Bạn đã sử dụng ‘trí tuệ nhân tạo’ (AI) hơn 12 lần – báo thức, xem dự báo thời tiết, mua món quà, khoá cửa nhà, để nhận được cảnh báo về những đoạn đường ùn tắc sắp tới, và thậm chí để tìm tên một bài hát mà bạn không thể nhớ tên.
Trí tuệ nhân tạo - Artificial Intelligence (AI) đang dần phổ biến và tạo nên những khác biệt to lớn trong cuộc sống hàng ngày của chúng ta.
Nhưng đây không phải là ‘Trí tuệ nhân tạo’ - AI mà bạn thấy trong các bộ phim khoa học viễn tưởng, với các nhà khoa học thần kinh gõ bàn phím miệt mài và cố gắng để ngăn chặn thế giới không bị hủy diệt. Hàng ngày, điện thoại thông minh, nhà hàng, ngân hàng, và xe hơi đều sử dụng ‘Trí tuệ nhân tạo’ - AI.
Đôi khi rõ ràng như việc bạn hỏi Siri để có hướng dẫn tới các trạm xăng gần nhất, hoặc Facebook gợi ý gắn thẻ một người bạn trong một bức hình. Đôi khi lại không rõ ràng, như khi bạn sử dụng Amazon Echo để thực hiện một giao dịch bất thường trên thẻ tín dụng (chẳng hạn như một chiếc áo len ngộ nghĩnh mùa lễ hội) và không nhận được cảnh báo gian lận từ ngân hàng.
‘Trí tuệ nhân tạo’ - AI sẽ mang lại sự thay đổi lớn trong xã hội thông qua sự phát triển của ô tô tự lái, phân tích hình ảnh y học, chẩn đoán bệnh án tốt hơn, và các loại thuốc được cá nhân hóa. Và nó cũng sẽ là nền tảng của rất nhiều các ứng dụng và dịch vụ mới nhất của tương lai.
Nhưng đối với nhiều người đây vẫn còn là một bí ẩn. Để giúp gỡ bỏ bí ẩn này, Facebook cho biết họ đang tạo ra một loạt các video trực tuyến với thông tin về cách thức ‘Trí tuệ nhân tạo’ - AI hoạt động. Và Facebook đang hy vọng những lời giới thiệu đơn giản và ngắn gọn sẽ giúp mọi người hiểu thêm về lĩnh vực khoa học kỹ thuật cao này.
Không phải phép thuật, đó chỉ là mã code
Đầu tiên, điều quan trọng mà bạn cần biết: ‘Trí tuệ nhân tạo’ - AI là một lĩnh vực khoa học nghiêm ngặt tập trung vào việc thiết kế hệ thống và máy móc thông minh, sử dụng các thuật toán được lấy cảm hứng phần nào từ những gì chúng ta biết về bộ não. Nhiều hệ thống ‘Trí tuệ nhân tạo’ - AI hiện đại sử dụng các mạng lưới thần kinh nhân tạo, mã máy tính mô phỏng các hệ thống mạng lưới rộng lớn các đơn vị đơn giản, giống như tế bào thần kinh trong não. Các mạng lưới này có thể học hỏi từ kinh nghiệm bằng cách thay đổi các kết nối giữa các bit giống như cách bộ não của con người và động vật làm với tế bào thần kinh. Mạng lưới thần kinh hiện đại có thể học cách nhận diện mô hình, dịch thuật, học cách tư duy logic đơn giản, và thậm chí tạo hình ảnh và xây dựng những ý tưởng mới. Nhận diện mô hình đặc biệt quan trọng – ‘Trí tuệ nhân tạo’ - AI có thể nhận diện mô hình với số lượng lớn dữ liệu, một điều không hề dễ dàng đối với con người.
Tất cả quá trình này xảy ra với tốc độ vô cùng cao, thông qua một tập hợp các chương trình mã hóa được thiết kế để chạy các mạng lưới thần kinh với hàng triệu đơn vị và hàng tỷ kết nối. Trí thông minh đến từ những tương tác giữa số lượng lớn các thành phần đơn giản này. Trí thông minh nhân tạo không phải là ma thuật, nhưng chúng ta đã nhìn thấy những đóng góp của nó trong nghiên cứu khoa học và sự kỳ diệu của việc xác định các đối tượng trong ảnh, nhận diện lời nói, lái xe, hoặc dịch một văn bản trực tuyến ra hàng chục ngôn ngữ.
Tại phòng nghiên cứu Trí thông minh Nhân tạo của Facebook - Facebook Artificial Intelligence Research (FAIR), họ đang cải thiện các cỗ máy thông minh để làm việc tốt hơn. Một phần lớn trong số này được gọi là deep learning - học sâu, là cách Facebook cải thiện trí thông minh của máy móc bằng cách cơ cấu mạng lưới thần kinh qua nhiều lớp xử lý. Sử dụng học sâu, chúng ta có thể giúp ‘Trí tuệ nhân tạo’ - AI tiếp nhận các thông tin trừu tượng của thế giới. Học sâu có thể giúp cải thiện nhận dạng bài lời nói và đối tượng, và nó có thể đóng vai trò quan trọng trong việc thúc đẩy nghiên cứu trong các lĩnh vực khác nhau như vật lý, kỹ thuật, sinh học và y học. Một hệ thống đặc biệt hữu ích của hệ thống học sâu được gọi là mạng lưới thần kinh chập, hoặc ConvNet. Một ConvNet là một cách đặc biệt để kết nối các đơn vị trong một mạng lưới thần kinh được lấy cảm hứng từ kiến trúc của vỏ não thị giác ở động vật và con người. ConvNets hiện đại có thể tối ưu từ 7 tới 100 lớp của các đơn vị. Trong một công viên chúng ta có thể thấy một chú chó collie và chihuahua, nhưng đều coi chúng là chó, mặc dù kích thước và trọng lượng của chúng khác nhau. Đối với máy tính, một hình ảnh đơn giản chỉ là một dãy số. Với các dãy số này, các họa tiết lớn, chẳng hạn như các hình khối của vật thể, có thể được dễ dàng phát hiện trong các lớp đầu tiên. Lớp tiếp theo sẽ phát hiện sự kết hợp của những họa tiết đơn giản tạo nên các hình dạng đơn giản, như bánh xe của một chiếc xe hoặc mắt trong một khuôn mặt. Lớp tiếp theo sẽ phát hiện sự kết hợp của các hình khối tạo thành các bộ phận của đối tượng, như một khuôn mặt, chân, hoặc cánh của máy bay. Lớp cuối cùng sẽ phát hiện sự kết hợp của các bộ phận tạo thành đối tượng: một chiếc xe, một chiếc máy bay, một người, một con chó v.v...
Độ sâu của mạng lưới - với nhiều lớp của nó - cho phép nó nhận biết các mô hình phức tạp này. Khi được cung cấp một cơ sở dữ liệu đủ lớn, ConvNets đặc biệt hữu ích cho việc nhận diện các tín hiệu tự nhiên như hình ảnh, video, lời thoại, âm nhạc, và thậm chí cả văn bản. Để đào tạo một mạng lưới tốt, bạn cần phải cung cấp một lượng lớn các hình ảnh đã được phân loại bởi con người. Các ConvNet học cách kết nối mỗi hình ảnh với nhãn tương ứng của nó. Điều thú vị là nó sẽ tạo ra các nhãn tốt cho những hình ảnh nó chưa bao giờ thấy trước đây. Kết quả là một hệ thống có thể lược qua một khối lượng lớn các hình ảnh và xác định những gì có trong bức ảnh. Các mạng lưới này cũng cực kì hữu dụng trong nhận diện lời nói và văn bản, và là một thành phần quan trọng của những chiếc xe tự lái và thế hệ mới nhất của hệ thống phân tích hình ảnh y học.
Điều gì được coi là có thể học được?
‘Trí tuệ nhân tạo’ - AI cũng giải quyết một trong những câu hỏi trọng tâm mà con người chúng ta phải đau đầu suy nghĩ: Trí thông minh là gì? Các nhà triết gia, các nhà khoa học đã phải vật lộn với câu hỏi này hàng thế kỷ. Tuy trí thông minh là thứ chỉ duy nhất có ở con người, nhưng câu trả lời chính xác cho nó vô cùng bí ẩn và khó nắm bắt. Đồng thời, ‘Trí tuệ nhân tạo’ - AI cũng gợi lại câu hỏi mang tính triết học và lý thuyết: Điều gì được coi là có thể học được? Và kể từ khi các định lý toán học cho chúng ta biết rằng kể cả máy móc cũng không thể học hết mọi thứ một cách hiệu quả, chúng ta cũng mường tượng ra rằng có những thứ không thể học nổi dù cho ta có tốn bao nhiêu công sức cho nó. Ở điểm này, ‘Trí tuệ nhân tạo’ - Al cũng như chúng ta vậy. Chúng ta không phải lúc nào cũng thành thạo như một cỗ máy. Bộ não của chúng ta vô cùng đặc biệt, cho dù khả năng thích nghi là khác nhau. Tuy nhiên hệ thống ‘Trí tuệ nhân tạo’ - Al hiện nay vẫn còn một khoảng cách rất xa để đuổi kịp trí thông minh con người.
Với ‘Trí tuệ nhân tạo’ - Al, Facebook phát triển 3 dạng thức học tập khác nhau:
• Tăng cường học tập - Tập trung vào các việc một chủ thể phải hành động như nào để tối đa hóa lợi ích. Việc học này được khơi nguồn cảm hứng từ các hành động tâm lý học. Trong trường hợp cụ thể, máy móc sẽ lựa chọn một hoặc một chuỗi hành động, và sẽ thu lại kết quả sau đó. Cách học này thường được sử dụng khi chúng ta dạy cho máy cách chơi và cách giành chiến thắng một số trò chơi như cờ vua, cờ thỏ cáo, cách đi hoặc các trò chơi video đơn giản. Tuy nhiên, có một vấn đề xảy ra là, để học được những nhiệm vụ đơn giản nhất, chúng ta cần lặp đi lặp lại hàng ngàn các bước thử nghiệm.
• Học có giám sát - Về cơ bản, chúng ta cho máy móc biết câu trả lời đúng là gì với một vấn đề cụ thể: khi đưa ra hình ảnh của một chiếc xe hơi, câu trả lời đúng sẽ là "xe hơi". Cách học này được gọi là học có giám sát bởi vì quá trình của một thuật toán học từ các nhãn đào tạo tập dữ liệu hoàn toàn tương tự như cho đứa trẻ xem một cuốn sách ảnh. Người lớn biết câu trả lời đúng và đứa trẻ đoán ra câu trả lời dựa trên các ví dụ được đưa ra trước đó. Đây là kỹ thuật phổ biến nhất cho việc đào tạo mạng lưới thần kinh và các máy móc học tập về mảng kiến trúc. Ví dụ: Bạn hãy cố gắng dự đoán giá tiền mua căn nhà bạn đang sở hữa thông qua việc nhìn vào bản mô tả các ngôi nhà khác xung quanh nơi bạn ở cùng với mức giá của chúng.
• Học có giám sát / Học tiên đoán - Phần lớn những gì con người và động vật học, chúng ta học nó trong những giờ đầu tiên, những ngày đầu tiên, những tháng năm đầu tiên của cuộc đời theo một phương thức không có giám sát: chúng ta học cách hoạt động của thế giới bên ngoài bằng việc quan sát nó và kết quả các hành động của chính mình. Không ai cho chúng ta biết tên và chức năng của từng đối tượng chúng ta nhận thức. Chúng ta tìm hiểu các khái niệm cơ bản, như thế giới có ba chiều, rằng mọi thứ không tự nhiên biến mất, rằng các vật thể không được nâng đỡ sẽ rơi. Việc tại thời điểm này, chúng ta chưa đủ năng lực để giúp Al học theo phương pháp tiên đoán (không giám sát) này là một trong những yếu tố hạn chế các tính năng của ‘Trí tuệ nhân tạo’ - AI.
Những phương pháp tiếp cận trên đều đã được áp dụng với Al, tuy nhiên còn tồn tại rất nhiều vấn đề khó khăn cho bất kỳ thiết bị máy tính nào. Đây là lý do tại sao ngay cả khi chúng ta tạo ra được máy móc với trí thông minh siêu phàm, chúng vẫn có những hạn chế nhất định. Chúng có thể đánh bại chúng ta ở môn cờ vua, nhưng không đủ thông minh để có thể kiếm chỗ trú khi trời mưa.
Các công việc trong tương lai
Khi AI - ‘Trí tuệ nhân tạo’, các cỗ máy học tập và robot thông minh trở nên phổ biến hơn, sẽ có việc làm mới trong ngành sản xuất, đào tạo, bán hàng, bảo trì và quản lý robot.
‘Trí tuệ nhân tạo’ – AI và thế hệ robot sẽ tạo ra các loại hình dịch vụ mới mà đến nay chúng ta vẫn chưa thể tưởng tượng được. Tuy nhiên, có thể khẳng định rằng chăm sóc sức khỏe và vận chuyển sẽ là một trong những ngành công nghiệp đầu tiên được thay đổi hoàn toàn bởi máy móc. Đối với những người trẻ tuổi, chỉ cần phân loại ra mục tiêu nghề nghiệp của họ, ‘Trí tuệ nhân tạo’ - AI sẽ cung cấp một lượng lớn các cơ hội việc làm. Do đó, làm thế nào để chúng ta chuẩn bị cho những loại hình công việc chưa hề tồn tại? Nếu bạn là sinh viên:
• Các lớp học Toán và Vật lý là hai trong những nơi chúng ta học các phương pháp cơ bản về Al, về máy học, khoa học dữ liệu, và rất nhiều các công việc trong tương lai. Hãy tham dự tất cả các lớp học toán học mà bạn có thể, bao gồm Toán cao cấp I, II và III, Đại số tuyến tính, Xác suất thống kê. Khoa học máy tính cũng rất cần thiết; bạn sẽ cần phải tìm hiểu làm thế nào để lập trình. Kỹ thuật, kinh tế và khoa học thần kinh cũng rất hữu ích. Bạn cũng có thể muốn xem xét một số khu vực của triết học, chẳng hạn như nhận thức luận, đó là nghiên cứu về những gì là kiến thức, một lý thuyết khoa học là gì, và những gì để học hỏi.
• Mục tiêu trong các lớp này không phải chỉ là học thuộc lòng. Học sinh phải học làm thế nào để chuyển dữ liệu thành kiến thức. Việc này bao gồm thống kê, thu thập và phân tích dữ liệu, ý thức được những định kiến tiềm tàng để không tự ảo tưởng về bản thân bởi sự méo mó của dữ liệu.
• Tìm một giáo sư trong trường có thể giúp bạn biến ý tưởng trở nên cụ thể. Nếu thời gian của họ có hạn, bạn cũng có thể nhờ các nghiên cứu sinh cấp cao.
• Ứng tuyển vào một chương trình tiến sĩ. Hãy quên đi các "thứ bậc" của các trường. Tìm một giáo sư có uy tín hoạt động trong lĩnh vực mà bạn quan tâm, hoặc chọn một người có những nghiên cứu mà bạn thích hoặc ngưỡng mộ. Nộp đơn cho hàng loạt chương trình tiến sĩ tại các trường học của các giáo sư này và đề cập đến trong bức thư của bạn mà bạn muốn làm việc với giáo sư đó, nhưng cũng sẵn sàng làm việc với những người khác.
• Tham gia giải quyết một vấn đề liên quan tới ‘Trí tuệ nhân tạo’- AI mà bạn đam mê. Bắt đầu đọc các tài liệu về vấn đề này và cố gắng suy nghĩ về nó một cách khác biệt so với những gì đã làm trước đó. Trước khi tốt nghiệp, cố gắng viết một bài báo về nghiên cứu của bạn hoặc đưa ra một đoạn mã nguồn mở.
• Ứng tuyển các vị trí thực tập liên quan tới lĩnh vực này để có được kinh nghiệm thực tế về cách ‘Trí tuệ nhân tạo’ - AI hoạt động.
Nếu bạn đã có một sự nghiệp và muốn tập trung vào ‘Trí tuệ nhân tạo’ - AI:
• Bạn có thể hình dung về học sâu bằng cách xem các bài giảng hướng dẫn trực tuyến. Có rất nhiều tài liệu trực tuyến, bài hướng dẫn, và các khóa học về máy học, bao gồm các bài giảng từ Udacity hoặc Coursera.
Tương lai
Càng ngày, các hoạt động trí tuệ của con người sẽ được thực hiện kết hợp với máy thông minh. Trí thông minh của chúng ta là bản chất của con người, và ‘Trí tuệ nhân tạo’ - AI là một phần mở rộng của đặc tính đó.
Trên con đường xây dựng những bộ máy thực sự thông minh, Facebook đang khám phá những lý thuyết mới, nguyên tắc mới, phương pháp mới, và các thuật toán mới với những ứng dụng sẽ cải thiện cuộc sống hàng ngày của chúng ta ngày hôm nay, ngày mai, và nhiều năm tới.
Rất nhiều công nghệ nhanh chóng tìm thấy tính ứng dụng trong các sản phẩm và dịch vụ Facebook với khả năng thấu hiểu hình ảnh, ngôn ngữ, và hơn thế nữa. Tại Facebook, khi nói đến ‘Trí tuệ nhân tạo’ - AI, họ có một mục tiêu dài hạn: Hiểu về trí thông minh và xây dựng các máy thông minh. Đó không chỉ đơn thuần là một thách thức công nghệ, đó là một câu hỏi khoa học. Trí thông minh là gì, và làm thế nào chúng ta có thể tái tạo nó trong một bộ máy? Trên hết, đó là nhiệm vụ của toàn nhân loại. Các câu trả lời cho những câu hỏi này sẽ giúp Facebook không chỉ xây dựng các máy thông minh, mà còn phát triển những hiểu biết sâu sắc về cách não người hoạt động. Hy vọng rằng, nó cũng sẽ giúp tất cả chúng ta hiểu rõ hơn về ý nghĩa của việc làm người.
