Được viết bởi Đội ngũ Khoa học Qubic

Khi nói về AI, các cuộc trò chuyện nhanh chóng chuyển sang một ý tưởng rất cụ thể: máy cảm nhận, máy suy nghĩ, máy thức tỉnh. Nhưng những ý tưởng này rối rắm trí tuệ và nhận thức thành một mớ hỗn độn.

Trí tuệ, như chúng tôi đã giải thích trong bài báo khoa học đầu tiên của mình, là khả năng chung để giải quyết vấn đề, thích ứng, đưa ra quyết định và học hỏi. Một hệ thống thông minh xây dựng các mô hình của môi trường và hành động dựa trên chúng. Năng lực này có thể được đo lường và chính thức hóa. Thực tế, cả trí tuệ sinh học và trí tuệ nhân tạo đều có thể được mô tả như là các quá trình suy diễn và tối ưu hóa dưới sự không chắc chắn (Sutton & Barto, 2018).

Ý thức, mặt khác, không phải là về những gì một hệ thống làm, mà là về những gì nó trải nghiệm. Nó liên quan đến trải nghiệm nội tâm, riêng tư, chủ quan. Như Thomas Nagel nổi tiếng đã nói: "Cảm giác như thế nào khi là một con dơi?" (Nagel, 1974). Đây là sự khác biệt cơ bản: trí tuệ có thể được quan sát từ bên ngoài, nhưng ý thức chỉ có thể tiếp cận từ bên trong.

Văn hóa đại chúng đã pha trộn cả hai khái niệm. Chúng ta tưởng tượng trí tuệ tổng quát nhân tạo như một thứ gì đó giống như Terminator, I, Robot hoặc 2001: A Space Odyssey, thường dự đoán những nỗi sợ hãi sâu sắc của con người về công nghệ, sự mới lạ và điều chưa biết. Nhưng nỗi sợ không phải là về các hệ thống giải quyết vấn đề tốt hơn chúng ta. Tình huống đó đã tồn tại và không tạo ra mối quan tâm thực sự. Hãy nghĩ đến AlphaGo vượt qua các nhà vô địch con người trong Go, AlphaFold tăng tốc phát hiện protein, hoặc các mô hình như GPT-4 và Claude tạo ra văn bản, mã và thuật toán ở mức độ tương đương hoặc vượt qua cả những người sáng tạo của chúng.

Nỗi sợ hãi xuất hiện khi những hệ thống này dường như thể hiện quyền lực, ý định, hoặc điều gì đó giống như ý chí tự do. Nói cách khác, khi chúng dường như có một hình thức ý thức máy móc.

Sự phân biệt này là trung tâm trong khoa học nhận thức. Các hệ thống xử lý thông tin fundamentally khác với các hệ thống truy cập thông tin theo cách tích hợp toàn cầu (Dehaene, Kerszberg, & Changeux, 1998).

Ý thức AI và Khoa học: Vượt ra ngoài Vấn đề Khó

Bất chấp sự cường điệu hiện tại xung quanh "lượng tử", các giải thích tôn giáo hoặc giả khoa học về ý thức, khoa học cung cấp một con đường vững chắc hơn. Có một "vấn đề khó về ý thức" nổi tiếng, như Chalmers đã hình thành hơn hai mươi năm trước: chúng ta vẫn không hiểu làm thế nào một hệ thần kinh vật lý tạo ra trải nghiệm chủ quan.

Nói một cách đơn giản: chúng ta biết cách mà các nơ-ron kích hoạt để mã hóa màu xanh của bầu trời hoặc mùi hương của gỗ đàn hương. Nhưng chúng ta không hiểu cách mà những kích hoạt nơ-ron này tạo ra trải nghiệm nhìn thấy màu xanh hoặc ngửi thấy mùi gỗ đàn hương. Khoảng cách đó vẫn tồn tại.

Sự thiếu hiểu biết này cho phép sự xuất hiện của các diễn giải nhị nguyên. Tuy nhiên, khoa học thần kinh tiếp tục hoạt động trong một quan điểm tích hợp về tâm trí và vật chất.

Lập trình Dự đoán: Não như một Máy Dự đoán

Lập trình dự đoán là một trong những khuôn khổ có ảnh hưởng nhất để nghiên cứu ý thức. Não hoạt động như một hệ thống dự đoán liên tục tạo ra các mô hình của thế giới và cập nhật chúng bằng cách giảm thiểu lỗi dự đoán (Friston, 2010; Clark, 2013). Nếu một đèn giao thông đột nhiên chuyển sang màu xanh thay vì màu xanh lá, các hệ thống cảm giác gửi tín hiệu bất ngờ đó lên trên, và các hệ thống cấp cao hơn cập nhật mô hình nội bộ về cách mà đèn giao thông hoạt động. Trong khuôn khổ này, ý thức có thể được hiểu như là sự tích hợp của các tín hiệu nội bộ và bên ngoài vào một đại diện nhất quán.

Predictive Processing theory diagram showing hierarchical prediction and prediction error minimization as a framework for understanding consciousness

Hình 5, Mudrik et al. (2025). Xử lý Dự đoán như là suy diễn phân cấp. CC BY 4.0.

Lý thuyết Không gian Toàn cầu: Cách Ý thức Xuất hiện Thông qua Phát sóng Thông tin

Một đề xuất có ảnh hưởng khác là Lý thuyết Không gian Toàn cầu. Tại đây, ý thức xuất hiện khi thông tin trở nên có sẵn toàn cầu trong hệ thống, cho phép nhiều quá trình truy cập và sử dụng nó đồng thời (Baars, 1988; Dehaene & Changeux, 2011). Không phải tất cả việc xử lý đều có ý thức; chỉ những gì đạt đến mức phát sóng toàn cầu này.

Global Neuronal Workspace Theory diagram showing how bottom-up stimulus strength and top-down amplification create the conditions for conscious access

Hình 1, Mudrik et al. (2025). Mô hình Không gian Toàn cầu của việc truy cập ý thức, được điều chỉnh từ Dehaene et al. (2006). CC BY 4.0.

Lý thuyết Thông tin Tích hợp (IIT): Đo lường Ý thức

Lý thuyết Thông tin Tích hợp, được phát triển bởi Giulio Tononi, đề xuất rằng ý thức phụ thuộc vào mức độ mà một hệ thống tích hợp thông tin theo cách không thể giảm thiểu (Tononi, 2004; Tononi et al., 2016). Hệ thống càng được tích hợp nhiều, mức độ ý thức của nó càng cao.

Integrated Information Theory diagram mapping the essential properties of consciousness to physical cause-effect structures

Hình 4, Mudrik et al. (2025). IIT ánh xạ các thuộc tính hiện tượng đến các cấu trúc nguyên nhân-hệ quả vật lý. CC BY 4.0.

Cùng với những lý thuyết khoa học này, có những đề xuất ít được kiểm chứng hơn. Một số đồng nhất hóa ý thức với độ phức tạp tính toán mà không chỉ rõ các cơ chế. Những người khác, chẳng hạn như panpsychism, gợi ý rằng mọi vật chất đều có một hình thức trải nghiệm nào đó (Goff, 2019). Những ý tưởng này mở rộng cuộc tranh luận nhưng thiếu sự xác thực thực nghiệm trực tiếp.

Chúng Ta Có Thể Tính Toán Ý Thức Không? Mô phỏng so với Trải nghiệm

Liệu việc triển khai các cơ chế được mô tả bởi những lý thuyết này có tạo ra ý thức hay chỉ mô phỏng nó?

Vấn đề này phản ánh những gì chúng ta gặp phải trong khoa học thần kinh khi nghiên cứu các sinh vật đơn giản. Ví dụ, Drosophila melanogaster có một hệ thần kinh tương đối nhỏ, nhưng nó có thể học, nhớ và đưa ra quyết định (Brembs, 2013). Mô hình hóa sự kết nối và động lực của nó cho phép chúng ta dự đoán hành vi của nó trong một số bối cảnh. Để có cái nhìn sâu sắc hơn về cách mà kết nối của ruồi trái cây đang định hình hiểu biết của chúng ta về kiến trúc nơ-ron, hãy xem phân tích của chúng tôi về kết nối não của Drosophila và những tác động của nó đối với AI.

Tuy nhiên, việc dự đoán hành vi không có nghĩa là tái tạo trải nghiệm nội tâm. Chúng ta có thể nắm bắt các quy tắc của một hệ thống mà không nắm bắt được điều gì "cảm giác" từ bên trong, nếu trải nghiệm như vậy tồn tại. Sự phân biệt này vẫn là một trong những giới hạn khái niệm chính trong nghiên cứu về ý thức (Seth, 2021). Từ góc độ thực tiễn, điều này có thể không phải lúc nào cũng quan trọng, nhưng chúng ta không thể giả định rằng các cơ chế tính toán tái tạo trải nghiệm. Điều này dẫn trực tiếp đến ý tưởng nổi tiếng về những xác sống triết học.

Kiến trúc MultiNeuraxon: Điều gì mà AI lấy cảm hứng từ não thực sự làm.

Trong bối cảnh này, các kiến trúc như MultiNeuraxon không nhằm mục đích "tạo ra ý thức", mà là để gần gũi hơn với các cơ chế mà một số lý thuyết coi là liên quan.

Hệ thống giới thiệu động lực liên tục, cho phép các trạng thái nội bộ tiến hóa một cách mượt mà thay vì thiết lập lại ở mỗi bước. Điều này giống với khái niệm về một dòng chảy nội bộ liên tục được tìm thấy trong các hệ thống sinh học (Friston, 2010). Để hiểu lý do tại sao việc xử lý thời gian liên tục quan trọng cho trí tuệ, hãy xem NIA Tập 1: Tại sao trí tuệ không được tính toán theo các bước, mà theo thời gian.

Nó cũng bao gồm nhiều thang thời gian tương tác, nhanh, chậm và điều chỉnh, tương tự như sự kết hợp giữa tín hiệu synap và điều chỉnh nơ-ron trong não (Marder, 2012). Các động lực này được mô tả chính thức thông qua các phương trình tích hợp các đóng góp synap và điều chỉnh vào sự tiến hóa trạng thái của hệ thống.

Cuối cùng, tổ chức của nó thành nhiều lĩnh vực chức năng cho phép cả sự phân biệt và tích hợp. Loại cấu trúc này là nền tảng cho cả Lý thuyết Không gian Toàn cầu và Lý thuyết Thông tin Tích hợp, và là một phần trong đề xuất khoa học mà chúng tôi đã phát triển cho Hội nghị AGI 2026.

Điều quan trọng ở giai đoạn này là hệ thống bắt đầu nắm bắt các thuộc tính liên quan, ở con người, với các quá trình ý thức: tích hợp toàn cầu, liên tục theo thời gian, và điều chỉnh nội bộ.

Tại sao Nghiên cứu về Ý thức Quan trọng cho Trí Tuệ Tổng Quát Nhân Tạo

Sự phát triển của trí tuệ tổng quát nhân tạo không chỉ phụ thuộc vào việc cải thiện hiệu suất trong các nhiệm vụ riêng lẻ. Nó phụ thuộc vào việc hiểu cách trí tuệ tổ chức bản thân khi nó hoạt động một cách linh hoạt, ổn định và nhất quán.

Các lý thuyết về ý thức chỉ ra chính xác các cơ chế này: tích hợp, truy cập toàn cầu, mô hình nội bộ, và điều chỉnh đa quy mô. Ngay cả khi chúng ta còn xa việc tái tạo trải nghiệm chủ quan, chúng ta có thể xác định và tính toán các thuộc tính dường như cần thiết cho các hình thức trí tuệ tổng quát hơn.

Làm việc theo hướng này cho phép xây dựng các hệ thống mạnh mẽ hơn, có khả năng duy trì tính nhất quán theo thời gian và tổng quát trong các bối cảnh.

Trong khuôn khổ này, lợi thế của các hệ thống như Aigarth không nằm ở việc tạo ra các máy móc có ý thức, cũng không ở việc tưởng tượng nó như một "Terminator tốt", mà là ở việc hiểu và kiểm soát các cơ chế tổ chức trí tuệ tiên tiến.

Một hệ thống tích hợp nhiều quy mô, duy trì sự ổn định động và tiến hóa mà không mất đi tính nhất quán cung cấp một nền tảng mạnh mẽ hơn để khám phá các hình thức trí tuệ tiên tiến. Để so sánh cách mà các mạng nơ-ron sinh học, mạng nhân tạo cổ điển, và Neuraxon khác biệt về mặt kiến trúc, hãy xem NIA Tập 4: Mạng Nơ-ron trong AI và Khoa học Thần kinh.

Nếu các thuộc tính hoặc hình thức tự tham chiếu phức tạp hơn xuất hiện, chúng sẽ không xuất hiện ngẫu nhiên, mà như một hệ quả của các cấu trúc có thể đã được mô tả và phân tích một cách chính thức.

Và điều đó biến đổi ý thức từ một vấn đề hoàn toàn suy đoán thành một cái gì đó có thể được điều tra một cách hệ thống.

Tài liệu tham khảo khoa học

  • Baars, B. J. (1988). Một lý thuyết nhận thức về ý thức. Nhà xuất bản Đại học Cambridge. [Liên kết]

  • Brembs, B. (2013). Cấu trúc và chức năng của việc xử lý thông tin trong não của ruồi trái cây. Frontiers in Behavioral Neuroscience, 7, 1–17. [Liên kết]

  • Clark, A. (2013). Điều gì tiếp theo? Não dự đoán, tác nhân định vị, và tương lai của khoa học nhận thức. Behavioral and Brain Sciences, 36(3), 181–204. [Liên kết]

  • Dehaene, S., & Changeux, J. P. (2011). Các phương pháp thực nghiệm và lý thuyết để xử lý ý thức. Neuron, 70(2), 200–227. [Liên kết]

  • Dehaene, S., Kerszberg, M., & Changeux, J. P. (1998). Một mô hình nơ-ron của một không gian toàn cầu trong các nhiệm vụ nhận thức khó khăn. PNAS, 95(24), 14529–14534. [Liên kết]

  • Friston, K. (2010). Nguyên tắc năng lượng tự do: Một lý thuyết não thống nhất? Nature Reviews Neuroscience, 11(2), 127–138. [Liên kết]

  • Goff, P. (2019). Sai lầm của Galileo: Nền tảng cho một khoa học mới về ý thức. Pantheon. [Liên kết]

  • Marder, E. (2012). Điều chỉnh thần kinh của các mạch nơ-ron: Về tương lai. Neuron, 76(1), 1–11. [Liên kết]

  • Mudrik, L., Boly, M., Dehaene, S., Fleming, S.M., Lamme, V., Seth, A., & Melloni, L. (2025). Giải mã những phức tạp của ý thức: Lý thuyết và phản ánh. Neuroscience and Biobehavioral Reviews, 170, 106053.

  • Nagel, T. (1974). Cảm giác như thế nào khi là một con dơi? The Philosophical Review, 83(4), 435–450.

  • Seth, A. (2021). Đang là bạn: Một khoa học mới về ý thức. Faber & Faber.

  • Seth, A. K., & Bayne, T. (2022). Các lý thuyết về ý thức. Nature Reviews Neuroscience, 23(7), 439–452.

  • Sutton, R. S., & Barto, A. G. (2018). Học tăng cường: Một giới thiệu (ấn bản lần thứ 2). MIT Press.

  • Tononi, G. (2004). Một lý thuyết tích hợp thông tin về ý thức. BMC Neuroscience, 5(42).

  • Tononi, G., Boly, M., Massimini, M., & Koch, C. (2016). Lý thuyết thông tin tích hợp: Từ ý thức đến nền tảng vật lý của nó. Nature Reviews Neuroscience, 17(7), 450–461.

Khám phá Toàn bộ Bộ Tài liệu Học viện Trí tuệ Neuraxon

  • \u003ca-56\u003eNIA Volume 1: Tại sao trí tuệ không được tính toán theo các bước, mà theo thời gian\u003c/a-56\u003e — Khám phá lý do tại sao trí tuệ sinh học hoạt động trong thời gian liên tục thay vì các bước tính toán rời rạc như các LLM truyền thống.

  • \u003ca-63\u003eNIA Volume 2: Động lực Ternary như một Mô hình của Trí tuệ Sống\u003c/a-63\u003e— Giải thích động lực ternary và lý do tại sao logic ba trạng thái (kích thích, trung lập, ức chế) có ý nghĩa đối với việc mô hình hóa các hệ thống sống.

  • \u003ca-70\u003eNIA Volume 3: Điều chỉnh thần kinh và AI lấy cảm hứng từ não\u003c/a-70\u003e — Đề cập đến điều chỉnh thần kinh và cách mà tín hiệu hóa học của não (dopamine, serotonin, acetylcholine, norepinephrine) truyền cảm hứng cho kiến trúc của Neuraxon.

  • \u003ca-77\u003eNIA Volume 4: Mạng Nơ-ron trong AI và Khoa học Thần kinh\u003c/a-77\u003e — Một so sánh sâu sắc về mạng nơ-ron sinh học, mạng nơ-ron nhân tạo, và cách tiếp cận con đường thứ ba của Neuraxon.

  • \u003ca-83\u003eNIA Volume 5: Tế bào thần kinh và AI lấy cảm hứng từ não\u003c/a-83\u003e. Cách mà tế bào thần kinh biến đổi tính linh hoạt của mạng nơ-ron thông qua khuôn khổ AGMP trong Neuraxon.

Qubic là một mạng lưới phi tập trung, mã nguồn mở cho công nghệ thử nghiệm. Để tìm hiểu thêm, hãy truy cập qubic.org

\u003ct-139/\u003e \u003ct-141/\u003e \u003ct-143/\u003e \u003ct-145/\u003e \u003ct-147/\u003e