Điểm yếu của trí tuệ nhân tạo: Học mà không… hiểu

AI (trí tuệ nhân tạo) đang được mọi người nhắc tới mỗi ngày. Nhưng khi nhìn vào Siri, Alexa hay các tính năng tự động sửa lỗi sai trên bàn phím điện thoại, người ta có thể nhận thấy trí tuệ nhân tạo không có mục tiêu chung nào. Tất cả đều là những chương trình có khả năng thực hiện một số nhiệm vụ nhất định và bó hẹp.

Máy tính không thể “nghĩ”

Mỗi khi có một công ty nào đó tuyên bố chuẩn bị ra mắt một tính năng trang bị AI, họ thường ám chỉ tới một máy tính sử dụng công nghệ máy học để xây dựng mạng lưới trí thông minh. “Máy học” là công nghệ giúp máy móc có thể “học” để thực hiện một nhiệm vụ tốt hơn thông thường.

Không thể phủ nhận công nghệ đầy tuyệt vời với hàng loạt ứng dụng hữu ích này. Nhưng đây vẫn không phải là mục đích chung của trí tuệ nhân tạo và việc hiểu được những giới hạn của máy học sẽ giúp người dùng hiểu vì sao công nghệ AI hiện nay vẫn còn rất hạn chế.

“Trí tuệ nhân tạo” trong giấc mơ khoa học viễn tưởng của loài người là bộ não máy tính hay robot có khả năng suy nghĩ và hiểu được những gì chúng thực hiện, giống với cách của con người. Loại AI này có thể là “Trí tuệ nhân tạo tổng thể” (AGI), có nghĩa sở hữu khả năng nghĩ rất nhiều thứ khác nhau và vận dụng trí tuệ vào đa lĩnh vực. Một khái niệm tương tự AGI từng được nhắc đến là “Strong AI” - máy móc có trí tuệ hiểu và biểu đạt được ý thức như loài người.

Nhưng tới nay các nhà khoa học vẫn chưa thể đạt được “đẳng cấp AI” này, thậm chí chưa có dấu hiệu nào cho thấy đang tiến gần tới điều đó. Một “thực thể máy tính” như Siri, Alexa hay Cortana dù thông minh vẫn chưa thể hiểu và nghĩ được như con người. Nói đúng hơn, các trợ lý ảo này không thực sự “hiểu” được điều gì.

AI hiện nay được con người huấn luyện để thực hiện xuất sắc một nhiệm vụ cụ thể thông qua quá trình nạp dữ liệu để tích lũy. Như vậy, AI có học được cách để làm điều gì đó, nhưng rõ ràng không thể hiểu được việc mình thực hiện.

Máy tính cũng không thể “hiểu”

Gmail mới có tính năng “Trả lời thông minh” giúp đưa ra gợi ý phản hồi cho mỗi thư điện tử, thường định dạng “Gửi từ iPhone của tôi” (với người dùng iPhone) làm một yếu tố cơ bản trong phần trả lời. Tính năng này cũng thường gợi ý “I love you” trong phần trả lời ở rất nhiều loại email khác nhau, kể cả thư điện tử phục vụ công việc.

Điều này cho thấy máy tính không hiểu được các phản hồi lập trình sẵn có nghĩa gì mà chỉ học rằng rất nhiều người thường sử dụng các cụm từ trên khi gửi email nên áp dụng một cách khuôn mẫu. Máy học không thể hiểu được liệu chủ nhân của mình có muốn gửi câu “I love you” cho sếp hay không.

Một ví dụ khác, cũng đến từ Google là tính năng Photos tự động xếp các ảnh chung yếu tố vào một nhóm. Google Photos nhận diện được những chi tiết chung trong các tấm hình, nhưng chẳng hiểu được tầm quan trọng.

Máy móc thường học để “nắm” hệ thống

Máy học chỉ nhận nhiệm vụ và để cho máy tính quyết định cách thực hiện hiệu quả nhất. Nhưng vì không thể hiểu được, công nghệ này dễ tiến hành học cách giải quyết vấn đề khác so với điều người dùng muốn.

Một số ví dụ mà AI (được tạo ra để chơi game) xử lý tình huống nhằm kiểm soát được hệ thống như cho nhân vật tự sát ở cuối màn chơi 1 để tránh bị thua ở màn 2, tự dừng game vô thời hạn để không thua. Hay trong một game mô phỏng cuộc sống, sinh vật tồn tại cần nạp năng lượng trong khi việc sinh ra thế hệ sau không tốn chút sinh lực nào, AI đã tạo ra hàng loạt sinh vật sơ sinh làm thức ăn nuôi (ăn giúp tạo ra năng lượng) thế hệ trước đó.

Thông thường, AI sẽ bị xóa sổ nếu để thua trong trò chơi, do vậy trí tuệ nhân tạo đã tìm cách làm game lỗi, văng hệ thống để tạo ra lợi thế trong quá trình chơi.

Các ví dụ trên cho thấy một số giải pháp có vẻ rất thông minh, nhưng thực chất chẳng có AI nào trong số đó hiểu được điều đang làm. AI được thiết kế với một mục tiêu nhất định và học cách để đạt được kết quả cuối cùng. Nếu nhiệm vụ là không được để thua trong trò chơi, thì nhấn nút tạm dừng rõ ràng là cách dễ và nhanh nhất mà AI có thể tìm ra rồi ứng dụng.

Sự khác nhau giữa Máy học và Mạng thần kinh

Với máy học, máy tính không được lập trình để thực hiện một nhiệm vụ chuyên biệt. Thay vào đó, người dùng sẽ nạp dữ liệu vào và đánh giá quá trình thực hiện nhiệm vụ.

Một ví dụ đơn giản nhất về máy học là nhận diện ảnh. Nếu một người muốn dạy chương trình máy tính nhận diện con chó trong các bức ảnh, họ có thể “đưa” cho thiết bị hàng triệu tấm hình khác nhau, một số có hình chó, số còn lại thì không. Các tấm ảnh được gắn nhãn có chó hoặc không. Từ đó, máy tính sẽ tự học “chó” trông thế nào dựa vào lượng dữ liệu có sẵn.

Quá trình máy học được sử dụng để huấn luyện một mạng thần kinh, thực chất là một chương trình máy tính với nhiều lớp với mỗi lượt nhập dữ liệu, các lớp này sẽ gán trọng số và xác xuất khác nhau cho chúng trước khi có quyết định cuối cùng. Quá trình này mô phỏng cách bộ não của con người hoạt động (ít nhất là theo cách con người nghĩ về não của mình), với các lớp neuron khác nhau cùng tham gia vào việc xác định một nhiệp vụ.

“Deep learning” (Học sâu) thường được dùng để nói tới mạng thần kinh có nhiều lớp cùng tham gia xử lý dữ liệu giữa quá trình nhập và xuất thông tin.

Trở lại ví dụ về nhận diện ảnh, con người đều biết bức nào trong số dữ liệu cho sẵn có hình chó nên chúng ta có thể dễ dàng “nhập” các ảnh này vào mạng thần kinh và kiểm tra kết quả để tìm ra câu trả lời đúng.

Nếu mạng thần kinh xác định một bức hình không có chó dù thực tế trái vậy, sẽ có một cơ chế “nói” với cấu trúc này rằng câu trả lời là sai, sau đó sẽ điều chỉnh một vài thông tin và thử lại lần nữa. Máy tính sẽ ngày càng làm tốt hơn trong quá trình xác định bức hình có con chó bằng cách điều chỉnh này.

Tất nhiên, toàn bộ quá trình trên được thực hiện tự động. Với một phần mềm phù hợp và lượng cấu trúc dữ liệu lớn đủ để máy tính tự dạy bản thân, máy tính có thể điều chỉnh mạng thần kinh của mình để nhận diện con chó trong các tấm hình. Và con người gọi đó là AI.

Tuy nhiên, tới giờ vẫn chưa có một chương trình máy tính thông minh nào có thể hiểu được con chó là gì. Con người vẫn cần tới thiết bị phải học cách xác định có con chó trong tấm hình hay không (bằng cách tìm hiểu đâu là con chó chứ không hiểu được thế nào thì được gọi như vậy).

Vậy máy học để làm gì?

Ngày nay, máy học được dùng trong rất nhiều nhiệm vụ khác nhau, bao gồm cả nhận diện giọng nói. Các trợ lý ảo như Google Assistant, Alexa hay Siri đều rất giỏi trong việc nhận ra và hiểu được giọng con người thông qua kỹ thuật máy học. Những chương trình này đều được dạy cách hiểu con người nói gì với lượng ví dụ khổng lồ và trở nên hoàn hảo hơn trong việc hiểu được âm nào thì tương ứng với chữ nào ở mỗi lời con người nói ra.

Một ví dụ khác là xe tự hành sử dụng máy học để dạy cho máy tính cách xác định vật thể trên đường và làm sao để phản ứng một cách chính xác. Google Photos cũng sở hữu nhiều tính năng (như Live Albums) tự động nhận diện người và động vật trong ảnh thông qua máy học.

Chương trình DeepMind của Alphabet sử dụng máy học để tạo ra AlphaGo, phần mềm máy tính có khả năng chơi các loại board game (trò chơi sử dụng bàn thi đấu như cờ vua, cờ tướng…) phức tạp và đánh bại những kỳ thủ hàng đầu thế giới…

Công nghệ này cũng xuất hiện trên Face ID của các mẫu iPhone X, Xs, Xs Max hay Xr. Smartphone này được cấu thành bởi một mạng thần kinh có khả năng học và nhận dạng khuôn mặt chủ nhân, còn được Apple thêm một chip Neural Engine để tăng cường khả năng.

Bên cạnh đó, máy học còn được ứng dụng vào rất nhiều lĩnh vực khác nhau, từ xác thực gian lận thẻ tín dụng tới cá nhân hóa gợi ý sản phẩm cho người dùng trên các trang web mua hàng trực tuyến…

Nhưng một lần nữa phải khẳng định rằng mạng thần kinh được tạo ra từ máy học vẫn chưa thực sự hiểu được vấn đề. Hiện tại, tất cả chỉ là những chương trình hữu dụng được sinh ra để hoàn thành các nhiệm vụ giới hạn, xác định sẵn, chưa thực sự đủ tầm để trở thành trí tuệ nhân tạo đúng nghĩa.

Theo Thanh Niên

https://thanhnien.vn/cong-nghe/diem-yeu-cua-tri-tue-nhan-tao-hoc-ma-khong-hieu-1025419.html