Daron Accemoglu và Simon Johnson

Nguyễn Quang A dịch

9. Cuộc Đấu tranh Nhân tạo

Chẳng gì được viết về đề tài này có thể được coi là dứt khoát—và vì vậy chúng ta tìm thấy ở mọi nơi những người thiên tài cơ khí, nhạy bén tổng quát tuyệt vời và hiểu biết phân biệt, không ngại ngùng trong tuyên bố Automaton là một máy thuần túy, không liên kết với năng lực hành động con người trong các chuyển động của nó, và do đó, vượt xa mọi sự so sánh, là sáng chế đáng kinh ngạc nhất của loài người.

—Edgar Allan Poe, “Maelzel’s Chess Player,” 1836 (chữ nghiêng trong nguyên bản)

Thế giới tương lai sẽ là một cuộc đấu tranh đòi hỏi khắt khe hơn bao giờ hết chống lại các hạn chế của trí tuệ chúng ta, không phải một chiếc võng thoải mái trong đó chúng ta có thể nằm xuống để được các robot nô lệ của chúng ta hầu hạ.

—Norbert Wiener, God and Golem, Inc., 1964

 

Trong báo cáo đặc biệt của nó về tương lai công việc trong tháng Tư 2021, tạp chí Economist đã chỉ trích những người lo về bất bình đẳng và các cơ hội việc làm teo đi cho các công nhân: “Kể từ bình minh của chủ nghĩa tư bản người ta đã than vãn về thế giới công việc, luôn luôn tin rằng quá khứ đã tốt hơn hiện tại và rằng các công nhân ngày nay bị đối xử tệ bạc một cách độc nhất vô nhị.”

Các nỗi sợ về tự động hóa do AI-thúc đẩy là đặc biệt quá mức, và “nhận thức phổ biến về thế giới công việc phần lớn gây lạc lối.” Báo cáo tiếp tục cung cấp một sự tái tuyên bố rõ ràng về đoàn tàu năng suất: “Thực ra, bằng việc hạ các chi phí sản xuất, tự động hóa có thể tạo ra cầu nhiều hơn cho hàng hóa và dịch vụ, làm tăng các việc làm khó tự động hóa. Nền kinh tế có thể cần ít người phục vụ thu tiền hơn ở các siêu thị, nhưng nhiều nhà trị liệu xoa bóp hơn.”

Đánh giá tổng thể của báo cáo: “Một tương lai tươi sáng cho thế giới công việc.”

Công ty tư vấn quản lý McKinsey bày tỏ một kết luận tương tự trong đầu năm 2022 như phần của đối tác chiến lược của nó với Diễn đàn Kinh tế Thế giới hàng năm ở Davos:

Đối với nhiều thành viên của lực lượng lao động thế giới, sự thay đổi đôi khi có thể được xem như một mối đe dọa, đặc biệt khi nhắc đến công nghệ. Điều này thường cùng với các nỗi sợ rằng tự động hóa sẽ thay thế mọi người. Nhưng một cái nhìn vượt xa hơn các tiêu đề cho thấy rằng điều ngược lại tỏ ra là đúng, với Cách mạng Công nghiệp lần thứ Tư (4IR) các công nghệ thúc đẩy năng suất và sự tăng trưởng khắp ngành chế tạo và sản xuất tại các địa điểm đô thị và nông thôn. Các công nghệ này đang tạo ra việc làm nhiều hơn và khác nhau mà đang biến đổi ngành chế tạo và giúp xây dựng các sự nghiệp thỏa mãn, bổ ích, và bền vững.

Tờ Economist và công ty McKinsey trình bày rõ quan điểm của nhiều doanh nhân công nghệ và các chuyên gia rằng các mối lo về AI và tự động hóa bị phóng đại. Pew Research Center đã khảo sát các học giả và các nhà lãnh đạo công nghệ, và tường thuật các tuyên bố từ hơn một trăm người trong số họ, với đa số áp đảo tuyên bố rằng mặc dù có những nhược điểm, AI sẽ mang lại các lợi ích kinh tế và xã hội phổ biến.

Theo quan điểm thịnh hành, có thể có sự gián đoạn nào đó dọc đường—ví dụ, về mặt việc làm bị mất—nhưng các chi phí quá độ như vậy là không thể tránh khỏi. Theo lời của một trong các chuyên gia được Pew Research Center trích dẫn, “Trong 12 năm tới AI sẽ cho phép mọi loại nghề để làm công việc của chúng hiệu quả hơn, nhất là các nghề liên quan đến ‘cứu mạng sống’: y học được cá nhân hóa, kiểm soát bằng cảnh sát, thậm chí chiến tranh (nơi các cuộc tấn công sẽ tập trung vào vô hiệu hóa hạ tầng cơ sở và ít hơn vào việc giết chiến binh địch và dân thường).” Cùng người đó cũng đã thừa nhận, “Tất nhiên, sẽ có một số khuyết điểm: thất nghiệp lớn hơn về các việc làm ‘học vẹt’ nào đó (ví dụ, các lái xe tải, dịch vụ ăn uống, robot và tự động hóa, vân vân).”

Nhưng chúng ta không nên lo quá nhiều về những khuyết điểm này, vì chúng ta có cùng các doanh nhân công nghệ để làm nhẹ bớt gánh nặng với hành động nhân từ của họ. Như Bill Gates đã nói rõ tại Diễn đàn Kinh tế Thế giới 2008, những người thành công này có một cơ hội để làm điều tốt trong khi làm giỏi cho các doanh nghiệp của họ, bằng việc giúp những người kém may mắn hơn bằng các sản phẩm và các công nghệ mới. Ông tuyên bố rằng “thách thức là để thiết kế một hệ thống nơi các khuyến khích thị trường, kể cả lợi nhuận và sự công nhận, thúc đẩy sự thay đổi,” với mục tiêu “cải thiện cuộc sống cho những người không được lợi đầy đủ từ các lực lượng thị trường.” Ông đặt tên cho hệ thống này là “chủ nghĩa tư bản sáng tạo” và đặt mục tiêu từ thiện cho mọi người “để đảm nhận một dự án của chủ nghĩa tư bản sáng tạo trong những năm tới” như một cách để làm giảm nhẹ các vấn đề của thế giới.

Chúng ta sẽ tranh luận trong chương này rằng tầm nhìn này về các lợi ích hầu như không thể tránh khỏi từ công nghệ mới, kể cả các máy thông minh, được các doanh nhân tài năng lãnh đạo là một ảo tưởng—ảo tưởng AI. Giống sự tin chắc của Lesseps rằng các kênh đào sẽ làm lợi cho cả các nhà đầu tư và thương mại toàn cầu, nó là một tầm nhìn bén rễ trong các ý tưởng, nhưng nó nhận được một sự đẩy mạnh thêm bởi vì nó làm giàu và trao quyền cho các elite đang lùa công nghệ tới sự tự động hóa và sự giám sát.

Ngay cả việc định khung các năng lực số về mặt các máy thông minh là một khía cạnh vô bổ của tầm nhìn này. Các công nghệ số là đa năng và có thể được phát triển theo nhiều cách khác nhau. Trong việc bẻ lái hướng công nghệ, chúng ta nên tập trung vào chúng là hữu ích thế nào cho các mục tiêu con người—mà chúng tôi sẽ gọi là “sự hữu ích máy.” Việc cổ vũ dùng các máy và các thuật toán để bổ sung cho các năng lực con người và trao quyền cho mọi người, trong quá khứ, đã dẫn đến các đổi mới đột phá với sự hữu ích máy cao. Ngược lại, sự say mê với trí tuệ máy khuyến khích sự thu thập dữ liệu quy mô lớn, sự tước quyền các công nhân và các công dân, và một sự tranh giành để tự động hóa công việc, ngay cả khi điều này không nhiều hơn sự tự động hóa tàm-tạm—có nghĩa rằng nó chỉ có các lợi ích năng suất nhỏ. Không phải ngẫu nhiên, sự tự động hóa và thu thập dữ liệu quy mô-lớn làm giàu cho những người kiểm soát các công nghệ số.

Từ Lĩnh vực của các Giấc mơ AI

Mọi người đúng để được phấn khích về những sự tiến bộ của các công nghệ số. Các năng lực máy mới có thể mở rộng ồ ạt các thứ chúng ta làm và có thể biến đổi nhiều khía cạnh của đời sống chúng ta cho điều tốt đẹp hơn. Và cũng đã có những tiến bộ khổng lồ. Ví dụ, GPT-3, Máy Biến đổi Tạo sinh được Huấn luyện-trước 3 (Generative Pre-trained Transformer 3), được OpenAI phát hành 2020, và ChatGPT được cùng công ty phát hành trong 2022, là các hệ thống xử lý ngôn ngữ tự nhiên với các năng lực xuất sắc. Rồi được huấn luyện và tối ưu hóa trên lượng dữ liệu văn bản đồ sộ từ internet, các chương trình này có thể tạo ra các bài viết hầu như giống-con người, kể cả thơ ca; giao thiệp bằng ngôn ngữ con người điển hình; và, ấn tượng nhất, biến các lệnh ngôn ngữ tự nhiên thành mã máy tính.

Các chương trình software có một logic đơn giản. Một chương trình, hay thuật toán, là một công thức ra lệnh cho một máy để lấy một bộ đầu vào được xác định trước và thực hiện một bộ các tính toán từng bước một. Ví dụ, máy dệt của Jacquard lấy một số thẻ đục lỗ như đầu vào của nó và kích hoạt một quá trình cơ khí được thiết kế tao nhã, mà di chuyển một trục cuốn chỉ và dệt vải để tạo ra các mẫu được định rõ trong các thẻ đục lỗ. Các thẻ đục lỗ khác nhau tạo ra các mẫu phân biệt, vài trong số đó phức tạp một cách đáng chú ý.

Các máy tính hiện đại được nhắc tới như “số-digital” bởi vì các đầu vào được trình bày dưới dạng rời rạc, lấy một trong một tập hợp các giá trị hữu hạn (phổ biến nhất như các số 0 và các số 1). Nhưng chúng chia sẻ với máy dệt của Jacquard nguyên lý tổng quát rằng chúng thực hiện chuỗi chính xác của các sự tính toán hay của các hành động được quy định rõ bởi một nhà lập trình.

Trí tuệ nhân tạo thì sao? Đáng tiếc, không có định nghĩa được thống nhất chung. Một số chuyên gia định nghĩa trí tuệ nhân tạo như các máy hay các thuật toán bày tỏ “hành vi thông minh” hay “các năng lực mức cao,” mặc dù các thứ này là gì thường để ngỏ cho tranh luận. Những người khác cung cấp các định nghĩa được thúc đẩy bởi các chương trình như GPT-3, đánh đồng các máy thông minh với các máy có các mục tiêu, quan sát môi trường của chúng, nhận các đầu vào khác, và thử đạt các mục tiêu của chúng. Ví dụ, GPT-3 nhận các mục tiêu phân biệt trong các ứng dụng khác nhau và thử thực hiện chúng càng thành công càng tốt.

Dù định nghĩa chính xác về trí tuệ máy hiện đại là gì, rõ ràng là các thuật toán số mới đang được áp dụng rộng rãi trong mọi lĩnh vực của đời sống chúng ta. Thay cho việc thử phán xử giữa các định nghĩa khác nhau về trí tuệ máy, chúng tôi sẽ dùng “AI hiện đại” để thâu tóm cách tiếp cận thịnh hành hiện thời trong lĩnh vực này.

Việc áp dụng các công nghệ số cho quá trình sản xuất—ví dụ, với máy móc điều khiển số (numerically controlled machinery)—có từ lâu trước AI hiện đại. Các đột phá tính toán lớn của bảy mươi năm qua đến từ việc tìm ra những cách để thực hiện các công việc, dùng software trong các lĩnh vực như chuẩn bị tài liệu, quản lý cơ sở dữ liệu, kế toán, và kiểm soát hàng tồn kho. Software cũng có thể tạo ra các năng lực sản xuất mới. Trong thiết kế được máy tính trợ giúp, nó cải thiện sự chính xác và sự dễ dàng mà với chúng những người lao động thực hiện các nhiệm vụ thiết kế. Nó làm cho công việc của những người thu tiền và các nhân viên khác đối mặt với người tiêu dùng có khả năng hữu hiệu hơn. Như chúng tôi đã nhấn mạnh trong Chương 8, nó cũng cho phép tự động hóa.

Để được software truyền thống tự động hóa, một công việc cần là “thường lệ,” có nghĩa rằng nó phải gồm các bước có thể dự đoán, được thực hiện trong một trình tự xác định. Các công việc thường lệ được thực hiện lặp đi lặp lại, được nhúng trong một môi trường có thể dự đoán được. Ví dụ, việc đánh máy (chữ) là thường lệ. Cũng thế là việc đan (lát) và các nhiệm vụ sản xuất đơn giản khác gồm một lượng đáng kể hành động lặp đi lặp lại. Software đã được kết hợp với máy móc tương tác với thế giới vật lý để tự động hóa các công việc thường lệ khác nhau, chính xác như Jacquard dự định, và thiết bị điều khiển số (numerically controlled equipment) hiện đại, như các máy in hay các máy tiện được máy tính trợ giúp, thường xuyên thực hiện việc này. Software cũng là một phần không thể tách rời của công nghệ robotics được dùng rộng rãi cho tự động hóa công nghiệp.

Nhưng chỉ một tỷ lệ nhỏ của các công việc con người là thực sự thường lệ. Hầu hết các thứ loài chúng ta làm dính líu đến lượng nào đó của việc giải quyết vấn đề. Chúng ta xử lý các tình huống hay thách thức mới bằng việc nghĩ ra các giải pháp mà rút ra những sự tương tự trên cơ sở của kinh nghiệm quá khứ và sự hiểu biết. Chúng ta sử dụng tính linh hoạt khi môi trường liên quan thay đổi liên tục. Chúng ta dựa nhiều vào sự tương tác xã hội, như truyền thông và sự giải thích hay tình bạn đơn giản mà nhiều đồng nghiệp và khách hàng có được trong quá trình giao dịch kinh tế. Một cách tập thể, chúng ta là một loài khá sáng tạo.

Dịch vụ khách hàng, chẳng hạn, đòi hỏi một sự kết hợp của các kỹ năng xã hội và giải quyết-vấn đề. Có hàng chục ngàn vấn đề một khách hàng có thể bắt gặp, một số là hiếm hay hoàn toàn mang phong cách riêng. Là tương đối dễ để giúp một khách hàng lỡ một chuyến bay và muốn lấy máy bay tiếp sẵn có. Nhưng nếu khách du lịch đến nhầm sân bay hay bây giờ cần bay đến một đích đến mới thì sao?

Những cách tiếp cận AI hiện đại đã được dùng để mở rộng tự động hóa vào một phạm vi rộng hơn của các công việc thường lệ, như các dịch vụ thu-phát tiền ngân hàng. Tự động hóa trước-AI—ví dụ, việc dùng các máy nộp-rút tiền tự động (ATM)—đã phổ biến vào các năm 1990, với một sự tập trung vào các công việc đơn giản, như việc phân phát tiền mặt. Việc gửi séc đã chỉ được tự động hóa một phần. Các ATM chấp nhận sự gửi tiền, và công nghệ nhận diện ký tự-mực-từ được dùng để phân loại các tờ séc theo mã ngân hàng và số tài khoản ngân hàng của chúng. Nhưng đã vẫn cần con người cho các công việc thường lệ khác, như nhận diện các tài khoản tổ chức được viết tay, và giám sát các khoản thấu chi (chi quá mức có trong tài khoản). Dựa vào sự tiến bộ gần đây hơn của các công cụ nhận diện chữ viết tay và ra-quyết định dựa vào AI, séc bây giờ có thể được xử lý mà không có sự tham gia con người.

Quan trọng hơn, tham vọng của AI là để mở rộng tự động hóa ra các công việc không thường lệ, kể cả dịch vụ khách hàng, chuẩn bị thuế, và thậm chí lời khuyên tài chính. Nhiều công việc dính líu đến các dịch vụ này là có thể dự đoán được và có thể được tự động hóa ngay. Ví dụ, thông tin từ các báo cáo lương và thuế (như biểu mẫu W-2 ở Hoa Kỳ) có thể được quét và đưa một cách tự động vào các ô trong biểu mẫu để tính các nghĩa vụ thuế, hay thông tin thích hợp về các khoản tiền gửi và số dư có thể được cung cấp cho một khách hàng ngân hàng. Gần đây, AI cũng đã mạo hiểm vào các công việc phức tạp hơn. Software chuẩn bị thuế tinh vi có thể hỏi người dùng về các chi phí hay các khoản trông khả nghi, và các khách hàng có thể được trình bày với các menu được kích hoạt bằng tiếng nói để phân loại các vấn đề của họ (cho dù việc này thường hoạt động không hoàn hảo, rốt cuộc chuyển một số công việc cho người dùng, và gây ra những sự chậm trễ dài hơn vì các khách hàng chờ một người để cung cấp sự trợ giúp cần thiết).

Trong tự động hóa quy trình bằng robot (Robotic Process Automation-RPA), chẳng hạn, software thực hiện các công việc sau khi quan sát các hành động con người trong giao diện đồ họa người dùng (graphical user interface) của ứng dụng. Các bot RPA bây giờ được triển khai trong hoạt động ngân hàng, các quyết định cho vay, thương mại-điện tử, và các chức năng hỗ trợ-software khác nhau. Các ví dụ nổi bật gồm các hệ thống nhận diện tiếng nói được tự động hóa và các chatbot mà học từ các thực hành hỗ trợ-IT từ xa. Nhiều chuyên gia tin loại tự động hóa này sẽ lan sang vô số công việc hiện thời được các công nhân cổ-trắng thực hiện. Nhà báo của tờ New York Times Kevin Roose tóm tắt tiềm năng của các RPA như sau: “Những tiến bộ gần đây về A.I. và học máy (machine learning) đã tạo ra các thuật toán có khả năng làm tốt hơn các bác sĩ, các luật sư và các nhà ngân hàng trong các phần nào đó của việc làm của họ. Và khi các bot học để làm những công việc có giá trị-cao hơn, chúng đang leo lên bậc thang công ty.”

Được cho là, tất cả chúng ta sẽ là những người thụ hưởng các năng lực mới ngoạn mục này. Các CEO hiện thời của Amazon, Facebook, Google, và Microsoft tất cả đều cho rằng AI sẽ biến đổi công nghệ một cách có lợi trong các thập niên tiếp theo. Như Kai-Fu Lee, cựu chủ tịch của Google Trung Quốc, diễn đạt, “Và giống hầu hết công nghệ, AI cuối cùng sẽ tạo ra nhiều tác động tích cực hơn tác động tiêu cực lên xã hội chúng ta.”

Tuy vậy, bằng chứng không ủng hộ hoàn toàn các lời hứa cao cả này. Mặc dù thảo luận về các máy thông minh đã xuất hiện trong hai thập niên, các công nghệ này bắt đầu lan ra chỉ sau 2015. Sự cất cánh là dễ thấy trong số tiền được các hãng chi về các hoạt động liên quan đến AI và trong số đăng tin tuyển dụng cho những người lao động với các kỹ năng AI chuyên biệt (kể cả học máy [Machine Learning-ML], thị giác máy [Machine Vision], học sâu [deep learning], nhận dạng hình ảnh [image recognition], xử lý ngôn ngữ tự nhiên, các mạng nơ ron [neural networks], máy vector hỗ trợ [support vector machine-SVM], và phân tích ngữ nghĩa tiềm ẩn [Latent Semantic Analysis-LSA]).

Việc theo dõi dấu chân không thể xóa sạch này, chúng ta có thể thấy rằng các khoản đầu tư AI và tuyển dụng các chuyên gia AI tập trung vào các tổ chức dựa vào các công việc có thể được các công nghệ này thực hiện, như các chức năng thống kê bảo hiểm và kế toán, phân tích mua sắm, và các việc làm văn thư khác nhau gồm nhận dạng mẫu (pattern recognition), tính toán, và nhận dạng tiếng nói cơ bản. Tuy vậy, cùng các tổ chức cũng hạ thấp sự tuyển dụng tổng thể của chúng một cách thực chất—ví dụ, giảm những thông báo tuyển dụng cho mọi loại vị trí khác.

Quả thực, bằng chứng cho biết rằng cho đến nay AI chủ yếu đã tập trung vào tự động hóa. Hơn nữa, bất chấp lời xác nhận rằng AI và các RPA đang mở rộng vào các công việc không-thường lệ, có kỹ năng-cao hơn, hầu hết gánh nặng của tự động hóa AI cho đến nay đã rơi vào các công nhân ít được giáo dục hơn, bị bất lợi rồi bởi các hình thức tự động hóa số trước đó. Cũng chẳng có bằng chứng nào rằng các công nhân có kỹ năng thấp hơn được lợi từ các ứng dụng AI, mặc dù rõ ràng những người vận hành các hãng này thấy lợi ích nào đó cho bản thân họ và cho các cổ đông của hãng.

Đáng yên tâm, AI có vẻ không tiến bộ đến mức sẽ tạo ra thất nghiệp hàng loạt. Giống các robot công nghiệp chúng ta thảo luận trong Chương 8, cho đến nay công nghệ hiện thời có thể thực hiện chỉ một tập hợp nhỏ của các công việc, và tác động của nó lên công ăn việc làm bị hạn chế. Tuy nhiên, nó đang tiến theo một hướng có thành kiến chống lại các công nhân và đang phá hủy một số việc làm. Tác động lớn có khả năng nhất của nó là hạ thấp thêm tiền lương đối với nhiều người, không phải tạo ra một tương lai hoàn toàn không có công việc. Vấn đề là mặc dù AI thất bại trong hầu hết cái nó hứa hẹn, nó vẫn tìm được cách để làm giảm cầu đối với các công nhân.

Ngụy biện Bắt chước

Thế vì sao, lại nhấn mạnh đến trí tuệ máy? Cái chúng ta cần quan tâm là liệu các máy và các thuật toán có hữu ích cho chúng ta không. Ví dụ, theo hầu hết các định nghĩa, hệ thống định vị toàn cầu (GPS) có thể là không thông minh vì nó dựa vào sự thực hiện một thuật toán tìm kiếm đơn giản (thuật toán tìm kiếm A*, được nghĩ ra đầu tiên trong 1968). Thế nhưng các dụng cụ GPS có cung cấp một dịch vụ vô cùng hữu ích cho con người. Hầu như không chuyên gia nào phân loại các bàn tính (calculator) bỏ túi là thông minh, song chúng thực hiện các công việc mà hầu hết con người thấy là không thể (như nhân nhanh hai số có bảy chữ số).

Thay cho việc ám ảnh tập trung vào trí tuệ máy, chúng ta nên hỏi các máy hữu ích thế nào cho mọi người, mà là cách chúng tôi định nghĩa sự hữu ích máy (machine usefulness-MU). Việc tập trung vào MU sẽ hướng chúng ta tới một quỹ đạo có lợi hơn về mặt xã hội, nhất là cho các công nhân và các công dân. Tuy vậy, trước khi trình bày lý lẽ này, chúng ta nên hiểu sự tập trung hiện thời vào trí tuệ máy đến từ đâu, mà đưa chúng ta đến một tầm nhìn được nhà toán học Anh Alan Turing nêu rõ.

Turing đã bị các năng lực máy quyến rũ suốt sự nghiệp của ông. Trong 1936 ông đã có một đóng góp nền tảng cho vấn đề về cái gì đó “có thể tính được” có nghĩa là gì. Kurt Gödel và Alonzo Church gần đây đã giải quyết vấn đề về làm thế nào để xác định tập hợp của các hàm có thể tính được, có nghĩa là tập hợp của các hàm mà các giá trị của chúng có thể được tính bằng một thuật toán. Turing đã phát triển cách tư duy mạnh mẽ nhất về vấn đề này.

Ông đã tưởng tượng một máy tính trừu tượng, bây giờ được gọi là một máy Turing, mà có thể thực hiện các tính toán theo các đầu vào được định rõ trên một băng (tape) có thể vô tận—ví dụ, các lệnh để thực hiện các phép toán cơ bản. Sau đó ông định nghĩa một hàm là có thể tính được nếu một máy như vậy có thể tính các giá trị của nó. Một máy được gọi là một máy Turing vạn năng nếu nó có thể tính bất cứ số nào mà có thể được tính bằng bất kể máy Turing nào. Đáng chú ý, nếu đầu óc con người về bản chất là một máy tính rất tinh vi và các công việc nó thực hiện ở bên trong lớp của các hàm có thể tính được, thì một máy Turing vạn năng có thể lặp lại tất cả các năng lực con người. Trước Chiến tranh Thế giới II, tuy vậy, Turing đã không mạo hiểm vào câu hỏi liệu các máy có thể thực sự nghĩ và chúng có thể đi xa đến đâu trong việc thực hiện các công việc con người.

Trong chiến tranh, Turing gia nhập cơ sở nghiên cứu tối-mật Bletchley Park, nơi các nhà toán học và các chuyên gia khác đã làm việc để hiểu các thông điệp radio Đức được mã hóa. Ông đã nghĩ ra một thuật toán tài tình—và đã thiết kế một máy—để tăng tốc sự bẻ khóa mã của các mật mã kẻ thù. Việc này khi đó đã giúp tình báo Anh nhanh chóng giải mã các thông tin liên lạc được mã hóa mà những người Đức cho là không thể bẻ khóa được.

Sau Bletchley, Turing đã đi bước tiếp trong công việc trước chiến tranh của ông về tính toán. Trong 1947 ông tuyên bố với một cuộc họp của Hội Toán học London rằng các máy có thể là thông minh. Không nao núng bởi các phản ứng thù nghịch của những người tham gia, Turing đã tiếp tục làm việc về vấn đề này. Trong 1951 ông viết: “‘Bạn không thể khiến một máy nghĩ cho bạn.’ Đây là một chuyện cũ rích thường được chấp nhận mà không có sự nghi ngờ. Mục đích của bài báo này chính là để nghi ngờ nó.”

Bài báo 1950 có ảnh hưởng sâu rộng của ông, “Computing Machinary and Intelligence (Máy móc Tính toán và Trí tuệ),” xác định một quan niệm về một máy thông minh có nghĩa là gì. Turing đã tưởng tượng một “trò chơi bắt chước” (bây giờ gọi là một test Turing) trong đó một người đánh giá tham gia vào một cuộc trò chuyện với hai thực thể, một con người và một máy. Bằng việc hỏi một loạt câu hỏi được truyền qua bàn phím và màn hình của một máy tính, người đánh giá thử nói thực thể nào là máy hay người. Một máy là thông minh nếu nó có thể tránh bị phát hiện.

Không máy nào là thông minh hiện thời theo định nghĩa này, nhưng người ta có thể biến nó thành một sự xếp hạng ít dứt khoát hơn về trí tuệ máy. Một máy có thể bắt chước con người càng giỏi, nó càng thông minh. Để làm cho điều này hoạt động, người ta có thể xác định quan niệm về “sự ngang bằng con người (human parity)” trong một nhiệm vụ, mà có thể đạt được nếu một máy có thể thực hiện nhiệm vụ đó ít nhất cũng như con người. Khi đó, trong càng nhiều nhiệm vụ mà máy có thể đạt sự ngang bằng con người, thì nó càng thông minh.

Những suy nghĩ riêng của Turing về chủ đề này đã tinh tế hơn. Ông đã hiểu rằng việt vượt qua test này không có nghĩa là năng lực suy nghĩ thật: “Tôi không muốn tạo ấn tượng rằng tôi nghĩ không có sự bí ẩn về ý thức. Có, chẳng hạn, cái gì đó nghịch lý liên quan đến bất kỳ nỗ lực nào để định vị nó.” Bất chấp sự e dè này, lĩnh vực AI hiện đại đã đi theo các vết chân của Turing và tập trung vào trí tuệ nhân tạo, được định nghĩa như các máy hoạt động tự trị, đạt sự ngang bằng con người, và sau đó làm giỏi hơn con người.

Đợt Bộc phát và Phần lớn Phá sản

Sự mê hoặc với trí tuệ máy thường dẫn đến sự cường điệu. Nhà đổi mới Pháp thế kỉ thứ mười tám Jacques de Vaucanson lẽ ra đã có một chỗ xứng đáng trong lịch sử công nghệ vì nhiều đổi mới của ông, kể cả thiết kế khung cửi dệt tự động đầu tiên và một máy tiện trượt cắt toàn kim loại, mở đường cho công nghiệp máy công cụ ban đầu. Thế nhưng ngày nay ông được nhớ tới như một kẻ lừa đảo vì “con vịt tiêu hóa” của ông mà đã vẫy cánh của nó, ăn, uống, và ỉa. Nó đã là một ảo tưởng, với thức ăn và nước đi vào một trong nhiều ngăn, mà sau đó thải thức ăn được tiêu hóa rồi như phân.

Không lâu sau con vịt của Vaucanson là người Thổ Cơ khí của nhà sáng chế Hungary Kempelen Farkas, một máy chơi cờ vua được tự động hóa, mà tên của nó bắt nguồn từ mô hình cỡ người thật ngồi trên đỉnh, mặc áo choàng và đội khăn xếp Ottoman. Người Thổ đã đánh bại nhiều kỳ thủ cờ vua nổi tiếng, kể cả Napoleon Bonaparte và Benjamin Franklin; đã giải được câu đố cờ vua nổi tiếng, nơi một quân mã phải di chuyển xung quanh chạm mỗi ô của bàn cờ một lần và chỉ một lần; và thậm chí trả lời cho các câu hỏi dùng một bảng chữ. Thành công của nó, đáng tiếc, đã nhờ một chuyên gia chơi cờ được giấu bên trong cấu trúc.

Các lời xác nhận rằng các máy sẽ mau chóng lặp lại trí tuệ con người cũng đã gây ra sự cường điệu lớn trong các năm 1950. Sự kiện quyết định, bước đầu tiên trong cách tiếp cận AI hiện thời và nguồn gốc của thuật ngữ trí tuệ nhân tạo, đã là một hội nghị 1956 tại Dartmouth College, được Quỹ Rockefeller tài trợ. Các nhà khoa học trẻ xuất sắc làm việc về các đề tài liên quan đã tụ họp ở Dartmouth trong mùa hè. Herbert Simon, một nhà tâm lý học và một nhà kinh tế học được Giải Nobel muộn hơn, đã thâu tóm sự lạc quan khi ông viết rằng “các máy sẽ có khả năng, trong vòng 20 năm, làm bất cứ công việc nào một người có thể làm.”

Trong 1970 Marvin Minsky, nhà đồng tổ chức hội nghị Dartmouth, đã vẫn tự tin khi nói với tạp chí Life:

Trong ba đến tám năm chúng ta sẽ có một máy với trí tuệ tổng quát của một người trung bình. Ý tôi nói một máy sẽ có khả năng đọc Shakespeare, tra dầu một xe hơi, chơi trò chính trị công sở, kể một chuyện cười, đánh nhau. Tại điểm đó máy sẽ bắt đầu giáo dục bản thân với tốc độ tuyệt vời. Trong vài tháng nó sẽ ở mức thiên tài và vài tháng sau đó sức mạnh của nó sẽ là không thể tính được.

Các hy vọng này về trí tuệ mức-con người, đôi khi cũng được gọi là “trí tuệ nhân tạo tổng quát” (Artificial General Intelligence-AGI), sớm bị tiêu tan. Thật ấn tượng, chẳng gì có giá trị lớn đã đến từ hội nghị Dartmouth. Khi tất cả các lời hứa ngoạn mục được các nhà nghiên cứu AI đưa ra đều không được đáp ứng, tài trợ cho lĩnh vực cạn kiệt, và cái được gọi là “mùa đông AI” đầu tiên bắt đầu.

Đã có sự nhiệt tình hồi phục trong đầu các năm 1980 dựa vào những sự tiến bộ về công nghệ tính toán và thành công hạn chế nào đó của các hệ thống chuyên gia, mà hứa hẹn cung cấp lời khuyên và các khuyến nghị giống-chuyên gia. Vài ứng dụng thành công được phát triển trong bối cảnh nhận diện các bệnh truyền nhiễm và một số phân tử chưa được biết. Chẳng bao lâu, các lời xác nhận về trí tuệ nhân tạo đạt tài chuyên môn mức-con người đã lại lưu hành, và tài trợ được nối lại. Vào cuối các năm 1980, một mùa đông AI thứ hai đổ xuống lĩnh vực bởi vì các lời hứa lại lần nữa không được thực hiện.

Làn sóng phởn phơ thứ ba bắt đầu trong đầu các năm 2000, tập trung vào cái đôi khi được gọi là “AI hẹp,” nơi mục tiêu là để phát triển sự tinh thông trong các nhiệm vụ cụ thể, như việc nhận diện một đối tượng trong các hình ảnh, dịch văn bản từ một ngôn ngữ khác, chơi một trò chơi như cờ vua hay cờ Vây. Việc đạt hay vượt sự ngang bằng con người đã vẫn là mục tiêu bao quát.

Lần này, thay vì các cách tiếp cận dựa vào toán học và logic có ý định lặp lại nhận thức con người, các nhà nghiên cứu đã biến các nhiệm vụ con người khác nhau thành các vấn đề dự đoán hay phân loại. Ví dụ, việc nhận ra một hình ảnh có thể được nghĩ như việc dự đoán nó thuộc về hình ảnh nào của một danh sách dài các hạng mục hình ảnh. Các chương trình AI khi đó có thể dựa vào các kỹ thuật thống kê được áp dụng cho các bộ dữ liệu đồ sộ để đưa ra các sự phân loại ngày càng chính xác. Các thông điệp media xã hội truyền qua hàng tỉ người là một mẫu của kiểu dữ liệu này.

Hãy xét vấn đề về việc nhận ra liệu có một con mèo trong một hình hay không. Cách tiếp cận cũ đòi hỏi một máy mô hình hóa toàn bộ quá trình ra-quyết định được con người sử dụng để phát hiện những con mèo. Cách tiếp cận hiện đại bỏ qua bước mô hình hóa hay thậm chí việc hiểu con người ra các quyết định thế nào. Thay vào đó, nó dựa vào một bộ dữ liệu lớn về con người đưa ra những quyết định nhận dạng đúng dựa vào các hình ảnh. Sau đó nó khớp một mô hình thống kê với các bộ dữ liệu lớn của các đặc điểm hình ảnh để dự đoán khi con người nói rằng có một con mèo trong ảnh. Sau đó nó áp dụng mô hình thống kê được ước lượng cho các hình ảnh mới để dự đoán liệu có một con mèo ở đó hay không.

Tiến bộ được làm cho có thể bởi tốc độ bộ xử lý máy tính nhanh hơn, cũng như các đơn vị xử lý đồ họa (GPU) mới, ban đầu được dùng để tạo ra đồ họa có độ phân giải-cao trong các trò chơi video, mà tỏ ra là một công cụ mạnh mẽ cho việc nghiền dữ liệu. Đã cũng có những sự tiến bộ lớn về lưu trữ dữ liệu, làm giảm chi phí lưu trữ và truy cập các bộ dữ liệu đồ sộ, và những sự cải thiện về năng lực để thực hiện các lượng tính toán lớn được phân tán ngang nhiều thiết bị, được hỗ trợ bởi những sự tiến bộ nhanh về các bộ vi xử lý (microprocessor) và tính toán đám mây.

Cũng quan trọng ngang thế là sự tiến bộ trong học máy, nhất là “học sâu,” bằng việc dùng các mẫu thống kê nhiều lớp, như các mạng neural. Trong phân tích thống kê truyền thống một nhà nghiên cứu bắt đầu một cách điển hình với một lý thuyết chỉ rõ một mối quan hệ nhân quả. Một giả thuyết liên kết sự định giá thị trường chứng khoán Hoa Kỳ với các lãi suất là một ví dụ đơn giản về một mối quan hệ nhân quả như vậy, và một cách tự nhiên thích hợp với phân tích thống kê cho việc điều tra liệu nó có khớp với dữ liệu hay không và cho việc dự đoán các biến động tương lai. Lý thuyết đến từ lập luận và sự hiểu biết của con người, thường dựa vào sự tổng hợp các sự thấu hiểu quá khứ và suy nghĩ sáng tạo nào đó, và định rõ một bộ các mối quan hệ có thể có giữa một số biến. Việc kết hợp lý thuyết này với một bộ dữ liệu thích hợp, các nhà nghiên cứu khớp một đường thẳng hay một đường cong với một đám mây các điểm trong bộ dữ liệu của họ và đưa ra các suy luận và các dự đoán trên cơ sở của các ước lượng này. Phụ thuộc vào thành công của cách tiếp cận đầu tiên này, sẽ có đầu vào con người thêm dưới dạng một lý thuyết được xét lại hay một sự thay đổi tiêu điểm hoàn toàn.

Ngược lại, trong các ứng dụng AI hiện đại sự điều tra không bắt đầu với các giả thuyết nhân quả rõ ràng. Ví dụ, các nhà nghiên cứu không định rõ các đặc trưng nào trong phiên bản số của một hình ảnh là xác đáng cho việc nhận ra nó. Các mẫu nhiều lớp, áp dụng cho lượng dữ liệu bao la, cố gắng để bù cho sự thiếu này về các giả thuyết trước. Mỗi lớp khác nhau có thể chủ yếu xử lý một mức khác nhau của sự trừu tượng; một lớp có thể miêu tả các cạnh của hình ảnh và nhận diện các nét phác thảo rộng của nó, còn lớp khác có thể tập trung vào các khía cạnh khác, như liệu một con mắt hay một bàn tay (chân) có hiện diện ở đó hay không. Bất chấp các công cụ tinh vi này, không có sự cộng tác người-máy, là khó để rút ra các suy luận đúng từ dữ liệu, và sự thiếu sót này thúc đẩy sự cần các lượng dữ liệu và sức mạnh tính toán lớn hơn bao giờ hết để tìm các hình mẫu.

Các thuật toán học-máy điển hình bắt đầu bằng việc khớp một mô hình linh hoạt với một bộ dữ liệu mẫu và sau đó đưa ra các dự đoán áp dụng cho một bộ dữ liệu lớn hơn. Trong nhận dạng ảnh, chẳng hạn, một thuật toán học-máy có thể được huấn luyện trên một mẫu hình ảnh được đánh dấu (tag) mà có thể cho biết liệu ảnh có chứa một con mèo không. Bước đầu tiên này dẫn đến một mô hình có thể đưa ra các dự đoán trên một bộ dữ liệu lớn hơn nhiều, và thành tích của các dự đoán này kích thích vòng tiếp theo của những sự cải thiện thuật toán.

Cách tiếp cận AI mới này có ba hệ lụy quan trọng rồi. Thứ nhất, nó đã bện AI với sự dùng các lượng dữ liệu to lớn. Theo lời của một nhà khoa học AI, Alberto Romero, người đã bị vỡ mộng với ngành công nghiệp và đã bỏ nó trong 2021, “Nếu bạn làm việc trong AI bạn có khả năng nhất đang thu thập dữ liệu, làm sạch dữ liệu, dán nhãn dữ liệu, chia tách dữ liệu, huấn luyện với dữ liệu, đánh giá với dữ liệu. Dữ liệu, dữ liệu, dữ liệu. Tất cả cho một mô hình để nói: Nó là một con mèo.” Sự tập trung này vào các lượng dữ liệu mênh mông là một hậu quả cơ bản của sự nhấn mạnh được Turing-gây cảm hứng đến sự tự trị.

Thứ hai, cách tiếp cận này đã làm cho AI hiện đại tỏ vẻ hết sức có thể mở rộng quy mô và có thể di chuyển, và tất nhiên, trong các lĩnh vực lý thú và quan trọng hơn việc nhận ra một con mèo rất nhiều. Một khi vấn đề nhận ra một con mèo trong một hình được “giải quyết,” chúng ta có thể đi tiếp để làm cùng thế cho các nhiệm vụ nhận dạng-hình ảnh phức tạp hơn hay cho các vấn đề có vẻ không liên quan, như xác định ý nghĩa của các câu trong một ngôn ngữ nước ngoài. Tiềm năng, vì thế, là cho sự dùng AI thật sự tỏa khắp trong nền kinh tế và trong đời sống của chúng ta—cho điều tốt nhưng thường cũng cho điều xấu.

Ở cực độ, mục tiêu trở thành sự phát triển của trí tuệ tổng quát hoàn toàn tự trị, mà có thể làm mọi thứ con người có thể làm. Theo lời nhà đồng sáng lập và CEO của DeepMind Demis Hassabis, mục tiêu là “giải quyết trí tuệ, và sau đó dùng việc đó để giải quyết mọi thứ khác.” Nhưng đấy có phải là cách tốt nhất để phát triển các công nghệ số? Câu hỏi này một cách điển hình vẫn chưa được trả lời.

Thứ ba và rắc rối hơn, cách tiếp cận này đã đẩy lĩnh vực thậm chí xa hơn theo hướng tự động hóa. Nếu các máy có thể là tự trị và thông minh, thì là tự nhiên cho chúng để lấy nhiều công việc hơn khỏi những người lao động. Các công ty có thể phân rã các việc làm hiện có thành các công việc hẹp hơn, dùng các chương trình AI và dữ liệu dồi dào để học từ những gì con người làm, và rồi thay thế con người bằng các thuật toán trong các công việc này.

Một tầm nhìn tinh hoa chủ nghĩa tăng cường sự tập trung này vào tự động hóa. Hầu hết con người, theo những người chủ trương quan điểm này, là dễ mắc lỗi và không rất tốt với những công việc họ thực hiện. Như một website AI tuyên bố, “Những con người một cách tự nhiên dễ mắc sai lầm.” Mặt khác, có một số nhà lập trình rất tài năng có thể thiết kế các thuật toán tinh vi. Như Mark Zuckerberg diễn đạt, “Ai đó là phi thường trong vai trò của họ không chỉ là giỏi hơn người khá giỏi một chút. Họ giỏi hơn 100 lần.” Hay theo lời của nhà đồng sáng lập Netscape Marc Andreessen, “Năm nhà lập trình vĩ đại có thể hoàn toàn vượt trội 1.000 nhà lập trình tầm thường.” Dựa vào thế giới quan này, là đáng mong muốn để dùng thiết kế công nghệ từ trên xuống của tài năng phi thường để hạn chế các sai lầm con người và các chi phí của họ ở nơi làm việc. Việc thay các công nhân bằng các máy và các thuật toán khi đó trở nên có thể chấp nhận được, và việc thu thập lượng dữ liệu khổng lồ về mọi người được xem như có thể chịu được. Cách tiếp cận này biện minh thêm cho việc đạt sự ngang bằng con người, hơn là việc bổ sung cho con người, như tiêu chuẩn cho sự tiến bộ và hợp thoải mái với sự nhấn mạnh của các công ty về cắt các chi phí lao động.

Con Người bị Đánh giá Thấp

Ngay cả với sự sa thải và sự thu thập dữ liệu ồ ạt, sự tăng năng suất từ các công nghệ mới đôi khi có thể tăng cầu cho các công nhân và tăng thu nhập của họ. Nhưng các lợi ích cho các công nhân xuất hiện chỉ khi các công nghệ mới làm tăng đáng kể năng suất. Ngày nay, đấy là một mối lo nghiêm trọng bởi vì AI cho đến nay đã mang lại nhiều tự động hóa tàm-tạm, với sự tăng thêm năng suất hạn chế.

Khi sự tăng năng suất đáng kể, việc này có thể hủy một số tác động tiêu cực của tự động hóa—ví dụ, bằng sự tăng cầu cho lao động trong các công việc không-được tự động hóa hay kích thích công ăn việc làm trong các khu vực khác mà mở rộng sau đó. Tuy vậy, nếu những sự giảm chi phí và sự tăng thêm năng suất là nhỏ, các tác động có lợi này sẽ không xảy ra. Tự động hóa tàm-tạm là đặc biệt rắc rối bởi vì nó sa thải các công nhân nhưng không cung cấp về mặt năng suất.

Trong thời đại AI, có một lý do căn bản cho tự động hóa tàm-tạm. Con người là giỏi trong hầu hết việc họ làm, và tự động hóa dựa vào AI không chắc có những kết quả ấn tượng khi nó đơn giản thay thế con người trong những công việc mà chúng ta đã tích lũy các kỹ năng thích hợp trong hàng thế kỷ. Tự động hóa tàm-tạm là cái chúng ta nhận được, chẳng hạn, khi các công ty đổ xô lắp đặt các kiosk tự-kiểm tra (tự-thanh toán) mà không hoạt động tốt và không cải thiện dịch vụ chất lượng cho các khách hàng. Hay khi các đại diện dịch vụ-khách hàng có kỹ năng, các chuyên gia IT, hay các nhà tư vấn tài chính bị cho ra ngoài lề bởi các thuật toán AI, mà sau đó hoạt đồng tồi.

Nhiều công việc hữu ích được con người thực hiện là một hỗn hợp của các hoạt động thường lệ và phức tạp hơn mà gồm sự giao tiếp xã hội, việc giải quyết vấn đề, tính linh hoạt, và tính sáng tạo. Trong những hoạt động như vậy, con người dựa vào kiến thức ngầm và tài chuyên môn. Hơn nữa, phần lớn tài chuyên môn này hết sức phụ thuộc bối cảnh và khó để chuyển cho các thuật toán AI, như thế chắc có khả năng bị mất một khi các công việc liên quan bị tự động hóa.

Để minh họa tầm quan trọng của tri thức được tích lũy, hãy xét các xã hội tìm kiếm thức ăn được thảo luận trong Chương 4. Những nghiên cứu dân tộc học cho thấy rằng những người săn bắt hái lượm có một mức độ thích nghi xuất sắc với các điều kiện địa phương một cách nhất quán. Chẳng hạn, sắn (cũng được biết đến như khoai mì) là một cây củ hết sức bổ dưỡng bắt nguồn từ các vùng nhiệt đới châu Mỹ. Nó được dùng để làm bột sắn, bánh mì, tapioca, và các đồ uống có cồn khác nhau. Tuy vậy, cây này độc vì nó chứa hai loại đường tạo ra cyanide. Nếu được ăn sống hay nấu mà không được xử lý phù hợp, nó có thể gây ngộ độc cyanide, với các hậu quả nghiêm trọng trong các trường hợp cực đoan, kể cả cái chết.

Những người bản địa ở Yucatán đã tìm ra vấn đề này và phát triển vài tập quán để loại bỏ chất độc, kể cả việc lột vỏ củ sắn và ngâm nó trong một lúc trước khi nấu trong một thời gian dài, và sau đó đổ nước luộc đi. Một số người Âu châu thoạt tiên đã không hiểu các phương pháp này và đôi khi diễn giải chúng như các truyền thống nguyên thủy, không-khoa học, chỉ để tìm ra các chi phí nguy hiểm của việc không làm theo chúng.

Tính thích nghi và tài khéo léo con người không ít quan trọng hơn trong nền kinh tế hiện đại, mặc dù thường bị các elite chú tâm-công nghệ phớt lờ. Có một sự đồng thuận mạnh giữa các nhà quy hoạch đô thị và các kỹ sư rằng đèn giao thông là chìa khóa cho lưu lượng xe an toàn và kịp thời. Trong tháng Chín 2009 thị trấn Anh ven biển Portishead đã tắt đèn giao thông tại một trong những giao lộ bận rộn nhất của nó. Ngược với nỗi sợ của nhiều chuyên gia, các lái xe đã bắt đầu dùng nhiều lẽ thường hơn và đã phản ứng một cách thích ứng với sự tổ chức mới này. Vào cuối bốn tuần, lưu lượng đã được cải thiện đáng kể tại giao lộ này, với không sự tăng nào về tai nạn hay thương tật. Portishead không phải là ngoại lệ. Vài thí nghiệm khác với “các đường phố trần truồng” như vậy cho thấy các kết quả tương tự. Có một tranh luận về tính thiết thực của các đường phố trần truồng trong các thành phố lớn, và một sự thiếu hoàn toàn đèn giao thông không chắc là khả thi tại các giao lộ bận rộn nhất trong các các siêu thành phố. Tuy nhiên, là khó để không kết luận từ các thí nghiệm này rằng công nghệ, bằng việc lấy đi sáng kiến và sự phán xét khỏi con người, đôi khi làm cho tình hình tồi đi, không phải tốt hơn.

Cùng đúng thế khi nhắc đến những công việc sản xuất. Trí tuệ con người có được sức mạnh của nó từ việc mang tính tình huống và xã hội: Năng lực để hiểu và phản ứng thành công với môi trường của người ta, cho phép các cá nhân thích ứng trôi chảy với các điều kiện thay đổi. Ví dụ, mọi người có thể cảnh giác hơn khi họ ở trong một môi trường lạ mà cung cấp các manh mối tinh tế về mối nguy hiểm, thậm chí trong khi họ nghỉ ngơi hay trong giấc ngủ của họ. Trong các môi trường khác họ cảm thấy như có thể dự đoán trước, họ có thể thực hiện các công việc nhanh hơn dùng các thường lệ đã học được. Cũng chính trí tuệ có tính tình huống là cái giúp mọi người phản ứng với hoàn cảnh thay đổi rộng hơn và nhận ra các gương mặt và các hình mẫu, dùng các đầu vào từ nhiều bối cảnh liên quan.

Trí tuệ con người cũng mang tính xã hội theo ba cách quan trọng. Thứ nhất, rất nhiều thông tin cần thiết cho việc giải quyết vấn đề và sự thích nghi thành công nằm trong cộng đồng. Chúng ta kiếm được nó qua truyền thông ngầm và tường minh—ví dụ, bằng việc bắt chước hành vi của những người khác. Việc diễn giải kiểu này của tri thức bên ngoài là một phần quan trọng của nhận thức con người và là cơ sở của sự nhấn mạnh đến “lý thuyết tâm trí” trong lĩnh vực này. Lý thuyết tâm trí là cái cho phép con người để suy luận về trạng thái tâm thần của những người khác và như thế hiểu đúng các ý định và hiểu biết của họ.

Thứ hai, sự suy luận của chúng ta dựa vào sự giao tiếp xã hội; chúng ta phát triển các lý lẽ và các phản lý lẽ có lợi cho các giả thuyết khác nhau và đánh giá sự hiểu của chúng ta dưới ánh sáng của quá trình này. Con người sẽ là nhà ra quyết định khủng khiếp nếu không có chiều xã hội này của trí tuệ. Đúng, chúng ta phạm các sai lầm khi được đặt vào môi trường lab ngăn cản các khía cạnh này của trí tuệ khỏi được kích hoạt, nhưng chúng ta tránh một số của cùng những sai lầm đó trong môi trường tự nhiên hơn.

Thứ ba, con người kiếm được các kỹ năng và các năng lực thêm từ sự thấu cảm họ có cho những người khác và việc chia sẻ các mục đích và các mục tiêu mà điều này cho phép.

Vai trò trung tâm của các chiều tình huống và xã hội của trí tuệ liên quan đến mối quan hệ yếu giữa các khía cạnh giải tích của nhận thức con người, như được đo bằng các test IQ, và các chiều khác nhau của sự thành công. Thậm chí trong các lĩnh vực khoa học và kỹ thuật, các cá nhân thành công nhất là những người kết hợp IQ cao vừa phải với các kỹ năng xã hội và các năng lực con người khác.

Trong hầu hết môi trường làm việc, trí tuệ tình huống và xã hội cho phép không chỉ sự thích nghi linh hoạt với hoàn cảnh mà cả giao tiếp với các khách hàng và các nhân viên khác để cải thiện chất lượng dịch vụ và giảm các sai lầm. Vì thế không ngạc nhiên rằng bất chấp sự truyền bá của công nghệ AI, nhiều công ty ngày càng tìm kiếm người lao động với các kỹ năng xã hội, hơn là kỹ năng toán học hay kỹ thuật. Tại gốc rễ của cầu tăng lên này cho các kỹ năng xã hội là thực tế rằng các công nghệ số truyền thống không và AI cũng chẳng có thể thực hiện các công việc cốt yếu liên quan đến tương tác xã hội, sự thích nghi, tính linh hoạt, và giao tiếp.

Tuy nhiên, việc bỏ qua các năng lực con người có thể trở thành một lời tiên tri tự-ứng nghiệm bởi vì các quyết định tự động hóa có thể làm giảm từ từ phạm vi cho tương tác xã hội và sự học của con người. Hãy lại lấy dịch vụ khách hàng làm ví dụ. Những người được huấn luyện kỹ có thể rất hiệu quả trong việc xử lý các vấn đề, chính xác bởi vì họ tạo thành một liên kết xã hội với người cần trợ giúp (chẳng hạn, đồng cảm với ai đó vừa bị một tai nạn và cần nộp một đơn yêu cầu bồi thường). Họ có thể nhanh chóng hiểu bản chất của vấn đề của họ, một phần bởi vì họ đang giao tiếp với khách hàng, và nghĩ ra các giải pháp phù hợp với nhu cầu trên cơ sở của sự giao tiếp này. Các tương tác này cho phép thêm các đại diện dịch vụ-khách hàng trở nên giỏi hơn trong việc làm của họ theo thời gian.

Bây giờ hãy tưởng tượng tình huống sau khi việc làm dịch vụ khách hàng được phân rã thành các công việc hẹp hơn và các công việc front-end (tiếp xúc với khách hàng) được phân cho các thuật toán, mà sẽ thường xuyên không nhận diện đầy đủ và giải quyết các vấn đề phức tạp chúng bắt gặp. Con người khi đó được đưa vào như người khắc phục sự cố, sau một chuỗi dài của các menu. Tại điểm này, khách hàng thường thất vọng, các cơ hội ban đầu cho việc xây dựng một liên kết xã hội đã mất đi, và các đại diện dịch vụ-khách hàng không nhận được cùng mức độ thông tin từ sự giao tiếp, hạn chế năng lực của họ để học từ từ và thích nghi với hoàn cảnh cụ thể. Việc này làm cho đại diện dịch vụ-khách hàng kém hiệu quả hơn và có thể khuyến khích các nhà quản lý và các nhà công nghệ để tìm kiếm những cách thêm để giảm công việc được phân cho họ còn hơn nữa.

Các bài học này về trí tuệ và khả năng thích ứng con người thường bị cộng đồng AI phớt lờ, hấp tấp tự động hóa một loạt công việc, bất chấp vai trò của kỹ năng con người.

Chiến thắng của AI trong ngành quang tuyến (radiology-đọc X-quang và các scan) được thổi phồng nhiều. Trong 2016 Geoffrey Hinton, người đồng sáng tạo ra các phương pháp học-sâu (deep learning) hiện đại, người được Giải Turing, và nhà khoa học Google, đã gợi ý rằng “bây giờ người ta nên ngừng huấn luyện các radiologist (bác sĩ quang tuyến). Hoàn toàn rõ ràng rằng trong vòng 5 năm deep learning sẽ làm tốt hơn các radiologist.”

Chưa có gì như vậy đã xảy ra, và cầu cho các radiologist đã tăng kể từ 2016, vì một lý do rất đơn giản. Sự chẩn đoán quang tuyến đầy đủ đòi hỏi thậm chí nhiều trí tuệ tình huống và xã hội hơn, chẳng hạn, dịch vụ khách hàng, và hiện tại nó vượt quá các năng lực của các máy. Thực ra, nghiên cứu gần đây cho thấy rằng việc kết hợp tài chuyên môn con người với công nghệ mới có khuynh hướng trở nên hiệu quả hơn nhiều. Ví dụ, các thuật toán học-máy tiên tiến nhất có thể cải thiện sự chẩn đoán về bệnh võng mạc tiểu đường, mà là kết quả từ sự tổn hại của các mạch máu trên võng mạc giữa các bệnh nhân tiểu đường. Tuy nhiên, độ chính xác tăng hơn đáng kể khi các thuật toán được dùng để nhận diện các ca khó, mà sau đó được phân cho các các bác sĩ mắt cho sự chẩn đoán tốt hơn.

Trưởng công nghệ của bộ phận xe tự lái của Google đã tự tin kỳ vọng trong 2015 rằng con trai mười một-tuổi khi đó của ông sẽ không cần kiếm một bằng lái xe vào lúc nó mười sáu tuổi. Trong 2019 Elon Musk đã dự đoán rằng Tesla sẽ có một triệu xe taxi hoàn toàn được tự động hóa, không có lái xe trên đường phố vào cuối 2020. Các dự đoán này đã không xảy ra vì cùng lý do. Như thí nghiệm đường phố để trần đã nhấn mạnh, việc lái xe trong các thành phố bận rộn đòi hỏi một lượng khổng lồ trí tuệ tình huống để thích nghi với hoàn cảnh thay đổi, và thậm chí nhiều trí tuệ xã hội hơn để phản ứng với các ám hiệu từ các lái xe khác và những người đi bộ.

Ảo tưởng AI Tổng quát

Đỉnh điểm của cách tiếp cận AI hiện thời được các ý tưởng của Turing gây cảm hứng là trí tuệ tổng quát, mức-con người (AGI).

Bất chấp những tiến bộ to lớn như GPT-3 và các hệ thống gợi ý, cách tiếp cận hiện thời đến AI chắc không mau chóng làm tổn thương trí tuệ con người hay thậm chí đạt các mức năng suất rất cao trong nhiều công việc ra-quyết định mà con người tiến hành. Các công việc gồm các khía cạnh xã hội và tình huống của nhận thức con người sẽ tiếp tục nêu ra các thách thức ghê gớm cho trí tuệ máy. Một khi chúng ta ngó tới các chi tiết của những gì đã đạt được, sự khó khăn của việc chuyển các thành công hiện có cho hầu hết công việc sẽ trở nên rõ.

Hãy xét các thành công được ca tụng nhất của AI, như AlphaZero chương trình đánh cờ vua, được thảo luận trong Chương 1. AlphaZero thậm chí được cho là “sáng tạo” bởi vì nó nghĩ ra các nước đi mà những người chơi cờ vua bậc thầy đã không cân nhắc hay thấy. Tuy nhiên, đấy không phải là trí tuệ thật. Thứ nhất, AlphaZero là một chương trình cực kỳ chuyên dụng và có thể chơi chỉ cờ vua và các trò chơi tương tự khác. Ngay cả các nhiệm vụ đơn giản nhất ngoài cờ vua, như công việc số học đơn giản hay việc chơi các trò chơi với tương tác xã hội nhiều hơn, vượt quá các năng lực của AlphaZero. Tồi hơn, không có cách hiển nhiên nào theo đó kiến trúc của AlphaZero có thể được thích nghi để làm nhiều thứ đơn giản mà con người làm, như việc rút ra các sự tương tự, chơi các trò chơi có các quy tắc ít-nghiêm ngặt hơn, hay học một ngôn ngữ, mà được hàng trăm triệu trẻ em một tuổi học thuần thục mỗi năm.

Trí tuệ của AlphaZero bên trong cờ vua cũng rất đặc thù. Mặc dù các nước đi cờ vua của AlphaZero bên trong các quy tắc trò chơi là đầy ấn tượng, chúng không gồm kiểu sáng tạo mà con người thường xuyên làm—như việc rút ra các sự tương tự ngang các môi trường không có cấu trúc, khác hẳn nhau và nghĩ ra các giải pháp cho các vấn đề mới và đa dạng.

Thậm chí GPT-3, mặc dù toàn diện và ấn tượng hơn AlphaZero, cho thấy cùng các hạn chế. Nó không thể thực hiện các công việc vượt quá các công việc nó đã được huấn luyện trước và không cho thấy sự phán xét nào, như thế các lệnh mâu thuẫn hay bất thường có thể làm nó bí. Tồi hơn, công nghệ này không có yếu tố nào của trí tuệ xã hội hay tình huống của con người. GPT-3 không thể lập luận về khung cảnh, mà những công việc nó đang làm được đặt vào đó, và rút ra các mối quan hệ nhân quả tồn tại giữa các hành động và các kết quả. Như một kết quả, đôi khi nó hiểu sai ngay cả các lệnh đơn giản và có ít hy vọng đáp ứng một cách thỏa đáng với môi trường thay đổi hay hoàn toàn mới.

Quả thực, thảo luận này minh họa một vấn đề rộng hơn. Những cách tiếp cận thống kê được dùng cho nhận dạng hình mẫu và dự đoán là không phù hợp cho việc nắm bắt bản chất của nhiều kỹ năng con người. Thứ nhất, những cách tiếp cận này sẽ có khó khăn với bản chất tình huống của trí tuệ bởi vì tình huống chính xác là khó để xác định và hệ thống hóa.

Một thách thức lâu năm khác cho những cách tiếp cận thống kê là “overfitting (quá khớp),” mà được định nghĩa một cách điển hình như việc dùng nhiều tham số hơn được biện minh để khớp mối quan hệ kinh nghiệm nào đó. Mối lo là việc quá khớp sẽ làm cho một mô hình thống kê giải thích các khía cạnh không xác đáng của dữ liệu và rồi dẫn đến các dự đoán và kết luận không chính xác. Các nhà thống kê đã nghĩ ra nhiều phương pháp để ngăn ngừa overfitting—ví dụ, phát triển các thuật toán trên một mẫu khác với mẫu trong đó chúng được phát triển. Tuy nhiên, overfitting vẫn là một cái gai bên trong những cách tiếp cận thống kê bởi vì nó liên kết cơ bản với các thiếu sót của cách tiếp cận hiện thời đến AI: sự thiếu một lý thuyết về hiện tượng được mô hình hóa.

Để giải thích vấn đề này, là hữu ích để có một sự hiểu rộng hơn về vấn đề overfitting, dựa vào việc dùng các đặc tính không xác đáng hay không thường xuyên của một ứng dụng. Hãy xét việc phân biệt các con chó sói khỏi các con chó husky. Mặc dù con người là xuất sắc trong việc này, hóa ra là một việc khó cho AI. Khi một số thuật toán tìm được cách để đạt thành tích tốt, muộn hơn được hiểu rằng việc này nhờ overfitting: những con chó husky được nhận diện từ bối cảnh đô thị, như các bãi cỏ đẹp và các vòi cứu hỏa, và các con sói từ bối cảnh tự nhiên, như các núi tuyết phủ. Đấy là các đặc trưng không xác đáng theo hai nghĩa cơ bản. Thứ nhất, con người không dựa vào các môi trường này cho việc xác định hay phân biệt các động vật. Thứ hai, và rắc rối hơn, khi khí hậu ấm lên, môi trường sống của chó sói có thể thay đổi, hay chó sói có thể cần được nhận diện trong các môi trường khác. Nói cách khác, bởi vì bối cảnh không phải là một đặc trưng của những con sói, bất kể cách tiếp cận nào dựa vào nó sẽ dẫn đến những dự đoán sai lầm khi thế giới tiến hóa hay bối cảnh thay đổi.

Overfitting là đặc biệt rắc rối cho trí tuệ máy bởi vì nó tạo ra cảm giác sai về thành công, khi trong thực tế máy làm tồi. Chẳng hạn, một sự liên kết thống kê giữa hai biến, chẳng hạn nhiệt độ và GDP trên đầu người ngang các nước, không nhất thiết cho biết rằng khí hậu có một tác động khá lớn lên sự phát triển kinh tế. Nó có thể đơn giản là kết quả từ cách chủ nghĩa thực dân Âu châu đã tác động đến các vùng với các điều kiện khí hậu khác nhau và trong các phần khác nhau của địa cầu trong một quá trình lịch sử cụ thể. Nhưng không có lý thuyết đúng, là dễ lẫn lộn quan hệ nhân quả và sự tương quan, và học máy thường phạm điều này.

Vấn đề overfitting trở nên tồi hơn nhiều khi các thuật toán xử lý một tình huống xã hội cố hữu nơi con người phản ứng với thông tin mới. Các phản ứng con người có nghĩa rằng bối cảnh liên quan tiến hóa thường xuyên, hay nó có thể thay đổi vì các hành động họ làm trên cơ sở thông tin do các thuật toán cung cấp. Hãy để chúng tôi cho một minh họa kinh tế. Một thuật toán có thể quan sát các lỗi một người phạm khi tìm kiếm một việc làm—ví dụ, tìm kiếm các nghề có ít thông báo việc làm so với số người xin—và có thể thử sửa chúng. Các thủ tục được phát triển chống lại overfitting, như tách các mẫu huấn luyện và các mẫu kiểm tra, không loại bỏ vấn đề overfitting liên quan: cả hai mẫu có thể được thích nghi với một môi trường cá biệt trong đó (ví dụ) có nhiều chỗ trống trong khu vực bán lẻ. Nhưng điều này có thể thay đổi theo thời gian chính xác bởi vì chúng ta đang xử lý một tình huống xã hội nơi con người phản ứng với bằng chứng sẵn có. Chẳng hạn, khi các cá nhân được các thuật toán khuyến khích để xin việc, các việc làm bán lẻ có thể bị đăng ký quá và không còn hấp dẫn nữa. Không có sự hiểu đầy đủ khía cạnh tình huống và xã hội này của nhận thức con người và hành vi thay đổi năng động thế nào, overfitting sẽ tiếp tục hành hạ trí tuệ máy.

Có các hệ lụy rắc rối khác của việc AI thiếu trí tuệ xã hội. Mặc dù nó dùng dữ liệu từ một cộng đồng lớn của những người dùng và như thế có thể nhúng chiều xã hội của dữ liệu vào, với những cách tiếp cận hiện có nó không tận dụng sự thực rằng sự hiểu của con người dựa vào sự bắt chước có chọn lọc, sự giao tiếp, và sự tranh luận giữa mọi người. Như một kết quả, nhiều cố gắng tự động hóa có vẻ để làm giảm, hơn là làm tăng, tính linh hoạt, mà các công nhân được huấn luyện tốt có thể đạt bằng việc phản ứng nhanh và trôi chảy với hoàn cảnh thay đổi, thường tận dụng các kỹ năng và các phối cảnh họ học được từ các đồng nghiệp.

Tất nhiên, các lý lẽ này không loại trừ khả năng rằng cách tiếp cận mới hoàn toàn có thể giải quyết vấn đề của AGI trong tương lai gần. Thế nhưng cho đến nay không có dấu hiệu nào rằng chúng ta ở gần việc nghĩ ra một cách tiếp cận như vậy. Đấy cũng chẳng phải là lĩnh vực chính mà dollar AI được đầu tư vào. Tiêu điểm của ngành tiếp tục là về sự thu thập dữ liệu sâu rộng và tự động hóa các nhiệm vụ hẹp dựa vào các kỹ thuật học-máy.

Vấn đề kinh tế từ chiến lược kinh doanh này là rõ: khi con người không phải là vô dụng như đôi khi được cho là và các máy thông minh không thông minh như được giả sử một cách điển hình, chúng ta có được sự tự động hóa tàm-tạm—toàn sa thải và ít sự tăng thêm năng suất được hứa hẹn. Thực ra, ngay cả bản thân các công ty không được lợi nhiều từ sự tự động hóa này, và một số áp dụng AI có thể bởi vì sự cường điệu, như cựu nhà khoa học AI Alberto Romero, mà chúng ta trích trước đó, đã lưu ý: “Sức mạnh tiếp thị của AI đến độ nhiều công ty dùng nó mà không biết vì sao. Mọi người đều muốn lên đoàn tàu AI.”

Panopticon Hiện đại

Một sự dùng phổ biến khác của AI hiện đại minh họa sự nhiệt tình cho công nghệ tự trị, cùng với sự thu thập dữ liệu ồ ạt, đã tạo ra một hướng rất đặc thù cho các công nghệ số như thế nào và nó lại gây ra lợi lộc khiêm tốn cho các công ty và thiệt hại đáng kể cho xã hội và những người lao động ra sao.

Sự dùng các công cụ số cho việc giám sát người lao động chẳng có gì mới cả. Khi nhà tâm lý học xã hội và học giả kinh doanh Shoshana Zuboff phỏng vấn các công nhân trải nghiệm sự đưa các công nghệ số vào trong đầu các năm 1980, một điệp khúc chung đã là về cường độ của sự giám sát của ban quản lý. Như một người lao động văn phòng diễn đạt, “ETS [Hệ thống Theo dõi Chi phí (số)] đã trở thành một phương tiện cho ban quản lý để kiểm tra chúng tôi. Họ có thể thấy bất kể sự thay đổi nào trên cơ sở từng-phút nếu họ muốn.”

Nhưng các nỗ lực trước đó là nhợt nhạt so với những gì chúng ta thấy ngày nay. Amazon, chẳng hạn, thu thập lượng dữ liệu khổng lồ về các công nhân giao hàng và các nhân viên nhà kho, mà sau đó được kết hợp với các thuật toán cho việc tái cấu trúc công việc theo cách làm tăng thông lượng và tối thiểu hóa sự gián đoạn.

Công ty, mà là chủ sử dụng lao động khu vực-tư nhân lớn thứ hai ở Hoa Kỳ, trả các lương tối thiểu cao hơn vài nhà bán lẻ khác, như Walmart. Nhưng có một ý nghĩa căn bản theo đó các việc làm Amazon không phải là các việc làm tốt. Các công nhân phải tuân theo các thường lệ công việc nghiêm ngặt, có nhịp độ nhanh và bị giám sát liên tục để bảo đảm chắc chắn rằng họ không nghỉ giải lao lâu hơn hay thường xuyên nữa và luôn luôn phải nỗ lực. Những sự đưa tin gần đây tiết lộ rằng một tỷ lệ kha khá công nhân từ nhiều cơ sở đã bị sa thải vì không thỏa mãn các kỳ vọng công việc, và một số trong các sự chấm dứt này là tự động, dựa vào dữ liệu được thu thập (mặc dù Amazon chống lại rằng có những sự chấm dứt tự động). Theo lời của một nhà bênh vực lao động, “Một trong những thứ chúng tôi nghe một cách nhất quán từ các công nhân là họ bị đối xử như các robot trong thực tế bởi vì họ bị các hệ thống tự động hóa này theo dõi và giám sát.”

Panopticon của Jeremy Bentham đã muốn là một mô hình không chỉ cho các nhà tù mà cả cho các nhà máy Anh ban đầu. Nhưng các ông chủ thế kỷ thứ mười tám- và thế kỉ thứ mười chín đã không có công nghệ cho sự giám sát liên tục. Amazon thì có. Theo lời của một nhân viên ở New Jersey, “Về cơ bản họ có thể thấy mọi thứ bạn làm, và tất cả vì lợi ích của họ. Họ không đánh giá bạn như một con người. Thật nhục nhã.”

Các môi trường giám sát cao này không chỉ làm mất phẩm giá mà cũng nguy hiểm. Một báo cáo OSHA (Cục An toàn Nghề nghiệp và Sức khỏe) gần đây thấy rằng trong 2020, các công nhân kho hàng Amazon đã bị khoảng 6 chấn thương nghiêm trọng trên 200.000 giờ làm việc, cao gần hai lần mức trung bình trong ngành kho hàng, và những nghiên cứu khác thấy thậm chí các tỷ lệ bị thương cao hơn, nhất là trong những thời kinh doanh cao điểm như mùa giáng sinh, các thời kỳ trong đó sự giám sát công nhân được ăng cường. Amazon đòi hỏi thêm các nhân viên giao hàng và các nhà thầu của nó để tải về và liên tục chạy một app theo dõi dữ liệu gọi là “Mentor,” mà cho phép việc giám sát chặt hơn. Công ty gần đây đã công bố các công cụ AI cho việc theo dõi các công nhân giao hàng. FedEx và các dịch vụ giao hàng khác cũng thu thập rất nhiều dữ liệu từ các nhân viên của chúng và dùng các dữ liệu này cho việc áp đặt các ràng buộc lập lịch trình nghiêm ngặt, mà giải thích vì sao nhiều công nhân giao hàng luôn phải chạy đua với thời gian.

Sự thu thập dữ liệu sâu rộng bây giờ lan sang các nghề cổ-trắng, với các chủ sử dụng lao động theo dõi các nhân viên dùng thời gian của họ ra sao trên các máy tính và các công cụ truyền thông khác nhau.

Lượng giám sát nào đó là phần đặc quyền của một chủ sử dụng lao động, mà cần bảo đảm rằng các công nhân thực hiện các công việc được phân cho họ và không làm hại hay lạm dụng máy móc. Tuy vậy, về mặt truyền thống các công nhân từng được thúc đẩy không chỉ bởi sự giám sát mà cũng bởi thiện chí được phát triển giữa họ và chủ sử dụng lao động của họ vì tiền lương cao và các tiện nghi chung của nơi làm việc. Chẳng hạn, một chủ sử dụng lao động hay một giám sát viên có thể nhận ra rằng người lao động có thể không cảm thấy hoàn toàn khỏe mạnh trong một ngày cho trước và cho họ thư giãn một chút, hay, ngược lại, các nhân viên có thể vui lòng làm việc siêng năng hơn bình thường khi nhu cầu tăng lên thi thoảng. Việc giám sát cho phép các chủ sử dụng lao động cắt tiền lương và có được nhiều công việc hơn từ các công nhân. Theo cách này, sự giám sát là một “hoạt động chuyển-rent,” có nghĩa rằng nó có thể được dùng để chặn chia sẻ sự tăng thêm năng suất và chuyển rent khỏi các công nhân, mà không cải thiện nhiều hay chút nào năng suất của họ.

Một lĩnh vực khác trong đó các phương pháp AI được triển khai cho việc chuyển-rent là lập lịch trình công việc. Một nguồn then chốt của tính tự trị cho các công nhân là một sự tách biệt rõ giữa thời gian làm việc và rảnh rỗi, và sự lập lịch trình có thể dự đoán. Hãy xét các nhân viên tại các quán ăn nhanh. Nếu họ biết họ phải đến nơi làm việc vào 8 giờ sáng. Và ra về vào 4 giờ chiều, điều này cho họ một mức độ cao về tính có thể dự đoán và lượng nào đó của sự tự trị bên ngoài cửa sổ tám-giờ này. Nhưng nếu nhà quản lý đột nghiên phát hiện ra rằng sẽ có nhiều khách hàng hơn đến sau 4 giờ chiều thì sao? Bà có thể có một khuyến khích để giảm sự tự trị này và ra lệnh cho các nhân viên ở lại sau 4 giờ chiều. Bà ta có thể làm việc đó?

Câu trả lời phụ thuộc vào các sức mạnh đối trọng—ví dụ, các thỏa ước tập thể ngăn cản những sự áp đặt như vậy; vào thiện chí và các chuẩn mực về những gì có thể chấp nhận được ở nơi làm việc; và vào công nghệ, mà xác định liệu các công ty có thể dự đoán trước cầu và sắp xếp sự lập lịch trình theo thời gian thực.

Các sức mạnh đối trọng đã vắng mặt rồi, nhất là trong ngành dịch vụ, và thiện chí và các chuẩn mực về sự tôn trọng sự tự trị người lao động từ lâu đã giảm rồi. Rào cản còn lại, công nghệ, bây giờ được khắc phục với AI và sự thu thập dữ liệu đồ sộ, lót đường cho “lập lịch trình linh hoạt.”

Nhiều ngành đối diện-khách hàng đã bỏ các lịch trình có thể dự đoán, như thời gian làm việc 8 giờ sáng‒4 giờ chiều, thay vào đó áp dụng một sự kết hợp của “các hợp đồng zero-giờ” và những sự thay đổi lịch trình thời gian thực. Các hợp đồng zero-giờ có nghĩa rằng công ty hủy bỏ cam kết rằng nó sẽ thuê và trả người lao động theo giờ đều đặn mỗi tuần. Sự lập lịch trình thời gian thực, mặt khác, cho phép các công ty để gọi các nhân viên trên điện thoại di động của họ đêm trước yêu cầu họ có mặt tại nơi làm việc sáng sớm hôm sau hay kéo dài giờ làm việc bình thường của họ trong những ngày làm việc. Nó cũng gồm việc hủy bỏ các ca trong thời gian ngắn, mà làm giảm thu nhập người lao động.

Cả hai có gốc rễ trong các công nghệ nghiền-dữ liệu và AI—ví dụ, software lập lịch trình được các công ty công nghệ như Kronos chào bán—mà cho phép các chủ sử dụng lao động dự đoán cầu chúng sẽ đối mặt và rồi ép buộc các công nhân thích nghi với nó. Một phiên bản cực đoan của các thực hành này là “clopening (đóng mở),” tên được trao cho thực hành của cùng nhân viên đóng cửa muộn một buổi tối và sau đó mở cửa hàng sớm vào sáng hôm sau. Việc này lại lần nữa được áp đặt lên các công nhân, thường vào phút chót, khi các nhà quản lý, được các công cụ AI trao quyền, thấy phù hợp với các nhu cầu của họ.

Có nhiều sự tương tự giữa các thực hành lập lịch trình linh hoạt và việc giám sát người lao động. Quan trọng nhất là chúng, cả hai là các ví dụ về các công nghệ tàm-tạm: chúng tạo ra ít sự tăng thêm năng suất, bất chấp các chi phí đáng kể cho các công nhân. Với việc giám sát thêm, các công ty có thể bỏ các nỗ lực để xây dựng thiện chí và cắt tiền lương. Nhưng điều này không làm tăng mấy năng suất: các công nhân không trở nên tốt hơn trong việc làm của họ bởi vì họ được trả ít hơn, và thực ra có thể mất động cơ thúc đẩy và trở nên ít hữu ích hơn. Với lập lịch trình linh hoạt, các công ty có thể tăng doanh thu của chúng một chút bằng việc có nhiều nhân viên hơn khi cầu là cao và ít nhân viên hơn khi cửa hàng ít bận rộn hơn. Trong cả hai trường hợp, gánh nặng lên các công nhân là đáng kể hơn sự tăng thêm năng suất. Theo lời của một người lao động Anh được thuê với một hợp đồng zero-giờ, “Không có sự tiến bộ sự nghiệp nào… [tôi đã] làm việc trong sáu năm rưỡi. Kể từ đó vai trò đã không thay đổi, không sự cất nhắc nào. Tôi chẳng hề có triển vọng cất nhắc chút nào. Tôi đã hỏi liệu tôi có lẽ có thể đi học một cua, và tôi nhận được câu trả lời không dứt khoát cho việc đó.” Bất chấp các chi phí lên các công nhân và sự tăng thêm năng suất nhỏ, chóng tàn, các công ty có ý định cắt giảm chi phí và tăng kiểm soát đối với các công nhân đang tiếp tục đòi các công nghệ AI, và đáp lại các nhà nghiên cứu chịu ơn ảo tưởng AI đang cung cấp cho chúng.

Nhưng có cách khác hơn việc dùng các công nghệ số để phục vụ sự tự động hóa không ngừng và việc giám sát người lao động hay không? Câu trả lời là có. Khi các công nghệ số được lái theo hướng giúp và bổ sung cho con người, các kết quả có thể, và đã là, tốt hơn nhiều.

Một con Đường Chưa Đi

Khi diễn giải lịch sử cả gần đây và xa xôi, thường có một ngụy biện tất định: cái đã xảy ra phải xảy ra. Thường điều này không chính xác. Có nhiều con đường khả dĩ mà theo đó lịch sử đã có thể diễn tiến. Cùng đúng thế cho công nghệ. Cách tiếp cận hiện thời chi phối làn sóng AI thứ ba dựa vào sự thu hoạch dữ liệu đồ sộ và tự động hóa không ngừng là một sự lựa chọn. Thực ra nó là một sự lựa chọn tốn kém, không phải chỉ bởi vì nó đi theo thành kiến của các elite hướng tới tự động hóa và sự giám sát, và gây thiệt hại cho sinh kế kinh tế của các công nhân. Nó cũng chuyển hướng năng lực và nghiên cứu khỏi các hướng khác, có lợi hơn về mặt xã hội cho các công nghệ số đa năng. Như chúng ta sẽ thấy tiếp sau rằng các paradigm ưu tiên sự hữu ích máy đã có một số thành công xuất sắc trong quá khứ khi được thử và đưa ra nhiều cơ hội tốt cho tương lai.

Ngay cả trước hội nghị Dartmouth, nhà thông thái MIT Norbert Wiener đã trình bày rõ một tầm nhìn khác, một tầm nhìn đặt các máy như các sự bổ sung cho con người. Mặc dù Wiener đã không dùng thuật ngữ, MU (sự hữu ích máy) được các ý tưởng của ông gây cảm hứng. Cái chúng ta muốn từ các máy không phải là một quan niệm vô định hình nào đó về trí tuệ hay “các năng lực mức-cao” mà là sự dùng chúng cho các mục đích con người. Việc tập trung vào MU, hơn là AI, chắc có nhiều khả năng đưa chúng ta đến đó.

Wiener nhận diện ba vấn đề cốt yếu cản trở các giấc mơ về trí tuệ máy tự trị kể từ Turing. Thứ nhất, việc vượt hơn và thay thế con người là khó bởi vì các máy luôn không hoàn hảo trong việc bắt chước các cơ thể sống. Như Wiener diễn đạt trong một bối cảnh hơi khác, “Mô hình vật chất tốt nhất cho một con mèo là một con khác, hay tốt nhất là cùng con mèo đó.”

Thứ hai, tự động hóa đã có một tác động tiêu cực trực tiếp lên những người lao động: “Chúng ta hãy nhớ rằng máy tự động, dù chúng ta nghĩ về bất cứ cảm giác nào nó có thể có hay không có, là sự tương đương kinh tế chính xác của lao động nô lệ. Bất kể lao động nào mà cạnh tranh với lao động nô lệ phải chấp nhận các hậu quả kinh tế của lao động nô lệ.”

Và cuối cùng, cố gắng cho tự động hóa cũng có nghĩa rằng các nhà khoa học và các nhà công nghệ có thể mất sự kiểm soát đối với con đường của công nghệ. “Thật cần thiết để nhận ra rằng hành động con người là một hành động phản hồi” có nghĩa rằng cái chúng ta làm dựa vào thông tin về những gì xảy ra xung quanh chúng ta. Nhưng “khi một máy được chúng ta xây dựng có khả năng hoạt động trên dữ liệu mới đến của nó với tốc độ mà chúng ta không thể theo kịp, chúng ta có thể không biết tắt nó khi nào, cho đến khi quá muộn.” Chẳng cái nào trong số này là không thể tránh khỏi, tuy vậy: các máy có thể được khai thác để phục vụ con người như một sự bổ sung cho các kỹ năng của chúng ta. Như Wiener đã viết trong một bài báo được soạn trong 1949 cho New York Times (các phần của nó được công bố trong 2013 sau khi ông chết rất lâu), “Chúng ta có thể khiêm tốn và sống một cuộc sống tốt đẹp với sự giúp đỡ của các máy, hay chúng ta có thể kiêu ngạo và chết.”

Hai người nhìn xa trông rộng đã dương ngọn đuốc của Wiener lên. Người thứ nhất là J. C. R. Licklider, tập trung cổ vũ những người khác chấp nhận và phát triển cách tiếp cận này theo những cách hữu ích. Ban đầu được đào tạo như một nhà tâm lý học, Licklider sau đó đã chuyển vào công nghệ thông tin, và ông đề xuất các ý tưởng trở nên cốt yếu cho các máy tính được kết nối mạng và các hệ thống tính toán tương tác. Một sự trình bày rõ về tầm nhìn này được chứa trong bài báo 1960 mở đường của ông, “Man-Computer Symbiosis (Sự Cộng sinh Người-Máy tính).” Phân tích của Licklider vẫn xác đáng ngày nay, hơn sáu mươi năm sau sự xuất bản của nó, nhất là trong sự nhấn mạnh của ông rằng “so với người, các máy tính là rất nhanh và rất chính xác, nhưng chúng bị ràng buộc để thực hiện lần lượt chỉ một hay vài phép tính cơ bản. Con người là linh hoạt, có khả năng ‘lập trình bản thân mình một cách tùy thuộc’ vào cơ sở của thông tin vừa mới nhận được.”

Người thứ hai bênh vực tầm nhìn thay thế này, Douglas Engelbart, cũng đã trình bày rõ các ý tưởng là tiền thân của quan niệm của chúng tôi về sự hữu ích máy. Engelbart đã cố gắng làm cho các máy tính tiện dụng hơn và dễ hơn để vận hành cho những người không phải là các nhà lập trình, dựa vào niềm tin của ông rằng chúng sẽ có sức mạnh biến đổi nhất khi chúng “làm tăng khả năng của loài người để đối phó với các vấn đề phức tạp, cấp bách.”

Các đổi mới quan trọng nhất của Engelbart được tiết lộ một cách ngoạn mục trong một show mà muộn hơn được đặt tên là “Mother of All Demos (Mẹ của Tất cả các Giới thiệu).” Tại một hội nghị được tổ chức bởi Hội Máy móc Máy tính (ACM), cùng với Hội Kỹ sư Điện và Điện tử (IEEE) ngày 9 tháng Mười Hai 1968, Engelbart giới thiệu nguyên mẫu con chuột máy tính. Thiết bị kỳ cục này, gồm một con lăn lớn, một khung gỗ được chạm trổ, và một nút duy nhất, trông chẳng giống con chuột máy tính chúng ta quen ngày nay, nhưng với các dây cắm từ lưng của nó, nó trông đủ giống một con chuột để có được cái tên. Nó đã biến đổi những gì hầu hết người dùng có thể làm với các máy tính với một cú nháy. Nó cũng là sự đổi mới đẩy các máy tính Macintosh của Steve Jobs và Steve Wozniak lên trước các PC và các hệ điều hành dựa vào Microsoft. Các đổi mới khác của Engelbart, vài trong số đó cũng được giới thiệu tại Mother of All Demos, gồm hypertext (siêu văn bản, mà bây giờ cấp sức mạnh cho internet), các màn hình bitmap (mà đã làm cho các giao diện khác khả thi), và các hình thức ban đầu của GUI (graphical user interface-giao diện đồ họa người dùng). Các ý tưởng của Engelbart đã tiếp tục tạo ra vài tiến bộ khác, nhất là dưới sự che chở của công ty Xerox (và nhiều trong các ý tưởng này lại đã cốt yếu cho Macintosh và các máy tính khác).

Tầm nhìn thay thế của Wiener, Licklider, và Engelbart đã đặt nền tảng của một số sự phát triển có kết quả nhất trong công nghệ số, cho dù ngày nay tầm nhìn này bị ảo tưởng AI làm lu mờ. Để hiểu các thành tựu này, và vì sao chúng không nhận được nhiều sự chú ý như các thành công của paradigm chi phối, đầu tiên chúng ta cần thảo luận MU hoạt động như thế nào trong thực tiễn.

Sự Hữu ích Máy trong Hoạt động

Chúng ta có thể phân biệt bốn cách liên quan nhưng phân biệt theo đó các công nghệ số có thể được lái theo hướng của MU, giúp và trao quyền cho con người.

Thứ nhất, các máy và các thuật toán có thể làm tăng năng suất người lao động trong các công việc họ đang thực hiện rồi. Khi một nghệ nhân lành nghề được trao một cái đục tốt hơn hay một kiến trúc sư có sự tiếp cận đến software thiết kế được máy tính-trợ giúp, năng suất của họ có thể tăng đáng kể. Sự tăng năng suất như vậy không cần chỉ đến từ các công cụ mới và có thể cũng đạt được bởi việc cải thiện thiết kế máy. Đấy là khát vọng của các lĩnh vực được biết đến như tương tác con người-máy tính và thiết kế lấy con người-làm trung tâm. Những cách tiếp cận này nhận ra rằng tất cả các máy, và đặc biệt các máy tính, cần có những đặc điểm nhất định để được con người sử dụng hữu ích nhất, và chúng ưu tiên các công nghệ thiết kế mới làm tăng sự thuận tiện và tính khả dụng con người. Khi thành công, như con chuột và giao diện đồ họa người dùng của Engelbart, các công nghệ số mới có thể là cái Steve Jobs nhắc đến như “một chiếc xe đạp cho đầu óc chúng ta” và mở rộng các kỹ năng con người. Bởi vì cách tiếp cận này đặt các năng lực máy phục vụ con người, nó có khuynh hướng để bổ sung trí tuệ con người.

Mặc dù cách tiếp cận này đã tạo ra các lợi ích đáng chú ý rồi, có thể được làm nhiều hơn nhiều. Các công cụ thực tế-ảo và thực tế-tăng cường có hứa hẹn to lớn để làm tăng các năng lực con người trong các công việc như như lập kế hoạch, thiết kế, kiểm tra, và huấn luyện. Nhưng các ứng dụng có thể vượt xa các việc làm kỹ thuật và kỹ nghệ.

Sự đồng thuận hiện thời trong cộng đồng công nghệ và kỹ nghệ được Kai-Fu Lee tóm tắt: “Các robot và AI sẽ tiếp quản sự chế tạo, cung cấp, thiết kế và tiếp thị của hầu hết hàng hóa.” Bất chấp các lời xác nhận như vậy, như chúng ta đã thấy trong Chương 8, những cố gắng để triển khai các công cụ software mới đã là một nguồn quan trọng của sự tăng năng suất trong bối cảnh của chương trình Công nghiệp 4.0 Đức, mà đã cho phép tính linh hoạt lớn hơn khi đối mặt với hoàn cảnh hay cầu thay đổi.

Tiềm năng này thậm chí được minh họa còn tốt hơn bởi ngành chế tạo Nhật, nơi nhiều công ty đã ưu tiên tính linh hoạt và sự tham gia người lao động vào việc ra quyết định, ngay cả khi máy móc tiên tiến và đôi khi tự động hóa được đưa vào. Cách tiếp cận này được W. Edwards Deming, một kỹ sư khác đi theo cùng tầm nhìn như Wiener, Licklider, và Engelbart, mở đường. Deming đã có ảnh hưởng lớn trong việc xây dựng một cách tiếp cận sản xuất linh hoạt, lấy chất lượng-làm trung tâm trong ngành chế tạo Nhật. Đổi lại, ông đã nhận được các vinh dự cao nhất ở Nhật Bản, và Giải Deming được lập ra theo tên ông. Thực tế được tăng cường và thực tế ảo hiện đang cung cấp nhiều đại lộ mới cho kiểu cộng tác con người-máy này, kể cả các năng lực được cải thiện cho công việc chính xác của con người, các thiết kế thích ứng hơn, và tính linh hoạt lớn hơn trong việc đáp lại với hoàn cảnh thay đổi.

Kiểu thứ hai của MU thậm chí còn quan trọng hơn và đã là tiêu điểm của chúng tôi trong các chương 7 và 8: sự tạo ra các công việc mới cho những người lao động. Các công việc này đã là cốt yếu cho việc mở rộng cầu cho các công nhân cả có kỹ năng và không có kỹ năng ngay cả khi các xí nghiệp như Ford đã tự động hóa các phần của quá trình sản xuất, đã tổ chức lại công việc, và đã quá độ sang sự sản xuất hàng loạt. Các công nghệ số cũng đã tạo ra các công việc kỹ thuật và thiết kế mới trong nửa thế kỷ qua (cho dù hầu hết công ty đã ưu tiên tự động hóa số). Thực tế tăng cường và thực tế ảo có thể cũng tạo ra nhiều công việc mới trong tương lai. Giáo dục và chăm sóc sức khỏe cung cấp một minh họa sống động về các tiến bộ thuật toán có thể đưa vào các công việc mới thế nào. Hơn bốn thập niên trước, Isaac Asimov đã lưu ý vấn đề của hệ thống giáo dục hiện thời của chúng ta: “Ngày nay, cái người ta gọi là sự học được ép buộc lên bạn. Mọi người bị buộc phải học cùng thứ, cùng ngày, cùng tốc độ ở lớp học. Nhưng mỗi người là khác nhau. Đối với một số người, lớp đi quá nhanh, đối với một số người quá chậm, đối với một số người theo hướng sai.” Khi Asimov viết những từ này, đề xuất của ông cho việc dạy cá nhân hóa đã là khát vọng thuần túy. Thiếu sự dạy một thầy-cho-một trò cho tất cả các học sinh, đã có ít khả năng cho sự cá nhân hóa như vậy. Ngày nay, chúng ta có các công cụ để cho việc cá nhân hóa là một thực tế trong nhiều phòng học. Quả thực, có thể cấu hình lại các công nghệ số cho mục đích này. Một số kỹ thuật thống kê được dùng cho nhiệm vụ tự động hóa cũng có thể được dùng cho việc nhận diện thời gian thực các nhóm học sinh mà có những khó khăn với các vấn đề giống nhau, cũng như các học sinh có thể được tiếp xúc với tài liệu cao hơn. Nội dung liên quan khi đó có thể được điều chỉnh cho các nhóm nhỏ học sinh. Bằng chứng từ lĩnh vực nghiên cứu giáo dục cho biết rằng sự cá nhân hóa như vậy có tiền lời đáng kể và là hữu ích nhất nơi xã hội chính xác có nhu cầu lớn nhất: việc cải thiện các kỹ năng nhận thức và xã hội của các học sinh từ bối cảnh xã hội-kinh tế thấp.

Tình hình về chăm sóc sức khỏe là tương tự: kiểu MU đúng có thể trao quyền đáng kể cho các y tá và những người hành nghề chăm sóc sức khỏe khác, và điều này sẽ là hữu ích nhất trong sức khỏe ban đầu, phòng ngừa, và các ứng dụng y học low-tech (công nghệ thấp).

Đóng góp thứ ba của các máy cho các năng lực con người có thể thậm chí còn xác đáng hơn trong tương lai gần. Việc ra quyết định hầu như luôn luôn bị ràng buộc bởi thông tin chính xác, và thậm chí tính sáng tạo con người dựa vào việc truy cập thông tin chính xác một cách kịp thời. Các công việc sáng tạo nhất đòi hỏi sự rút ra các sự tương tự, việc tìm ra các sự kết hợp mới của các phương pháp và các thiết kế hiện có. Những người làm công việc này khi đó nghĩ ra các sơ đồ chưa được thử trước mà đối mặt với bằng chứng và lập luận, và sau đó được tinh chế thêm. Tất cả những công việc con người này có thể được giúp đỡ bởi sự lọc chính xác và sự cung cấp thông tin hữu ích.

World Wide Web, thường được liên kết với nhà khoa học máy tính Anh Tim Berners-Lee, là một ví dụ tinh túy về kiểu trợ giúp này cho nhận thức con người. Vào cuối các năm 1980, internet, mạng toàn cầu của các máy tính giao tiếp với nhau, đã có trong khoảng hai thập niên, nhưng đã không có cách dễ dàng nào của việc truy cập kho báu thông tin đã tồn tại trong mạng lưới này. Berners-Lee, cùng với nhà khoa học máy tính Bỉ Robert Cailliau, đã mở rộng ý tưởng hypertext của Engelbart và đưa vào các hyperlink để cho phép thông tin trên một site được liên kết với thông tin xác đáng trên các phần khác của internet. Hai nhà khoa học đã viết web browser (trình duyệt web) đầu tiên để lấy thông tin này, và đã đặt tên cho nó là World Wide Web hay đơn giản là Web. Web là một cột mốc trong tính bổ sung con người-máy: nó cho phép người ta truy cập thông tin và sự khôn ngoan, mà những người khác đã tạo ra, lên một mức chưa từng có trong quá khứ.

MU có thể cho phép nhiều ứng dụng hơn mà cung cấp thông tin tốt hơn cho những người trong các năng lực của họ như các công nhân, những người tiêu dùng, và các công dân. Các hệ thống gợi ý (recommendation system), lúc giỏi nhất, có năng lực này: chúng có thể tổng hợp các khối thông tin từ những người khác và trình bày các khía cạnh liên quan cho những người dùng để trợ giúp trong việc ra quyết định của họ.

Loại thứ tư, dựa vào sự dùng các công nghệ số để tạo ra các nền tảng (platform) và các thị trường mới, hóa ra có thể là ứng dụng quan trọng nhất của tầm nhìn Wiener-Licklider-Engelbart. Năng suất kinh tế là không thể tách rời khỏi sự hợp tác và việc mua bán. Việc đưa những người với các kỹ năng và tài năng khác nhau lại với nhau đã luôn luôn là một khía cạnh chính của sự năng động kinh tế và có thể được các công nghệ số mở rộng mạnh mẽ.

Một minh họa tuyệt vời về hiện tượng này được cung cấp bởi ngành đánh cá ở bang Kerala miền Nam Ấn Độ, mà được cách mạng hóa bằng sự dùng điện thoại di động. Trong một số chợ bãi biển địa phương ở Kerala, các ngư dân về với một mẻ cá lớn nhưng bắt gặp cầu không đủ, đẩy giá xuống zero và để rất nhiều cá bị thối. Cách vài kilomét, một chợ bãi biển khác có ít cá để bán và nhiều người mua, dẫn đến giá cao, cầu không được thỏa mãn, và những sự phi hiệu quả phổ biến. Bắt đầu trong 1997, dịch vụ điện thoại di động được đưa vào khắp Kerala. Các ngư dân và các nhà bán buôn đã bắt đầu dùng điện thoại di động để kiếm được thông tin về sự phân bố của cung và cầu ngang các chợ bãi biển. Sau đó, sự phân tán giá và sự lãng phí cá đã sụt đột ngột. Kinh tế học cơ bản của câu chuyện là rõ: công nghệ truyền thông đã cho phép tạo ra một thị trường cá thống nhất, và một nghiên cứu cẩn thận về tình tiết này chứng minh bằng tư liệu rằng cả các ngư dân và những người tiêu dùng đều được lợi một cách đáng kể.

Các cơ hội cho các mối quan hệ mới và sự tạo ra thị trường có khả năng lớn hơn với các công nghệ số, và một số platform đã tận dụng chúng rồi. Một ví dụ gây cảm hứng là đồng tiền di động (mobile currency) và hệ thống chuyển-tiền M-Pesa, được đưa vào ở Kenya trong 2007 và cung cấp các dịch vụ ngân hàng rẻ và nhanh dùng điện thoại di động. Hệ thống này lan ra 65% cư dân Kenya hai năm sau khi được đưa vào và kể từ đó đã được một số nước đang phát triển khác chấp nhận. Được ước lượng nó đã tạo ra các lợi ích có cơ sở rộng cho các nền kinh tế này. Như một ví dụ khác, Airbnb đã tạo ra một thị trường mới nơi người dân có thể cho thuê chỗ trọ, mở rộng sự lựa chọn cho những người tiêu dùng và tạo ra sự cạnh tranh với các chuỗi khách sạn.

Ngay cả trong các lĩnh vực như dịch thuật nơi tự động hóa dựa vào AI đã khá thành công, có các thay thế bổ sung dựa vào sự tạo ra các platform mới. Ví dụ, thay vì chỉ dựa vào sự dịch được tự động hóa hoàn toàn và thường có chất lượng-thấp, người ta cũng có thể xây dựng các platform mà đưa những người cần dịch vụ ngôn ngữ chất lượng-cao hơn và những người đa-ngữ có trình độ lại với nhau khắp thế giới.

Các platform mới không cần giới hạn ở các nền tảng chuyên về các giao dịch tiền tệ. Các cấu trúc số phân tán có thể được dùng để xây dựng các platform cho các hình thức cộng tác rộng hơn, chia sẻ tài chuyên môn, và hoạt động tập thể, như sẽ được thảo luận ở Chương 11.

Các thành công của MU, mà chúng ta đã nhắc đến, là giữa các ứng dụng hữu ích nhất của các công nghệ số và đã lót đường cho vô số đổi mới khác. Tuy nhiên, về tổng thể, chúng ở bên lề của hướng hiện thời của AI. Trong 2016, McKinsey Global Institute ước lượng rằng 20‒30 tỉ $ từ tổng chi tiêu AI toàn cầu 26‒39 tỉ $ đến từ một nhúm công ty công nghệ lớn ở Hoa Kỳ và Trung Quốc. Đáng tiếc, trong chừng mực chúng ta có thể nói, hầu hết sự chi tiêu này dường như đang hướng tới sự thu thập dữ liệu đồ sộ được nhắm tới tự động hóa và sự giám sát.

Vậy vì sao các công ty công nghệ không phát triển các công cụ hỗ trợ con người và đồng thời tăng năng suất? Có một số lý do cho điều này, tất cả chúng cung cấp nhiều thông tin về các lực rộng hơn mà chúng ta đã đối mặt với. Hãy xét ví dụ dạy học, và hãy nhớ rằng các công việc mới, như trong ví dụ này, là hữu ích một phần bởi vì chúng làm tăng năng suất bằng việc tạo ra các việc làm có ý nghĩa và có lương cao cho con người—trong trường hợp này, cho các giáo viên. Thế nhưng các công việc dạy mới kéo theo các chi phí lớn hơn cho các trường bị thiếu tiền rồi. Hầu hết các trường công, giống các tổ chức hiện đại khác, phải tập trung vào việc kiềm chế các chi phí lao động và có thể vật lộn để thuê giáo viên thêm. Cho nên, các thuật toán mới cho việc chấm điểm được tự động hóa hay việc dạy được tự động hóa có thể có vẻ hấp dẫn hơn đối với chúng.

Cùng đúng thế trong chăm sóc sức khỏe. Bất chấp 4 ngàn tỉ $ mà Hoa Kỳ chi về chăm sóc sức khỏe, các bệnh viện cũng đối mặt với áp lực ngân sách, và một sự thiếu y tá đã trở nên hiển nhiên một cách đau đớn trong đại dịch COVID-19. Các công nghệ mới làm tăng các năng lực và trách nhiệm của các y tá có nghĩa là việc thuê nhiều y tá hơn cho chăm sóc sức khỏe chất lượng-cao hơn. Quan sát này nhắc lại một điểm then chốt: các máy bổ sung con người là không hấp dẫn cho các tổ chức khi chúng có ý định cắt giảm chi phí.

Một thách thức khác là các platform và các phương pháp mới tập hợp và cung cấp thông tin cho người dùng cũng mở ra các khả năng cho những sự bóc lột mới. World Wide Web, chẳng hạn, đã trở thành một platform cho sự quảng cáo số và sự truyền bá thông tin sai lệch cũng nhiều như một nguồn thông tin hữu ích cho mọi người. Các hệ thống gợi ý thường được dùng để lái các khách hàng tới sản phẩm cụ thể, phụ thuộc vào các khuyến khích tài chính của platform. Các công cụ số có thể cung cấp thông tin cho các nhà quản lý không chỉ cho việc ra quyết định tốt hơn mà cả cho việc giám sát kỹ hơn các công nhân. Một số hệ thống gợi ý được AI cấp sức mạnh đã kết hợp và tái-tăng cường các thành kiến hiện có—ví dụ, hướng tới chủng tộc trong việc tuyển dụng hay hướng tới chủng tộc trong hệ thống tư pháp. Các platform cho việc đi chung xe và giao hàng đã áp đặt các sự sắp xếp bóc lột lên các công nhân thiếu sự bảo vệ hay an toàn việc làm. Vì thế, cách, mà theo đó các ứng dụng hứa hẹn nhất của tính bổ sung con người-máy được dùng, vẫn phụ thuộc vào các khuyến khích thị trường, tầm nhìn và các ưu tiên của các nhà lãnh đạo công nghệ, và các sức mạnh đối trọng.

Ngoài ra, cũng có một rào cản không thể vượt qua được cho tính bổ sung con người-máy. Dưới bóng của Turing test và ảo tưởng AI, các nhà nghiên cứu chóp bu trong lĩnh vực có động cơ thúc đẩy để đạt sự ngang bằng con người, và lĩnh vực có khuynh hướng đánh giá và kính trọng các thành tựu như vậy hơn MU. Điều này sau đó thiên vị sự đổi mới hướng tới việc tìm những cách lấy các công việc khỏi các công nhân và phân bổ chúng cho các chương trình AI. Vấn đề này, tất nhiên, bị khuếch đại bởi các khuyến khích tài chính đến từ các tổ chức lớn có ý định cắt giảm chi phí bằng việc dùng các thuật toán.

Mẹ của Mọi Công nghệ Không Thích hợp

Không phải chỉ các công nhân và các công dân trong thế giới đã công nghiệp hóa là những người sẽ trả giá cho ảo tưởng AI.

Bất chấp sự tăng trưởng kinh tế ở nhiều quốc gia nghèo hơn trong năm thập niên qua, hơn ba tỉ người trong thế giới đang phát triển vẫn sống nhờ ít hơn 6 $ trên ngày, khiến là khó cho họ để có ba bữa ăn đủ mỗi ngày, cùng với tiền cho nhà ở, quần áo, và chăm sóc sức khỏe. Nhiều người đặt hy vọng của họ vào công nghệ để giảm nhẹ sự nghèo đói này. Các công nghệ mới, được đưa vào và được hoàn thiện ở châu Âu, Hoa Kỳ, hay Trung Quốc, có thể được chuyển giao cho và được áp dụng bởi các quốc gia đang phát triển và cấp nguồn lực cho sự tăng trưởng kinh tế của chúng. Buôn bán quốc tế và toàn cầu hóa cũng được cho là các thành phần cốt yếu trong quá trình này, vì các quốc gia thu nhập-thấp có thể xuất khẩu các sản phẩm chúng sản xuất với các công nghệ tiên tiến.

Các câu chuyện thành công về sự tăng trưởng kinh tế rất nhanh, kể cả Hàn Quốc, Đài Loan, Mauritius, và gần đây hơn Trung Quốc, dường như xác nhận điều này. Mỗi nước đã đạt các tỷ lệ tăng trưởng thu nhập trên đầu người trung bình hơn 5% một năm trong những thời kỳ hơn 30 năm. Trong tất cả các trường hợp này, các công nghệ công nghiệp đã đóng một vai trò chính trong sự tăng trưởng, như sự xuất khẩu sang các thị trường thế giới đã đóng vai trò đó.

Nhưng liệu các nước đang phát triển có được lợi và được lợi ra sao từ nhập khẩu công nghệ là có sắc thái hơn được cho là một cách điển hình. Vài nhà kinh tế học, như Frances Stewart, đã nhận ra trong các năm 1970 rằng nhập khẩu công nghệ có thể không hoạt động, và thực ra có thể làm cho tình hình tồi hơn về mặt bất bình đẳng và nghèo đói, bởi vì các công nghệ phương Tây thường là “không thích hợp” cho các nhu cầu của các quốc gia đang phát triển. Nông nghiệp Phi châu minh họa vấn đề này. Các nước thu nhập cao và trung bình chiếm hầu như tất cả chi tiêu nghiên cứu về các công nghệ nông nghiệp, và một tỷ lệ đáng kể được nhắm tới vấn đề lưu niên nhất của nông nghiệp: các loài gây hại và các mầm bệnh phá hoại mùa màng, mà được ước lượng phá hủy có lẽ nhiều đến 40% sản lượng nông nghiệp của thế giới. Ví dụ, sâu borer ngô Âu châu, ảnh hưởng đến ngô ở Tây Âu và Bắc Mỹ, đã nhận được rất nhiều sự chú ý, và các chủng cây trồng kháng sâu này đã được phát triển (kể cả hơn năm ngàn patent sinh học và các giống được sửa đổi gen khác nhau). Cùng đúng thế cho sâu cắn rễ ngô phương Tây, cũng ảnh hưởng đến ngô ở Hoa Kỳ và các phần của Tây Âu, và sâu đục quả bông, một thời là một mối đe dọa chính đối với bông Mỹ.

Nhưng các cây trồng và các hóa chất này là không rất hữu ích cho nông nghiệp Phi châu và Nam Á, mà đối mặt với các loài gây hại và mầm bệnh khác. Sâu borer đục thân ngô Phi châu, ảnh hưởng đến cùng cây trồng ở châu Phi, và châu chấu sa mạc tàn phá hầu như mọi cây trồng ở châu Phi và phần lớn Nam Á, là các rào cản kỳ lạ đối với năng suất nông nghiệp trong các vùng này. Nhưng các loài gây hại này đã nhận được sự chú ý ít hơn nhiều (rất ít patent và không giống cây được biến đổi gen nào). Lượng tiền nghiên cứu tổng thể và các đổi mới sáng tạo mới nhắm tới các vấn đề của thế giới đang phát triển thu nhập-thấp nói chung đã nhỏ mọn. Các ước lượng gợi ý rằng năng suất nông nghiệp toàn cầu đã có thể tăng nhiều đến 42% nếu giả như cố gắng nghiên cứu sinh học được đổi hướng khỏi các loài gây hại và mầm bệnh Tây phương tới các thứ ảnh hưởng đến thế giới đang phát triển.

Cây trồng và các hóa chất nông nghiệp mới nhắm chủ yếu vào nông nghiệp Tây phương là một ví dụ về công nghệ không thích hợp. Sự nhấn mạnh của Stewart đã không phải nhiều đến các loài gây hại và mầm bệnh, mà đến các phương pháp sản xuất mới thâm dụng-vốn. Chẳng hạn, máy móc công nghiệp phức tạp trong ngành chế tạo và các máy gặt đập liên hợp trong nông nghiệp có thể không hợp với các nhu cầu của thế giới đang phát triển, nơi vốn là khan hiếm và việc tạo các việc làm—các việc làm tốt—cho cư dân của chúng trong quá trình tăng trưởng là một nhu cầu cấp bách chính.

Những sự không khớp như vậy là tốn kém cho sự phát triển kinh tế. Các quốc gia đang phát triển có thể rốt cuộc không dùng các công nghệ mới bởi vì chúng không phù hợp với nhu cầu của chúng hay quá thâm dụng-vốn. Quả thực, các giống cây trồng được phát triển ở Hoa Kỳ hiếm khi được xuất khẩu tới các quốc gia nghèo hơn, trừ phi chúng tình cờ có khí hậu và các mầm bệnh rất giống. Ngay cả khi các công nghệ mới được phát triển trong các nền kinh tế tiên tiến được đưa vào thế giới đang phát triển, các lợi ích thường bị hạn chế bởi vì các nước nhận có thể thiếu lao động có kỹ năng cao cần để duy trì và vận hành các máy mới nhất. Ngoài ra, các công nghệ được nhập khẩu từ thế giới giàu có khuynh hướng tạo ra một cấu trúc kép, với một khu vực hết sức thâm dụng-vốn và thâm dụng-kỹ năng trả tiền lương tử tế sát cạnh một khu vực lớn hơn nhiều với ít việc làm tốt. Tóm lại, các công nghệ không thích hợp không làm giảm sự nghèo đói thế giới và thay vào đó có thể làm tăng bất bình đẳng cả giữa phương Tây và phần còn lại, và bên trong các quốc gia đang phát triển.

Nhiều người trong thế giới đang phát triển đã biết rồi về các nhu cầu cấp bách này. Một số trong các đổi mới biến đổi nhất của thế kỉ thứ hai mươi được phát triển trong cái bây giờ được nhắc đến như “Cách mạng Xanh,” mà đã được dẫn đầu bởi các nhà nghiên cứu ở Mexico, Philippines, và Ấn Độ. Các giống lúa gạo mới được sáng chế ở phương Tây đã không phù hợp với đất và các điều kiện khí hậu ở các nước này. Một đột phá đã đến trong 1966 với sự gây một giống lúa lai mới, lúa IR8, mà đã tăng gấp đôi sản xuất lúa gạo ở Philippines. IR8 và các cây trồng liên quan được phát triển trong sự cộng tác với các viện nghiên cứu Ấn Độ chẳng bao lâu được áp dụng ở Ấn Độ nữa và đã cách mạng hóa nông nghiệp của nước đó, trong một số nơi tăng sản lượng nhiều đến mười lần. Tài trợ quốc tế từ Rockefeller Foundation và sự lãnh đạo của các nhà khoa học, nhất là nhà nông học Norman Borlaug, mà muộn hơn đã được Giải Nobel Hòa bình vì việc cứu hơn một tỉ người khỏi nạn đói, cũng đã có ích.

Ngày nay, chúng ta đối mặt với mẹ của tất cả các công nghệ không thích hợp, dưới hình thức AI, nhưng không có cố gắng nào giống với Cách mạng Xanh (nhiều nhà nghiên cứu AI cũng chẳng thử đi theo bước chân của Borlaug).

Sự giảm nghèo đói và sự tăng trưởng kinh tế nhanh trong các trường hợp như Hàn Quốc, Đài Loan, và Trung Quốc đã không chỉ đến từ nhập khẩu các phương pháp sản xuất Tây phương. Thành công kinh tế nảy sinh từ các công nghệ mới cho phép các nguồn lực con người của các nước này được dùng hiệu quả hơn. Trong tất cả các trường hợp này, các công nghệ đã tạo ra các cơ hội công ăn việc làm mới cho hầu hết lực lượng lao động, và bản thân các nước này cũng đã tăng đầu tư vào giáo dục nhằm để cải thiện sự khớp giữa các công nghệ và các kỹ năng của cư dân của chúng.

Quỹ đạo hiện thời của AI đang loại trừ con đường này. Các công nghệ số, robotics, và thiết bị tự động hóa khác đã tăng rồi các đòi hỏi kỹ năng sản xuất toàn cầu và đã bắt đầu phân công lại lao động quốc tế —ví dụ, đóng góp cho một quá trình phi-công nghiệp hóa trong nhiều quốc gia đang phát triển có lực lượng lao động chủ yếu gồm những người với giáo dục thấp.

AI lại là màn diễn tiếp theo trong quá trình này. Thay vì tạo ra các việc làm và các cơ hội cho đa số dân cư trong các nước nghèo và thu nhập-trung bình, con đường hiện thời của AI đang nâng cầu cho vốn, các công nhân sản xuất có kỹ năng cao, và thậm chí các dịch vụ có kỹ năng-cao hơn, như từ các công ty tư vấn-quản lý và tech. Đấy chính xác là các nguồn lực thiếu nhất trong thế giới đang phát triển. Như trong các ví dụ về sự tăng trưởng do xuất khẩu dẫn dắt và Cách mạng Xanh, nhiều trong các nền kinh tế này có các nguồn lực dư dả có thể được dùng cho việc làm mũi nhọn dẫn đầu sự tăng trưởng kinh tế và sự giảm nghèo đói. Nhưng đấy là các nguồn lực sẽ không được dùng nếu tương lai của công nghệ di chuyển theo những con đường mà ảo tưởng AI áp đặt.

Sự Tái-Sinh của Xã hội hai-Tầng

Cách mạng công nghiệp bắt đầu ở nước Anh thế kỉ thứ mười tám, nơi hầu hết dân cư đã có ít quyền lực chính trị hay xã hội. Có thể dự đoán được, hướng của tiến bộ và sự tăng năng suất trong một xã hội hai-tầng như vậy ban đầu đã làm tồi đi các điều kiện sống của hàng triệu người. Điều này đã bắt đầu thay đổi chỉ khi sự phân bố quyền lực xã hội thay đổi, làm thay đổi tiến trình của công nghệ sao cho nó nâng năng suất biên của các công nhân. Cũng cốt yếu đã là các định chế và các chuẩn mực cho sự chia sẻ rent vững chãi ở nơi làm việc, đảm bảo rằng năng suất cao hơn được chuyển thành sự tăng trưởng lương. Cuộc đấu tranh này về công nghệ và quyền lực người lao động bắt đầu biến đổi bản chất hết sức thứ bậc của xã hội Anh trong nửa thứ hai của thế kỉ thứ mười chín.

Trong các chương 6 và 7, chúng ta đã đi theo quá trình này từ nước Anh đến Hoa Kỳ, khi sự lãnh đạo công nghệ thay đổi. Công nghệ Hoa Kỳ thế kỷ thứ hai mươi đã di chuyển dứt khoát hơn theo hướng nâng năng suất biên của người lao động. Theo cách này nó đã đặt các nền móng của sự thịnh vượng chung, không chỉ ở trong nước mà cả trong phần lớn của thế giới, khi các kỹ thuật và các đổi mới Mỹ lan ra toàn cầu và đã cho phép sự sản xuất hàng loạt và sự lên của một tầng lớp trung lưu trong nhiều nước.

Hoa Kỳ đã vẫn ở hàng đầu công nghệ trong 50 năm qua, và các phương pháp sản xuất và thực hành của nó, nhất là các đổi mới số của nó, vẫn đang lan ra khắp thế giới, nhưng bây giờ với các hậu quả rất khác. Mô hình Hoa Kỳ về sự thịnh vượng chung bị hỏng vì quyền lực được tập trung vào tay của các công ty lớn, các định chế và các chuẩn mực chia sẻ rent bị tháo ra, và công nghệ đi theo một hướng chủ yếu tự động hóa bắt đầu khoảng 1980.

Tất cả điều này đang được tiến hành, và tầm nhìn làm sinh động sự dùng công nghệ cho tự động hóa công việc, cho giám sát, và vắt ép công nhân đã ở vị trí vững chắc của nó, trước làn sóng AI mới nhất. Chúng ta ở trên đường quay lại một xã hội hai-tầng rồi từ lâu trước các năm 2010. Với ảo tưởng AI được nâng cao, chúng ta đang thấy quá trình này tăng tốc.

AI hiện đại khuếch đại các công cụ trong tay các elite công nghệ, cho phép họ tạo ra nhiều hơn để tự động hóa công việc, đặt con người ra bên lề, và được cho là làm tất cả các loại việc tốt như tăng năng suất và giải quyết các vấn đề chính đối mặt loài người (họ tự nhận thế). Được AI trao quyền, các nhà lãnh đạo này cảm thấy ít cần tham khảo phần còn lại của cư dân hơn. Thực ra, nhiều trong số họ nghĩ rằng hầu hết con người là không khôn ngoan thế và có thể thậm chí không hiểu cái gì là tốt cho họ.

Cuộc hôn nhân của các công nghệ số và doanh nghiệp lớn tạo ra số ngày càng tăng của các tỉ phú vào giữa-các năm 2000. Những sự giàu có như vậy được nhân lên một khi các công cụ AI bắt đầu lan ra trong các năm 2010. Nhưng điều này không phải bởi vì AI hóa ra là bất cứ thứ gì hữu ích hay gây kinh ngạc như những người nâng đỡ nó đã xác nhận. Ngược lại, tự động hóa dựa vào AI thường không làm tăng năng suất nhiều thế. Tồi tệ hơn, không có cách nào để xây dựng sự thịnh vượng chung. Tuy nhiên nó mê hoặc và làm giàu các trùm tư bản và các nhà quản lý chóp bu như nó tước quyền các công nhân và mở ra những cách mới để tiền tệ hóa thông tin về mọi người, mà chúng ta sẽ thảo luận trong Chương 10.

Việc tất cả điều này bị phớt lờ trong sự hấp tấp điên loạn dùng các công nghệ số để tự động hóa công việc và giám sát con người là lý do vì sao chúng tôi đặt tên cho pha mới này của tầm nhìn là ảo tưởng AI. Áo tưởng này sẽ tăng cường trong thập kỷ tiếp, khi các thuật toán hùng mạnh hơn được phát triển, sự kết nối online toàn cầu tăng lên, và các thiết bị gia dụng và các máy khác được kết nối thường xuyên với đám mây, cho phép sự thu thập dữ liệu sâu rộng hơn.

Ngày nay chúng ta đang di chuyển gần hơn tới dystopia tương lai Time Machine của H. G. Wells. Xã hội của chúng ta đã trở thành hai-tầng rồi. Trên đỉnh có các trùm tư bản lớn, mà tin chắc rằng họ đã kiếm được của cải của họ vì thiên tài gây kinh ngạc của họ. Ở dưới đáy chúng ta có những người bình thường mà các nhà lãnh đạo công nghệ xem như dễ mắc lỗi và chín muồi cho sự thay thế. Khi AI thấm vào ngày càng nhiều khía cạnh của các nền kinh tế hiện đại, có vẻ ngày càng có khả năng rằng hai tầng sẽ trở nên xa nhau hơn.

Chẳng gì trong điều này lẽ ra đã phải là thế. Các công nghệ số lẽ ra đã không cần được dùng cho chỉ sự tự động hóa công việc, và các công nghệ AI đã không phải được áp dụng bừa bãi để khuếch đại cùng xu hướng. Cộng đồng công nghệ đã không phải bị trí tuệ máy mê hoặc thay cho làm việc về sự hữu ích máy. Không có gì được định trước về con đường này của công nghệ, cũng chẳng có gì là không thể tránh khỏi về xã hội hai-tầng mà các nhà lãnh đạo của chúng ta đang tạo ra.

Có những đường ra khỏi câu đố hắc búa hiện thời của chúng ta bằng việc cấu hình lại sự phân bố quyền lực trong xã hội và định hướng lại sự thay đổi công nghệ. Sự thay đổi như vậy sẽ phải hoạt động qua các quá trình dân chủ, từ dưới lên. Tuy vậy, đáng ngại thay AI cũng đang phá vỡ nền dân chủ.