Trong một thập kỷ qua, DNN (mạng nơ-ron học sâu) đã phát triển vượt trội hơn tất cả các công nghệ trí tuệ nhân tạo (AI) khác với những tiến bộ đáng kể trên các lĩnh vực ứng dụng như thị giác máy tính, nhận dạng giọng nói, biên dịch,... Những hệ thống chatbot AI tạo sinh, bao gồm ChatGPT, ra đời cũng là để tiếp tục xu thế này.

Để máy có thể học, các thuật toán AI cần được huấn luyện (training) bằng hai phương pháp chính là học có giám sát (supervised) và học không giám sát (unsupervised). Ví dụ về học có giám sát là con người cung cấp cho máy một tập hợp hình ảnh được gắn nhãn như “chó”, “mèo”, “hamburger”, “xe hơi”,... và kiểm tra xem thuật toán có đưa ra dự báo chính xác về mối liên hệ giữa nhãn với những hình ảnh mà nó chưa từng thấy hay không. Tuy nhiên, đây chỉ là một phương pháp khá thủ công và tẻ nhạt. Trong khi quá trình học không giám sát không dựa trên dữ liệu được gắn nhãn, và điều này đặt ra câu hỏi: thuật toán nên học gì? Để giải quyết vấn đề, ChatGPT đã huấn luyện thuật toán chỉ tập trung dự đoán từ (word) tiếp theo của văn bản được sử dụng để huấn luyện nó.

Việc dự đoán từ tiếp theo nghe có vẻ là một nhiệm vụ đơn giản, tương tự như chức năng tự động hoàn chỉnh từ khóa (keyword) trên công cụ tìm kiếm Google. Nhưng mô hình của ChatGPT lại cho phép nó thực hiện được nhiều nhiệm vụ hết sức phức tạp, chẳng hạn vượt qua bài kiểm tra của chương trình MBA hoặc đỗ kỳ thi cấp chứng chỉ luật sư với điểm số cao hơn hầu hết các sinh viên đạt thành tích tốt nhất. Chìa khóa của những thành tựu đó nằm ở sức mạnh ấn tượng của quá trình học đơn giản này. Để dự đoán từ tiếp theo, thuật toán bị ép phải phát triển một hiểu biết tinh vi về ngữ cảnh, ngữ pháp, cú pháp, phong cách,... ở mức độ mà tất cả mọi người, bao gồm cả những người thiết kế ra nó, đều ngạc nhiên. Mạng DNN đã chứng tỏ nó có khả năng hoạt động tốt mà không cần cố gắng tích hợp vào các mô hình ngôn ngữ lớn (LLM) những lý thuyết mà các nhà ngôn ngữ học đã phát triển trong suốt nhiều thập kỷ.

Cách tiếp cận của ChatGPT có thể là một bài học tốt cho các nhà hoạch định chính sách phát triển.

Bài học từ ChatGPT đối với sự phát triển kinh tế là giới hoạch định chính sách nên tập trung vào chỉ một nhiệm vụ, dù hết sức bình thường nhưng miễn là hoàn thành nó một cách xuất sắc, và họ sẽ bị ép phải gián tiếp học hỏi để xử lý những thách thức phức tạp hơn nhiều. Cách tiếp cận này khác phương pháp hiện đang được sử dụng phổ biến là cần phân biệt giữa các nguyên nhân gần gũi với những yếu tố quyết định sự phát triển và tập trung nguồn lực cho các yếu tố này – tương tự như việc đọc sách: “Thay vì dự đoán từ tiếp theo, hãy cố gắng hiểu ngữ cảnh và ý nghĩa của toàn bộ cuốn sách”.

Trong cuốn Why Nations Fail (Vì sao các quốc gia thất bại), hai tác giả Daron Acemoglu và James A. Robinson đã lập luận rằng những thể chế (institutions) thông qua ảnh hưởng đối với cấu trúc khuyến khích (structure of incentives) trong xã hội, chính là yếu tố sau cùng quyết định kết quả kinh tế (economic outcome). Nhà kinh tế Oded Galor của ĐH Brown lại tiếp cận theo một hướng khác khi nhấn mạnh: chính sự thay đổi dân số và tiến bộ công nghệ (nhất là công nghệ phức tạp) đã đưa nhân loại thoát khỏi bẫy Malthus, mang đến tuổi thọ trung bình cao, tỷ lệ sinh thấp và đầu tư nhiều hơn cho giáo dục. Xu hướng này còn bao gồm cả sự tham gia ngày càng tích cực của phụ nữ vào lực lượng lao động, bên cạnh sự dồi dào các kỹ năng cần thiết để duy trì việc áp dụng công nghệ vào phát triển kinh tế. Nhưng những lý thuyết này liệu có phù hợp với thực tế? Trong khoảng 40 năm trở lại đây, thế giới đã chứng kiến nhiều sự đổi thay mạnh mẽ như Galor đã mô tả. Cố bác sĩ Hans Rosling (1948 – 2017) người Thụy Điển đã quan sát và thấy rằng khoảng cách giữa các quốc gia đang phát triển với những nước đã phát triển về tuổi thọ trung bình, tỷ lệ trẻ em tử vong, sinh sản, giáo dục, sinh viên theo học đại học, nữ giới tham gia lực lượng lao động, đô thị hóa,... đang được thu hẹp đáng kể. Theo lập luận của Acemoglu và Robinson, nếu các định chế ở những quốc gia đang phát triển có thể mang lại tiến bộ trên nhiều mặt như vậy thì đó ắt hẳn phải là các định chế tốt. Trong khuôn khổ nghiên cứu của Galor, tiến bộ trên tất cả những lĩnh vực này cho thấy các nước đang phát triển dường như phải bắt kịp Thế giới Thứ nhất về thu nhập (income).

Nhưng thực tế lại không hề diễn ra như vậy. Trong bốn thập kỷ qua, các quốc gia thu nhập trung bình vẫn chưa thể tiệm cận gần hơn mức thu nhập của người Mỹ. Làm thế nào để giải thích được rằng khoảng cách ngày càng thu hẹp trong lĩnh vực giáo dục, chăm sóc sức khỏe, đô thị hóa, bình đẳng giới,... lại không đi cùng với sự giảm thiểu về khoảng cách thu nhập? Tại sao sự thăng tiến của những yếu tố mang tính quyết định đối với phát triển lại không thể đem đến kết quả như mong đợi? Để giải thích, các nhà kinh tế đề cập tới khái niệm khoảng cách công nghệ ngày càng nới rộng (widening technological gap). Trong toán học, nếu việc thêm đầu vào (input) không thể tạo ra nhiều đầu ra (output) hơn thì chắc chắn phải có ẩn số nào đó làm cho các đầu vào trở nên kém hiệu quả. Lấy ví dụ, đặc điểm của một số nền kinh tế đã thành công với chiến lược bắt kịp (như Hàn Quốc, Đài Loan) trong quá khứ là: tăng trưởng xuất khẩu nhanh hơn tăng GDP, và cơ cấu xuất khẩu đa dạng nhờ khuyến khích sự chuyển dịch sang những mặt hàng phức tạp (đòi hỏi công nghệ cao hơn). Để đạt được thành tựu này, các nước trên đã du nhập và thích nghi với những công nghệ tốt hơn, điều chỉnh hoạt động cung cấp hàng hóa công (public good) và hoàn thiện thể chế hỗ trợ các ngành công nghiệp mới nổi (emerging industries), đồng thời giảm thiểu tính không hiệu quả và chi phí thông qua tăng trưởng năng suất và đào tạo nhân lực. Trong quá trình đó, có thể họ đã học cách khắc phục hàng loạt vấn đề khác.

Chiến lược phát triển lấy cảm hứng từ ChatGPT nên ưu tiên tập trung vào một mục tiêu đơn giản: nâng cao năng lực cạnh tranh, đa dạng và phức hợp hóa hoạt động xuất khẩu. Để hoàn thành tốt nhiệm vụ này, các nhà hoạch định chính sách sẽ buộc phải học cách giải quyết những việc quan trọng – giống như khi dự đoán từ tiếp, ChatGPT đã học cả ngữ cảnh, ngữ pháp, cú pháp và văn phong. Nếu như các lập trình viên AI ban đầu bị lạc đề bởi những lý thuyết quá khó hiểu của giới ngôn ngữ học, các nhà hoạch định chính sách cũng bị phân tán bởi quá nhiều mục tiêu, chẳng hạn 17 Mục tiêu Phát triển Bền vững (SDG) của Liên Hợp Quốc,... Cách tiếp cận của ChatGPT giúp chúng ta đơn giản hóa mọi thứ trong quá trình phát triển kinh tế – giống như mô hình LLM chỉ cố gắng dự đoán từ tiếp theo, giới hoạch định chính sách có thể tập trung vào việc tạo điều kiện thuận lợi để thúc đẩy tăng trưởng xuất khẩu (nhất là đối với những mặt hàng chứa hàm lượng công nghệ phức tạp), theo cách mà các quốc gia thành công đã làm. Mặc dù điều này nghe có vẻ nhỏ bé song nó lại có thể mang tới những kết quả hết sức đáng kinh ngạc.