Xem nhanh
Có lẽ những người lo sợ một Skynet thống trị loài người sẽ cảm thấy yên tâm hơn phần nào khi biết trí thông minh nhân tạo đang có nhiều trở ngại.
Ngày nay, thuật ngữ trí thông minh nhân tạo(AI) đang được nhắc đến ngày một nhiều. Thật vậy, AI hiện đang được rất nhiều công ty công nghệ lớn nghiên cứu và ứng dụng vào trong rất nhiều mục đích. Các gã khổng lồ này còn lập một tổ chức để ngăn ngừa AI trở thành “Skynet”. Tuy nhiên, AI hiện nay có thật sự thông minh như những lời quảng cáo?
Nhiều công ty đã công bố là chúng ta đang sống trong thời kì đầu của AI. Nhưng thật tế, con đường để có được 1 hệ thống thông minh nhân tạo thật sự còn rất xa, AI hoàn toàn không chỉ là những trợ lý máy tính có thể lên tiếng như chúng ta thường thấy trên các phim Hollywood. Con đường tới AI còn dài và “AI” hiện tại đang gặp các vấn đề sau.
Dữ liệu trước rồi đến AI
AI trong chúng ta đều hiểu trí thông minh nào cũng cần dữ liệu từ thế giới xung quanh để nhận thức. Tuy nhiên, chúng ta không hình dung được lương dữ liệu mà các AI cần để nhận thức một khái niệm nào đó. Con số đó là lớn hớn hàng trăm, hàng ngàn lần lượng dữ liệu mà con người cần để nhận thức. Nếu bạn để ý, các AI hiện nay đều thành công trên các lĩnh vực mà nó có nhiều dữ liệu để học.
Facebook, Google hay Microsoft đều cho ra các AI nhận diện hình ảnh, giọng nói. Đúng, dữ liệu đó là từ những tìm kiếm bằng “OK,Google”, “Hey, Cortana” và “Hey, Siri” hay những hình ảnh bạn đăng lên Facebook, Google Photos hay OneDrive.
Trên thực tế, không chỉ có các gã khổng lồ thành công trong việc chế tạo AI. Nhiều tổ chức khác có thể cũng đã nghĩ ra nhiều loại AI hiệu quả hơn. Tuy nhiên, các tổ chức này không có dữ liệu để cho các hệ thống học. Đó chính là giới hạn của AI theo hướng học sâu (deep learning) như hiện nay.
Việc cần lượng dữ liệu khổng lồ để “dạy” AI càng thể hiện rõ giới hạn đối với các lĩnh vực mà dữ liệu khó thu thập. Ví dụ như một AI để nhận diện khối u từ các hình chụp X-quang, đó là dữ liệu có thể số hóa được. Vấn đề ở đây là chúng ta không thể làm cho 1 người bị bệnh để lấy dữ liệu cho AI được. Do đó, cách cải thiện ở đây không phải là làm sao để thu thập dữ liệu, điểm mấu chốt là chúng ta phải làm cho AI “học” hiệu quả hơn.
Chỉ có côn trùng mới chuyên nhiệm, AI cần phải đa nhiệm
Các hệ thống AI hiện nay như Google DeepMind có thể nhận diện hình ảnh, chơi 1 trò chơi cực kì hiệu quả khi chúng đã “học” đủ dữ liệu. Tuy nhiên, chưa có AI nào hiện nay có khả năng vừa nhận dạng cùng lúc với chơi game hay nghe nhạc.
Vấn đề này thật sự tồi tệ khi Google DeepMind từng được giới thiệu là có thể chiến thắng 49 game của Atari. Điểm mấu chốt ở đây là nó không thể chơi được cả 49 game cùng 1 thời điểm. Cứ mỗi game mới phải chơi thì lại tốn khá nhiều thời gian cho AI học. Và đi kèm với học điều mới là chúng quên luôn cách chơi những game trước đó.
Hướng giải pháp hiện tại cho vấn đề này là kết nối nhiều hệ thống học sâu riêng biệt lại với nhau. Nhờ đó, chúng có thể chia sẻ kiến thức mà chúng học được cho nhau.
Giải pháp này tương đối hiệu quả khi AI có thể chơi nhiều game Pong được tùy chỉnh về kích thước gạch hay màu sắc. Việc tự điều chỉnh khi phải chơi 1 biến thể mới diễn ra nhanh hơn là chơi lại từ đầu.
Tuy nhiên, hướng này cũng gặp vấn đề là không thể kết nối quá nhiều hệ thống với nhau. Chúng cũng đạt tới ngưỡng mà kết nối thêm hệ thống vẫn không thay đổi được gì. Con đường tới 1 trí thông minh tương đương con người vẫn chưa có lời giải.
Vấn đề không phải đáp án mà là cách giải
Tuy chúng ta có thể kiếm soát được dữ liệu đầu vào của AI, nhưng hướng mà chúng tư duy để đưa ra đáp án khá khó lý giải. Một thí nghiệm của các nhà nhiên cứu tại trường Virginia Tech có thể cho thấy rõ điều này.
Nhóm nghiên cứu này đã tạo ra 1 hệ thống theo dõi hướng quan sát của AI khi xử lý dữ liệu. Họ đưa cho AI 1 tấm hình phòng ngủ có cửa sổ và hỏi là có gì trên cửa sổ. Đối với con người thì hướng nhìn chắc chắn là cái cửa sổ. AI thì lại nhìn xuống đất và thấy cái giường, nó đưa ra câu trả lời là trên cửa sổ có treo màn. Đó là đáp án đúng.
Tuy nhiên, điều này xảy ra là do bộ dữ liệu mà AI học trước đó đã làm cho chúng đưa ra nhận xét như vậy. Dựa vào bức hình, AI phán đoán đây là phòng ngủ, và dựa trên dữ liệu nó đã học thì phòng ngủ sẽ có rèm. Do đó, nó đưa ra câu trả lời rất hợp lý là có rèm trên cửa sổ mà thậm chí chả cần nhìn cái cửa sổ. Nó không biết rằng có phòng ngủ còn chẳng có rèm.
Hướng giải quyết vấn đề này được đề xuất là kết hợp với AI dạng cũ – hoạt động theo dạng trừu tượng hóa thế giới xung quanh từ các dấu hiệu ta đưa vào. Nói cách khác là sẽ đưa vào các qui luật kèm với dữ liệu, thay vì chỉ đưa dữ liệu và để mặc AI tự nhận ra qui luật.
Tóm lại, công nghệ AI theo hướng học sâu (deep learning) hiện chưa thật sự hiệu quả và một phương thức mới cần được phát triển ra. Công bằng mà nói, AI học sâu vốn không được ưa chuộng từ đầu, nhưng chúng được quan tâm hơn khi các nhóm nghiên cứu bắt đầu thu thập được dữ liệu dễ dàng và sức mạnh tính toán đang trở nên dư thừa của các hệ thống.
Theo TheVerge
