Nếu như xưa giờ con người hay lấy cảm hứng từ tự nhiên để tạo nên những phát minh công nghệ thì bây giờ, trí thông minh nhân tạo (AI) cũng làm điều tương tự bằng cách “bắt chước hoạt động giống não người”, từ đó giúp nó xử lý công việc nhanh hơn, thông minh và hoàn thiện hơn.
Theo các nhà khoa học, việc bắt chước hoạt động não người là điều cần thiết trong giai đoạn phát triển tiếp theo của AI, mở ra thêm nhiều hướng ứng dụng công nghệ này vào các lĩnh vực phục vụ con người.
Cho tới hiện tại, một trong những đại diện của công nghệ trí thông minh nhân tạo tiên tiến chính là hệ thống AlphaGo dựa trên mạng thần kinh nhân tạo của Google với khả năng học tập, phân tích và đưa ra quyết định độc lập. Ngoài ra còn có nhiều hệ thống nhận diện vật thể trong hình ảnh hoặc chuyển đổi ngôn ngữ hoạt động trên các nền tảng machine learning.
Dù trông có vẻ hiện đại nhưng trên thực tế, chúng vẫn phải được “dạy” bởi lượng dữ liệu khổng lồ để có thể đạt được những kỹ năng nhất định. Nếu muốn dạy lại cho chúng những kỹ năng đó, điều duy nhất mà người ta có thể làm chính là xóa hết bộ nhớ và lặp lại từ đầu quá trình (gọi là catastrophic forgetting).
Trái với cách học từ một biển dữ liệu, não người có cách học theo từng bước vốn hiệu quả và nhiều ưu điểm hơn rất nhiều so với máy. Cụ thể, điểm khác biệt cơ bản giữa 2 bên chính là: AI buộc phải học mọi thứ dữ liệu mà chúng có được trước khi hoạt động, còn não người thì được xây dựng dần, dùng các bài học trước đó để áp dụng cho các tình huống và sau đó dùng chính kinh nghiệm rút ra được để tạo ra kiến thức mới.
Hơn nữa, con người còn có khả năng suy luận logic trong việc hình thành các mối quan hệ giữa những kinh nghiệm trong quá khứ với các tình huống mới. Trong khi đó, dạng AI thống kê (machine learning) dù có khả năng mô phỏng những kỹ năng nhận diện mô hình của não bộ nhưng lại không thể áp dụng tư duy logic. Còn dạng AI tượng trưng thì dù có thể sở hữu logic (giả sử như chúng được dạy dựa trên những quy tắc trong hệ thống lý luận) nhưng lại không có khả năng áp dụng những thứ đó theo thời gian thực.
Vậy điều gì sẽ xảy ra nếu người ta có thể kết hợp được những đặc tính tốt nhất trong việc xử lý thông tin phức tạp của não người với khả năng xử lý hàng loạt của AI? Đó chính là mục đích mà nhóm nghiên cứu DeepMind đang hướng tới. Cụ thể, họ đang xây dựng một hệ thống mạng thần kinh nhân tạo với khả năng áp dụng những mối quan hệ lý luận vào trong các tác vụ, tương tự như cách hệ thống thần kinh trong não người hoạt động. Nếu như các tế nào thân kinh của người sử dụng nhiều kết nối giữa chúng để nhận diện ra từng mô hình thì tương tự như vậy, các nhà khoa học cũng đang ép AI của họ khám phá ra những mối quan hệ đã tồn tại giữa các cặp vật thể trong từng ngữ cảnh cụ thể.
Trong một thử nghiệm vài tháng trước, nhóm nghiên cứu đã cho hệ thống này thử tìm mối quan hệ hình học giữa các vật thể trong một bức ảnh. Nó được đặt ra yêu cầu phải trả lời cho nhưunxg câu hỏi kiểu như “tìm những hình màu xanh lá mạ giống nhau nằm bên phải quả bóng kim loại? hoặc Có vật thể nào nằm trước hình màu xanh không?” (coi hình bên trên sẽ rõ hơn). Và kết quả là hệ thống có khả năng nhận diện được các vật thể được yêu cầu với độ chính xác 96%, lớn hơn khá nhiều so với những con số 42-77% ở những hệ thống machine learning thông thường và thậm chí, cao hơn cả con số 92% của não người.
Khi thử nghiệm với các vấn đề có liên quan tới ngôn ngữ thì các nhà nghiên cứu cũng nhận được kết quả tương tự. Cụ thể, họ đặt ra các vấn đề như “Sarah có một quả bóng. Sarah đi vào văn phòng. Vậy quả bóng ở đâu?” và “Lily là một con thiên nga. Lily có màu trắng. Greg là một con thiên nga. Vậy Greg màu gì?” Với câu hỏi đầu thì các hệ thống AI thông thường vẫn trả lời được nhưng câu hỏi tiếp theo thì phức tạp hơn đối với khả năng của chúng. Tuy nhiên, hệ thống AI lai của DeepMind đã trả lời được câu hỏi khó hơn với độ chính xác lên tới 98%, còn hệ thống AI thường chỉ đạt khoảng 45%. Đồng thời, AI DeepMind thậm chí còn thực hiện tốt các nhiệm vụ “nhớ thông tin quan trọng và áp dụng chính xác kiến thức đó cho những truy vấn ở tương lai.”
Trong 2 nghiên cứu gần đây tiến hành bởi IBM, họ còn tiến xa hơn nữa khi cho IBM tìm được cách xác định “mức độ quan trọng” và tìm cách “ứng dụng những quy trình sinh học tự nhiên của hệ thống thần kinh lên AI, nói cách khác là làm cho các tế bào thần kinh nhân tạo của AI cũng có khả năng sinh ra và chết đi.” IBM cho biết cách tiếp cận đối mạng nơ ron nhân tạo của họ là tiên tiến nhất ở hiện tại và nó hiệu quả hơn rất nhiều so với kiểu AI thử sai trước đây.
Chi tiết hơn, thuật toán ”chú ý” của IBM cho phép mạng thần kinh nhân tạo chọn được dữ liệu đầu vào nào sẽ đạt được hiệu quả mang về cao nhất. Và hiệu quả càng cao thì mạng thần kinh sẽ càng tập trung vào dữ liệu đó. Cách tiếp cận này sẽ giúp AI đạt được hiệu suất cao hơn so trong tình huống dữ liệu luôn biến động như ngoài đời thật. Nhóm nghiên cứu cho biết cách làm này về cơ bản cũng giống như con người: “Chúng ta đều biết khi con người nhìn vào một hình ảnh, mắt sẽ chỉ tập trung vào một vùng rất hẹp. Tùy vào độ phân giải mà bạn chỉ có thể nhìn vào vài điểm ảnh trên bức hình (nếu nó có chi tiết rõ ràng) còn những thứ bị mờ nhòe thường sẽ được bỏ qua. Vấn đề ở đây là mắt người trước đó đã nhanh chóng lướt qua toàn bộ bức hình và xác định xem vùng nào cần được tập trung để mang về nhiều lợi ích hơn.”
Trên thực tế, cách tiếp cận AI tập trung sẽ được áp dụng đầu tiên nhằm nhận diện hình ảnh, sau đó có thể được dùng cho nhiều lĩnh vực khác. Một thí dụ trong việc nhận diện hình ảnh, nếu người ta cho AI thông thường nguồn dữ liệu của những công trình kiến trúc, nó sẽ có thể dễ dàng nhận định được đâu là khung cảnh trong thành phố. Tuy nhiên nếu đưa cho nó hình ảnh đồng quê thì sẽ không thể nhận diện được bởi nó vẫn chưa có hiểu biết về hoa cỏ,… Tuy nhiên nếu đưa thử thách này cho con người, một hoạt động thần kinh trong não sẽ được kích hoạt nhằm cố gắng thích ứng với những hiểu biết về hình dạng thành phố với các hình ảnh đồng quê được cho coi. Đối với hệ thống AI tập trung của IBM, nó sẽ biết chọn ra những thông tin đầu vào nào cần khai thác để đưa ra đáp án tốt nhất trong một khoảng thời gian nhất định.
Chưa dừng lại ở đó, IBM còn muốn tạo ra những mạng thần kinh mềm dẻo, nói cách khác là có trí nhớ dài hạn và cách mà họ chọn tiếp cận cũng tương tự như sự khai sinh và chết đi của những tế bào thần kinh trong hải mã của não người. Với cách làm này thì khi cần một hệ thống AI xử lý công việc nào đó, người ta không cần phải đưa vào lượng dữ liệu khổng lồ để dạy học nữa mà thay vào đó, chỉ cần dùng một mô hình nhỏ hơn nạp vào và nó sẽ tự tìm cách đáp ứng. Để đạt được điều đó, các nhà khoa học sẽ tìm cách cho hệ thống AI biết các tế bào thần kinh nào chứa dữ liệu đã cũ để hủy đi do không còn cần dùng nữa và ngược lại.
Và xa hơn, các nhà khoa học còn muốn AI có được cả sự tập trung nội tại, nghĩa là con người chỉ cần chọn vùng dữ liệu đầu vào nào cần AI nghiên cứu và sau đó, nó sẽ tự tính toán để chọn cách làm việc một cách hiệu quả nhất. Dù vậy, các nhà khoa học cho rằng đừng quá kỳ vọng rằng AI sẽ nhanh chóng đạt được khả năng nhận thức sâu sắc như con người hoặc cao hơn. Họ cho rằng “Chúng tôi từng nói rằng ít nhất cũng phải vài thập kỷ nữa nhưng thậm chí còn xa hơn. Những gì mà AI làm được trong việc nhận diện hình ảnh vẫn còn thua xa so với mô hình cảm xúc của con người. Nói cách khác, chỉ mời là vài thứ hết sức sơ khai.”
Source: TinhTe, Tham khảo IBM