Trong bối cảnh cuộc đua phát triển trí tuệ nhân tạo ngày càng gay gắt, một nghiên cứu đột phá mới từ công ty Sapient tại Singapore đã thu hút sự chú ý của cộng đồng khoa học toàn cầu. Mô hình Lý luận Phân cấp (Hierarchical Reasoning Model – HRM) không chỉ mang đến cách tiếp cận hoàn toàn mới trong thiết kế AI mà còn chứng minh khả năng vượt trội so với các mô hình ngôn ngữ lớn (LLM) hàng đầu như ChatGPT trong các bài kiểm tra lý luận phức tạp [1].
Cách Mạng Trong Thiết Kế AI: Từ Mô Phỏng Não Người Đến Hiện Thực
Sự kết hợp giữa khoa học thần kinh và trí tuệ nhân tạo mở ra kỷ nguyên mới
Khác biệt căn bản của HRM nằm ở cách tiếp cận lấy cảm hứng từ cấu trúc và hoạt động của não người. Trong khi các mô hình AI truyền thống như GPT hay Claude sử dụng kiến trúc phẳng với hàng tỷ thậm chí nghìn tỷ tham số, HRM chỉ cần 27 triệu tham số và 1.000 mẫu huấn luyện để đạt được hiệu suất vượt trội [1]. Điều này không chỉ thể hiện sự hiệu quả về mặt tính toán mà còn mở ra hướng tiếp cận bền vững hơn trong phát triển AI.
Mô hình HRM được thiết kế dựa trên nguyên lý xử lý phân cấp và đa thời gian của não người, nơi các vùng não khác nhau tích hợp thông tin trong các khoảng thời gian khác nhau – từ mili giây đến phút. Cấu trúc này cho phép HRM thực hiện hai loại xử lý song song: module cấp cao chịu trách nhiệm lập kế hoạch trừu tượng chậm rãi và cẩn thận, trong khi module cấp thấp xử lý các tính toán chi tiết nhanh chóng và chính xác.
Điều đáng chú ý là HRM không sử dụng phương pháp Chain-of-Thought (CoT) reasoning như các LLM thông thường. Thay vào đó, nó thực hiện các tác vụ lý luận tuần tự trong một lần chuyển tiếp duy nhất, không cần giám sát rõ ràng các bước trung gian. Quá trình này được thực hiện thông qua kỹ thuật “iterative refinement” – cải tiến lặp đi lặp lại qua nhiều đợt “suy nghĩ” ngắn, mỗi đợt đánh giá xem có nên tiếp tục quá trình tư duy hay đưa ra câu trả lời cuối cùng.
Hiệu Suất Vượt Trội: Kết Quả Kiểm Tra ARC-AGI Gây Ấn Tượng
Mạng lưới neural phức tạp minh họa khả năng xử lý thông tin của HRM
Để đánh giá khả năng của HRM, các nhà nghiên cứu đã sử dụng bộ kiểm tra ARC-AGI – một trong những benchmark khó nhất được thiết kế để đo lường mức độ gần gũi của các mô hình AI với trí tuệ tổng quát nhân tạo (AGI). Kết quả thu được thực sự ấn tượng và cho thấy sự vượt trội rõ rệt của HRM so với các đối thủ hàng đầu.
Trong bài kiểm tra ARC-AGI-1, HRM đạt được điểm số 40.3%, vượt xa OpenAI o3-mini-high với 34.5%, Anthropic Claude 3.7 với 21.2%, và Deepseek R1 với 15.8% [1]. Sự chênh lệch này trở nên rõ rệt hơn trong bài kiểm tra khó hơn ARC-AGI-2, nơi HRM đạt 5% so với 3% của o3-mini-high, 1.3% của Deepseek R1, và chỉ 0.9% của Claude 3.7.
Những con số này không chỉ thể hiện khả năng lý luận vượt trội của HRM mà còn chứng minh tính hiệu quả của cách tiếp cận mô phỏng não người. Đặc biệt, HRM đã thể hiện khả năng gần như hoàn hảo trong việc giải quyết các bài toán Sudoku phức tạp – thứ mà các LLM thông thường không thể thực hiện được. Ngoài ra, mô hình này cũng xuất sắc trong việc tìm đường tối ưu trong các mê cung phức tạp, cho thấy khả năng lý luận không gian và logic mạnh mẽ.
Công Nghệ Đằng Sau Thành Công: Kiến Trúc Và Phương Pháp
Thành công của HRM không chỉ đến từ việc giảm số lượng tham số mà còn từ cách thức tổ chức và xử lý thông tin hoàn toàn mới. Khác với các mô hình sequence-to-sequence truyền thống, HRM sử dụng kiến trúc transformer-based recurrent reasoning modules với cấu trúc phân cấp. Thuật ngữ “recurrent” ở đây có nghĩa là cùng một Transformer block được sử dụng lặp đi lặp lại trong quá trình xử lý, tạo ra khả năng “suy nghĩ” sâu hơn về vấn đề.
Quá trình hoạt động của HRM có thể được mô tả như một chu trình liên tục của việc đánh giá và cải tiến. Mỗi “burst” suy nghĩ ngắn sẽ xem xét thông tin hiện có, đưa ra đánh giá sơ bộ, sau đó quyết định có cần tiếp tục “suy nghĩ” thêm hay không. Cơ chế này cho phép mô hình dành thời gian phù hợp cho từng vấn đề – những vấn đề đơn giản sẽ được giải quyết nhanh chóng, trong khi những vấn đề phức tạp sẽ được “suy nghĩ” kỹ lưỡng hơn.
Điều thú vị là nghiên cứu được công bố trên arXiv vào tháng 6/2025 và đã được mã nguồn mở trên GitHub, cho phép cộng đồng nghiên cứu có thể tái tạo và phát triển thêm. Tuy nhiên, khi các tổ chức của ARC-AGI benchmark cố gắng tái tạo kết quả, họ đã có những phát hiện bất ngờ. Mặc dù có thể tái tạo được các con số hiệu suất, nhưng họ phát hiện rằng kiến trúc phân cấp chỉ có tác động tối thiểu đến hiệu suất. Thay vào đó, một quá trình refinement chưa được ghi chép đầy đủ trong quá trình huấn luyện mới là yếu tố chính tạo nên sự khác biệt về hiệu suất.
Ý Nghĩa Và Tác Động Đối Với Tương Lai AI
Sơ đồ kiến trúc của Mô hình Lý luận Phân cấp (HRM)
Sự xuất hiện của HRM đánh dấu một bước ngoặt quan trọng trong lĩnh vực trí tuệ nhân tạo, không chỉ về mặt kỹ thuật mà còn về triết lý thiết kế. Trong khi xu hướng hiện tại của ngành công nghiệp AI đang hướng tới việc tăng quy mô mô hình với hàng nghìn tỷ tham số, HRM chứng minh rằng “nhỏ gọn nhưng thông minh” có thể là con đường hiệu quả hơn.
Từ góc độ kinh tế và môi trường, HRM mở ra khả năng dân chủ hóa AI bằng cách giảm đáng kể chi phí tính toán và năng lượng cần thiết. Việc chỉ cần 27 triệu tham số thay vì hàng tỷ tham số có nghĩa là các tổ chức nhỏ hơn, thậm chí các nhà nghiên cứu cá nhân, cũng có thể phát triển và triển khai các mô hình AI mạnh mẽ mà không cần đến cơ sở hạ tầng tính toán khổng lồ.
Về mặt ứng dụng thực tế, khả năng lý luận vượt trội của HRM mở ra nhiều cơ hội trong các lĩnh vực đòi hỏi tư duy logic cao như giải quyết vấn đề phức tạp, lập kế hoạch chiến lược, và ra quyết định trong môi trường không chắc chắn. Đặc biệt, khả năng xử lý các bài toán Sudoku và tìm đường trong mê cung cho thấy HRM có thể ứng dụng hiệu quả trong robotics, tự động hóa, và các hệ thống điều khiển thông minh.
Tuy nhiên, cần lưu ý rằng nghiên cứu này vẫn chưa được peer-review, và những phát hiện của tổ chức ARC-AGI về vai trò thực sự của kiến trúc phân cấp cũng đặt ra câu hỏi về cơ chế hoạt động thực tế của HRM. Điều này nhấn mạnh tầm quan trọng của việc nghiên cứu sâu hơn và xác minh độc lập trước khi đưa ra những kết luận cuối cùng về tiềm năng của công nghệ này.
Kết Luận: Hướng Tới Tương Lai AI Bền Vững Và Hiệu Quả
Mô hình Lý luận Phân cấp (HRM) từ Sapient đại diện cho một hướng tiếp cận mới đầy hứa hẹn trong phát triển trí tuệ nhân tạo. Bằng cách học hỏi từ cấu trúc và hoạt động của não người, HRM đã chứng minh rằng hiệu quả không nhất thiết phải đi kèm với quy mô lớn. Với chỉ 27 triệu tham số, mô hình này đã vượt qua các đối thủ có quy mô lớn hơn hàng trăm lần trong các bài kiểm tra lý luận phức tạp.
Thành công của HRM không chỉ mở ra khả năng phát triển AI hiệu quả hơn về mặt tài nguyên mà còn thách thức những quan niệm hiện tại về cách thiết kế và huấn luyện các hệ thống AI. Nó cho thấy rằng việc hiểu sâu về cách thức hoạt động của trí tuệ tự nhiên có thể dẫn đến những đột phá công nghệ quan trọng.
Mặc dù vẫn cần thêm nghiên cứu để hiểu rõ hơn về cơ chế hoạt động thực tế của HRM, những kết quả ban đầu đã đủ ấn tượng để thu hút sự chú ý của cộng đồng AI toàn cầu. Trong bối cảnh ngành công nghiệp AI đang tìm kiếm những giải pháp bền vững và hiệu quả hơn, HRM có thể là chìa khóa mở ra một kỷ nguyên mới của trí tuệ nhân tạo – nơi sự thông minh không đo bằng quy mô mà bằng hiệu quả và khả năng lý luận thực sự.