VnReview
Hà Nội

Cách mạng AI giúp chúng ta trả lời các vấn đề cơ bản nhất của triết học như thế nào? (phần 2)

Tôi là ai? Tôi được sinh ra để làm gì? Cách mạng AI dưới mắt chuyên gia công nghệ Kaifu-Lee phần 2;sẽ giúp bạn tiếp tục khám phá câu trả lời cho hai thắc mắc nhân sinh muôn thuở này. Sau thất bại của hai làn sóng đầu tiên, làm cách nào AI tiếp tục phát triển và cất cánh cho tới nay? Liệu AI hiện nay có đủ sức mạnh chiếm lĩnh thế giới như một số dự báo hay không?

Cách mạng AI giúp chúng ta trả lời các vấn đề cơ bản nhất của triết học như thế nào? (Phần 1)

Cựu chủ tịch Google Trung Quốc: Chỉ có hai quốc gia thật sự hưởng lợi từ cách mạng trí tuệ nhân tạo

Cách mạng AI sẽ tác động thế nào đến tương lai của lực lượng lao động? (phần 1)

Tóm tắt phần 1: cơ chế của hai làn sóng trí tuệ nhân tạo đầu tiên trên thế giới: hệ thống dựa trên các quy tắc tư duy (làn sóng đầu tiên), các mô hình thống kê và học máy (làn sóng thứ hai) 

PHẦN 2: LÀN SÓNG AI THỨ BA VÀ ĐÁNH GIÁ LẠI KHẢ NĂNG THẬT SỰ CỦA AI HIỆN NAY

Làn sóng AI thứ ba - sự bùng nổ nhờ sức mạnh phần cứng

Trong làn sóng đầu tiên, tôi (tác giả Kai-fu Lee) may mắn được biết nhà khoa học máy tính và nhà tâm lý học Roger Schank. Thật ra thì, một trong các sinh viên của ông là giáo viên hướng dẫn của tôi trong những năm tôi học thạc sĩ. Những thí nghiệm trên đã khiến tôi tin rằng các hệ thống chuyên gia không thể mở rộng, và bộ não của chúng ta có thể không làm việc theo cách chúng ta đã nghĩ. Tôi nhận ra là, để đơn giản hóa việc nói ra tiến trình quyết định của chúng ta, chúng ta đã sử dụng "if, then, else" như một ngôn ngữ mà con người hiểu được, tuy nhiên bộ não của chúng ta phức tạp hơn thế rất nhiều.

Trong làn sóng thứ hai, trong luận văn và quá trình học tiến sĩ của tôi, tôi đọc được công trình về các mạng lưới Bayesian của Judea Pearl. Tôi chịu ảnh hưởng rất nhiều bởi các nhà khoa học hàng đầu ở IBM, trong đó có tiến sĩ Fred Jelinek, Peter Brown, Bob Mercer. Họ đã tạo nên dấu ấn trong việc biến các phương thức thống kê thành chính thống, không chỉ trong giọng nói mà còn trong biên dịch máy (vào thập niên 80, 90 của thế kỷ 20). Tôi nợ họ nhiều lời biết ơn. Chúng tôi vẫn bế tắc, nhưng không phải vì công nghệ sai. Sự thật là, các phương thức thống kê hoàn toàn chính xác.

Cuối những năm 80, khi tôi làm việc với các mô hình Markov ẩn ở Carnegie Mellon thì Geoff Hinton đang làm về các mạng lưới thần kinh được ông đặt tên là "Các mạng lưới thần kinh trì hoãn thời gian". Nó được cho là phiên bản đầu tiên của các mạng lưới thần kinh phức tạp mà ngày nay phổ biến với tên gọi học sâu (deep learning), một công nghệ đang thống trị hiện nay.

Nhưng vì sao làn sóng học máy dựa trên thần kinh và thống kê lại không thể cất cánh? Hồi tưởng lại thì làn sóng này không liên quan gì đến công nghệ, hầu hết công nghệ đã được phát minh rồi. Vấn đề chỉ là chúng ta không có đủ dữ liệu đào tạo. Các bộ não của chúng ta làm việc theo cách hoàn toàn khác với các cỗ máy học sâu. Để khởi động các cỗ máy học sâu, chúng ta cần phải cho chúng nhiều dữ liệu đào tạo ở mọi cấp độ hơn con người. Con người có thể thấy hàng trăm gương mặt trước khi bắt đầu nhận ra được mọi người, nhưng các mạng lưới thần kinh học sâu muốn nhìn thấy hàng tỉ gương mặt để nhận dạng thành thạo.

Dĩ nhiên, khi chúng đã thành thạo, chúng sẽ giỏi hơn con người. Đó là điều đã được báo trước. Nhưng vào lúc đó, đơn giản là chúng tôi không có đủ dữ liệu đào tạo, và cũng không có đủ sức mạnh điện toán để đưa các công nghệ được khám phá này lên tới đỉnh cao. Google bắt đầu nhận thức được rằng, để tìm kiếm thì bạn cần nhiều máy móc để chạy song song. Rồi Jeff Dean (nhà khoa học máy tính đứng đầu bộ phận AI của Google) và những người khác ở Google thấy rằng, một khi bạn đã có những cỗ máy song song đó, bạn có thể làm được nhiều việc hơn là tìm kiếm. Bạn có thể xây dựng AI dựa trên chúng. Để xây dựng AI, bạn cần các chip đặc biệt chuyên làm tốt việc đó. Rồi GPU của Nvidia xuất hiện, và Google xây dựng TPU của chính mình. Đó là một tiến bộ thú vị. Thật tình cờ khi Google đã chọn tìm kiếm, và tìm kiếm cần các máy chủ, và họ có Jeff Dean. Điều đó đã dẫn tới các cấu trúc học dựa trên GPU hoặc TPU song song hàng loạt có thể từ nhiều dữ liệu từ một khu vực duy nhất (GPU là bộ xử lý gồm hàng ngàn nhân nhỏ hơn, hiệu suất cao hơn có thể xử lý nhiều tác vụ đồng thời, so với CPU thông thường chỉ có vài nhân được tối ưu hóa để xử lý tuần tự liên tục).

(Ảnh: Anand Tech)

Các công nghệ mới đã phát triển dựa trên cấu trúc học máy song song hàng loạt nêu trên, và các cấu trúc này chạy trên các GPU và các thiết bị tăng tốc mới. Ngày càng nhiều người có khả năng đào tạo các thiết bị nhận dạng gương mặt, nhận dạng giọng nói, nhận dạng hình ảnh, và ứng dụng AI vào tìm kiếm, dự báo. Ngày càng có nhiều dữ liệu internet. Amazon đã sử dụng các dữ liệu này để dự báo khách hàng muốn mua gì. Google dùng dữ liệu để dự đoán quảng cáo mà bạn muốn nhấp vào và có khả năng chi tiền. Microsoft cũng dùng nó. Ở Trung Quốc, chúng ta có Tencent và Alibaba. Nhiều ứng dụng đã ra đời dựa trên lượng dữ liệu Internet khổng lồ.

Cùng lúc với các công nghệ đang tiến triển, Geoff Hinton, Yann LeCun, and Yoshua Bengio là ba người tiếp tục làm việc về mạng lưới thần kinh, mặc dù chúng không còn chính thống vào đầu những năm 2000. Vào những năm 80, công việc đó là một điều mới mẻ, và các thống kê đột phá đã chỉ ra rằng những mạng lưới này không thể mở rộng. Thế là các cơ quan cấp vốn từ bỏ chúng, các hội nghị ngừng nhận nghiên cứu về chúng, nhưng ba nhà nghiên cứu này duy trì nó với một ít tiền tài trợ để tinh chỉnh và phát triển các giải thuật tốt hơn. Và rồi nhiều dữ liệu xuất hiện. Một đột phá ra đời với sự sáng tạo các giải thuật mới, có lúc được gọi là "các mạng lưới thần kinh phức tạp", và ngày nay được biết đến với tên "học sâu".

Tập hợp các công nghệ xuất phát từ ba giáo sư trên bắt đầu sinh sôi trong ngành công nghiệp AI. Các hệ thống nhận dạng giọng nói được thiết kế bởi những công ty hàng đầu đang chiến thắng năng lực con người, và điều tương tự xảy ra với các công ty nhận dạng gương mặt, nhận dạng hình ảnh. Đó là những bằng chứng thương mại điện tử, sự nhân dạng người dùng/loa đã được áp dụng cho dữ liệu Internet, dự báo cao hơn cho Amazon, đem lại cho họ nhiều tiền hơn; các dự báo tốt hơn cho Facebook trong cách thức xếp hạng news feed; các kết quả tìm kiếm tốt hơn từ Google. Đến cuối những năm 2000, các mạng lưới thần kinh sâu bắt đầu trở nên quen thuộc trong Google, và bùng nổ hầu như mọi nơi trong 7, 8 năm trở lại đây. Nhiều cấu trúc ra đời, nhiều hệ thống thông minh hơn được phát triển. Dĩ nhiên, sự kiện châm ngòi cho cả thế giới là việc AlphaGo đã đánh bại kiện tướng cờ vây Lee từ Hàn Quốc và kiện tướng Ke ở Trung Quốc với những cách biệt ngày càng gia tăng. Và gần đây hơn, một nghiên cứu mới cho rằng, AlphaGo có thể được đào tạo từ con số 0 mà không cần kiến thức con người.

Tất cả những đột phá này đã khiến cả thế giới biết rằng vào lúc này AI là thực tế. Chúng ta đã có một điều gì đó trong làn sóng thứ hai, các mạng lưới thần kinh và các phương thức thống kê đều chính xác, chỉ là chúng ta không có đủ dữ liệu, không đủ sức mạnh điện toán, và không đủ tiến bộ công nghệ vào thời điểm đó để làm cho điều đó xảy ra. Nhưng giờ đây chúng ta đã làm được.

AI có thể thống trị loài người?

AI đang cất cánh ở khắp nơi. Nhiều trường phái tư duy mới xuất hiện. Có một tập hợp người bắt đầu chiêm nghiệm trở lại câu hỏi ban đầu của chúng ta: chúng ta là ai, và vì sao chúng ta tồn tại? Những người này suy luận rằng, bởi vì AI có thể tự cải tiến mình cực nhanh trong hai, ba năm qua, nếu chúng ta thúc đẩy điều đó trong các khu vực khác, chúng ta sẽ có những cổ máy siêu thông minh có thể được cắm vào đầu chúng ta và trở thành sự tăng cường con người, hoặc chúng sẽ là ác quỷ và thống trị loài người.

Tôi chỉ muốn cấm cửa loại suy nghĩ này. Chỉ là điều đó không chính xác. Dù tiến bộ như AI hôm nay hay xuất hiện nhiều như các AI đang làm được điều phi thường là đánh bại con người trong các ván cờ, nhận dạng giọng nói, nhận dạng gương mặt, các phương tiện tự lái, robot công nghiệp, AI vẫn sẽ bị hạn chế theo những cách sau: AI hôm nay (mà chúng ta gọi là AI yếu) là một thiết bị tối ưu dựa trên nhiều dữ liệu về một lĩnh vực mà chúng học để làm một việc gì đó cực tốt. Đó là một robot đơn nhiệm thẳng đứng, nhưng chỉ làm được một việc. Bạn không thể dạy nó nhiều việc. Bạn không thể dạy nó nhiều lĩnh vực. Bạn không thể dạy cho nó có được tri giác phổ biến (common sense, những kiến thức, kinh nghiệm, cách ứng xử chung mà hầu hết chúng ta đồng ý là đúng hoặc sai). Bạn không thể trao cho nó cảm xúc. Nó không có sự tự nhận thức, vì vậy không có ham muốn, thậm chí cũng không hiểu về cách yêu thương hoặc thống trị một con người.

Tất cả những bài nói tiêu cực đó đều ngớ ngẩn. Đó là sự tưởng tượng quá mức. Chúng ta đang thấy AI đi vào những ứng dụng mới ở những lĩnh vực tăng trưởng nhanh, nhưng đó là sự tăng trưởng nhanh chóng của những ứng dụng thuộc về các công nghệ trưởng thành mà chúng ta đang có. Sự tăng trưởng đó sẽ kết thúc khi tất cả công nghệ đều được phát triển. Rồi chúng ta phải chờ các đột phá mới cho những tiến bộ AI xa hơn. Nhưng bạn không thể dự đoán các tiến bộ xa hơn.

Nếu nhìn vào lịch sử AI, loại hình sáng tạo học sâu này chỉ xảy ra một lần. Chỉ một lần kể từ năm 1957, một lần trong vòng 60 năm mà chúng ta có một sự đột phá. Bạn không thể đi trước và dự đoán rằng chúng ta sắp có một đột phá vào năm tới, và rồi vào tháng sau đó hay ngày sau đó. Điều đó quá nhanh. Việc sử dụng các ứng dụng đến giờ mới diễn ra. Điều đó thật tuyệt vời, còn ý tưởng các sáng chế nhanh chóng là một khái niệm ngớ ngẩn. Theo tôi, những người tuyên bố những điều này và những người cho rằng sự đơn nhất đang đi trước chúng ta đều hoàn toàn không dựa trên tình hình kỹ nghệ thực tế.

Hôm nay, chỉ có AI mỗi lúc tập trung vào làm một việc, và đó là một công cụ tuyệt vời. Nó giỏi tạo ra giá trị. Nó sẽ thay thế nhiều công việc con người và một số công việc con người khác. đó mới là cái mà chúng ta nên nghĩ về, chứ không phải loại AI to lớn mạnh mẽ, loại máy móc giống như một con người và có thể tư duy về nhiều lĩnh vực, có những tri giác phổ biến như con người. Sau cùng thì, chúng ta chưa thể dự báo được điều đó dựa trên tiến bộ hiện nay.

Liệu điều đó có thể xảy ra một ngày nào đó, một trăm hay một ngàn năm tới? Tôi cho rằng bất kỳ điều gì cũng có thể xảy ra. Nhưng có thể chúng ta nên tập trung năng lượng vào những điều ở đây, hôm nay. Và những điều ở đây hiện nay là những siêu-cỗ máy tối ưu hóa có thể làm tốt hơn con người trong các công việc: lựa chọn cổ phiếu, thực hiện các khoản vay, hỗ trợ khách hàng, tiếp thị từ xa, các công việc dây chuyền sản xuất, hỗ trợ pháp lý. AI có thể làm những việc đó tốt hơn con người. Chúng đang chiếm lĩnh những việc đó và giải phóng thời gian rảnh của chúng ta, cho phép chúng ta làm những gì chúng ta thật sự yêu thích và những gì chúng ta làm tốt nhất. Đó là một cơ hội cả đời người chứ không phải viễn cảnh đáng sợ khi các máy tính trở thành siêu thông minh.

Linh Trần (Theo Edge)

(còn tiếp)

Chủ đề khác