Gửi lúc: 02/02/2018 11:04:46
Bookmark and Share

Học máy tự động sẽ là xu hướng phát triển mạnh nhất của trí tuệ nhân tạo

Tháng 10/2015, trong buổi hội thảo về chức năng lái tự động của xe ô tô điện Tesla Model S, Giám đốc điều hành (CEO) của hãng Tesla (Mỹ) – Elon Musk đã nói rằng, mỗi người lái sẽ trở thành “chuyên gia huấn luyện” cho các Model S. Mỗi xe có thể học được từ người lái, nhưng quan trọng hơn, những kiến thức tự học này sẽ được chia sẻ với những chiếc xe khác của Tesla.



Những người sở hữu chiếc Model S có thể nhanh chóng nhận ra rằng, chức năng lái tự động của ô tô đang dần dần được cải thiện. Ví dụ, Model S rẽ sai lối khi đi trên đường chính, buộc người sở hữu phải chỉnh lái bằng tay để đi đúng đường. Tuy nhiên, chỉ sau một vài tuần, những người sở hữu đã ghi nhận là những chiếc xe này không còn lỗi nữa. Một người sở hữu đã ngạc nhiên về sự tiến bộ quá nhanh của mẫu xe này.

Các hệ tri thức được trang bị phần mềm tự học mới nhất không chỉ trở nên thông minh hơn, mà còn thông minh ngày càng nhanh. Hiểu về tốc độ phát triển của hệ tri thức này sẽ là một phần đặc biệt khó trong việc kiểm soát tiến bộ công nghệ.

Nhà khoa học máy tính Ray Kurzweil đã viết rất nhiều về khoảng cách của hiểu biết con người giữa cách nhìn “trực quan tuyến tính” về thay đổi công nghệ và tốc độ theo “hàm số mũ” của sự thay đổi này. Gần hai thập kỷ sau khi viết bài luận quan trọng có tiêu đề “Luật tăng tốc quay trở lại” – một thuyết tiến hóa về sự thay đổi của khoa học công nghệ, miêu tả tốc độ cải tiến của các hệ thống theo thời gian: các thiết bị có kết nối bắt đầu chia sẻ kiến thức với nhau, khiến tăng tốc việc cải tiến lên rất nhanh.

Theo ông Hod Lipson – Giáo sư chế tạo máy và khoa học dữ liệu tại Đại học Columbia (Mỹ), các xu hướng công nghệ phát triển theo các “hàm số mũ” khác nhau, nhưng đây có lẽ là xu hướng có hàm số mũ lớn nhất trong trí tuệ nhân tạo. Xu hướng mà chúng ta gọi là “học máy tự động” (machine teaching) – các thiết bị tự truyền kiến thức cho nhau – là bước quan trọng để gia tăng tốc độ cải tiến các hệ thống.

Theo ông, đôi khi đó là sự hợp tác, ví dụ như khi một máy học hỏi máy khác, chúng sẽ như có chung một hệ tri thức tổng hợp. Nhưng đôi khi lại là một mớ hỗn độn, như đang chạy đua giữa hai hệ chơi cờ với nhau. Lipson cho rằng, con đường phát triển của trí tuệ nhân tạo là rất mạnh, một phần vì nó giúp loại bỏ sự cần thiết của dữ liệu huấn luyện. Dữ liệu là nguồn tài nguyên của máy học, nhưng đôi khi các dữ liệu này rất khó để có được, có thể do rủi ro, nguy hiểm, chậm chạp, hiếm hoi hoặc tốn kém. Trong những trường hợp này, máy có thể tự chia sẻ kinh nghiệm, hoặc tạo ra kinh nghiệm tổng hợp cho nhau để bổ sung hoặc thay thế dữ liệu. Đây không phải là một hiệu ứng nhỏ, mà là sự tự tăng cường, nên sẽ tăng cường theo hàm mũ.

Lipson lấy ví dụ về đột phá gần đây của DeepMind thuộc Google: dự án AlphaGo Zero là điển hình của học máy trong trí tuệ nhân tạo mà không cần dữ liệu huấn luyện. Nhiều người đã biết đến AlphaGo – một trí tuệ nhân tạo với học máy, đã trở thành người chơi cờ vây giỏi nhất thế giới sau khi học một số lượng lớn hệ thống dữ liệu, bao gồm hàng triệu nước cờ của con người. Tuy nhiên, AlphaGo Zero đã có thể đánh bại cả AlphaGo mà không cần dữ liệu huấn luyện, đơn giản nó chỉ cần học quy tắc trò chơi và tự chơi với chính mình. Sau đó, nó đã đánh bại phần mềm chơi cờ giỏi nhất trên thế giới chỉ sau 8 giờ tự luyện tập.

Hãy tưởng tượng hàng ngàn AlphaGo Zero cùng chia sẻ các kiến thức thu được và không chỉ về chơi cờ. Chúng ta đang chứng kiến sự ảnh hưởng mạnh mẽ của học máy tự động, đến tốc độ cải thiện hiệu suất các thiết bị của các doanh nghiệp. Một ví dụ là công nghệ công nghiệp song sinh kỹ thuật số (digital twin) của công ty công nghiệp số General Electric (Mỹ) – một phần mềm mô phỏng những gì đang xảy ra với các thiết bị. Đây là máy với hình ảnh của chính nó và có thể chia sẻ hình ảnh này với các nhà kỹ thuật.

Ví dụ, tua-bin hơi nước với song sinh kỹ thuật số có thể đo nhiệt độ hơi nước, tốc độ cánh quạt và các dữ liệu khác để dự đoán trục trặc, đồng thời cảnh báo các kỹ thuật viên để tránh việc sửa chữa tốn kém. Song sinh kỹ thuật số thực hiện các dự đoán bằng việc tự học những hành động của chính nó, cũng như dựa vào các mô phỏng của các tua-bin hơi nước khác.

Khi máy móc bắt đầu tự học trong môi trường của chúng với những phương pháp mới và mạnh hơn, thì sự phát triển này càng tăng tốc nhờ việc trao đổi dữ liệu với nhau. Trí tuệ tổng hợp tập thể của các tua-bin hơi nước trên khắp thế giới có thể cái tiến nhanh chóng khả năng dự báo của riêng từng máy.

Nếu bạn đọc nghĩ rằng công nghệ đang phát triển rất nhanh, hãy nhớ rằng tất cả điều này chỉ là sự khởi đầu.

Ngô Linh (Theo Hi-News.ru)