Google: AI tiết kiệm gần 7 giờ mỗi tuần, phòng thí nghiệm lại tắc nghẽn
Ngày 15/9/2026, Google công bố nghiên cứu do Google, Google DeepMind và MIT FutureTech thực hiện về việc sử dụng AI trong khoa học. Theo bản cập nhật AI & Economy ATLAS, gần một nửa số nhà khoa học được khảo sát dùng một dạng AI hằng ngày và mức tiết kiệm tự báo cáo đạt gần bảy giờ mỗi tuần, trong khi nút thắt chuyển sang kiểm chứng, thí nghiệm vật lý và xác nhận lâm sàng.
Công bố ngày 15/9 vì thế ghi nhận hai diễn biến cùng lúc: AI rút ngắn một số phần việc của cá nhân, nhưng năng lực kiểm nghiệm kết quả không tăng tương ứng. Con số gần bảy giờ không phải thời gian được đo trực tiếp từ nhật ký sử dụng Gemini và cũng chưa chứng minh số khám phá khoa học tăng với cùng tốc độ.
Con số gần bảy giờ được tính như thế nào?
Công bố của MIT FutureTech mô tả ba nguồn dữ liệu: mẫu 15 triệu lượt tương tác với Gemini, danh mục hơn 2.600 mô hình AI chuyên dụng và khảo sát hơn 600 nhà khoa học tại Mỹ và Anh. Ba nguồn được ánh xạ vào một hệ phân loại nhiệm vụ khoa học, nhưng chúng không cùng đo một hiện tượng.
Dữ liệu tương tác cho biết Gemini được dùng cho những loại nhiệm vụ nào; danh mục mô hình phản ánh phạm vi của các công cụ chuyên ngành. Riêng tần suất sử dụng AI, thời gian tiết kiệm, cách tái phân bổ thời gian và nhận định về nút thắt đều do người tham gia khảo sát tự báo cáo.
Mức gần bảy giờ là ước lượng trung bình của người được khảo sát, không phải kết quả từ một thử nghiệm đối chứng. Phân tích 15 triệu tương tác giúp mô tả hành vi sử dụng AI ở quy mô lớn, nhưng không theo dõi đầy đủ lịch làm việc của từng nhà khoa học và không thể tự nó xác định AI đã tiết kiệm bao nhiêu giờ.
AI tăng tốc phần việc trên máy tính
Nghiên cứu phân biệt mô hình ngôn ngữ lớn với các mô hình khoa học chuyên dụng. LLM như Gemini xuất hiện rộng trong phân tích tổng quát, viết mã và chuẩn bị bản thảo; các mô hình chuyên dụng tập trung hơn vào dự đoán, phân loại, tạo dữ liệu và mô phỏng theo từng lĩnh vực.
Sự phân công này có thể làm nhanh những khâu diễn ra chủ yếu trên máy tính: tìm và tổng hợp tài liệu, sửa mã, phân tích sơ bộ hoặc tạo phương án nghiên cứu. Phần thời gian được giải phóng chủ yếu được người tham gia cho biết là đưa trở lại hoạt động nghiên cứu, nhưng việc có thêm thời gian chưa đồng nghĩa với một thí nghiệm đã hoàn tất hoặc một kết quả đã được tái lập.
Đây là khác biệt giữa tốc độ tác nghiệp và sản lượng của toàn bộ hệ thống khoa học. Một nhóm có thể tạo nhiều giả thuyết hoặc dự đoán hơn mà không đồng thời có thêm thiết bị, mẫu vật, kỹ thuật viên hay năng lực đánh giá an toàn để kiểm tra chúng.
Vì sao nút thắt chuyển xuống phòng thí nghiệm?
Khi việc tạo giả thuyết và phân tích tính toán diễn ra nhanh hơn, số đầu ra cần xác minh cũng tăng. Những đầu ra đó vẫn phải đi qua các công đoạn vật lý như thu thập dữ liệu, chế tạo mẫu, chạy phép đo hoặc thử trong hệ sinh học; với nghiên cứu lâm sàng, còn có yêu cầu về đạo đức, an toàn và quản lý.
Chi phí xác minh vì vậy hấp thụ một phần lợi ích thời gian. Một chứng minh toán học có thể được đối chiếu với hệ quy tắc hình thức, trong khi dự đoán chức năng protein thường phải được tạo mẫu và kiểm tra trong phòng thí nghiệm. AI có thể hạ chi phí tạo phương án, nhưng không tự động mở rộng công suất của các bước kiểm nghiệm đó.
“Phòng thí nghiệm tắc nghẽn” trong tiêu đề cần được hiểu theo phạm vi này: khảo sát ghi nhận sự dịch chuyển của nút thắt và lượng giả thuyết chờ kiểm tra, chứ không đo trực tiếp hàng đợi thiết bị tại mọi cơ sở nghiên cứu. Mức độ ảnh hưởng sẽ khác nhau giữa lĩnh vực thiên về tính toán và lĩnh vực phụ thuộc nhiều vào vật liệu, con người hoặc thử nghiệm dài hạn.
Những tỷ lệ cho thấy cái giá của kiểm chứng
Phân tích của Scientific American cho biết khảo sát gồm 637 nhà khoa học: khoảng 44% nhận thấy nút thắt chính đã chuyển xuống các giai đoạn sau trong hai năm qua, còn 41% nói lượng giả thuyết chưa được thử nghiệm tăng. Trong nhóm báo cáo tiết kiệm thời gian, 89% dành hơn một phần mười khoản tiết kiệm để kiểm tra đầu ra AI và 46% dành hơn một phần tư.
Các tỷ lệ này cho thấy thời gian được giải phóng không hoàn toàn biến thành sản lượng mới. Một phần được tái đầu tư vào nghiên cứu, một phần quay lại chính quy trình dưới dạng rà soát và xác nhận; nếu công suất thí nghiệm không đổi, nhiều ý tưởng hơn còn có thể làm hàng đợi dài thêm.
Nghiên cứu chưa chứng minh điều gì?
Mẫu khảo sát chỉ gồm các nhà nghiên cứu tại Mỹ và Anh, được tuyển qua các bảng khảo sát chuyên biệt. Báo cáo phương pháp coi đây là mẫu phi xác suất, công bố kết quả không trọng số và không đưa ra biên sai số; vì thế, người sử dụng AI thường xuyên có thể xuất hiện nhiều hơn trong mẫu và kết quả không đại diện cho toàn bộ cộng đồng khoa học.
Nghiên cứu cũng chưa thiết lập quan hệ nhân quả bằng thử nghiệm ngẫu nhiên. Nó ghi nhận trải nghiệm của người tham gia và mối liên hệ giữa mức sử dụng AI với thay đổi trong quy trình, nhưng chưa chứng minh AI là nguyên nhân duy nhất tạo ra số giờ tiết kiệm hoặc lượng giả thuyết tồn đọng.
Điều đã biết là nhiều nhà khoa học trong mẫu tự báo cáo lợi ích thời gian đáng kể, đồng thời phải dành nguồn lực cho xác minh và đối mặt với nút thắt ở các bước hạ nguồn. Điều còn thiếu là dữ liệu theo thời gian về toàn bộ chu trình: bao nhiêu giả thuyết vượt qua thử nghiệm, bao nhiêu kết quả có thể tái lập và liệu số khám phá đáng tin cậy có tăng tương ứng hay không.
Đọc thêm:
Đăng ký bản tin
Nhận tin Web3, AI và tiền mã hóa mới nhất ngay trong hộp thư.