Thông điệp thức tỉnh về trí tuệ nhân tạo tại hội thảo lớn nhất về AI

Các nhà tiên phong trong lĩnh vực trí tuệ nhân tạo cảnh báo rằng tiến bộ đang chậm chạp, các trở lại là rất lớn và chỉ đơn thuần tăng khả năng tính toán sẽ không giải quyết được vấn đề trong dài hạn.

Hơn 13.000 chuyên gia trong lĩnh vực trí tuệ nhân tạo (AI) đã tập hợp tại Vancouver vào trung tuần tháng 12/2019 để tham gia hội thảo AI hàn lâm hàng đầu mang tên NeurIPS. Sự kiện tập hợp nhiều gian hàng đầy màu sắc của các doanh nghiệp muốn tuyển dụng nhân sự cho dự án của mình, tất nhiên không thể thiếu sự góp mặt của các ông lớn như Google và IBM.

Sáng ngày thứ tư, 11/12, một trong những nhà nghiên cứu hàng đầu của Google đã có bài thuyết trình, đưa ra thông điệp cảnh tỉnh về tương lai của AI.

Ông Blaise Aguera y Arcas đã ca ngợi phương pháp học sâu (deep learning) mang tính cách mạng. Phương pháp này đã giúp cho các nhóm lập trình có thể cho máy tính hay điện thoại nhận diện khuôn mặt hoặc giọng nói. Ông cũng than thở về những thiếu sót của phương pháp, chủ yếu là về mặt thiết kế phần mềm gọi là mạng nơ-ron nhân tạo (neural networks) “học hỏi” bằng cách lặp đi lặp lại nhiều lần hoặc đối chiếu với rất nhiều ví dụ hay câu trả lời đúng.

“Chúng ta giống như chú chó đã đuổi kịp chiếc xe hơi,” ông nói, ngụ ý rằng công nghệ đã đạt được mục tiêu đặt ra nhưng không biết làm gì tiếp theo. Học sâu đã nhanh chóng vượt qua nhiều thử thách lâu năm trong AI – nhưng lĩnh vực này không phù hợp để xử lý nhiều thử thách khác vẫn còn tồn đọng. Ví dụ, vấn đề cần tới lý luận hay trí tuệ giao tiếp xã hội như cân nhắc khi tuyển dụng, vẫn nằm ngoài tầm với của máy tính.

>> Những vấn đề “ngoài tầm với” của trí tuệ nhân tạo

“Trong các mô hình mà chúng ta ‘đào tạo’, tất cả đều là về vượt qua bài kiểm tra hoặc thắng trò chơi tính điểm, [nhưng] có quá nhiều thứ liên quan tới trí thông minh nằm ngoài đề mục đó,” ông nói.

Vài tiếng sau, một trong ba nhà nghiên cứu được xem là cha đẻ của học sâu cũng chỉ ra những giới hạn của công nghệ này. Ông Yoshua Bengio, giám đốc của Mila – viện nghiên cứu AI ở Montreal, cho biết phương pháp này chỉ cho ra kết quả rất đặc thù: một hệ thống chơi xuất sắc trò chơi này lại không thể chơi một game khác. “Chúng ta có những cỗ máy học rất hạn hẹp. So với trí tuệ con người, chúng cần dữ liệu lớn hơn rất nhiều mới học được cách thực hiện một nhiệm vụ đơn lẻ, và chúng vẫn mắc những lỗi ngu ngốc.”

Cả 2 ông Bengio và Aguera y Arcas đều thúc giục những người tham gia hội nghị NEurIPS hãy suy nghĩ nhiều hơn về nguồn gốc sinh học của trí tuệ tự nhiên. Ông Bengio đã thảo luận về những nghiên cứu bước đầu để làm cho hệ thống học sâu đủ linh hoạt, có thể xử lý các tình huống khác với được đào tạo ban đầu – ông so sánh cũng giống như con người vẫn có thể lái xe khi đến một thành phố khác hay quốc gia khác.

Những bài thuyết trình cảnh báo tại hội nghị NeurIPS lần này đã đến trong bối cảnh đầu tư vào AI đang đạt mức kỷ lục. Các quỹ mạo hiểm đã đổ gần 40 tỷ USD vào AI và máy học trong năm 2018, xấp xỉ gấp đôi so với năm 2017.

Tại hội nghị cũng có nhiều thảo luận về hạn chế của công nghệ AI hiện tại.

Trước đây người ta vẫn thường lạc quan rằng Google và các hãng taxi tự hành sẽ sớm xuất hiện trên thị trường, nhưng giờ đây các kỳ vọng đã phức tạp và hạn chế hơn. Gân đây, giám đốc mảng AI của Facebook từng phát biểu rằng công ty của ông và các hãng khác không nên kỳ vọng sẽ luôn có tiến bộ trong AI chỉ đơn thuần bằng cách tạo ra hệ thống học sâu to hơn với sức mạnh tính toán và dữ liệu lớn hơn. “Ở điểm nào đó chúng ta sẽ đụng phải bức tường, và chúng ta đã đụng phải tường theo nhiều cách.”

>> Tổ chức AI: ĐCSTQ dùng trí tuệ nhân tạo nhằm giết hại người Hồng Kông

Một số nhân vật tham dự NeurIPS cũng đang nỗ lực để leo qua hoặc đào ngầm qua bức tường đó. Có cả lý do khoa học và kinh doanh để tiếp tục phát triển, giúp AI có thể giải quyết các vấn đề phức tạp hơn và trở nên linh hoạt hơn.

Anh Jeff Clune là nhà nghiên cứu tại hãng Uber dự tính sẽ tham gia dự án OpenAI phi lợi nhuận trong năm tới. Anh chia sẻ ý tưởng tạo ra AI thông minh hơn nữa, tạo ra các thuật toán tự học hỏi – có thể tự tạo ra thuật toán giúp robot học hỏi. Anh cũng tạo ra các hệ thống tự đưa ra các vấn đề/môi trường thử thách để AI đi xử lý và tăng sức mạnh.

Dưới đây là ví dụ về thuật toán tự tạo ra các loại địa hình khó để tự thử thách:

Theo Wired,
Phong Trần