Não người cũng là một dạng “máy tính sinh học”, nó thu thập dữ liệu về thế giới thông qua các giác quan của chúng ta. AI hiện đại và não người đều bộ não con người đều khai thác sức mạnh của việc xử lý thông tin. Trong vài thập kỷ qua, các nhà nghiên cứu đã áp dụng sức mạnh của điện toán để hiểu cách bộ não của chúng ta hoạt động. Mục tiêu là để hiểu rõ hơn về trí thông minh của con người và bệnh thần kinh. Những nỗ lực này đã hình thành nên lĩnh vực phát triển nhanh chóng được gọi là khoa học thần kinh mạng.

Olaf Sporns, nhà khoa học thần kinh tính toán tại Đại học Indiana, cho biết: “Nếu bạn không biết thứ gì kết nối với thứ gì, làm sao bạn có thể hiểu được não bộ hoạt động như thế nào?”

Lập bản đồ ‘Hệ thống kết nối’ của não người

Khoa học thần kinh mạng là nghiên cứu về não như một hệ thống kết nối. Các nhà nghiên cứu sử dụng các tập dữ liệu lớn để nghiên cứu cấu trúc và chức năng của não. Nghiên cứu này bắt đầu phát triển mạnh mẽ từ vài thập kỷ trước.

Nhưng ý tưởng về não như một mạng lưới đã có từ lâu hơn nhiều. Nhà khoa học thần kinh thế kỷ XIX David Ferrier “gần như định nghĩa mạng lưới não” trong một cuốn sách do ông viết, Cornelis Stam, một nhà khoa học thần kinh tại Trung tâm Y tế Đại học Amsterdam cho biết, “Ông ấy nhận thức sâu sắc rằng tất cả các chức năng cục bộ này không thể tồn tại riêng lẻ, vì vậy chúng phải hợp tác với nhau theo cách nào đó.”

Một cuốn sách giáo khoa về khoa học thần kinh có thể mô tả não bộ có các vùng riêng biệt kiểm soát các hành động cụ thể. Nhưng đây không phải là suy nghĩ của các nhà khoa học thần kinh mạng. Thay vào đó, họ nghiên cứu não bộ gần giống như một bản đồ giao thông công cộng của thành phố. Các giao điểm được kết nối cao trong não được gọi là “trung tâm” truyền tải một lượng lớn thông tin quan trọng.

Trong một bài báo năm 2005, Sporns và các đồng nghiệp đã đề xuất nỗ lực lập bản đồ các kết nối này trong não, mà ông gọi là “hệ thống kết nối” của con người. Thông tin này sẽ làm sáng tỏ cách não tạo ra chức năng hiểu biết.

Sporns cho biết: “Kết nối đã trở thành một cách mà mọi người thẩm vấn bộ não con người ngày càng nhiều hơn trong thời đại ngày nay”. Điều này có “nhiều ứng dụng để hiểu mối quan hệ giữa não và hành vi, để hiểu cách bộ não hoạt động như một tổng thể trong nhận thức”.

Sức mạnh của AI so với cách bộ não quản lý tài nguyên

Việc hiểu được những kết nối và mạng lưới này có thể giúp các nhà nghiên cứu hiểu rõ hơn về cách não bộ hoạt động hiệu quả như thế nào. Ví dụ, một em bé chỉ có thể nhìn thấy một số ít khuôn mặt người trong vài tháng đầu đời và có thể học cách phân biệt chúng. Nhưng một hệ thống AI cần được cung cấp dữ liệu về hơi thở ban đêm của hàng nghìn bệnh nhân để dự đoán bệnh Parkinson.

Sporns cho biết, bộ não con người “vô cùng giỏi trong việc thực hiện một số việc mà máy tính vẫn rất khó có thể làm được”. “Và nó rất hiệu quả trong việc thực hiện với rất ít năng lượng sử dụng, với rất ít đào tạo”.

Nhà vật lý Dani Bassett của Đại học Pennsylvania cho biết có một số lý thuyết giải thích tại sao AI không thể làm được những gì não người làm. “Một cách tiếp cận là nói rằng có những chiến lược khác nhau, nhưng những chiến lược nhận thức mà chúng ta sử dụng vẫn chưa được triển khai một cách nhân tạo”. Một cách tiếp cận khác, được đề xuất bởi Becket Ebitz, một nhà khoa học thần kinh tại Đại học Montreal, là thực sự có thứ gì đó trong phần cứng của não người hạn chế — theo một cách hữu ích — những gì có thể tính toán và những gì không, Bassett giải thích.

Bassett cho biết: “Cả hai cách tiếp cận này đều đúng khi cho rằng sự khác biệt giữa chúng ta và các hệ thống trí tuệ nhân tạo bao gồm các chiến lược nhận thức hay phần mềm, và sự khác biệt về mặt vật lý hay phần cứng”.

Hệ thống AI có thể học được bài học từ những hạn chế của não người. Não người có thể nhỏ về khối lượng và khả năng tiêu thụ năng lượng, nhưng nó vẫn rất mạnh mẽ. Và đôi khi các thuật toán học máy cũng có thể dạy chúng ta điều gì đó về hệ thống não bộ của mình.

“Chúng ta có thể sử dụng các mô hình đơn giản và để chúng được thông báo bằng máy học ở đâu?” Bassett hỏi. “Trên thực tế, tại giao điểm đó, chúng ta sẽ có thể hiểu rõ hơn về những điều đơn giản bất ngờ trong các hệ thống phức tạp”, Bassett nói. “Tôi nghĩ đó là nơi chúng ta thực sự có thể thúc đẩy sự hiểu biết của mình và thực hiện những khám phá to lớn”.

Hiểu hơn về các bệnh Thần kinh

Các mô hình mạng lưới não bộ mà các nhà khoa học như Sporns và Bassett phát triển không chỉ giới hạn ở việc hiểu được trí thông minh trong một bộ não khỏe mạnh. Chúng có thể cung cấp cái nhìn sâu sắc về các bệnh lý và rối loạn thần kinh mà chúng ta vẫn chưa hiểu đầy đủ.

Stam đề xuất rằng, trong các tình trạng như bệnh Alzheimer và động kinh, tổn thương mạng lưới não có thể chuyển hướng lưu lượng thần kinh đến các “trung tâm” chính khác. Việc nghiên cứu các khiếm khuyết mạng lưới này là một phần quan trọng để hiểu và điều trị các tình trạng này.

“Toàn bộ giả thuyết là tình trạng quá tải này, hoặc sự chuyển hướng này, thực sự là nguyên nhân gây ra rất nhiều vấn đề,” Stam nói. “Nếu tình trạng này kéo dài quá lâu, thì bạn sẽ gặp phải một chuỗi sự cố. Các trung tâm lớn nhất bị hỏng, sau đó lưu lượng truy cập sẽ chuyển đến các trung tâm khác và chúng cũng bị quá tải.”

Stam nghiên cứu cách sự quá tải này có thể được theo dõi và sử dụng như một dấu hiệu sinh học (biomarker) hoặc dấu hiệu có thể đo lường được của bệnh. Ví dụ, ông và các đồng nghiệp đã chỉ ra một mô hình mạng lưới kết nối trong não có thể dự đoán bệnh Parkinson của bệnh nhân đang tiến triển như thế nào dựa trên dữ liệu EEG của họ.

Những minh hoạ cho mạng lưới não người đều không được hoàn hảo, nhưng chúng vẫn đang được liên tục cải thiện. Bassett đang xây dựng những ý tưởng mới trong nghiên cứu về lý thuyết điều khiển mạng lưới. “Liệu những đầu vào nào phải được đưa vào não để đẩy nó theo một hướng cụ thể vào một không gian trạng thái nào đó?” Bassett nói. “Làm thế nào để bạn đưa não vào trạng thái khỏe mạnh thay vì bệnh tật?” Câu trả lời cho những câu hỏi đó có thể có ý nghĩa đối với việc điều trị cá nhân hoá, giúp xác định loại kích thích nào mà một bộ não cụ thể có thể cần để trở lại trạng thái khỏe mạnh hơn.

Và ngược lại, những tiến bộ trong cách chúng ta nghiên cứu não có thể quay lại để giúp  mô hình hoá các rối loạn não tốt hơn. Tất cả chúng đều góp phần vào góc nhìn lớn hơn do khoa học thần kinh mạng đưa ra. Stam cho biết: “Bạn cần các vấn đề từ thần kinh học, nhưng cũng cần các giả thuyết từ sinh học não bộ, cũng như các biện pháp và công cụ toán học, và sau đó tất cả sẽ kết hợp lại với nhau”. Tôi nghĩ rằng nó có tính liên ngành và tích hợp cao, nhưng điều buồn cười là nó không chỉ liên quan đến một căn bệnh. Nó không phải là thủ thuật mà bạn áp dụng cho một căn bệnh và dừng ở đó. Về cơ bản, đây giống như một cách nhìn nhận về não bộ hơn là một giải pháp cụ thể cho một vấn đề cụ thể”.

Dịch từ Brain Facts

Bài viết Máy tính tốt nhất thế giới có thể là bộ não của chúng ta trong thời đại AI đã xuất hiện đầu tiên vào ngày ADuBiz.

Việc một số học giả tham gia phản biện hàng loạt thật khó hiểu, vì không có phần thưởng rõ ràng nào cho việc đưa ra số lượng lớn những bài đánh giá như vậy.

Dành thời gian để phản biện một hoặc hai bài báo trên tạp chí mỗi tuần là nhiệm vụ khó khăn đối với các học giả bận rộn, nhưng không phải với những người được gọi là “những người phản biện siêu năng suất” (hyper-prolific reviewers) – những người có thể hoàn thành tới tận bảy bài đánh giá hàng ngày.

Các tác giả siêu năng suất (hyper-prolific authors) trong xuất bản học thuật vốn là chủ đề được đưa ra bàn luận nhiều. Gần đây, mạng xã hội bắt đầu chú ý tới một hiện tượng mới, khi có các học giả đã tham gia phản biện gần 100 bản thảo trong năm 2024.

Có những học giả siêu năng suất ở cả 2 tác vụ trên. Ví dụ, một nhà khoa học tại Trung Đông đã xuất bản 180 bài báo vào năm 2023 – trung bình một bài mỗi hai ngày làm việc – và phản biện, đánh giá 812 bản thảo trong cùng năm đó. Tuy nhiên, khối lượng đáng kinh ngạc đó vẫn không đạt đến mức độ mà các người phản biện siêu năng suất đã đạt được trong những năm trước, ông Graham Kendall, cựu phó hiệu trưởng của cơ sở Malaysia tại Đại học Nottingham, cho biết.

Trong một công bố năm 2022, Giáo sư Kendall đã xác định 10 người phản biện năng suất nhất trên nền tảng Publons, trong đó ba người đã đánh giá trung bình một bài mỗi ngày trong suốt 16 năm trước đó. Con số này lên tới bảy bài mỗi ngày trung bình trong những năm năng suất nhất của họ.

Giáo sư Kendall bình luận rằng không rõ các động lực cho sự năng suất này, vì phản biện bản thảo bài báo vốn là công việc không được trả phí. Theo ông: “Trong kinh nghiệm của tôi, bạn được thăng chức dựa trên những thứ như số khoản tài trợ xin được, số lượng công bố hoặc [các khía cạnh] thể hiện uy tín quốc tế như việc trình bày tại các hội thảo,  tôi chưa bao giờ gặp một hội đồng tuyển dụng hay thăng chức nào xem xét đến việc bạn đã phản biện được bao nhiêu bài cả,”, và cho rằng hiện tượng này là “hơi kỳ lạ”.

“Tôi biết một số người thêm thông tin ấy vào CV của họ – đó có thể là ‘Tôi đã đánh giá xxx bài báo cho tạp chí gì đó‘ – nhưng cá nhân tôi chưa bao giờ làm vậy. Tôi thậm chí còn chưa bao giờ lưu trữ một bản đánh giá nào.” Ông nói tiếp.

Giáo sư Kendall cho biết ông vẫn “khó tìm ra lý do hợp lý cho việc tại sao có ai lại muốn phản biện nhiều bài báo như vậy.”

Các nghiên cứu khác chỉ ra rằng việc tham gia phản biện nhiều không có tương quan với năng suất xuất bản. Một nghiên cứu năm 2018 của các học giả từ Đại học Edinburgh Napier cho thấy 49 trong số 100 người đánh giá hàng đầu trên Publons là những nhà nghiên cứu ít trích dẫn, trong đó có tới bảy người không có trích dẫn hay thành phẩm nào.

Một nghiên cứu khác còn xem xét những người phản biện đánh giá ba bài báo mỗi ngày và viết 2.400 từ cho mỗi bài đánh giá và tính toán rằng, khối lượng này tương đương với khoảng 12 giờ gõ liên tục mỗi ngày cho một người đánh máy thành thạo.

Dịch từ Times Higher Education

Bài viết Hiện tượng học giả phản biện “siêu năng suất” đã xuất hiện đầu tiên vào ngày ADuBiz.

Lịch sử của việc chỉnh sửa bài viết Wikipedia là một nguồn tài nguyên chưa được khám phá trong việc đánh giá sự phát triển của kiến thức khoa học theo thời gian.

Các tác giả cho rằng Wikipedia có thể là một nguồn giá trị giúp theo dõi tri thức khoa học khi nó lan truyền vào diễn ngôn công cộng.

Rona Aviram và Omer Benjakob, tác giả của nghiên cứu với tiêu đề “Wikipedia as a tool for contemporary history of science: A case study on CRISPR” (tạm dịch: Wikipedia như là một công cụ cho lịch sử khoa học đương đại: Một nghiên cứu trường hợp về CRISPR” được công bố vào ngày 13 tháng 9 năm 2023 trên tạp chí Plos One, đã phân tích hàng ngàn bản chỉnh sửa của các bài viết Wikipedia liên quan đến công nghệ chỉnh sửa gen CRISPR, phục vụ như một nghiên cứu trường hợp về cách thức các phát hiện khoa học ảnh hưởng đến nội dung trên trang bách khoa toàn thư trực tuyến này.

Tiến sĩ Aviram – một nhà nghiên cứu ở Trung tâm Nghiên cứu và Liên ngành (Center for Research and Interdisciplinarity – CRI) có trụ sở tại Pháp và Học viện công nghệ Technion Israel ở Haifa, cùng với ông Benjakob – đồng nghiệp ở CRI và là nhà báo điều tra, đã tìm ra rằng khoa học đóng vai trò quan trọng trong quá trình các bài viết của Wikipedia thay đổi qua thời gian.

Họ cho rằng, sự phát triển của các bài viết trên Wikipedia – cách người dùng chỉnh sửa văn bản, loại bỏ cách diễn đạt cũ và thậm chí là chèn các đường link khi họ thêm nội dung mới – là một nguồn tài nguyên lớn còn chưa được khai thác rộng rãi đối với các nhà nghiên cứu để họ ghi lại “sự phát triển không ngừng của tri thức” và cách mà tri thức khoa học “tích lũy và chuyển thành diễn ngôn công cộng”.

Mặc dù đã có khá nhiều nghiên cứu xem xét việc những trích dẫn nào được đưa vào Wikipedia, các nhà nghiên cứu nói rằng phương pháp được sử dụng trong nghiên cứu của họ đi sâu hơn, bằng việc nhìn vào cách văn bản tự thay đổi theo thời gian.

Benjakob giải thích rằng, “Tưởng tượng rằng chúng ta có thể thấy tất cả những chỉnh sửa của một nhà nghiên cứu trên giấy. Nó tương đương với những gì chúng tôi đang làm”. Ông so sánh phương pháp này như một “MRI của sự đồng thuận khoa học” – một mặt cắt của tri thức tương tự cách mà chụp cộng hưởng từ hiển thị hình ảnh chi tiết của các cơ quan nội tạng.

Với khả năng theo dõi cùng một văn bản theo thời gian đến mức câu từ, Wikipedia đã cung cấp “một cái gì đó khác biệt” so với các phương pháp đánh giá khoa học truyền thống, tiến sĩ Aviram nói thêm.

Trong những năm kể từ khi bà trình bày nghiên cứu đầu tiên sử dụng Wikipedia của các nhà khoa học, thái độ học thuật đối với việc sử dụng trang web như một công cụ đã thay đổi. Tiến sĩ Aviram kể lại rằng: “Tôi đã đứng lên sân khấu và câu đầu tiên tôi nói là ‘Tôi có một lời thú nhận: Tôi sử dụng Wikipedia’, một thứ vốn bị đánh giá tiêu cực. Một nửa số người sẽ nói kiểu: “Chúng tôi không làm điều đó ở đây’.”

Nhưng ngay cả khi các học giả đã bắt đầu ưa chuộng công cụ này thì các vấn đề kỹ thuật vẫn là một trở ngại lớn. Ví dụ như các chú thích trên Wikipedia thường không được định dạng đúng cách, điều đó khiến việc thu thập dữ liệu trở nên khó khăn, bà nhận xét.

Hai tác giả cũng cho rằng nghiên cứu này chỉ mới khai thác bề nổi của những gì trang web này có thể cung cấp vì nó chỉ giới hạn ở nội dung tiếng Anh; không tính đến trang “thảo luận” (talk page) của Wikipedia, nơi thúc đẩy cuộc tranh luận giữa các người dùng hoặc kho tàng hình ảnh trực quan được công bố thông qua trang web chị em của nó là WikiCommons.

Tiến sĩ Aviram cho biết bà rất muốn mở rộng sự hợp tác với các nhà nghiên cứu khác trong lĩnh vực này – và tự tin rằng sẽ có người tham gia. “Tôi muốn lan truyền thông điệp này: chúng tôi đang tìm kiếm các cộng tác viên và chia sẻ các công cụ của mình,” bà nói. “Điều này có thể có tác động rất lớn đến việc nghiên cứu.”

Dịch từ Times Higher Education

Bài viết Wikipedia là “công cụ lý tưởng” để đo lường sự lan tỏa của khoa học đã xuất hiện đầu tiên vào ngày ADuBiz.