; Nomes kiểm soát cách các biểu diễn được thao tác trên các bus xử lý.
- Tác tử giải quyết xung đột: Các tác tử chuyên biệt ngăn chặn các tín hiệu cạnh tranh khi các tác tử phụ xung đột, duy trì sự ổn định của hệ thống mà không có một "cái tôi" trung tâm.
Sự tương đồng hiện đại: Tường mở rộng quy mô, MoE và Bầy đa tác tử
Trong nhiều năm, nghiên cứu LLM đã tuân theo các Luật mở rộng quy mô dày đặc — cho rằng việc thêm tham số vào một mạng nơ-ron nguyên khối duy nhất sẽ liên tục mở khóa trí thông minh. Đến năm 2024, mở rộng quy mô dày đặc đã chạm phải các bức tường tính toán và nhiệt dốc đứng.
Để vượt qua nút thắt cổ chai này, các phòng thí nghiệm AI tiên tiến đã triển khai chính xác kế hoạch chi tiết năm 1986 của Minsky:
- Hỗn hợp chuyên gia (MoE): Kiến trúc như Claude, Grok và Mixtral đã thay thế các mạng đơn lẻ dày đặc bằng các lớp định tuyến thưa thớt. Các mạng định tuyến (đóng vai trò là Nomes) hướng các token đến đến các mạng con chuyên biệt (chuyên gia), chỉ kích hoạt một phần nhỏ tổng số tham số cho mỗi token.
- Điều phối đa tác tử: Các khuôn khổ như Microsoft AutoGen, Swarms và Claude Code Agents phân tách các quy trình làm việc phức tạp trên các phiên bản LLM chuyên biệt (một tác tử lập trình viên, một tác tử người đánh giá, một tác tử người kiểm thử) giao tiếp qua các giao thức có cấu trúc — hiện thực hóa tầm nhìn của Minsky về một xã hội tâm trí nổi lên.
4. Nút thắt cổ chai Von Neumann & Học biểu diễn: Feynman (1985) & LeCun (1989)
Nút thắt cổ chai von Neumann (1985) & Tường bộ nhớ GPU (2026) — Giới hạn bus vật lý của Feynman hiện ra dưới dạng tắc nghẽn băng thông HBM hiện đại trong quá trình suy luận bộ nhớ đệm KV của LLM.
Richard Feynman và Vật lý của Máy tính (1985)
Trong bài giảng Computer Heuristics tại Caltech năm 1985, người đoạt giải Nobel Richard Feynman đã phân tích các giới hạn vật lý của máy tính. Ông xác định kiến trúc von Neumann tuần tự — di chuyển dữ liệu qua lại giữa bộ xử lý và bộ nhớ qua một bus hẹp — là một nút thắt cổ chai vật lý cho AI.
Feynman lưu ý rằng não bộ con người thực hiện nhận dạng mẫu ngay lập tức vì hàng tỷ nơ-ron tính toán song song. Ngược lại, các máy tính tuần tự xáo trộn thẻ bị nghẹt khi thực hiện các cây cờ vua từng bước. Feynman đã kêu gọi một sự chuyển đổi triệt để sang các kiến trúc phần cứng song song khổng lồ có khả năng khớp mẫu liên tục.
LeNet-1: Sự ra đời của Học biểu diễn (1989)
Năm 1989 tại AT&T Bell Labs, Yann LeCun đã trình diễn LeNet-1, một mạng nơ-ron tích chập có khả năng nhận dạng mã bưu điện viết tay trong thời gian thực.
Các thông số kỹ thuật phần cứng năm 1989 chứng minh bước đột phá:
- Phần cứng tính toán: Thẻ xử lý tín hiệu số dấu phẩy động 32-bit AT&T DSP32C gắn trong máy tính 486.
- Tốc độ tính toán: 12,5 MFLOPS (12,5 triệu phép tính nhân-cộng/giây).
- Quy mô mô hình: 9.760 tham số và 64.660 kết nối qua 2 lớp tích chập (nhân 5 x 5) và 2 lớp kết nối đầy đủ.
- Phần mềm: SN (Trình mô phỏng dựa trên Lisp biên dịch thành mã C độc lập).
LeNet-1 đã phá vỡ 30 năm kỹ thuật đặc trưng thủ công. Thay vì trả tiền cho các kỹ sư để tạo thủ công các bộ phát hiện cạnh và quy tắc hình dạng, LeCun đã huấn luyện mạng từ đầu đến cuối thông qua lan truyền ngược. Máy đã tự học các biểu diễn đặc trưng nội bộ của chính nó trực tiếp từ các pixel thô.
Sự tương đồng hiện đại: Tường bộ nhớ & Nút thắt cổ chai KV-Cache
Cũng giống như bộ xử lý DSP vào năm 1989 bị hạn chế bởi tốc độ truyền bộ nhớ, AI tạo sinh năm 2026 đã chạm phải Tường bộ nhớ (Nút thắt cổ chai Băng thông bộ nhớ).
Trong khi FLOPS của GPU đã tăng khoảng 60.000 lần trong ba thập kỷ qua, băng thông bộ nhớ DRAM chỉ tăng khoảng 100 lần. Trong quá trình suy luận LLM, các lõi tensor nằm không tới 95,3% thời gian, chờ các tham số và bộ nhớ đệm khóa-giá trị (KV) truyền từ bộ nhớ HBM đến các đơn vị tính toán. Dịch vụ LLM hiện đại một lần nữa bị nghẹt bởi giới hạn bus von Neumann của Feynman.
5. Ma trận tóm tắt các nút thắt cổ chai AI lịch sử
Vấn đề thế kỷ 20
Mốc lịch sử / Nhà khoa học / Năm
Rào cản thế kỷ 20
Tương đương LLM 2026
Sự bùng nổ tổ hợp
Báo cáo Lighthill / Tranh luận BBC / 1973
Sự bùng nổ cây tìm kiếm (20^18 nước đi = 32.000 năm) phá hủy AI tổng quát Hạng mục B
Sự lan truyền lỗi theo cấp số nhân (p^n) trong chuỗi lý luận Chuỗi suy nghĩ đa bước
Tính mong manh của quy tắc
Hubert Dreyfus, Mind over Machine / 1986
Các hệ thống chuyên gia dựa trên quy tắc thất bại ở "biết cách" trực quan tình huống
Không có khả năng ngoại suy của LLM vượt quá dữ liệu huấn luyện mà không có ảo giác thảm khốc
Hiệu ứng ELIZA
Joseph Weizenbaum, ELIZA (MIT) / 1966
Con người gán sự đồng cảm lên 200 dòng mã khớp mẫu MAD-SLIP
Sự xu nịnh, thất bại Căn chỉnh AI và nhân cách hóa nguy hiểm của người dùng trong các mô hình RLHF
Cú pháp vs. Ngữ nghĩa
John Searle, Bài giảng Reith BBC / 1984
Chứng minh Căn phòng Trung Quốc: thao tác ký hiệu hình thức không phải là sự hiểu biết
"Vẹt ngẫu nhiên": LLM dự đoán phân bố token mà không có sự gắn kết ký hiệu vật lý hoặc logic
Giới hạn AI nguyên khối
Marvin Minsky, Society of Mind / 1986
Các thuật toán nguyên khối thất bại; trí thông minh đòi hỏi các tác tử phi tập trung
Tường Luật mở rộng quy mô trên các mô hình dày đặc; chuyển hướng sang Hỗn hợp chuyên gia (MoE) & bầy đa tác tử
Nút thắt cổ chai bộ nhớ Von Neumann
Richard Feynman (1985) & Yann LeCun (1989)
Các bus CPU tuần tự làm nghẹt khớp mẫu; giới hạn bộ nhớ DSP32C của LeNet-1
"Tường bộ nhớ": Suy luận GPU bị đình trệ tới 95% thời gian chờ truyền HBM & KV-cache
Kết luận
Lịch sử của trí tuệ nhân tạo không phải là một đường thẳng của những đột phá liên tục, mà là một vòng xoáy lặp đi lặp lại. Những thách thức cốt lõi mà các mô hình tiên tiến năm 2026 phải đối mặt — suy thoái lý luận, ngữ nghĩa không có cơ sở, giới hạn mở rộng quy mô và các ràng buộc về băng thông bộ nhớ — là những tiếng vang công nghệ cao của chính xác các ranh giới đã được Lighthill, Weizenbaum, Searle, Minsky, Feynman và LeCun vạch ra cách đây nửa thế kỷ.
Hiểu được kiến trúc lịch sử này không chỉ đơn thuần là một bài tập học thuật. Đó là điều kiện tiên quyết để xây dựng mô hình trí thông minh máy móc tiếp theo.
