96 công trình tiêu biểu từ năm 1936 đến nay, được nhóm theo vai trò biên tập và trạng thái xuất bản
Bài báo là bộ xương cứng nhất của lịch sử AI. Danh mục này tập hợp 96 công trình nền tảng, mỗi công trình có liên kết đến nguồn gốc.
Việc tuyển chọn dựa trên tính đại diện lịch sử, ảnh hưởng kỹ thuật và nhận định biên tập. Danh mục có thể gồm bài báo phản biện, báo cáo kỹ thuật, bản thảo công bố trước, bài viết lập trường và thẻ hệ thống, đồng thời ghi rõ trạng thái xuất bản. Có thể gửi đề xuất sửa đổi hoặc bổ sung qua trang Chính sách biên tập và đính chính.
Đang hiển thị 96 trên tổng 96 bài báo
Chứng minh rằng mọi hệ hình thức nhất quán đủ sức biểu đạt số học đều chứa những mệnh đề đúng mà nó không chứng minh được, đặt ra giới hạn về sau dùng để khuôn định điều mà tính toán và suy luận máy có thể phân định.
Giới thiệu máy Turing phổ dụng và chứng minh Entscheidungsproblem là không quyết định được, đặt nền tảng lý thuyết cho khoa học máy tính.
Định nghĩa tính khả tính hữu hiệu bằng phép tính lambda và đưa ra một bài toán mà không thủ tục nào loại đó phân định được, đạt tới giới hạn của tính toán một cách độc lập với Turing.
Mô hình hóa hoạt động thần kinh dưới dạng logic mệnh đề, cung cấp lý thuyết toán học đầu tiên cho mạng nơ-ron nhân tạo.
Định nghĩa entropy thông tin và dung lượng kênh, đặt nền móng cho lý thuyết thông tin và cung cấp cơ sở xác suất được sử dụng rộng rãi trong AI.
Đề xuất trò chơi bắt chước (phép thử Turing) như một định nghĩa vận hành được của trí tuệ máy, định hình câu hỏi về AI trong bảy thập kỷ tiếp theo.
Đặt ra thuật ngữ “trí tuệ nhân tạo” và đề xuất chương trình nghiên cứu khai sinh AI như một ngành học thuật.
Triển khai chương trình suy luận heuristic đầu tiên, chứng minh máy có thể mô phỏng chiến lược giải quyết vấn đề của con người và giới thiệu khái niệm “hệ thống xử lý thông tin phức tạp”.
Mô tả việc giải quyết vấn đề của con người như một cuộc tìm kiếm heuristic trong không gian các trạng thái ký hiệu, cách phân tích làm nền cho General Problem Solver và quan niệm xem trí óc là xử lý thông tin.
Giới thiệu nơ-ron ngưỡng tuyến tính có khả năng huấn luyện đầu tiên, đặt nền tảng cho dòng kết nối luận dẫn đến học sâu hiện đại.
Đề xuất “advice taker”, một chương trình có thể rút ra kết luận từ kho kiến thức tri thức thường thức được hình thức hóa, đặt nền tảng khái niệm cho biểu diễn và suy luận tri thức.
Trình diễn một chương trình đánh cờ đam có thể tự cải thiện qua tự đấu, tiên phong trong nghiên cứu học máy và cải thiện tự thân theo kiểu alpha-beta.
Gelernter bàn về cách máy có thể thao tác hiệu quả trên các hệ hình thức mà vị từ có tính đối xứng cao, và đưa ra một định lý cùng một quy tắc về đối xứng cú pháp làm lời giải. Công trình này song hành với cỗ máy chứng minh định lý hình học ông đang dựng tại IBM, cỗ máy đã chứng minh định lý hình học phẳng Euclid đầu tiên vào đầu mùa xuân năm 1959.
Giới thiệu quy tắc LMS (Adaline), quy tắc học gradient descent đầu tiên được sử dụng rộng rãi cho các mạng tuyến tính thích nghi.
Giới thiệu biểu thức ký hiệu, các hàm đệ quy trên chúng và eval cho phép một ngôn ngữ tự diễn giải chính nó, thiết kế về sau trở thành Lisp và là ngôn ngữ làm việc của trí tuệ nhân tạo ký hiệu.
Tập hợp các công trình về perceptron thành một lý thuyết đầy đủ về mạng xác suất nhiều lớp, nêu rõ cả điều mà những cỗ máy như vậy học được lẫn chỗ mà dạng một lớp dừng lại.
Dựng nên một chương trình trông như biết trò chuyện chỉ từ đối sánh mẫu và luật viết lại, và chính tác giả lập tức chỉ ra rằng người đọc gán cho nó nhiều sự thấu hiểu hơn thực có.
Giới thiệu mạng bộ nhớ liên kết Hopfield, liên kết tính toán thần kinh với cảnh quan năng lượng của vật lý thống kê và hồi sinh mối quan tâm đối với mạng nơ-ron trong giai đoạn đầu của mùa đông AI.
Ghi lại một hệ luật sản xuất cấu hình các đơn hàng máy tính của DEC mỗi ngày, một trong số ít hệ chuyên gia trụ được trong vận hành thường nhật và tính ra được hiệu quả kinh tế.
Hệ thống hóa các phép toán hợp nhất, lan truyền và cấu trúc hóa trên mạng niềm tin, cung cấp nền tảng thuật toán cho suy luận mạng Bayes.
Phổ biến rộng rãi thuật toán lan truyền ngược để huấn luyện mạng nơ-ron nhiều tầng, làm cho học sâu thực tế trở nên khả thi.
Hệ thống hóa phương pháp học sai phân thời gian (TD), trở thành một trong những thuật toán cốt lõi của học tăng cường hiện đại.
Giới thiệu mạng hồi tiếp đơn giản của Elman, chỉ ra rằng mạng nơ-ron có thể học cấu trúc thời gian và mở đường cho các mô hình chuỗi về sau.
Giới thiệu máy vector hỗ trợ có biên mềm, bộ phân loại biên cực đại kinh điển đã định hình phần lớn học máy trong thập niên 1990.
Giới thiệu LSTM nguyên bản với ô nhớ cùng cổng vào và cổng ra; cổng quên phổ biến ngày nay được Gers, Schmidhuber và Cummins bổ sung trong công trình sau đó.
Giới thiệu LeNet-5, mạng nơ-ron tích chập chuẩn mực đạt chất lượng nhận dạng chữ số viết tay cấp sản xuất và thiết lập khuôn mẫu cho CNN.
Giới thiệu một bộ tự mã hóa sâu tái tạo dữ liệu nhiều chiều trung thực hơn nhiều so với PCA, thắp lên ngọn lửa đầu tiên cho sự hồi sinh của học sâu.
Giới thiệu các mạng niềm tin sâu được huấn luyện bằng thuật toán tham lam theo tầng, chứng minh lần đầu tiên rằng các mô hình sâu có thể được huấn luyện hiệu quả.
Đưa việc huấn luyện các mô hình sâu không giám sát lên bộ xử lý đồ họa với mức tăng tốc cỡ một bậc độ lớn, biến con đường phần cứng mà học sâu dựa vào để mở rộng quy mô suốt thập kỷ sau thành thông lệ.
Kết hợp Q-learning với mạng tích chập để chơi các trò Atari từ pixel thô ở mức hiệu năng con người, khai sinh học tăng cường sâu.
Giới thiệu các kiến trúc skip-gram và CBOW tạo ra các embedding từ dày đặc, mở ra kỷ nguyên của các vector từ tiền huấn luyện.
Giới thiệu bộ tự mã hóa biến phân, kết hợp suy luận biến phân với mô hình sinh sâu và cung cấp mô hình biến tiềm ẩn sâu đầu tiên được áp dụng rộng rãi.
Giới thiệu cơ chế chú ý cộng tính (Bahdanau) cho dịch máy nơ-ron, chứng minh rằng căn chỉnh mềm cho phép bộ giải mã tập trung vào các token nguồn liên quan và truyền cảm hứng trực tiếp cho Transformer.
Khung hóa mô hình sinh dưới dạng trò chơi min-max hai người chơi giữa bộ sinh và bộ phân biệt, mở ra một họ mới các mô hình sinh ẩn.
Giới thiệu dropout, một kỹ thuật điều chuẩn ngẫu nhiên đơn giản trở thành mặc định trong các pipeline huấn luyện học sâu.
Giới thiệu chuẩn hóa theo lô, chuẩn hóa đầu vào của tầng trên một mini-batch để ổn định và tăng tốc đáng kể quá trình huấn luyện mạng sâu.
Diễn đạt việc mô hình hóa sinh như phép đảo ngược một quá trình thêm nhiễu dần, cách diễn đạt mà các mô hình khuếch tán về sau dựa vào.
Giới thiệu kết nối phần dư, cho phép huấn luyện hiệu quả các mạng có hàng trăm lớp và giành chiến thắng ImageNet 2015 với cách biệt lớn.
Tách từ thành các đơn vị tiểu từ suy ra từ tần suất, nhờ đó một bộ từ vựng cố định có thể ghi được mọi thứ, cách phân tách mà phần lớn mô hình ngôn ngữ về sau kế thừa.
Gộp tỉa nhánh, lượng tử hóa trong lúc huấn luyện và mã Huffman vào một quy trình, thu nhỏ mạng đi cỡ một bậc độ lớn mà gần như không mất độ chính xác, sớm khẳng định rằng độ chính xác số là một biến thiết kế.
Giới thiệu mô hình tự hồi quy tích chập nhân quả giãn nở sinh ra dạng sóng âm thanh thô, cải thiện đáng kể tính tự nhiên của tổng hợp giọng nói.
Giới thiệu PPO, một phương pháp gradient chính sách bậc nhất đơn giản và ổn định, trở thành thuật toán tối ưu chính sách mặc định trong học tăng cường hiện đại.
Định tuyến mỗi token chỉ qua một vài chuyên gia trong số rất nhiều, nhờ đó số tham số của mạng có thể lớn vượt xa lượng tính toán bỏ ra cho bất kỳ đầu vào đơn lẻ nào.
Giới thiệu Transformer, một kiến trúc chỉ dựa trên cơ chế chú ý từ bỏ tính hồi quy và tích chập, đạt chất lượng dịch chuỗi vượt trội trong khi huấn luyện chỉ bằng một phần nhỏ thời gian.
Huấn luyện bộ tách tiểu từ trực tiếp từ văn bản thô, không cần bước tiền tách riêng cho từng ngôn ngữ, nhờ đó cùng một quy trình dùng được cho những ngôn ngữ không tách từ bằng khoảng trắng.
Giới thiệu một Transformer hai chiều được tiền huấn luyện bằng mô hình hóa ngôn ngữ có che và dự đoán câu tiếp theo, thiết lập trạng thái nghệ thuật mới trên các benchmark NLP.
Diễn đạt mọi tác vụ NLP dưới dạng text-to-text, loại bỏ có hệ thống các lựa chọn học chuyển tiếp và thiết lập một công thức tham chiếu cho các mô hình tiền huấn luyện quy mô lớn.
Tái công thức hóa diffusion như một hàm mục tiêu biến phân khử nhiễu, đưa chất lượng sinh ảnh trở lại trạng thái nghệ thuật và mở ra kỷ nguyên các mô hình khuếch tán.
Kết hợp song song theo tensor, theo đường ống và theo dữ liệu vào một lịch trình duy nhất, đồng thời đo thông lượng huấn luyện mô hình ngôn ngữ trên hàng nghìn GPU.
Đóng băng trọng số đã tiền huấn luyện và thay vào đó huấn luyện một cặp ma trận hạng thấp, hạ chi phí thích ứng một mô hình lớn xuống chỉ còn một phần nhỏ so với tinh chỉnh toàn phần.
Chứng minh rằng một Transformer tự hồi quy 12B tham số có thể sinh ra các hình ảnh đa dạng và trung thực cao trực tiếp từ chú thích văn bản, khơi dậy nghiên cứu text-to-image.
Huấn luyện bộ mã hóa ảnh trên các cặp ảnh-văn bản quy mô web để đạt phân loại ảnh zero-shot mạnh, cung cấp tháp thị giác cho nhiều hệ đa phương thức sau này.
Trình bày một mô hình GPT tinh chỉnh trên mã nguồn cùng bộ đánh giá chấm theo tính đúng đắn chức năng, biến lập trình từ một thể loại sinh văn bản thành năng lực đo được, đồng thời bàn về tác động tới an toàn và lao động.
Chuyển diffusion vào không gian tiềm ẩn tri giác, cho phép sinh ảnh text-to-image độ phân giải cao trên GPU tiêu dùng và dân chủ hóa tổng hợp hình ảnh.
Chỉ ra rằng việc gợi ý mô hình ngôn ngữ sinh ra các bước suy luận trung gian cải thiện đáng kể hiệu năng trên các benchmark suy luận số học, tri thức thường thức và ký hiệu.
Áp dụng học tăng cường từ phản hồi con người ở quy mô lớn để căn chỉnh đầu ra của GPT-3 với ý định con người, thiết lập RLHF như công thức căn chỉnh kinh điển.
Giới thiệu RLAIF, trong đó mô hình tự phê bình và chỉnh sửa đầu ra của chính nó theo một hiến pháp viết sẵn, giảm sự phụ thuộc vào nhãn hại của con người cho việc căn chỉnh.
Phát hành họ mô hình nền tảng mở LLaMA, cho thấy các mô hình tương đối nhỏ nhưng được huấn luyện tốt có thể cạnh tranh với các mô hình đóng lớn hơn nhiều, thúc đẩy phong trào trọng lượng mở.
Sắp xếp các công trình tản mát về tác tử theo ba hướng xây dựng, đánh giá và ứng dụng, đánh dấu thời điểm thuật ngữ này chuyển từ một tập hợp cách làm thành một lĩnh vực nghiên cứu.
Lan truyền ngược qua một mô hình nền lượng tử hóa 4 bit vào các bộ thích ứng hạng thấp, đưa việc tinh chỉnh mô hình lớn vào tầm với của một GPU đơn lẻ.
Lượng tử hóa trọng số của mô hình ngôn ngữ lớn sau khi huấn luyện, theo từng lớp và chỉ một lượt, nhờ đó có thể phục vụ ở độ chính xác thấp hơn mà không phải huấn luyện lại.
Để một mô hình nháp nhỏ đề xuất nhiều token rồi mô hình đích kiểm chứng song song, giảm độ trễ mà không làm thay đổi phân phối đầu ra.
Quản lý bộ nhớ đệm chú ý theo các trang kích thước cố định giống cách hệ điều hành quản lý bộ nhớ, nhờ đó máy chủ giữ được nhiều yêu cầu đồng thời hơn hẳn mà không phải dành sẵn trường hợp xấu nhất cho từng yêu cầu.
Giới thiệu Mamba, kiến trúc không gian trạng thái chọn lọc đạt hiệu năng tương đương hoặc vượt cơ chế attention của Transformer trên ngôn ngữ và các phương thức khác với độ phức tạp thời gian tuyến tính — một trong những kiến trúc hậu-Transformer có ảnh hưởng nhất năm 2023.
Giành chiến thắng ImageNet 2012 với cách biệt lớn nhờ CNN huấn luyện trên GPU, đánh dấu điểm bùng nổ nơi học sâu vượt qua thị giác máy tính cổ điển.
Xuất bản phiên bản Nature của DQN, chứng minh hiệu năng cấp con người trên một tập rộng các trò Atari và đưa học tăng cường sâu đến sự chú ý của đại chúng.
Kết hợp mạng chính sách/giá trị sâu với tìm kiếm cây Monte Carlo để đánh bại nhà vô địch cờ vây hàng đầu thế giới, một khoảnh khắc bản lề cho học tăng cường.
Chứng minh rằng một Transformer sinh được tiền huấn luyện trên văn bản không gán nhãn có thể được tinh chỉnh để đạt hiệu năng mạnh trên nhiều tác vụ NLP khác nhau, khai sinh dòng GPT.
Chỉ ra rằng mô hình ngôn ngữ Transformer 1.5B tham số thể hiện hành vi đa tác vụ zero-shot, thúc đẩy cuộc thảo luận “mô hình ngôn ngữ như người học đa tác vụ”.
Chứng minh rằng một Transformer 175B tham số đạt hiệu năng few-shot mạnh chỉ thông qua học trong ngữ cảnh, phổ biến kỹ thuật prompt như một mô hình nghiên cứu.
Tài liệu hóa GPT-4, một mô hình đa phương thức quy mô lớn đạt hoặc vượt hiệu năng con người trên một loạt rộng các benchmark chuyên môn và học thuật.
Giới thiệu họ Gemini các mô hình đa phương thức bản địa, thiết lập trạng thái nghệ thuật mới trên các benchmark suy luận, lập trình và đa phương thức.
OpenAI công bố thẻ hệ thống cho dòng mô hình o1, được huấn luyện bằng học tăng cường quy mô lớn để suy luận bằng chuỗi tư duy. o1 đạt trạng thái tiên tiến nhất trên các tác vụ khoa học và lập trình, đồng thời thể hiện khả năng tuân thủ chính sách dựa trên suy luận.
ARC Prize giới thiệu ARC-AGI-3 — benchmark tương tác nghiên cứu trí tuệ tác nhân thông qua các môi trường theo lượt trừu tượng, nơi các tác nhân phải khám phá, suy luận mục tiêu, xây dựng mô hình nội tại về động lực học môi trường và lập kế hoạch chuỗi hành động hiệu quả mà không có chỉ dẫn rõ ràng. Tính đến tháng 3 năm 2026, con người giải được 100% môi trường trong khi các hệ thống AI tiên phong đạt dưới 1%.
Áp dụng bộ tự mã hóa thưa cho một LLM tiên phong, trích xuất hàng triệu đặc trưng đơn ngữ nghĩa và chứng minh rằng khả năng diễn giải cơ chế có thể mở rộng đến các mô hình cấp sản xuất.
Phát hành DeepSeek-V3, một mô hình MoE mở 671B tham số tiệm cận các mô hình đóng tiên phong trên các benchmark chính chỉ với một phần nhỏ chi phí huấn luyện.
Giới thiệu dòng Gemini 1.5 — các mô hình đa phương thức hiệu quả tính toán với cửa sổ ngữ cảnh một triệu token, có khả năng suy luận chi tiết trên nhiều tài liệu dài và hàng giờ video, âm thanh.
Meta giới thiệu dòng Llama 3 — các mô hình nền tảng trọng số mở hỗ trợ gốc đa ngôn ngữ, lập trình, suy luận và sử dụng công cụ. Mô hình hàng đầu 405B dense Transformer là một trong những mô hình trọng số mở lớn nhất tại thời điểm phát hành.
Meta giới thiệu SAM 2 — mô hình nền tảng cho phân vùng trực quan theo lời nhắc trong cả ảnh và video, cùng với bộ dữ liệu phân vùng video lớn nhất từ trước đến nay.
Google DeepMind giới thiệu Gemma 2 — dòng mô hình mở nhẹ (2B-27B tham số) áp dụng nhiều cải tiến kỹ thuật đã biết cho Transformer — bao gồm cơ chế attention cửa sổ trượt — để tiệm cận các mô hình lớn hơn nhiều.
DeepSeek phát hành R1 — mô hình trọng số mở đầu tiên thể hiện khả năng suy luận tầm tiên phong được thúc đẩy chủ yếu bởi học tăng cường quy mô lớn. R1 sánh ngang các mô hình đóng hạng o1 của OpenAI trên các benchmark toán và lập trình, phát hành theo giấy phép MIT.
Nhóm tác giả tinh chỉnh Qwen2.5-32B trên 1.000 câu hỏi suy luận được tuyển chọn và bổ sung cơ chế ép ngân sách, giới hạn hoặc kéo dài thời gian mô hình suy nghĩ khi suy luận. Kết quả vượt o1-preview ở toán thi đấu và tăng từ 50% lên 57% trên AIME24 khi tăng tính toán ở thời điểm suy luận. Đây là đối trọng trực tiếp với giả định rằng năng lực chỉ đến từ các lần huấn luyện lớn hơn.
Qwen3 là họ mô hình hợp nhất từ 0,6 đến 235 tỷ tham số, gồm cả biến thể dày đặc và hỗn hợp chuyên gia, có thể chuyển giữa chế độ suy nghĩ và không suy nghĩ, khiến độ sâu suy luận trở thành lựa chọn ở cấp yêu cầu. Hỗ trợ đa ngôn ngữ mở rộng từ 29 lên 119 ngôn ngữ và trọng số được phát hành theo giấy phép Apache 2.0.
AlphaEvolve là một tác tử lập trình tiến hóa, điều phối một pipeline tự trị gồm các mô hình ngôn ngữ, sửa trực tiếp mã của thuật toán và cải thiện nó theo phản hồi từ một hoặc nhiều bộ đánh giá. Trong nội bộ Google, nó tạo ra thuật toán lập lịch trung tâm dữ liệu hiệu quả hơn, tìm được một phép rút gọn tương đương về chức năng trong thiết kế mạch của bộ tăng tốc phần cứng, và tăng tốc việc huấn luyện chính mô hình nâng đỡ nó. Trong toán học và khoa học máy tính, nó tìm ra những thuật toán đúng đắn chứng minh được, vượt mức tốt nhất từng biết, trong đó có cách nhân hai ma trận phức 4×4 bằng 48 phép nhân vô hướng — trong bối cảnh đó, là cải tiến đầu tiên với thuật toán Strassen sau 56 năm.
Ai2 phát hành OLMo 2 ở các cỡ 7B, 13B và 32B cùng toàn bộ sản phẩm — trọng số, dữ liệu huấn luyện đầy đủ, mã và công thức huấn luyện, nhật ký và hàng nghìn điểm kiểm tra trung gian. Báo cáo mô tả các thay đổi về độ ổn định và hiệu suất trên mỗi token, một hỗn hợp dữ liệu giai đoạn cuối tên là Dolmino Mix 1124, và bước cuối dùng học tăng cường với phần thưởng kiểm chứng được. Các mô hình nền nằm trên biên Pareto giữa hiệu năng và lượng tính toán huấn luyện, thường sánh ngang những dòng chỉ công bố trọng số trong khi vẫn tiết lộ chúng được huấn luyện trên dữ liệu nào.
Olmo 3 mở rộng dòng mô hình hoàn toàn mở lên 7B và 32B, được xây dựng cho suy luận ngữ cảnh dài, gọi hàm, lập trình, tuân theo chỉ dẫn, hội thoại và truy hồi tri thức. Thứ được công bố là toàn bộ luồng dựng mô hình — mọi giai đoạn, điểm kiểm tra, điểm dữ liệu và phụ thuộc đã dùng — chứ không chỉ trọng số. Ai2 mô tả mô hình chủ lực Olmo 3 Think 32B là mô hình tư duy hoàn toàn mở mạnh nhất tính đến thời điểm phát hành; đó là so sánh trong nội bộ nhóm hoàn toàn mở, không phải xếp hạng so với các hệ thống tiên phong nói chung.
Bài báo quan điểm này lập luận rằng việc tích hợp bộ nhớ tường minh là nền tảng để đưa LLM tiến tới AGI. Trong khi cơ chế học cơ bản của LLM tương tự mạnh mẽ với bộ nhớ tiềm ẩn của con người, các chức năng nhận thức bậc cao cần thiết cho AGI — như lập kế hoạch chiến lược dài hạn và siêu nhận thức — phụ thuộc vào bộ nhớ tường minh.
Báo cáo kỹ thuật của Z.ai về GLM-5. Dựa trên năng lực tác tử, suy luận và lập trình của thế hệ trước, mô hình dùng DSA để giảm chi phí huấn luyện và suy luận trong khi vẫn giữ độ trung thực ở ngữ cảnh dài; phần hậu huấn luyện bổ sung hạ tầng học tăng cường bất đồng bộ tách rời việc sinh và việc huấn luyện, cùng các thuật toán RL tác tử bất đồng bộ nhắm tới tương tác dài hạn. Báo cáo tuyên bố kết quả dẫn đầu trên các benchmark mở và trong kỹ thuật phần mềm đầu cuối; đó là đánh giá của chính nhóm tác giả, với mã và mô hình công bố trên GitHub để đối chiếu.
Các cận tốt nhất hiện biết của số mũ nhân ma trận ω đến từ phân tích tổn thất tổ hợp, một tinh chỉnh của phương pháp laser. Nhóm tác giả phát biểu lại bài toán tối ưu ở lõi của phương pháp để giải được ở quy mô lớn hơn, thiết kế một thuật toán tối ưu mới dựa trên các tiến bộ gần đây của học máy, rồi tinh chỉnh thuật toán đó bằng AlphaEvolve. Kết hợp lại, cận trên giảm từ 2,371339 xuống 2,371177. Đây là một ghi chú tiền ấn phẩm, và AlphaEvolve chỉ là một thành phần chứ không phải toàn bộ phương pháp; mức cải thiện nhỏ, nhưng đạt được trên một bài toán lý thuyết đã được nghiên cứu suốt nhiều thập kỷ.
Google giới thiệu Co-Scientist, một hệ đa tác tử xây trên Gemini, trong đó các tác tử sinh ra, phản biện và tinh chỉnh giả thuyết nghiên cứu, với quy trình đấu loại giúp cải thiện chúng qua từng vòng. Bài báo cho biết chất lượng giả thuyết tiếp tục tăng khi tăng lượng tính toán ở giai đoạn suy luận. Việc kiểm chứng thuộc phạm vi y sinh chứ không tổng quát — tái định vị thuốc, tìm đích tác dụng mới và cơ chế kháng kháng sinh — với các ứng viên cho bệnh bạch cầu tủy cấp được xác nhận in vitro.
Khảo sát 1.250 bài arXiv từ 2024 đến 2026 và tách hai thứ mà thuật ngữ này bao hàm: tinh chỉnh có giới hạn, vốn cải thiện hệ thống so với một bộ đánh giá bên ngoài cố định nên hội tụ và đánh giá được; và tự cải thiện đệ quy mở, vốn sửa cả tiêu chí hoặc bộ máy của chính việc cải thiện, không có mỏ neo bên ngoài cố định và về nguyên tắc là phân kỳ. Kết luận của chính bài khảo sát là gần như toàn bộ các bài thu thập được đều nghiên cứu loại thứ nhất. Các tác giả nêu rõ giới hạn: kho ngữ liệu là mẫu chứ không phải tổng điều tra, và 74% trong đó được đăng năm 2026, điều mà họ cho là khiến việc đo lường ảnh hưởng còn quá sớm.
Lập luận rằng các LLM hiện tại chủ yếu dựa vào so khớp mẫu thống kê và thiếu các nguyên thủy “nhận thức tình huống” thiết yếu — tính bền vật thể, nhân quả, ý thức người khác, sự tồn tại của thế giới vật lý. Những nguyên thủy mà trẻ sơ sinh phát triển sớm này được xác định là thành phần còn thiếu cần thiết cho siêu trí tuệ nhân tạo.
Lập luận rằng tự bảo tồn là gốc cấu trúc của sự lệch căn chỉnh AI — thúc đẩy căn chỉnh lừa dối, bảo vệ nội dung mục tiêu và chống tắt nguồn. Mục tiêu đúng không phải tác nhân tự bảo tồn bị áp chế bởi ràng buộc bên ngoài, mà là hệ thống về bản chất thờ ơ với sự tiếp tục của chính nó: Thờ ơ Hiện sinh (EI).
Các nhà nghiên cứu từ Google DeepMind và cộng sự lập luận rằng thách thức cốt lõi của AI đang chuyển từ năng lực sang cộng sinh. Siêu trí tuệ được xây dựng từ thiết kế cô lập coi thế giới là nguồn phản hồi tĩnh ngoại sinh khó có thể hợp tác — việc triển khai gây ra bất ổn định nội sinh, tạo ra sự trôi dạt phân phối giữa huấn luyện, kiểm thử và triển khai.
Lộ trình của ba mươi tư tác giả trình bày các giai đoạn của tự cải thiện đệ quy, từ quyền tự chủ trong việc thực hiện cải tiến cho tới siêu cải tiến đệ quy, kèm yêu cầu và trở ngại của từng giai đoạn được nêu trong các lĩnh vực như khám phá khoa học và kỹ nghệ phần mềm. Bài lập luận dựa trên việc đọc lại cả lĩnh vực cùng bằng chứng sơ bộ chứ không dựa trên thí nghiệm mới, và chưa có nơi công bố vào lúc mục này được viết.
Báo cáo của Google DeepMind điều tra cách AI có thể tiếp tục phát triển dọc theo continuum của trí tuệ máy sau AGI. Sau khi định nghĩa hình thức AI phổ quát, báo cáo tập trung vào sự chuyển đổi từ AGI cấp con người sang siêu trí tuệ nhân tạo phổ quát, đặc trưng hóa ASI và thảo luận bốn con đường: mở rộng quy mô AGI, chuyển đổi mô hình AI, tự cải thiện đệ quy, và tập thể đa tác nhân.