Phá vỡ tư duy tập thể của LLM: Cách Springboards đang định nghĩa lại sự sáng tạo của AI
Trong khi các mô hình ngôn ngữ lớn (LLM) phổ biến đang vượt trội về logic và lập trình, chúng lại gặp phải vấn đề "tư duy tập thể" (groupthink) phổ biến, làm hạn chế tính hữu dụng của chúng trong các tác vụ sáng tạo. Một startup mới đang tham gia để thách thức các khuôn mẫu dễ đoán của những gã khổng lồ trong ngành như OpenAI và Google.
Vấn đề về tính dễ đoán trong các LLM
Nếu bạn yêu cầu một chatbot hàng đầu như ChatGPT, Claude, hoặc Gemini "chọn một con số ngẫu nhiên từ 1 đến 10", gần như chắc chắn bạn sẽ nhận được con số 7. Đây không phải là sự trùng hợp; đó là triệu chứng của sự thiên kiến vốn có và "tư duy tập thể" được tích hợp sẵn trong các kiến trúc LLM hiện nay. Các mô hình này được huấn luyện trên các tập dữ liệu khổng lồ, ưu tiên token tiếp theo có xác suất thống kê cao nhất, dẫn đến các phản hồi thường mang tính an toàn, lặp đi lặp lại và dễ đoán.
Đối với các nhà phát triển và nghiên cứu, tính dễ đoán này là một lợi thế cho các tác vụ đòi hỏi độ chính xác cao, chẳng hạn như gỡ lỗi mã nguồn hoặc tóm tắt các bài báo kỹ thuật. Tuy nhiên, đối với những người dùng đang tìm kiếm cộng sự lên ý tưởng, người lập kế hoạch du lịch hoặc cộng tác viên sáng tạo, "vòng lặp" này đóng vai trò như một rào cản. Khi một AI mặc định đưa ra câu trả lời hiển nhiên nhất, nó đã thất bại trong việc cung cấp tư duy phân kỳ (divergent thinking) cần thiết cho sự đổi mới thực sự.
Springboards và mô hình Flint
Startup Springboards đến từ Úc đang nỗ lực phá vỡ vòng lặp tầm thường này. Thay vì tối ưu hóa cho phản hồi có xác suất cao nhất, công ty đã phát triển một LLM chuyên dụng mang tên Flint.
Flint được thiết kế đặc biệt để chống lại tư duy tập thể thường thấy ở các mô hình phổ biến. Mục tiêu huấn luyện của nó tập trung vào việc cung cấp sự đa dạng hơn trong các phản hồi cho các truy vấn mở. Ví dụ, khi nhận được một câu lệnh như "Tôi nên đi đâu ở Châu Âu?", Flint được thiết kế để bỏ qua các điểm đến rập khuôn (như Paris hay Rome) để ưu tiên các gợi ý đa dạng và ít hiển nhiên hơn. Bằng cách chủ động đẩy xa các ranh giới của xác suất thống kê, Springboards đặt mục tiêu đưa các chatbot thoát khỏi những thứ "hiển nhiên" và hướng tới tính hữu dụng sáng tạo thực thụ.
Tại sao AI phân kỳ lại quan trọng đối với ngành công nghiệp
Sự phát triển của các mô hình như Flint làm nổi bật một bước tiến hóa quan trọng trong bối cảnh AI: sự chuyển dịch từ trí tuệ đa năng sang trí tuệ hành vi chuyên biệt. Khi ngành công nghiệp trưởng thành, lợi thế cạnh tranh của các công ty AI có khả năng sẽ vượt ra ngoài việc chỉ chạy đua về số lượng tham số và hướng tới khả năng kiểm soát các phong cách "nhận thức".
Nếu thế hệ AI tiếp theo có thể làm chủ sự cân bằng giữa độ chính xác logic và sự phân kỳ sáng tạo, chúng ta sẽ thấy một sự mở rộng mạnh mẽ về các trường hợp sử dụng—từ lên ý tưởng marketing tự động đến thiết kế kiến trúc phức tạp. Đối với hệ sinh thái công nghệ rộng lớn hơn, mục tiêu không còn chỉ là xây dựng một mô hình biết mọi thứ, mà là xây dựng một mô hình có thể tư duy khác biệt.
Các điểm chính cần lưu ý
- Bẫy tư duy tập thể: Các LLM phổ biến hiện nay đang gặp phải vấn đề về tính dễ đoán về mặt thống kê, thường mặc định đưa ra các phản hồi phổ biến hoặc "hiển nhiên" nhất.
- Cách tiếp cận của Flint: Startup Springboards đã ra mắt Flint, một LLM được huấn luyện chuyên biệt để đưa ra các phản hồi sáng tạo với độ biến thiên cao cho các câu lệnh mở.
- Sự chuyển dịch ngành: Sự xuất hiện của các mô hình chuyên biệt cho thấy một tương lai nơi AI được tinh chỉnh cho các chế độ nhận thức cụ thể, chẳng hạn như lên ý tưởng sáng tạo so với lập luận logic.