Những ai theo dõi Dharma AI đều biết rằng chúng tôi coi chuyên môn hóa là một trong những nguyên tắc xác định của hệ thống AI hiệu quả, định hình mọi thứ từ chi phí, hiệu suất đến độ tin cậy và chủ quyền. Rất ít bài báo trình bày luận điểm đó một cách chặt chẽ như công trình năm 2026 của Goldfeder, Wyder, LeCun và Shwartz-Ziv.

Trong bài viết này, chúng tôi khám phá và diễn giải các ý tưởng từ AI Must Embrace Specialization via Superhuman Adaptable Intelligence (Goldfeder, Wyder, LeCun, & Shwartz-Ziv, 2026). Luận điểm hội tụ của bài báo — trải dài trên lý thuyết tối ưu hóa, sinh học, kinh tế tổ chức và học máy — cung cấp cả cấu trúc bằng chứng lẫn nền tảng trí tuệ cho cuộc thảo luận sau đây. Cách trình bày, tổ chức và tổng hợp biên tập ở đây là của Dharma.

Kỳ vọng thông thường có vẻ hợp lý: khi hệ thống AI ngày càng có năng lực, chúng cũng nên ngày càng tổng quát. Năng lực lớn hơn và khả năng ứng dụng rộng hơn dường như là bạn đồng hành tự nhiên — nhiều tài nguyên hơn, phương pháp tốt hơn và đào tạo mở rộng sẽ tạo ra các hệ thống tiếp cận nhiều nhiệm vụ hơn với độ tin cậy ngày càng tăng.

Mô hình thực tế lại khác. Các hệ thống đạt được kết quả ấn tượng nhất trong bất kỳ lĩnh vực nào thường là những hệ thống tập trung hẹp nhất vào lĩnh vực đó. Bước đột phá trong dự đoán cấu trúc protein đến từ một hệ thống được thiết kế cho một nhiệm vụ khoa học duy nhất. Các cột mốc lịch sử của AI, khi xem xét kỹ lưỡng, phản ánh sự nhắm mục tiêu chuyên sâu vào lĩnh vực hơn là mở rộng tính tổng quát.

Mô hình này lặp lại. Nó lặp lại qua các lĩnh vực, qua nhiều thập kỷ, qua các lựa chọn kiến trúc hầu như không có điểm chung. Một mô hình nhất quán như vậy gợi ý một nguyên nhân chung — một nguyên nhân không bắt nguồn từ bên trong nghiên cứu AI.

Một thuật toán chiến thắng bằng cách phù hợp với mục tiêu

Năm 1997, Wolpert và Macready đã chứng minh một điều hiếm khi xuất hiện trong các cuộc thảo luận về kiến trúc AI: không có thuật toán tối ưu hóa đa năng nào vượt trội hơn tất cả các thuật toán khác trên mọi bài toán có thể (Wolpert & Macready, 1997). Chứng minh này mang tính toán học, không phải triết học. Tính trung bình trên mọi bài toán có thể mà một người học có thể gặp, mọi thuật toán đều hoạt động tốt như nhau — và kém như nhau. Một thuật toán đạt được lợi thế trên một phân phối bài toán thì chắc chắn phải nhượng bộ trên các phân phối khác. Hiệu suất được phân phối lại, không phải nhân lên.

Hàm ý thực tiễn rất trực tiếp: “một thuật toán chiến thắng bằng cách phù hợp tốt với bài toán mục tiêu” (Goldfeder và cộng sự, 2026). Định lý không nói rằng tính tổng quát là không thể — nó nói rằng tính tổng quát không phải là một lợi thế về hiệu suất. Con đường cấu trúc nhất quán để vượt trội là tập trung: đánh đổi bề rộng để lấy sự phù hợp.

Điều này trở nên rõ ràng hơn khi tài nguyên hữu hạn xuất hiện. Bất kỳ hệ thống thực tế nào cũng hoạt động dưới các ràng buộc — tính toán hữu hạn, dữ liệu hữu hạn, thời gian phát triển hữu hạn. Với năng lượng hữu hạn, một cách tiếp cận hướng các nguồn lực sẵn có vào việc học một tập hợp hữu hạn các nhiệm vụ sẽ vượt trội hơn so với cách phân phối các nguồn lực đó trên một phạm vi không giới hạn. Số học thật khắc nghiệt: khi tập nhiệm vụ mở rộng không giới hạn, tài nguyên dành cho mỗi nhiệm vụ co lại về không. Phủ sóng toàn diện và hiệu suất có ý nghĩa, dưới nguồn lực hữu hạn, đang mâu thuẫn trực tiếp.

Kết luận mà định lý hướng tới không phải là tính tổng quát là xấu. Nó hẹp hơn và mang tính vận hành hơn: như bài báo nêu, “tính tổng quát phổ quát là một khái niệm lý thuyết, nhưng trong thực tế, nó là một huyền thoại” (Goldfeder và cộng sự, 2026). Điều tồn tại khi tiếp xúc với các ràng buộc thực tế không phải là hệ thống cố gắng làm mọi thứ — mà là hệ thống phù hợp với mục tiêu của nó.

Toán học thiết lập điều này như một dự đoán, không phải một sở thích. Liệu dự đoán đó có đúng trong thế giới bên ngoài lý thuyết tối ưu hóa hay không là một câu hỏi khác.

Những gì sinh học và thị trường đã biết

Hai lĩnh vực khác đã đi đến cùng một dự đoán trước khi lý thuyết tối ưu hóa đặt tên cho nó.

Như bài báo mô tả trường hợp sinh học: mọi lợi thế về hiệu suất trong một ngách đều phải trả giá ở nơi khác. Một sinh vật tổng quát mang các đặc điểm phù hợp với nhiều môi trường nhưng không tối ưu cho môi trường nào — năng lực trải quá mỏng để thống trị bất kỳ điều kiện cụ thể nào. Không có lợi thế hiệu suất nào mà không có sự đánh đổi; các nguồn lực đầu tư vào một năng lực không có sẵn cho năng lực khác. Chọn lọc ưu tiên các thiết kế phù hợp với điều kiện địa phương hơn là các thiết kế tối ưu cho phủ sóng đồng đều trên mọi môi trường có thể. Các sinh vật sống sót để sinh sản không phải là những sinh vật có năng lực tổng quát nhất — chúng là những sinh vật phù hợp cụ thể nhất. Kết quả, tích lũy qua quy mô thời gian tiến hóa, không phải là các sinh vật tổng quát thống trị — mà là các chuyên gia lấp đầy các ngách. Như bài báo nêu:

“Chuyên môn hóa không phải là một tai nạn của sinh học; nó là một hệ quả có thể dự đoán được của nguồn lực hạn chế, các mục tiêu cạnh tranh và các môi trường ban thưởng cho hiệu suất trên một tập hợp nhỏ các thách thức liên quan đến tiến hóa” (Goldfeder và cộng sự, 2026).

Các thị trường cạnh tranh tuân theo cùng một động lực thông qua các phương tiện khác nhau. Các tổ chức và chiến lược không đáp ứng ngưỡng hiệu suất sẽ bị loại bỏ — không phải thông qua tuyệt chủng, mà thông qua rút lui, mất vốn và thay thế bằng các lựa chọn thay thế phù hợp hơn. Cạnh tranh hoạt động như một cơ chế chọn lọc: nó khuếch đại các chiến lược hiệu quả và loại bỏ các chiến lược không hiệu quả. Cơ chế này không có điểm chung nào với chọn lọc sinh học — không có di truyền, không có đột biến, không có quy mô thời gian tiến hóa. Đơn vị chọn lọc không phải là sinh vật mà là tổ chức, sản phẩm, chiến lược. Tuy nhiên, áp lực cấu trúc là giống nhau: nguồn lực hữu hạn, yêu cầu hiệu suất và việc loại bỏ có hệ thống các thực thể phân bố quá rộng để xuất sắc ở nơi cần thiết. Năng lực tập trung vượt trội hơn năng lực phân tán khi các tiêu chuẩn hiệu suất rõ ràng và nhất quán.

Tiến hóa và thị trường hoạt động thông qua các cơ chế hoàn toàn khác nhau — quy mô thời gian khác nhau, đơn vị chọn lọc khác nhau, cơ chế di truyền khác nhau. Tuy nhiên, cả hai đều tạo ra cùng một kết quả dưới áp lực tài nguyên: sự phù hợp hơn bề rộng. Định lý dự đoán điều này. Sinh học và thị trường độc lập đi đến nó. Khi một lĩnh vực thứ ba đi đến cùng một phát hiện thông qua các phương tiện hoàn toàn khác, mô hình không còn giống một định lý nữa mà bắt đầu giống một điều gì đó tổng quát hơn về cách các hệ thống bị ràng buộc hành xử.

Học máy liên tục tái khám phá chuyên môn hóa

Cùng một mô hình đã xuất hiện trong học máy — không phải bắt nguồn từ lý thuyết tối ưu hóa, mà đến từ kinh nghiệm tích lũy khi xây dựng các hệ thống và quan sát điều gì cải thiện chúng.

Hình thức rõ ràng nhất là chuyển giao tiêu cực: một sự suy giảm có thể đo lường xảy ra khi một hệ thống được huấn luyện trên nhiều nhiệm vụ bị ảnh hưởng vì các nhiệm vụ đó cạnh tranh thay vì hợp tác (Ruder, 2017). Khi các nhiệm vụ chia sẻ cấu trúc, huấn luyện cùng nhau sẽ có ích. Nhưng khi các nhiệm vụ cạnh tranh về dung lượng biểu diễn, hoặc áp đặt gradient xung đột trong quá trình huấn luyện, hiệu suất trên từng nhiệm vụ riêng lẻ sẽ thấp hơn so với một hệ thống chuyên dụng. Lợi ích từ bề rộng trở thành chi phí cho chiều sâu. Đó là một hậu quả được ghi nhận của việc phân chia dung lượng hữu hạn cho các nhiệm vụ kéo nhau theo các hướng khác nhau. Chuyên gia, không phải đối mặt với sự cạnh tranh như vậy, không phải trả chi phí này.

Kiến trúc của các mô hình tiên phong cung cấp một dạng bằng chứng khác. Các hệ thống mixture-of-experts đạt được bề rộng không phải thông qua tính tổng quát đồng đều trên tất cả các tham số, mà bằng cách định tuyến mỗi đầu vào đến một tập con chuyên biệt của mạng — kích hoạt các chuyên gia khác nhau cho các nhiệm vụ khác nhau. Lựa chọn kiến trúc này phản ánh các mô hình sinh học và thị trường: năng lực tổng thể của hệ thống là tổng của các thành phần chuyên biệt, mỗi thành phần được tối ưu hóa cho một lát cắt hẹp của không gian bài toán. Xu hướng chuyên môn hóa trong AI không phải là một giai đoạn tạm thời — nó là kết quả có thể dự đoán được của các hệ thống bị ràng buộc tối ưu hóa cho hiệu suất. Khi tài nguyên vẫn hữu hạn và nhu cầu hiệu suất gia tăng, tương lai của AI sẽ thuộc về các hệ thống không chỉ có năng lực, mà còn phù hợp chính xác với mục tiêu của chúng.