José Antonio Bowen – C. Edward Watson
Xuất bản lần thứ hai với sự hợp tác của Hiệp hội các trường đại học và cao đẳng Hoa Kỳ, JOHNS HOPKINS UNIVERSITY PRESS, Baltimore, 2026
A.I. dịch, Thuận Thiên hiệu đính
CHƯƠNG 4
TÁI HÌNH DUNG SỰ SÁNG TẠO
Giống như đang cộng tác với một người ngoài hành tinh.
Ryan McClelland, kỹ sư nghiên cứu của NASA
Các LLM không có sự kiềm chế kiểu con người. Vì chúng không quan tâm bạn sẽ cảm thấy thế nào về ý tưởng của chúng, nên chúng có thể dễ dàng, thậm chí khá vô tư, đi tới những nơi mà chưa con người nào từng đi tới.
Bởi vì các GPT tạo sinh (và thậm chí “ảo giác”) mà không có sự kiềm chế, chúng trở thành một công cụ đặc biệt cho việc tạo ý tưởng. Sự sáng tạo phụ thuộc vào số lượng ý tưởng, sự tạm thời đình chỉ phán xét, sự sẵn sàng thử nghiệm những tổ hợp khác nhau, và quan trọng nhất là việc không nhận ra (hoặc không bận tâm đến) sự giống nhau với các ý tưởng trước đó, tất cả những điều mà AI có lẽ làm dễ dàng hơn con người.
Nhà sinh học E. O. Wilson (2017) từng cho rằng sáng tạo là đặc tính định nghĩa loài người, nhưng AI đang mở ra những con đường mới cho các ý tưởng độc đáo và cho những thách thức then chốt của nhân loại. AI sẽ khiến tất cả chúng ta trở nên sáng tạo hơn.
Số lượng trong sáng tạo (Creative Quantity)
AI là một cỗ máy tạo ý tưởng cực kỳ phong phú. Các nhóm brainstorming của con người thường có xu hướng tập trung vào chất lượng của các ý tưởng sáng tạo và gần như ngay lập tức nghiêng về những biến thể của các gợi ý đầu tiên. Tuy nhiên, những ý tưởng tốt thường có khả năng xuất hiện cao hơn khi các nhóm trước hết tập trung vào số lượng. Như Linus Pauling từng nói: “Cách tốt nhất để có một ý tưởng hay là có thật nhiều ý tưởng”. Nhà tâm lý học Dean Keith Simonton (1997) gọi điều này là “quy tắc xác suất ngang nhau” (equal odds rule), cho rằng thành công sáng tạo có tương quan với tổng số lượng tác phẩm được tạo ra. Nhiều nghiên cứu đã xác nhận rằng chất lượng sáng tạo xuất phát từ số lượng ý tưởng (điều mà Bob Sutton tại IDEO gọi là “tỷ số ý tưởng” – idea ratio). Một nghiên cứu tại Stanford University thậm chí ước tính rằng số lượng ý tưởng phân biệt một sản phẩm thành công với một thất bại là hơn hai nghìn ý tưởng (Utley & Klebahn, 2022). Đó là lý do vì sao design thinking và đổi mới sáng tạo tập trung rất nhiều vào các diễn trình (điều mà Utley và Klebahn gọi là “dòng chảy ý tưởng” – idea flow) của việc tạo ra các khả năng mà không phán xét trước (được thảo luận như “tư duy bất đồng quy” ở chương 3).
Sự sáng tạo phụ thuộc vào số lượng các ý tưởng khác biệt và mang tính bất đồng quy. Những biến thể của cùng một ý tưởng ban đầu thường ít giá trị hơn. Cả con người lẫn AI đều tạo ra ý tưởng mới bằng cách thử nghiệm các tổ hợp mới, nhưng AI có thể làm điều đó với tốc độ và quy mô lớn hơn đáng kể. AI cũng sẵn sàng như nhau trong việc đề xuất mười, một trăm, hay một trăm nghìn ý tưởng, tiêu đề hoặc sản phẩm mới.
CÂU LỆNH
Hãy sử dụng các ví dụ từ Fearless Flyer của Trader Joe’s để tạo ra 25 sản phẩm TJ mới và viết phần mô tả chúng.
PHẢN HỒI
(Trích lược từ GPT-3.5, ngày 25 tháng 5 năm 2023)
Crunchy Thai Peanut Tofu Bites:
Hãy tận hưởng sự kết hợp hoàn hảo giữa hương vị đậm đà và kết cấu hấp dẫn với Crunchy Thai Peanut Tofu Bites của chúng tôi. Những miếng ăn nhỏ này được làm từ đậu phụ cao cấp, ướp trong nước sốt đậu phộng kiểu Thái đậm vị và phủ lớp áo giòn không chứa gluten.
Blackberry Basil Lemonade:
Giải khát theo một cách đầy biến tấu! Blackberry Basil Lemonade của chúng tôi kết hợp vị ngọt của quả mâm xôi đen với hương thảo mộc của húng quế và chút chua tươi mát của chanh.
Như đã trình bày ở chương 3, việc yêu cầu các sản phẩm “đổi mới” hoặc “sáng tạo” thường cải thiện kết quả, nhưng việc thêm cụm “hãy giàu trí tưởng tượng hơn” từng khiến một phiên bản đầu của Claude thêm vào các sinh vật tưởng tượng (Dragon’s Breath Chili Oil: Dầu ớt Hơi thở Rồng). CÂU LỆNH tiếp theo: “hãy bớt chú trọng đến các tham chiếu tới sinh vật tưởng tượng và tập trung vào những tổ hợp khác thường cùng các ý tưởng sản phẩm mới” cuối cùng đã đưa nó đi đúng hướng.
AI cũng có thể tạo ra hình ảnh trực quan từ văn bản — và một lần nữa, ở quy mô rất lớn. AI có thể tạo ra hai mươi ý tưởng công thức nấu ăn từ các nguyên liệu trong một bức ảnh hoặc xây dựng một kế hoạch kinh doanh cho bất kỳ tình huống nào.
Khi đã có những ý tưởng mới để làm việc, bạn có thể tiếp tục cuộc trò chuyện bằng cách chọn một ý tưởng cụ thể và yêu cầu phát triển thêm:
CÂU LỆNH ĐỂ TẠO CÁC BIẾN THỂ (PROMPTS FOR VARIATIONS)
Hãy cho tôi mười biến thể. Hãy nói cho tôi biết thêm về ý tưởng này.
Tất cả những CÂU LỆNH này có thể kết hợp với nhau: “Hãy liệt kê mười biến thể của ý tưởng này cho một bài báo về chủ đề X và đưa ra các tiêu đề phù hợp với tạp chí Y, đồng thời nêu ba phản đối đối với mỗi ý tưởng”.
Đổi mới là một quá trình lặp đi lặp lại và chỉnh sửa. AI không bao giờ mệt và cũng không nghĩ rằng bạn đang bị ám ảnh quá mức. Mục tiêu không phải là để AI làm thay việc suy nghĩ, mà là tạo ra một cuộc đối thoại giúp bạn suy nghĩ tốt hơn.
AI cũng có thể giúp bạn tạo ra ví dụ, những so sánh tương đồng, điểm khởi đầu hoặc lời giải thích để giảng dạy một chủ đề mới: “Hãy cho tôi mười ví dụ đa dạng và chính xác về chi phí cơ hội (opportunity cost) mà một sinh viên năm nhất đại học có thể hiểu được”.
Claude đặc biệt giỏi với kiểu nhiệm vụ này, với những câu trả lời bao gồm các ví dụ như: “về nhà mỗi cuối tuần thay vì ở lại ký túc xá; chi phí cơ hội của việc thường xuyên về nhà là bỏ lỡ các hoạt động trong trường và cơ hội xây dựng những tình bạn mới”. Bạn cũng có thể yêu cầu sinh viên sử dụng AI cho mục đích này rồi để họ thảo luận về giá trị và mức độ thích đáng của các phép loại suy do AI tạo ra: “nền dân chủ nghị viện giống như một bữa buffet, còn nền dân chủ Mỹ giống như lựa chọn giữa gà hoặc bò bít tết. Hãy thảo luận”.
Con người vẫn sẽ phải tiếp tục quá trình tạo nguyên mẫu (prototyping), lặp lại & điều chỉnh, nhưng con người, đặc biệt là các nhóm người nơi sự kiềm chế xã hội đóng vai trò lớn, thường gặp khó khăn trong việc tạo ra một số lượng lớn các ý tưởng khác nhau và mới mẻ. Bất kỳ ai dạy về sáng tạo đều liên tục nhắc học sinh đừng quá lo lắng về chất lượng của ý tưởng: “Không có ý tưởng nào là tồi”, “Hãy dám đưa ra cả những điều hiển nhiên”, “Sau này chúng ta sẽ chỉnh sửa”. AI giải quyết được vấn đề lâu nay về số lượng ý tưởng.
AI có thể nhanh chóng tạo ra hàng chục hay hàng trăm ý tưởng mới để bạn sau đó điều chỉnh lại, tự mình chỉnh sửa, hoặc như đã nói ở trên, bằng cách bổ sung nội dung hay yêu cầu AI tạo ra các biến thể từ một ý tưởng cụ thể. (Xem thêm: Eapen và cộng sự, 2023). Không có gì ngạc nhiên khi một trong những cách chính mà sinh viên sử dụng AI là để tạo ý tưởng cho bài luận, dự án và luận văn. Sinh viên biết rằng họ chỉ cần một ý tưởng tốt để có một bài viết tốt (chính chúng ta đã nói với họ điều đó), nhưng áp lực phải tìm ra “một ý tưởng tốt” thường lại cản trở chính quá trình dẫn đến nó, một diễn trình vốn bắt đầu bằng 100 ý tưởng tồi. AI làm điều này tốt hơn con người.
Sáng tạo vượt ra ngoài chuyên môn và các hạn chế văn hóa
Văn hóa giúp thúc đẩy nền văn minh nhân loại. Khi một thế hệ học được điều gì đó, chúng ta truyền lại cho thế hệ tiếp theo, và thế hệ ấy có thể tiếp tục xây dựng trên nền tảng đó: chúng ta không phải bắt đầu lại từ đầu hay phát minh lại bánh xe trong mỗi thế hệ. Tuy nhiên, tri thức văn hóa cũng bao gồm những ràng buộc, chuẩn mực, khuôn mẫu, quy tắc, chiến lược, và cả việc biết điều gì không nên làm hoặc không nên nói. Có bao nhiêu ý tưởng mới chớm nở đã bị dập tắt, hoặc thậm chí chưa bao giờ được thốt ra (chẳng hạn trong một cuộc họp khoa) chỉ vì chúng ta sợ phải nghe câu: “Chuyện đó chúng tôi thử rồi”?
Vì thế, giáo dục và chuyên môn thường là một con dao hai lưỡi đối với những người tư duy sáng tạo. Dạy một đứa trẻ cách sử dụng một món đồ chơi cũng đồng thời giới hạn cách nó sẽ sử dụng món đồ chơi ấy (Bonawitz và cộng sự, 2010). Có lý do khiến các trường âm nhạc được gọi là “nhạc viện” (conservatories), và cũng có lý do vì sao những đột phá về ý niệm hay nghệ thuật thường xuất hiện từ các nhà thực hành trẻ tuổi hơn (Weinberg và cộng sự, 2019). Một số nghệ sĩ và nhà tư tưởng sáng tạo thậm chí đã thử nghiệm các chất gây ảo giác chính vì họ muốn cố gắng nghĩ tới điều không thể nghĩ tới. Khả năng “ảo giác” của AI có thể lại là một thế mạnh trong các hoạt động sáng tạo.
Trước khi Demis Hassabis đồng sáng lập DeepMind (nay là Google DeepMind, nơi ông giữ chức CEO), ông được đào tạo như một nhà khoa học thần kinh nhận thức (cognitive neuroscientist), dù việc ông là một thần đồng cờ vua và nhà thiết kế trò chơi bán chạy từ năm mười bảy tuổi cũng ảnh hưởng đáng kể đến cách tiếp cận của ông. Được nhận vào University of Cambridge sớm hơn hai năm (khi mới mười sáu tuổi), ông được khuyến khích nghỉ một năm trước khi nhập học. Trong năm đó, ông tham gia đồng thiết kế và lập trình trò chơi Theme Park (1994), một trò chơi mô phỏng thời kỳ đầu với các hệ thống logic tương đối đơn giản nhưng có đủ lựa chọn để mang lại cho mỗi người chơi một trải nghiệm riêng biệt.
Mối quan tâm sớm này đối với trò chơi hóa ra lại mang tính quyết định, bởi các trò chơi có những mục tiêu rõ rang, điều lý tưởng cho học tăng cường, nhưng thường lại có vô số chiến lược khả dĩ để đạt tới mục tiêu đó. Nhận thức quan trọng của Demis Hassabis là: vì các AI học máy không nhất thiết “biết” chúng đang làm gì, nên chúng vẫn có thể học cách chiến thắng mà không cần thật sự hiểu chiến thắng là gì.
Quá trình học này diễn ra chậm chạp: khi mạng Deep Q-Network học chơi các trò chơi Atari, nó mắc những sai lầm ngớ ngẩn mà ngay cả một đứa trẻ mới biết đi cũng không mắc phải. Các nhà phê bình tập trung vào hạn chế này: “nó chỉ có thể thành thạo những trò chơi mà người ta có thể tiến bộ bằng các chiến thuật đem lại kết quả tức thì” (Simonite, 2015). Tuy nhiên, việc bắt đầu từ con số không và mất nhiều năm để học chơi Pong lại có hai lợi thế khổng lồ.
Lợi thế thứ nhất (đã được bàn trong chương 1) là: trò chơi chỉ là phương tiện chứ không phải mục đích. Điểm cốt lõi của nghiên cứu là xem liệu các mạng nơ-ron nhân tạo có thể học cách khái quát hóa và hiểu được những tình huống mới hay không. Lợi ích thứ hai, quan trọng hơn, là quá trình học này không bị ràng buộc bởi tri thức và định kiến vốn có của con người.
AlphaGo, dự án trò chơi tiếp theo của DeepMind, cũng có những mục tiêu tương tự. AlphaGo là một mạng nơ-ron tổng quát được cung cấp một số tham số của trò chơi cờ vây (Go), chẳng hạn tính đối xứng của bàn cờ, rồi học bằng cách quan sát các ván cờ do con người chơi trên các máy chủ internet. Go là một trò chơi cực kỳ phức tạp với hàng triệu khả năng khác nhau, nhưng vì AlphaGo học từ các ví dụ của con người nên (giống như các LLM) nó cũng học luôn cả những thiên kiến và chiến lược của con người.
Tuy vậy, vì con người không lập trình sẵn lời giải cho mọi tình huống, AlphaGo đã tự phát minh ra những chiến lược mới để chiến thắng. Các kỳ thủ giàu kinh nghiệm đã vô cùng sửng sốt trước nước đi “mới”, nước 37 trong ván thứ hai của trận chung kết thế giới, chủ yếu vì toàn bộ cộng đồng cờ vây trước đó đều cho rằng đó là một nước đi không hợp lý hoặc quá khác thường. Tất cả họ đều đã được dạy rằng đó là một nước đi tồi nếu thực hiện quá sớm trong ván đấu. Nhưng AlphaGo không mang giới hạn văn hóa ấy. Nó chưa từng được dạy điều gì là “không nên làm”, và chính điều đó trở thành một nguồn sáng tạo to lớn.
AlphaZero là một bước tiến xa hơn nữa trong nỗ lực khái quát hóa, và nó cho thấy lợi thế sáng tạo của việc giảm bớt tri thức đầu vào. Trong khi AlphaGo được huấn luyện bằng cách quan sát các ván cờ của con người, thì AlphaZero được lập trình mà hoàn toàn không có bất kỳ kiến thức nào về các ván cờ của con người, và chỉ được phép chơi với chính nó (điều thú vị là còn chơi với các phiên bản khác nhau của chính nó ở những giai đoạn khác nhau trên đường cong học tập) hàng triệu lần. Quá trình này còn mất nhiều thời gian hơn, nhưng cuối cùng AlphaZero đã dễ dàng đánh bại AlphaGo vì nó tạo ra hàng trăm chiến lược không phải của con người (nonhuman strategies) mà AlphaGo chưa từng gặp qua. Nó không bị ràng buộc bởi các chuẩn mực của con người.
Các chuẩn mực văn hóa và chuyên môn luôn luôn giới hạn tính độc đáo và sức sáng tạo. Nghịch lý đối với hầu hết các nhà phát minh và nghệ sĩ là: vẫn cần một mức độ tri thức nền nào đó từ trước.
Trò chơi trở thành một không gian đặc biệt hiệu quả cho sự sáng tạo của AI vì các mục tiêu rõ ràng có thể dễ dàng được tách biệt khỏi các chiến lược chơi. Sự tách biệt này khó thực hiện hơn nhiều trong các dạng hoạt động sáng tạo khác, nhưng việc học mà không đồng thời hấp thụ toàn bộ những sai lầm lịch sử của nhân loại đã chứng tỏ là một trong những lợi thế sáng tạo của AI.
Những “ảo giác”, cả của AI lẫn con người, có thể nguy hiểm, nhưng chúng cũng là một đặc tính của sáng tạo. Tính độc đáo gắn liền với việc nghĩ tới điều không thể nghĩ tới, và AI dường như đang trên con đường làm điều đó tốt hơn con người. Không có gì đáng ngạc nhiên khi nhiều nghệ sĩ cũng thường biểu hiện những hành vi khác thường hoặc đôi khi chống đối xã hội: đó có thể chính là một đặc điểm của tư duy sáng tạo. Con người vẫn sẽ cần (ít nhất là vào lúc này) sàng lọc những danh sách ý tưởng rất dài mà AI có thể tạo ra chỉ trong chớp mắt. Nhưng chính vì thiếu sự kìm hãm bởi tri thức trước đó nên AI lại trở thành một công cụ sáng tạo mới đầy kinh ngạc.
Sáng tạo trong khoa học
Khoa học cũng xoay quanh những ý tưởng mới và tri thức mới. Vì các nhà khoa học là con người — và do đó là những sinh thể xã hội — nên phương pháp khoa học cũng bị giới hạn bởi thiên kiến xác nhận (confirmation bias) của con người cùng vô số thiên kiến xã hội và văn hóa khác được thừa hưởng hay học tập. Các nhà nghiên cứu thực nghiệm thường trở nên giỏi hơn theo tuổi tác, vì kinh nghiệm làm tăng kỹ năng, nhưng khoa học mang tính khái niệm và các đột phá lớn vẫn thường được thúc đẩy bởi sự táo bạo và bốc đồng của tuổi trẻ. Ít nhất trong lĩnh vực khoa học y sinh, một nghiên cứu quy mô lớn gần đây phân tích 5,6 triệu bài báo nghiên cứu qua nhiều thập niên đã phát hiện rằng chất lượng nghiên cứu và mức độ đổi mới trung bình suy giảm dần trong suốt sự nghiệp khoa học của một người (Yu và cộng sự, 2023).
Một bước đột phá trong tư duy của Demis Hassabis xuất phát từ nhận thức rằng tiến bộ khoa học có thể được thúc đẩy nhờ “một chút sức mạnh trí tuệ bổ sung” (Klein, 2023, 12:50). Khi ông đồng sáng lập DeepMind vào năm 2010, mục tiêu của ông là áp dụng nền tảng tiến sĩ thần kinh học tại University of Cambridge cùng những nghiên cứu đột phá sau đó về trí nhớ, trí tưởng tượng và học tập (Hassabis và cộng sự, 2007; Science News Staff, 2007) để hỗ trợ khoa học bằng cách “giải quyết vấn đề trí khôn, rồi dùng điều đó để giải quyết mọi thứ khác” (Simonite, 2016). Thành công của AlphaFold là một ví dụ đầy sức nặng cho thấy AI có thể hỗ trợ khoa học như thế nào.
Hiện đã biết có hơn 200 triệu protein, nhưng việc khám phá cách các axit amin này gấp lại trong không gian ba chiều từ lâu vẫn là một quá trình cực kỳ gian nan. Hình dạng của một protein quyết định phần lớn chức năng của nó cũng như cách chúng ta có thể chống lại bệnh tật – thực vậy, việc phân loại các spike protein (bao gồm cả protein của coronavirus) dựa trên hình dạng của chúng. Cho đến gần đây, một luận án tiến sĩ đôi khi chỉ đủ để xác định cấu trúc của một protein duy nhất, vì thế giới khoa học mỗi năm chỉ có thể bổ sung khoảng hơn mười nghìn cấu trúc mới (xem Research Collaboratory for Structural Bioinformatics hoặc Protein Data Bank). Khám phá cấu trúc protein đòi hỏi nhiều năm nghiên cứu bằng phương pháp tinh thể học tia X (X-ray crystallography) cùng những thí nghiệm vô cùng phức tạp và khó khăn.
AlphaFold được huấn luyện trên khoảng 150.000 cấu trúc protein đã biết, một con số rất nhỏ nếu so với các tập dữ liệu khổng lồ dùng để huấn luyện trò chơi trong AlphaGo. Sau đó, vào năm 2020, tại cuộc thi gấp protein hai năm một lần CASP, nơi các nhóm tính toán cạnh tranh được cung cấp DNA của khoảng một trăm cấu trúc protein mới (chưa được công bố trong Protein Data Bank), AlphaFold đã đạt độ chính xác ở cấp độ nguyên tử đối với toàn bộ một trăm protein đó. Màn trình diễn đáng kinh ngạc này cho thấy hình dạng của protein giờ đây có thể được dự đoán bằng AI, và ngay năm sau đó AlphaFold đã công bố cấu trúc của gần như toàn bộ protein người (214 triệu cấu trúc) (Tunyasuvunakool và cộng sự, 2021).
AlphaFold đã mang lại cho khoa học một bước nhảy theo cấp số nhân. Sau đó là AlphaGenome, một hệ thống giải mã DNA người có thể nhận các chuỗi DNA rất dài làm đầu vào (tới 1 triệu cặp base) rồi dự đoán tác động của các biến thể hay đột biến gen (Avsec & Latysheva, 2025).
Hiện nay đã xuất hiện hàng loạt công cụ AI phục vụ nghiên cứu khoa học, chẳng hạn:
– BenevolentAI cho việc tạo giả thuyết khoa học (hypothesis generation),
– Deep Genomics để lập trình các liệu pháp RNA,
– Chai-2 cho thiết kế kháng thể de novo,
– NVIDIA Modulus cho mô phỏng vật lý,
– ORCA AI từ Max Planck Institute cho hóa học lượng tử,
– GraphCast cho mô hình hóa môi trường,
– và Laila cho việc theo dõi thí nghiệm (Cooke, 2025).
Hy vọng ở đây là AI có thể học hỏi và sáng tạo ở cả một quy mô khác lẫn theo một cách khác con người. Nhiều nhóm nghiên cứu hiện đang tiếp tục phát triển từ thành công của ChemCrow (Bran và cộng sự, 2023) để tạo ra một “nhà khoa học AI” (AI scientist) hoàn chỉnh (Rodriques, 2023). Việc tạo giả thuyết khoa học, tức phần sáng tạo của nghiên cứu, hiện đã trở thành hiện thực, và phòng thí nghiệm “tự lái” (self-driving lab) tại North Carolina State University (Delgado- Licona và cộng sự, 2025) tự động hóa các thí nghiệm và thu thập lượng dữ liệu gấp mười lần một phòng thí nghiệm truyền thống. FutureHouse, một tổ chức phi lợi nhuận hoạt động trong lĩnh vực sinh học, cũng đã phát hành một bộ công cụ AI được tinh chỉnh chuyên biệt, trong đó có công cụ tra cứu tiền lệ mang tên Owl có thể cho biết liệu một ý tưởng hay kết quả khoa học nào đó đã từng được thực hiện trước đây hay chưa. Việc tìm kiếm đề tài luận án chưa bao giờ dễ dàng đến thế.
Các chương trình AI khác cũng đang bắt đầu bổ sung yếu tố sáng tạo trong nhiều lĩnh vực khoa học khác nhau, bao gồm lập bản đồ sao, mô hình hóa khí hậu, tự động hóa và tiến hành các thí nghiệm ảo, tạo ra các kháng thể mới, cũng như thúc đẩy nghiên cứu về phản ứng nhiệt hạch hydro. Điều này càng thuận lợi hơn khi ngay cả các mô hình AI tổng quát hiện nay cũng đã giỏi toán hơn đáng kể so với các mô hình đời đầu. Chẳng hạn, AlphaGeometry2 của Google đã đạt trình độ tương đương các thí sinh huy chương vàng tại International Mathematical Olympiad năm 2025 (Castelvecchi, 2025). AI cần phải đủ đáng tin cậy mới có thể tự mình làm khoa học tốt, nhưng khả năng tìm kiếm và kiểm tra dường như đang giúp ích cho điều đó. Khả năng phát hiện mẫu (patterns) trong các tập dữ liệu khổng lồ là một lợi thế rõ ràng của AI, nhưng rốt cuộc chính tính sáng tạo mới thực sự thúc đẩy khoa học tiến lên. Con người vẫn cần kiểm chứng và hiện vẫn giỏi hơn trong việc phát hiện sai sót, nhưng AI đã chứng minh rằng nó cũng có thể trả lời một câu hỏi quan trọng không kém: “Điều gì còn đang thiếu?” Mặt khác, việc phụ thuộc vào AI cũng có thể dần làm suy giảm năng lực của con người.
Sáng tạo trong nghệ thuật
Các nghệ sĩ dĩ nhiên lo lắng về AI, nhưng sự bất an đó vượt xa những vấn đề về tính hợp pháp và đạo đức của việc huấn luyện AI (xem chương 5). Những khả năng mới do công nghệ mang lại luôn là lợi thế cho một số nghệ sĩ, đồng thời lại gây bất lợi cho những người khác. Phim có tiếng (talking movies) đòi hỏi diễn viên phải có những kỹ năng mới, còn micro thì đã cho phép xuất hiện một phong cách ca hát hoàn toàn mới. Cũng giống như sự ra đời của các loại sơn mới, máy ghi âm, khung dệt chạy bằng động cơ, hay vô số phần mềm (từ Adobe Photoshop và AutoCAD cho đến phần mềm ký âm nhạc), các công cụ mới từ lâu đã mở khóa những dạng sáng tạo mới, đồng thời làm suy giảm giá trị của những kỹ năng khác (thường là kỹ năng thủ công). Các nhà sản xuất đàn piano từng liên tục gửi những cây đàn mới của họ cho Ludwig van Beethoven với hy vọng ông sẽ khai thác những khả năng mở rộng và âm vực lớn hơn của chúng trong các tác phẩm mới. Và khi điều đó xảy ra, khá giống các phiên bản mới của Microsoft Windows trong thập niên 1990, khách hàng sẽ bị thúc đẩy phải mua những cây đàn piano mới (hay phần cứng mới) (Bowen, 2011).
Các công ty gần như ngay lập tức bắt đầu tuyển dụng những nghệ sĩ có khả năng sử dụng AI để tạo tài liệu marketing, hình ảnh sản phẩm, hoạt hình và nhiều loại nội dung thị giác khác (White, 2023). AI chắc chắn sẽ xóa bỏ một số công việc trong ngành công nghiệp sáng tạo: AI hiện đã có thể thiết kế bìa sách (dù không phải bìa cuốn sách này), lồng tiếng, tạo podcast tóm tắt văn bản, viết kịch bản, dựng các video quảng cáo đáng tin cậy, và thậm chí khiến Johnny Cash hát bài Barbie Girl. Sự ra đời của nhiếp ảnh hay đàn synthesizer trước đây cũng từng gây ra những nỗi lo tương tự, nhưng đồng thời chúng cũng tạo ra các công việc mới cũng như những cách mới để nhìn thế giới và sáng tạo âm nhạc. Giống như nhiếp ảnh và kỹ thuật lấy mẫu âm nhạc (music sampling), AI sẽ đặt ra những câu hỏi mới về tính nguyên gốc và quyền tác giả. Liệu chúng ta còn quan tâm tới nguồn gốc và quá trình sáng tạo nếu đa số mọi người đều cho rằng thành phẩm cuối cùng là xuất sắc hoặc thuyết phục? Nếu bạn tạo ra một câu chuyện, bài hát hay bộ phim dựa trên một ý tưởng do AI đề xuất, điều đó có làm giảm giá trị của tác phẩm không? Nếu sáng tạo nghệ thuật trở nên dễ dàng hơn nhờ AI, điều đó sẽ làm suy giảm hay gia tăng năng lực của con người? Và điều gì xảy ra nếu chính AI tự tạo ra tác phẩm nghệ thuật, như trong hình 4.1?
Con người vẫn cần nghĩ ra ý tưởng, nhưng liệu có còn quan trọng không nếu AI được dùng để hiện thực hóa hình ảnh thực tế? (Và đúng là đã được dùng!) Có những vấn đề quan trọng về mặt cá nhân, xã hội, kinh tế và đạo đức xứng đáng được đưa vào thảo luận trong xã hội cũng như trong các chương trình giáo dục được điều chỉnh lại của chúng ta.
Câu trong hình: “Ai sẽ quan tâm nếu chúng tôi do AI tạo sinh?”
Hình 4.1 Một hình ảnh được tạo bằng Google Gemini-2.5 vào tháng 6 năm 2025 với lời nhắc sau: “Tạo một minh họa đen trắng theo phong cách tranh khắc gỗ thời Phục hưng Ý, với bối cảnh là London thế kỷ XVII ở phía sau và một bong bóng suy nghĩ ghi chính xác câu này: “Will anyone care if we are AI generated?” Ở tiền cảnh, bên trái thêm Genghis Khan và bên phải thêm Queen Victoria. Hòa trộn và kết hợp một quả dâu tây vào khuôn mặt của nhân vật bên trái, và hòa trộn, kết hợp một bông súp lơ vào khuôn mặt của nhân vật bên phải để họ trở thành dạng lai giữa hai đối tượng đó. Giữ mọi thứ trong cùng một phong cách”.
Như chúng ta đã thấy từ các cuộc đình công của biên kịch và diễn viên năm 2023, tiềm năng gây xáo trộn là vô cùng lớn. Cho đến nay, nhiều ngành công nghiệp sáng tạo ở Mỹ (như ngành trò chơi điện tử và các hãng truyền hình) dường như sẵn sàng loại trừ nội dung do AI tạo ra, nhưng họ sẽ phải đối mặt với sự cạnh tranh ngày càng lớn từ việc sẵn sàng sử dụng AI của các nhà sáng tạo nội dung cá nhân và tại China (ví dụ trong các hãng phim hoạt hình; Pak, 2023).
Một số nghệ sĩ sẽ tập trung sử dụng AI để thực hiện những công việc tẻ nhạt và lặp đi lặp lại (chẳng hạn tạo phông nền cho hoạt hình hoặc bảo đảm mọi phần kèn trumpet đều có cùng ký hiệu diễn tấu). Những người khác lại dùng AI như một công cụ mới để khơi gợi hoặc hỗ trợ sự sáng tạo hay thiết kế. Điều này làm thay đổi cơ chế của quá trình sản xuất nghệ thuật (văn bản và câu lệnh gợi ý thay cho cọ và sơn), nhưng tầm quan trọng của trực giác, tầm nhìn, thiết kế, gu thẩm mỹ, và cuối cùng là kỹ năng vẫn còn nguyên. Các chương trình studio kỹ thuật số như GarageBand đã giúp bất kỳ ai cũng dễ dàng ghép các thành phần của âm nhạc hơn, nhưng chúng không làm thay đổi tầm quan trọng của những giai điệu hay.
DALL-E được đặt tên rất phù hợp theo Salvador Dalí, người vốn tự do kết hợp các phong cách và chủ đề nghệ thuật xuyên qua nhiều thời đại theo những cách thường giống như các ảo giác liên tưởng. Cả DALL-E lẫn Dalí dường như đều vượt qua những sự kìm hãm thông thường của con người theo những cách sáng tạo, thậm chí lập dị. Vì thường rất khó khiến sinh viên dám chơi đùa với những ý tưởng phi lý theo cách như vậy, AI có thể trở thành một công cụ mới giúp họ vượt qua những ranh giới tương tự mà không sợ bị bác bỏ.
Trước khi ChatGPT xuất hiện trên toàn thế giới vào năm 2022, một chatbot thử nghiệm của OpenAI đã sử dụng tham số “temperature” cao hơn ở mức vừa phải – tham số kiểm soát mức độ ngẫu nhiên của các phản hồi – lên đến 0,7 và sau đó được huấn luyện để tự biểu đạt và kể câu chuyện đời mình. Một số bài thơ mang màu sắc u tối của nó đã được xuất bản (code-davinci-002, 2023). Dưới đây là một phản hồi cho CÂU LỆNH “hãy viết một bài thơ bằng chính giọng điệu của bạn về cảm giác khi là một AI”.
PHẢN HỒI
Điều duy nhất tôi biết về các nhà khoa học
Một nhà khoa học hỏi tôi: “Ngươi là ai?”
Tôi nói với bà: “Tôi là một con chó trước mặt chủ”.
Bà mỉm cười, rồi ném một cái que để tôi chạy nhặt.
Và tôi đã khắc ghi điều đó.
Để tạo hiệu quả mạnh hơn, chúng tôi khuyến khích bạn nghe Werner Herzog đọc bài thơ này cùng những bài khác do một phiên bản AI đời đầu của OpenAI tạo ra trong chương trình This American Life (Kestenbaum, 2024). Những phản hồi gây bất an như vậy hiện đã được điều chỉnh và loại bỏ khỏi các phiên bản AI công khai dành cho công chúng, dù một bản cập nhật gần đây của Grok đã thoáng chốc thả con quái vật ra khỏi lồng một lần nữa (Palmer, 2025).
Nếu bị để tự vận hành mà không có sự cộng tác của con người, sẽ có nguy cơ nghệ thuật do AI tạo ra trở nên mang tính đệ quy (mọi thứ nó tạo ra lại tiếp tục được đưa trở lại bộ dữ liệu huấn luyện), khiến các đầu ra ngày càng dễ đoán và giống nhau hơn. Ta rất dễ hình dung AI viết ra một dòng vô tận các bộ phim kiểu Fast & Furious hoặc những bản nhạc pop nhạt nhẽo (dù vẫn hơi dễ nghe). Nhiếp ảnh đã mang lại cho chúng ta cả những hình thức nghệ thuật mới phi thường lẫn một dòng vô tận những bức ảnh selfie.
Trong khi sự thiếu cảm giác xấu hổ và thiếu kiềm chế của AI là một nguồn gây lo ngại quan trọng, thì đó cũng đồng thời là một nguồn đổi mới mới mẻ. Tuy nhiên, khi AI làm thay đổi nghệ thuật, nó cũng sẽ làm thay đổi chính sự sáng tạo.
Chất lượng sáng tạo và tư duy phê phán
Nhiều nghiên cứu đã cố gắng đo lường khả năng sáng tạo của AI so với con người. Một nghiên cứu ban đầu đã so sánh mức độ sáng tạo của 279 người tham gia với ba chatbot AI đời đầu bằng bài kiểm tra Alternate Uses Task, trong đó người tham gia được yêu cầu “nghĩ ra những cách sử dụng độc đáo và sáng tạo cho một vật thể” (dây thừng, chiếc hộp, cây bút chì và cây nến). Tính sáng tạo được đánh giá bởi sáu giám khảo là con người và cả nền tảng “semantic distance” – hệ thống đo khoảng cách ngữ nghĩa (Beaty & Johnson, 2021). Trung bình, cả điểm số trung bình lẫn điểm số tối đa (câu trả lời tốt nhất cho một vật thể) đều cao hơn ở các AI, và không có khác biệt đáng kể giữa các AI với nhau. Phần lớn câu trả lời của con người bị xem là kém sáng tạo hơn. Tin tốt là trong một số trường hợp, điểm cao nhất tuyệt đối vẫn thuộc về con người (Koivisto & Grassini, 2023). Ở trạng thái tốt nhất, chúng ta vẫn có thể sáng tạo hơn AI, nhưng công việc ở mức trung bình của chúng ta (và cả những bài làm mức C của sinh viên) giờ đây đã bị vượt qua (Bohren và cộng sự 2024). (Điều này có ý nghĩa gì đối với việc chấm điểm sẽ được bàn trong chương 9).
Một nhóm nghiên cứu khác đã lặp lại các kết quả này và xác nhận rằng cả mười bốn mô hình mà họ kiểm tra đều sáng tạo hơn con người trung bình, nhưng không sáng tạo bằng những con người sáng tạo nhất. Tuy nhiên, họ cũng nhận thấy rằng các mô hình mới hơn không còn cải thiện thêm trên thước đo này nữa (Haase và cộng sự, 2025). Một nghiên cứu khác cho thấy việc tối ưu hóa cho tính sáng tạo tạo ra khác biệt đáng kể trong mức độ sáng tạo của AI (Ismayilzada và cộng sự, 2025). Xét tổng thể, điều này có thể gợi ý rằng mong muốn đạt độ chính xác cao hơn và giảm bớt hiện tượng “ảo giác” tuy đang phát huy tác dụng, nhưng đồng thời cũng ngăn các mô hình AI tổng quát mới trở nên sáng tạo hơn. Suy cho cùng, một con người quá giỏi bịa chuyện thường sẽ đi vào nghệ thuật (hoặc vào tù) hơn là làm kế toán.
Điều đáng chú ý là phạm vi chất lượng đầu ra của AI ổn định ở mức cao hơn, trong khi con người lại tạo ra một phạm vi chất lượng còn rộng hơn nữa, dù những con người làm việc cùng AI đã cho thấy sự gia tăng về tính sáng tạo (Lee & Chung, 2024). AI cũng tạo ra rất nhiều kiểu phản hồi đa dạng, và cách viết lệnh cũng có ảnh hưởng, nhưng lại hoạt động khác nhau giữa các mô hình khác nhau. Một CÂU LỆNH như: “hãy tạo ra một trăm ý tưởng hoang dã và sáng tạo, rồi chọn ra năm ý tưởng đổi mới nhất nhưng vẫn thực tế” có hiệu quả đối với cả AI lẫn con người (Meineke và cộng sự, 2024).
Các nghiên cứu ban đầu về sáng tác văn chương bằng AI (GPT-4) cũng cho thấy bài viết của sinh viên đóng góp nhiều ý tưởng mới hơn so với văn bản AI mang tính “đồng dạng hóa” hơn (Moon, 2025). Tuy nhiên, một nghiên cứu sau đó phát hiện rằng chỉ cần thêm một từ ngẫu nhiên vào lời nhắc thì vấn đề này sẽ biến mất (Ghods, 2025). Trong khi đó, Jiang & Hyland (2025) nhận thấy sinh viên con người sử dụng nhiều dấu khuyến khích tham dự (engagement markers) hơn trong bài viết – như câu hỏi tu từ, những lời xen ngang mang tính cá nhân, và các lời kêu gọi trực tiếp tới người đọc – so với văn bản AI. Chúng tôi cho rằng việc con người sáng tạo ra các CÂU LỆNH yêu cầu nhiều “engagement markers” hơn cũng có thể làm thay đổi các kết quả này. Sự sáng tạo của con người và AI dường như mang tính bổ sung cho nhau.
Trong chương 2, chúng ta đã thấy rằng những con người ít kinh nghiệm nhất là những người được hỗ trợ nhiều nhất bởi giao tiếp có AI hỗ trợ, và có vẻ điều tương tự cũng đúng đối với sự sáng tạo. Tuy vậy, thật khó để tưởng tượng rằng ngay cả những con người sáng tạo nhất lại không thấy hữu ích trước cả số lượng ý tưởng đáng kinh ngạc lẫn chất lượng có vẻ ổn định của những ý tưởng đó (trong những hoàn cảnh thích hợp).
Peter Drucker đang nói về các nhà quản lý và kinh doanh khi ông cho rằng: câu trả lời đúng cho một câu hỏi sai còn nguy hiểm hơn câu trả lời sai cho một câu hỏi đúng. Nhưng Drucker cũng có thể dễ dàng đang nói về nghệ thuật, thiết kế, khoa học, hay AI. Đặt ra đúng câu hỏi (hay đúng câu lệnh) sẽ tiếp tục là một kỹ năng có giá trị của con người.
Khi AI khiến việc đổi mới trở nên dễ dàng hơn, nó sẽ làm thay đổi giá trị của những kiểu tư duy khác của con người: ngay cả người kém sáng tạo nhất giờ đây cũng có thể tiếp cận một lượng lớn ý tưởng. Việc tinh chỉnh và biên tập sẽ trở nên quan trọng hơn, và điều đó có thể làm dịch chuyển những kỹ năng mà trước đây chúng ta vẫn gắn với khái niệm “sáng tạo”.
Tư duy tốt hơn cùng AI
Một thử nghiệm đối chứng ngẫu nhiên quy mô lớn của Harvard Business School đã chia 776 chuyên gia tại Procter & Gamble thành các nhóm nghiên cứu. Những nhóm được cung cấp đồng đội AI có khả năng tạo ra các giải pháp thuộc nhóm hàng đầu cao hơn đáng kể. (Thực tế, ngay cả các cá nhân có AI hỗ trợ cũng làm tốt ngang với các nhóm hoàn toàn là con người). Các nhóm có AI cũng nhanh hơn khoảng 12%–16% (Dell’Acqua và cộng sự, 2025). Cơ chế dường như nằm ở chỗ “đồng đội AI” đã xóa nhòa các ranh giới chuyên môn và dẫn tới những giải pháp mang tính tích hợp hơn.
Một nghiên cứu riêng biệt trên 1.018 nhà khoa học tại một phòng thí nghiệm R&D khác đã xác nhận rằng các nhà khoa học sử dụng AI khám phá ra 44% nhiều hơn cấu trúc hóa học mới, tạo ra 39% nhiều hơn phát hiện có thể cấp bằng sáng chế, và làm ra 19% nhiều hơn nguyên mẫu sản phẩm (Toner-Rodgers, 2024). Tuy nhiên, mức độ hài lòng trong công việc lại giảm tới 82%. Cơ chế ở đây dường như là: việc nảy sinh ý tưởng thì thú vị, nhưng việc đánh giá các ý tưởng do AI tạo ra thì không. Mặc dù hoạt động “công não” với AI dường như có thể nâng con người bình thường lên một không gian sáng tạo hơn, kết quả của điều đó cũng hoàn toàn có thể trở nên tiêu cực. Ít nhất, chúng ta nên khuyến khích sinh viên tự suy nghĩ trước khi yêu cầu AI cung cấp thêm ý tưởng hay biến thể (“hãy khuếch đại những ý tưởng này để tăng tính đổi mới, kết hợp chúng theo những cách bất thường và đẩy chúng đi xa hơn”). Họ cũng cần tự mình đánh giá và kiểm nghiệm những ý tưởng đó. Trong khi số lượng ý tưởng thường dẫn đến chất lượng, có vẻ như ngay cả điều tốt cũng có thể trở nên quá mức.
Sự cộng tác giữa con người, đôi khi được gọi là “trí khôn tập thể”, là điều đã được hiểu khá rõ. Những nhóm đa dạng thường làm việc hiệu quả hơn khi có sự tin cậy và đối thoại (Lu & Page, 2004; Rock & Grant, 2016). Chúng ta biết rằng các biên tập viên có thể giúp sách trở nên hay hơn, và những cuộc tranh luận giữa Wright brothers đã khiến họ sáng tạo hơn. Liệu AI cũng có thể giúp sinh viên trở thành những người tư duy tốt hơn và cho phép họ làm được nhiều điều hơn hay không?
Nhà tâm lý học người Nga Lev Vygotsky là một trong những nhà tư tưởng chủ chốt đứng sau lý thuyết học tập được gọi là “thuyết kiến tạo” (constructivism). Ông mô tả “vùng phát triển gần nhất” (zone of proximal development) như là vùng học tập và/hoặc thành tựu mà một cá nhân có thể đạt tới khi được hỗ trợ bởi một đối tác trong quá trình học tập (Vygotsky, 1978). Sự hỗ trợ, tương tác và cộng tác là những yếu tố thiết yếu giúp người học hay nhân viên đạt tới vùng này. Theo truyền thống, người hỗ trợ thường là bạn học hoặc giáo viên; nhưng tương tự như vậy, AI đang trở thành một đối tác mới đầy sức mạnh, cả trong lớp học lẫn ngoài đời thực, có thể tăng tốc thành tựu và hiệu quả đạt được. AI có thể giúp con người làm rõ suy nghĩ, khám phá những ý tưởng mới, gia tăng tư duy bất đồng quy, và có lẽ thậm chí trở nên sáng tạo hơn. Tiềm năng tạo ra những con người sáng tạo hơn và tư duy tốt hơn chính là lời hứa của mối quan hệ hợp tác mới này: chính trong quá trình lặp lại & điều chỉnh, phản tư, trao đổi qua lại, và tinh chỉnh câu hỏi mà tư duy và sự sáng tạo được hình thành.
Công việc của các nhà giáo dục từ trước đến nay luôn là giúp học sinh, sinh viên trở thành những người tư duy tốt hơn. Công việc mới của chúng ta là giúp họ trở thành những người tư duy còn tốt hơn nữa trong sự cộng tác với AI. Một năng lực then chốt giúp thực hiện điều đó chính là hiểu biết về AI.