Hãy tưởng tượng một lịch sử khác của nhân loại.
Albert Einstein chưa từng tồn tại. Không có bài báo năm 1905 về điện động lực học của các vật chuyển động. Không có thuyết tương đối hẹp. Không có phương trình E = mc² trở thành một trong những biểu tượng nổi tiếng nhất của khoa học. Mười năm sau, cũng không có thuyết tương đối rộng mô tả hấp dẫn không phải như một lực theo nghĩa thông thường, mà như hệ quả của hình học không-thời gian.
Tuy nhiên, mọi thứ khác vẫn diễn ra. Maxwell vẫn xây dựng điện từ học. Lorentz vẫn nghiên cứu các phép biến đổi toán học liên quan đến vật chuyển động. Các nhà thiên văn vẫn đo quỹ đạo của Sao Thủy. Các thí nghiệm về ánh sáng vẫn được tiến hành. Hàng triệu trang sách, bài báo, số liệu và tranh luận khoa học cuối thế kỷ XIX vẫn tồn tại.
Sau đó, vào năm 2026, chúng ta đưa toàn bộ kho tri thức ấy cho một hệ thống trí tuệ nhân tạo, nhưng tuyệt đối không cho nó nhìn thấy bất cứ tài liệu nào được viết sau thời điểm Einstein đáng lẽ phải xuất hiện.
Rồi chúng ta hỏi: từ những mảnh ghép đó, hãy giải thích thế giới.
Liệu AI có tự phát hiện rằng thời gian không phải tuyệt đối? Nó có suy ra rằng hai người chuyển động tương đối với nhau có thể đo thời gian khác nhau? Nó có nhận ra rằng khối lượng và năng lượng có liên hệ sâu sắc? Và khó hơn nữa, nó có thể đi đến ý tưởng rằng thứ chúng ta gọi là hấp dẫn thực chất có thể được mô tả bằng độ cong của không-thời gian?
Đây từng chỉ là một thí nghiệm tư duy thú vị. Nhưng đến năm 2026, một số nhà khoa học bắt đầu coi nó như một phép thử thực sự đối với trí tuệ nhân tạo.
Họ gọi nó là “Einstein Test”.
Một bài kiểm tra không hỏi AI biết bao nhiêu, mà hỏi nó có thể khám phá hay không
Phần lớn các bài kiểm tra AI hiện nay đánh giá khả năng trả lời một câu hỏi mà nhân loại đã biết đáp án. Một mô hình có thể giải phương trình, viết chương trình, phân tích văn bản hoặc giải thích cơ học lượng tử. Nhưng trong tất cả những trường hợp ấy, kiến thức cần thiết để trả lời thường đã tồn tại trong dữ liệu mà mô hình được huấn luyện.
Điều đó tạo ra một vấn đề lớn.
Một AI có thể giải thích thuyết tương đối rất hay không có nghĩa nó có thể phát minh ra thuyết tương đối.
Nó giống như sự khác biệt giữa một sinh viên có thể trình bày lại một chứng minh toán học và một nhà toán học đầu tiên nghĩ ra chứng minh đó. Hai việc có vẻ gần nhau trên trang giấy, nhưng về mặt nhận thức, chúng hoàn toàn khác nhau.
David Benrimoh, David Harel, Nace Mikus, Peter Stone và Ariel Rosenfeld đã đề xuất một cách kiểm tra trực tiếp hơn. Trong bài viết đăng trên Communications of the ACM năm 2026, họ gọi nó là “Einstein Test”. Ý tưởng khá đơn giản: chọn một đột phá khoa học đã xảy ra trong lịch sử, cung cấp cho AI chỉ những kiến thức có sẵn trước đột phá đó, rồi xem hệ thống có thể tự tạo ra một lời giải tương đương hoặc tốt hơn phát hiện lịch sử hay không (Benrimoh et al., 2026).
Nếu thử với thuyết tương đối hẹp, AI có thể được tiếp cận những gì giới khoa học biết trước năm 1905, nhưng không được thấy bất cứ văn bản nào chứa lời giải của Einstein. Nếu thử với thuyết tương đối rộng, mốc thời gian phải được đặt trước khi cấu trúc hoàn chỉnh của lý thuyết này xuất hiện.
Đây là một bài kiểm tra khó hơn rất nhiều so với việc yêu cầu AI làm bài thi vật lý.
Nó không hỏi: “Bạn có biết Einstein đã nghĩ gì không?”
Nó hỏi: “Nếu Einstein chưa từng tồn tại, bạn có thể trở thành Einstein không?”
Einstein thực sự đã làm điều gì đặc biệt?
Để hiểu tại sao bài kiểm tra này khó, trước hết cần hiểu điều Einstein làm không đơn giản là tìm thêm một phương trình.
Đầu thế kỷ XX, vật lý đang đứng trước một sự căng thẳng ngày càng rõ. Cơ học Newton đã mô tả chuyển động rất thành công trong nhiều thế kỷ. Trong thế giới Newton, không gian và thời gian về cơ bản là nền sân khấu tuyệt đối. Hai người quan sát có thể bất đồng về vị trí hoặc vận tốc của một vật, nhưng thời gian vẫn chảy như nhau đối với tất cả.
Điện từ học Maxwell lại dẫn vật lý đến một bức tranh khó hòa hợp hoàn toàn với trực giác Newton. Ánh sáng có một tốc độ đặc biệt, và việc mô tả các hiện tượng điện từ đối với những hệ chuyển động tạo ra những vấn đề khái niệm đáng kể.
Năm 1905, Einstein công bố bài báo “Zur Elektrodynamik bewegter Körper”, thường được dịch là “On the Electrodynamics of Moving Bodies”. Ông bắt đầu từ hai nguyên lý tương đối gọn: các định luật vật lý có cùng dạng trong mọi hệ quy chiếu quán tính, và tốc độ ánh sáng trong chân không có cùng giá trị đối với các quan sát viên quán tính bất kể chuyển động của nguồn sáng (Einstein, 1905).
Hệ quả của hai giả định tưởng như đơn giản ấy lại vô cùng sâu sắc.
Nếu tốc độ ánh sáng phải giống nhau với mọi quan sát viên, thì thứ phải thay đổi không phải ánh sáng mà là cách chúng ta hiểu không gian và thời gian.
Hai sự kiện xảy ra đồng thời đối với người này có thể không đồng thời đối với người khác. Một chiếc đồng hồ chuyển động so với người quan sát có thể chạy chậm hơn. Chiều dài theo phương chuyển động có thể được đo ngắn hơn. Không gian và thời gian, vốn từng được xem là hai thực thể độc lập, dần được hiểu như những phần của một cấu trúc thống nhất.
Điều phi thường ở đây không chỉ là toán học. Einstein thay đổi chính những khái niệm mà vật lý sử dụng để mô tả hiện thực.
Đó là điều khiến một “Einstein Test” trở nên khó khăn.
AI không chỉ cần tìm ra một hàm phù hợp với dữ liệu. Nó có thể phải quyết định rằng một khái niệm tưởng như hiển nhiên, chẳng hạn thời gian tuyệt đối, thực ra cần bị loại bỏ.
Máy tính đã từng tự tìm ra các định luật vật lý
Ý tưởng để máy tự tìm quy luật tự nhiên không phải mới xuất hiện cùng ChatGPT.
Năm 2009, Michael Schmidt và Hod Lipson công bố trên Science một phương pháp có thể tìm các biểu thức toán học từ dữ liệu thí nghiệm. Hệ thống được đưa dữ liệu về các hệ vật lý như con lắc và có thể tìm ra những đại lượng bảo toàn hoặc quan hệ toán học mà không được cung cấp sẵn toàn bộ lý thuyết vật lý (Schmidt & Lipson, 2009).
Năm 2020, Silviu-Marian Udrescu và Max Tegmark giới thiệu AI Feynman, một phương pháp “symbolic regression” được thiết kế để tìm công thức toán học ẩn trong bảng số liệu. Thuật toán có thể tái tạo nhiều phương trình vật lý từ dữ liệu bằng cách khai thác những cấu trúc như tính đối xứng và khả năng phân tách của hàm (Udrescu & Tegmark, 2020).
Đây là những thành tựu quan trọng.
Nếu đưa cho máy những con số mô tả một hệ thống, trong một số trường hợp nó thực sự có thể tìm được phương trình tương ứng.
Nhưng có một khoảng cách rất lớn giữa việc tái phát hiện một phương trình và xây dựng một lý thuyết mới về tự nhiên.
Hãy hình dung một AI được cung cấp hàng nghìn quan sát về vật rơi và cuối cùng tìm được một công thức mô tả gia tốc. Điều đó rất hữu ích. Nhưng một bước tiến kiểu Newton còn yêu cầu nhận ra rằng chuyển động của quả táo rơi trên Trái Đất và chuyển động của Mặt Trăng trên bầu trời có thể được giải thích bởi cùng một nguyên lý.
Một bước tiến kiểu Einstein còn đi xa hơn nữa: thay đổi những khái niệm nền tảng mà bài toán được viết bằng chúng.
AI có thể dự đoán rất tốt nhưng vẫn không hiểu quy luật
Một nghiên cứu được trình bày tại Hội nghị Quốc tế về Học máy ICML năm 2025 cho thấy vấn đề này rất rõ.
Keyon Vafa, Peter Chang, Ashesh Rambachan và Sendhil Mullainathan huấn luyện các mô hình nền tảng trên dữ liệu quỹ đạo nhân tạo tuân theo cơ học Newton. Các mô hình có thể học nhiệm vụ dự đoán khá tốt. Câu hỏi là liệu từ rất nhiều quỹ đạo, chúng có hình thành một “mô hình thế giới” tương ứng với định luật hấp dẫn Newton hay không.
Kết quả đáng chú ý là chúng không làm được điều đó.
Khi phải thích nghi với các bài toán vật lý mới, mô hình không sử dụng một định luật hấp dẫn phổ quát. Thay vào đó, nó dường như hình thành những quy tắc riêng phù hợp với từng hệ hành tinh, những quy tắc có thể dự đoán dữ liệu đã thấy nhưng không khái quát thành cơ học Newton (Vafa et al., 2025).
Đây là một bài học rất quan trọng trong thời đại AI.
Dự đoán đúng không nhất thiết đồng nghĩa với hiểu đúng.
Một hệ thống có thể biết rằng sau một chuỗi trạng thái A, B, C thường xuất hiện D mà không hề sở hữu một lý thuyết chính xác về cơ chế tạo ra D.
Trong nhiều ứng dụng, điều đó không phải vấn đề. Nếu mục tiêu duy nhất là dự báo thời tiết ngày mai, một mô hình dự báo chính xác có thể cực kỳ hữu ích ngay cả khi con người không thể rút từ nó một lý thuyết khí quyển mới.
Nhưng khoa học cơ bản đòi hỏi nhiều hơn.
Chúng ta không chỉ muốn biết chuyện gì sẽ xảy ra. Chúng ta còn muốn biết tại sao.
Một nghịch lý của AI khoa học hiện đại
Michael Shalyt, Nathan Regev, Marin Soljačić và Ido Kaminer đã chỉ ra một nghịch lý thú vị trong một bản thảo công bố trên arXiv vào tháng 7/2026.
Theo họ, lịch sử vật lý của con người phần nào tiến theo hướng từ dự đoán đến lý thuyết. Người cổ đại quan sát các quy luật trên bầu trời. Kepler tìm ra những quy luật định lượng của chuyển động hành tinh. Newton thống nhất chúng bằng một lý thuyết cơ học và hấp dẫn rộng hơn. Einstein sau đó thay đổi sâu hơn nữa cấu trúc khái niệm của vật lý.
AI hiện đại dường như đang đi theo chiều gần như ngược lại.
Những hệ thống phát hiện phương trình như symbolic regression từng cố gắng tạo ra các biểu thức toán học rõ ràng. Nhưng nhiều thành tựu AI nổi bật gần đây lại nằm ở những mô hình dự đoán cực mạnh. AlphaFold có thể dự đoán cấu trúc protein với độ chính xác rất cao. Các hệ thống dự báo thời tiết học máy có thể tạo ra dự đoán xuất sắc. Nhưng khả năng dự đoán mạnh không tự động tạo ra một lý thuyết mới có khả năng giải thích tự nhiên bằng một số nguyên lý cơ bản (Shalyt et al., 2026).
Một AI có thể vì thế trở thành nhà dự báo phi thường mà chưa chắc trở thành Einstein.
Các nhà khoa học đã bắt đầu thử xóa tương lai khỏi AI
Vấn đề lớn nhất khi thực hiện Einstein Test là các mô hình hiện đại đã đọc quá nhiều.
Nếu hỏi một mô hình ngôn ngữ hiện nay về thời gian, ánh sáng, Lorentz hay hấp dẫn, kiến thức về Einstein đã ngấm vào vô số sách giáo khoa, trang web, bài báo và dữ liệu huấn luyện. Chỉ cần yêu cầu nó “tự khám phá” thuyết tương đối không chứng minh được gì. Nó có thể đơn giản đang tái tạo thứ đã học.
Giải pháp là xây dựng những mô hình “lịch sử”, chỉ được phép nhìn thấy tài liệu trước một mốc thời gian.
Theo một News Feature của Nature đăng ngày 9/9/2026, Demis Hassabis, đồng sáng lập Google DeepMind, từng đề xuất huấn luyện một mô hình chỉ bằng tri thức có trước năm 1911 rồi xem liệu nó có thể đi tới thuyết tương đối rộng hay không. Hassabis cho rằng đây có thể là một phép thử thú vị đối với những hệ thống hướng tới trí tuệ nhân tạo tổng quát (Ball, 2026).
Một số nhóm đã bắt đầu thử những phiên bản của ý tưởng này.
Nhà nghiên cứu độc lập Michael Hla xây dựng một mô hình có tên Machina Mirabilis bằng dữ liệu trước năm 1900 và thử xem hệ thống có thể đi về phía cơ học lượng tử, thuyết tương đối hẹp và thuyết tương đối rộng hay không. Trong một số trường hợp, mô hình cho thấy những dấu hiệu gợi nhớ đến các ý tưởng sau này, đặc biệt khi được cung cấp những gợi ý khá mạnh.
Nhưng kết quả tổng thể chưa giống một Einstein nhân tạo.
Theo tường thuật của Nature, mô hình thất bại trong phần lớn trường hợp, đôi khi tạo ra những câu nghe hợp lý nhưng thiếu một mô hình vật lý đủ mạnh phía sau. Điều này rất quen thuộc với bất cứ ai đã sử dụng mô hình ngôn ngữ: một câu trả lời có thể có vẻ thông minh trước khi ta kiểm tra kỹ xem nó có thực sự nhất quán hay không.
Còn một vấn đề khó hơn: làm sao thật sự xóa tương lai?
Ngay cả việc xây dựng một AI chỉ biết kiến thức của quá khứ cũng khó hơn tưởng tượng.
Một nhóm khác cố xây mô hình chỉ sử dụng kiến thức tới năm 1930. Nhưng họ phát hiện dữ liệu lịch sử bị “rò rỉ” thông tin tương lai. Một văn bản có thể là tác phẩm cũ nhưng được số hóa trên một trang chứa thông tin hiện đại. Metadata có thể sai. Bản chú thích có thể được thêm hàng chục năm sau. Một cơ sở dữ liệu tưởng như thuộc năm 1920 có thể vô tình chứa nội dung liên quan đến những sự kiện xảy ra sau đó.
Trong một thử nghiệm được Nature mô tả, một mô hình được cho là chỉ biết thế giới trước 1930 vẫn có thể trả lời những câu hỏi liên quan đến chính quyền Franklin D. Roosevelt, dù Roosevelt chỉ trở thành tổng thống Hoa Kỳ từ năm 1933.
Một chút rò rỉ như vậy có thể phá hỏng toàn bộ Einstein Test.
Nếu AI viết ra phương trình đúng, chúng ta phải biết chắc rằng nó tự suy ra phương trình đó chứ không phải đã nhìn thấy một mẩu thông tin về nó được giấu đâu đó trong hàng tỷ từ huấn luyện.
Đây là một vấn đề phương pháp luận rất nghiêm trọng.
Muốn chứng minh AI có khả năng khám phá, trước tiên chúng ta phải chứng minh nó không gian lận bằng kiến thức của tương lai.
Giả sử dữ liệu hoàn toàn sạch, AI có tìm ra thuyết tương đối hẹp không?
Câu trả lời hiện nay là: có thể, nhưng chưa ai chứng minh được.
Thuyết tương đối hẹp là ứng viên tương đối thuận lợi cho một bài kiểm tra như vậy vì đến đầu thế kỷ XX, nhiều mảnh ghép toán học và vật lý quan trọng đã tồn tại. Điện từ học Maxwell đã tạo ra các vấn đề cần giải quyết. Hendrik Lorentz đã phát triển những phép biến đổi toán học mang tên ông. Henri Poincaré cũng có những đóng góp quan trọng đối với nguyên lý tương đối và cấu trúc toán học liên quan.
Einstein không xuất hiện trong một khoảng chân không tri thức.
Một AI có khả năng đọc toàn bộ văn liệu khoa học của thời đại, kiểm tra hàng triệu sự kết hợp ý tưởng và thực hiện toán học nhanh hơn bất cứ con người nào về lý thuyết có thể nhận ra những mối liên hệ mà một cá nhân phải mất nhiều năm mới thấy.
Nhưng chính điều đó cũng làm lộ ra câu hỏi khó nhất.
Liệu nó có biết nên nghi ngờ “thời gian tuyệt đối” hay không?
Một hệ thống tìm phương trình thường hoạt động trong một không gian khả năng mà con người đã xác định trước. Nếu chúng ta bảo nó tìm một phép biến đổi tọa độ thỏa mãn một số điều kiện, bài toán đã được thu hẹp rất nhiều.
Einstein đã làm một việc khác. Ông xem xét lại những giả định nền tảng mà nhiều người coi là hiển nhiên.
Khả năng đặt lại câu hỏi có thể quan trọng không kém khả năng tìm câu trả lời.
Thuyết tương đối rộng còn khó hơn nhiều
Nếu thuyết tương đối hẹp đã là một thử thách, thuyết tương đối rộng đưa vấn đề lên một mức khác.
Einstein mất khoảng một thập niên sau năm 1905 để hoàn thiện lý thuyết hấp dẫn mới. Con đường đó bao gồm nguyên lý tương đương, suy nghĩ về hệ quy chiếu gia tốc, hình học Riemann, tensor, nguyên lý hiệp biến và nhiều bước thử sai.
Kết quả cuối cùng thay đổi hoàn toàn cách vật lý nhìn hấp dẫn.
Newton coi hấp dẫn là lực hút giữa các vật có khối lượng. Trong thuyết tương đối rộng, khối lượng và năng lượng ảnh hưởng đến hình học của không-thời gian, còn vật chất và ánh sáng chuyển động trong hình học đó.
Một cách diễn giải phổ thông thường nói rằng vật chất làm cong không-thời gian và không-thời gian cong hướng dẫn vật chất chuyển động. Mô tả này đơn giản hóa toán học, nhưng nó thể hiện đúng bước nhảy khái niệm cốt lõi.
Đến đây, yêu cầu đối với AI không còn đơn thuần là tìm một biểu thức toán học vừa dữ liệu.
Nó phải phát minh hoặc lựa chọn một ngôn ngữ toán học phù hợp, xác định các nguyên lý đáng giữ, loại bỏ những trực giác cổ điển không còn thích hợp, xây dựng một lý thuyết nhất quán và sau đó rút ra những dự đoán có thể kiểm nghiệm.
Đó mới thực sự là một bài kiểm tra cấp Einstein.
Vấn đề “quá nhiều lý thuyết”
Còn một khả năng khác thú vị không kém.
Có thể AI hoàn toàn đủ sức tạo ra thuyết tương đối. Vấn đề là nó cũng tạo ra thêm 100.000 lý thuyết sai.
Jacob Andreas tại MIT nêu một khó khăn như vậy trong trao đổi với Nature. Không có lý do rõ ràng khiến một mô hình sinh ngôn ngữ không thể, trong một lúc nào đó, tạo ra một cấu trúc giống thuyết tương đối giữa vô số khả năng khác. Nhưng nếu nó đồng thời sinh ra hàng nghìn “định luật hấp dẫn” nghe hợp lý, làm sao biết lý thuyết nào đáng theo đuổi? (Ball, 2026).
Trong toán học, một lời giải có lợi thế lớn: nhiều bước có thể được kiểm tra bằng chứng minh hình thức.
Trong khoa học thực nghiệm, việc lựa chọn lý thuyết khó hơn.
Một lý thuyết phải phù hợp với dữ liệu đã có, có cấu trúc logic nhất quán, giải quyết được vấn đề mà lý thuyết cũ chưa giải thích tốt và tốt nhất phải đưa ra dự đoán mới có thể kiểm tra.
Quan trọng hơn, thí nghiệm tốn thời gian và tiền bạc.
Nếu AI đề xuất một triệu giả thuyết, việc “có đáp án đúng ở đâu đó trong danh sách” chưa phải khám phá khoa học.
Một nhà khoa học giỏi không chỉ tạo ra ý tưởng. Họ còn biết ý tưởng nào đáng dành mười năm để kiểm tra.
Vậy thế nào mới được tính là AI đã “tìm ra Einstein”?
Một Einstein Test nghiêm túc cần tiêu chuẩn cao hơn việc mô hình tình cờ viết ra vài phương trình đúng.
AI phải được huấn luyện trên dữ liệu thật sự có trước mốc lịch sử. Những thông tin xuất hiện sau phát hiện phải bị loại bỏ. Hệ thống không được biết trước đáp án hay tên lý thuyết cần tìm.
Sau đó, nó phải đối mặt với những vấn đề mà các nhà khoa học ở thời điểm đó thực sự chưa giải quyết được.
Nếu cần thêm dữ liệu, nó có thể đề xuất một thí nghiệm khả thi với công nghệ của thời đại. Nhóm kiểm thử có thể cung cấp kết quả tương ứng. Cuối cùng, một hội đồng chuyên gia sẽ đánh giá xem lý thuyết được tạo ra có tương đương, bao quát hoặc vượt qua phát hiện lịch sử hay không.
Ý tưởng này rất hấp dẫn vì nó biến câu hỏi triết học “AI có sáng tạo không?” thành một bài toán có thể kiểm tra tốt hơn.
Nhưng ngay cả khi AI vượt qua bài kiểm tra, cuộc tranh luận chưa chắc kết thúc.
Một hệ thống được bảo rằng “hãy giải vấn đề vật lý này” đã được con người chọn vấn đề cho nó. Einstein ngoài đời không có một hội đồng tương lai nói rằng đây chính là câu hỏi sẽ thay đổi vật lý.
Khả năng nhận ra câu hỏi nào đáng hỏi có thể là một phần của thiên tài khoa học.
AI có cần “hiểu” để làm khoa học không?
Đây là câu hỏi sâu hơn tất cả những vấn đề kỹ thuật.
Nếu một AI tìm ra một lý thuyết chính xác, tạo ra những dự đoán mới và giúp chúng ta thực hiện thí nghiệm thành công, liệu có quan trọng việc nó “hiểu” lý thuyết theo cách con người hiểu hay không?
Có thể câu hỏi này thậm chí không có một câu trả lời đơn giản.
Con người cũng không trực tiếp nhìn thấy không-thời gian cong. Chúng ta sử dụng toán học, mô hình, trực giác và phép đo để xây dựng một sự hiểu biết ngày càng tốt hơn về thế giới.
Nếu một hệ thống AI có thể xây dựng mô hình nhất quán, nhận ra mâu thuẫn, thiết kế thí nghiệm để phân biệt các giả thuyết và sửa lý thuyết khi bằng chứng mới xuất hiện, ranh giới giữa “dự đoán” và “hiểu” sẽ trở nên khó xác định.
Nhưng AI hiện nay vẫn còn khoảng cách đáng kể với hình ảnh đó.
Các thử nghiệm lịch sử được báo cáo trong năm 2026 mới chỉ cho thấy những “tia sáng” rời rạc, không phải một cuộc cách mạng khoa học tự chủ.
Có lẽ nhà khoa học tương lai không phải người hoặc AI
Cách đặt câu hỏi “Einstein hay AI?” có thể khiến chúng ta bỏ qua kịch bản có khả năng xảy ra hơn.
Tương lai của khoa học có thể thuộc về những nhóm người và AI làm việc cùng nhau.
AI có lợi thế khổng lồ trong việc đọc tài liệu, xử lý dữ liệu, thực hiện tính toán, tìm kiếm không gian giả thuyết và phát hiện các mẫu rất khó nhìn thấy bằng mắt người.
Con người vẫn có lợi thế trong việc xác định ý nghĩa của một vấn đề, kết nối những lĩnh vực xa nhau, hiểu bối cảnh thực nghiệm, thiết kế câu hỏi và quyết định điều gì thực sự đáng khám phá.
Sự kết hợp của hai khả năng có thể quan trọng hơn việc cố chứng minh bên nào “thông minh hơn”.
Einstein không làm việc trong khoảng trống. Ông xây dựng trên hàng thế kỷ vật lý trước đó, từ Galileo và Newton đến Maxwell, Lorentz, Riemann và nhiều người khác. Các nhà khoa học sau Einstein tiếp tục kiểm tra, sửa đổi và mở rộng những ý tưởng của ông.
Một hệ thống AI khoa học trong tương lai có thể trở thành một thành viên khác của chuỗi tích lũy tri thức ấy.
Chỉ khác rằng thành viên đó có thể đọc hàng triệu bài báo trong một ngày.
Nếu xóa Einstein khỏi lịch sử, chuyện gì sẽ xảy ra?
Có lẽ thuyết tương đối cuối cùng vẫn xuất hiện.
Lịch sử khoa học cho thấy nhiều khám phá đã được nhiều người tiến gần đến cùng thời điểm. Lorentz, Poincaré và những nhà vật lý khác đã xây dựng nhiều thành phần quan trọng của cấu trúc dẫn đến thuyết tương đối hẹp. Nếu Einstein không tồn tại, một con đường khác có thể vẫn đưa vật lý tới một lý thuyết tương tự, dù thời điểm và hình thức của nó có thể khác.
AI khiến giả thuyết lịch sử này trở thành một thí nghiệm mới.
Chúng ta có thể xây một trí tuệ bị đóng băng trong năm 1900, đưa cho nó toàn bộ kho tri thức của thời đại và hỏi nó nhìn thấy gì ở phía trước.
Các kết quả đầu tiên cho thấy AI hiện nay chưa trở thành Einstein. Nó có thể phát hiện phương trình, dự đoán dữ liệu và đôi khi tạo ra những ý tưởng đáng chú ý, nhưng khả năng xây dựng một lý thuyết phổ quát từ ít dữ liệu, đặt đúng câu hỏi và thực hiện một bước nhảy khái niệm vẫn là thách thức lớn.
Điều thú vị nhất của Einstein Test vì thế có thể không phải là nó đánh giá AI.
Nó buộc chúng ta phải định nghĩa lại chính khái niệm khám phá khoa học.
Einstein vĩ đại vì ông tính toán nhanh hơn người khác, vì ông biết nhiều dữ liệu hơn, hay vì ông nhìn một vấn đề cũ bằng một hệ khái niệm hoàn toàn mới?
Nếu một ngày AI vượt qua Einstein Test, chúng ta sẽ biết rằng máy móc có thể làm nhiều hơn việc ghi nhớ và dự đoán. Chúng có thể tham gia vào một trong những hoạt động đặc biệt nhất của trí tuệ con người: tạo ra một cách mới để hiểu thực tại.
Nhưng nếu AI đọc được toàn bộ khoa học trước năm 1905 mà vẫn không thể tìm ra thuyết tương đối, kết quả ấy cũng sẽ rất có giá trị.
Nó sẽ cho thấy rằng giữa việc sở hữu toàn bộ dữ liệu và việc nhìn thấy một ý tưởng mới vẫn tồn tại một khoảng cách.
Và trong khoảng cách đó có thể nằm một trong những bí ẩn lớn nhất mà khoa học về trí tuệ vẫn chưa giải thích được: thiên tài thực sự là gì?
Tài liệu tham khảo
Ball, P. (2026). The Einstein test: What happens when AI tries to rediscover relativity? Nature, 657, 338-340. https://doi.org/10.1038/d41586-026-02804-x
Benrimoh, D., Harel, D., Mikus, N., Stone, P., & Rosenfeld, A. (2026). The Einstein Test: A test of AI’s ability to generate transformative science. Communications of the ACM, 69(5), 49-50. https://doi.org/10.1145/3771100
Einstein, A. (1905). Zur Elektrodynamik bewegter Körper. Annalen der Physik, 322(10), 891-921. https://doi.org/10.1002/andp.19053221004
Einstein, A. (1916). Die Grundlage der allgemeinen Relativitätstheorie. Annalen der Physik, 354(7), 769-822. https://doi.org/10.1002/andp.19163540702
Schmidt, M., & Lipson, H. (2009). Distilling free-form natural laws from experimental data. Science, 324(5923), 81-85. https://doi.org/10.1126/science.1165893
Shalyt, M., Regev, N., Soljačić, M., & Kaminer, I. (2026). Can AI follow in Einstein’s footsteps? arXiv. https://doi.org/10.48550/arXiv.2607.27794
Udrescu, S. M., & Tegmark, M. (2020). AI Feynman: A physics-inspired method for symbolic regression. Science Advances, 6(16), eaay2631. https://doi.org/10.1126/sciadv.aay2631
Vafa, K., Chang, P. G., Rambachan, A., & Mullainathan, S. (2025). What has a foundation model found? Using inductive bias to probe for world models. Proceedings of the 42nd International Conference on Machine Learning, 267, 60727-60747.
◉ 0 Thảo luận Khoa học