Mục đích thực sự của Trí tuệ Nhân tạo là giải phóng con người để tìm ra những vấn đề lớn nhất

Thông báo về AlphaCode của DeepMind tuần trước, hệ thống học sâu tạo mã nguồn của họ, đã tạo nên nhiều sự phấn khích—một số không đáng có—xung quanh những tiến bộ trong trí tuệ nhân tạo.

Như tôi đã đề cập trong bài phân tích sâu về AlphaCode, các nhà nghiên cứu của DeepMind đã thực hiện một công việc tuyệt vời khi kết hợp công nghệ và thực hành đúng để tạo ra một mô hình học máy có thể tìm ra giải pháp cho các vấn đề rất phức tạp.

Tuy nhiên, sự đưa tin đôi khi quá nhiều về AlphaCode từ phía truyền thông làm nổi bật những vấn đề căn bản khi đặt khả năng ngày càng tăng của trí tuệ nhân tạo trong bối cảnh các cuộc thi dành cho con người.

Đo lường trí tuệ bằng các bài kiểm tra

Trong nhiều thập kỷ, các nhà nghiên cứu và nhà khoa học trí tuệ nhân tạo đã tìm kiếm các bài kiểm tra có thể đo lường tiến triển đối với trí tuệ nhân tạo tổng quát. Và khi họ đã hình dung Trí tuệ Nhân tạo theo hình ảnh của tâm trí con người, họ đã chuyển sự chú ý đến các thước đo cho trí tuệ con người.

Do thông minh của con người có tính đa chiều và chủ quan, việc đo lường có thể khó khăn. Tuy nhiên, có một số bài kiểm tra và cuộc thi mà hầu hết mọi người đều đồng意 là là dấu hiệu của khả năng nhận thức tốt.

Hãy xem mỗi cuộc thi như một hàm ánh xạ một vấn đề đến một giải pháp. Bạn được cung cấp một vấn đề, cho dù đó là một bảng cờ vua, một bảng cờ go, một thách thức lập trình, hoặc một câu hỏi khoa học. Bạn phải ánh xạ nó đến một giải pháp. Kích thước của không gian giải pháp phụ thuộc vào vấn đề. Ví dụ, go có không gian giải pháp lớn hơn nhiều so với cờ vua vì nó có bảng cờ lớn hơn và một số lượng lớn các nước đi có thể có. Ngược lại, thách thức lập trình có không gian giải pháp rộng lớn hơn nữa: Có hàng trăm hướng dẫn có thể kết hợp theo gần như vô tận cách.

Nhưng trong mọi trường hợp, một vấn đề được kết hợp với một giải pháp và giải pháp có thể được đánh giá so với một kết quả dự kiến, cho dù đó là chiến thắng hay thất bại trong một trò chơi, trả lời đúng một câu hỏi, tối đa hóa một phần thưởng, hoặc vượt qua các bài kiểm tra của thách thức lập trình.

Khi đến với chúng ta con người, những cuộc thi này thực sự kiểm tra giới hạn của trí tuệ của chúng ta. Với các giới hạn tính toán của não, chúng ta không thể mạnh mẽ thực hiện cách giải cho không gian giải pháp. Không một người chơi cờ vua hay go nào có thể đánh giá hàng triệu hoặc hàng nghìn nước đi ở mỗi lượt trong một khoảng thời gian hợp lý. Tương tự, một lập trình viên không thể ngẫu nhiên kiểm tra mọi bộ lệnh có thể có cho đến khi một cái dẫn đến giải pháp cho vấn đề.

Chúng ta bắt đầu với một sự hiểu biết hợp lý (bắt cóc), ánh xạ vấn đề với các mô hình đã thấy trước đó (kiểm chứng), và áp dụng một bộ quy tắc đã biết (suy luận) liên tục cho đến khi chúng ta làm sáng tỏ giải pháp của mình đến một giải pháp chấp nhận được. Chúng ta rèn luyện những kỹ năng này thông qua sự huấn luyện và thực hành, và chúng ta trở nên tốt hơn trong việc tìm ra những giải pháp tốt cho các cuộc thi.

Trong quá trình chiếm thành thạo những cuộc thi này, chúng ta phát triển nhiều kỹ năng nhận thức tổng quát có thể áp dụng cho các vấn đề khác nhau, chẳng hạn như lập kế hoạch, chiến lược, mô hình thiết kế, lý thuyết về tâm lý, tổng hợp, phân giải, và tư duy trừu tượng và phê phán. Những kỹ năng này hữu ích trong các môi trường thực tế khác nhau, chẳng hạn như kinh doanh, giáo dục, nghiên cứu khoa học, thiết kế sản phẩm, và quân đội.

Trong các lĩnh vực chuyên sâu hơn, như toán học hoặc lập trình, các bài kiểm tra mang lại những ứng dụng thực tế nhiều hơn. Ví dụ, trong các cuộc thi lập trình, người lập trình phải phân giải một tuyên bố vấn đề thành các phần nhỏ, sau đó thiết kế một thuật toán giải quyết từng phần và đưa nó trở lại với nhau. Các vấn đề thường có những chiêu thức thú vị đòi hỏi người tham gia suy nghĩ theo cách mới thay vì sử dụng giải pháp đầu tiên xuất hiện trong đầu.

Thú vị là nhiều thách thức bạn sẽ gặp trong những cuộc thi này có rất ít liên quan đến loại mã nguồn mà các lập trình viên viết hàng ngày, chẳng hạn như rút dữ liệu từ cơ sở dữ liệu, gọi API, hoặc thiết lập máy chủ web.

Nhưng bạn có thể mong đợi một người xếp hạng cao trong các cuộc thi lập trình có nhiều kỹ năng tổng quát đòi hỏi nhiều năm nghiên cứu và thực hành. Đây là lý do tại sao nhiều công ty sử dụng các thách thức lập trình như một công cụ quan trọng để đánh giá ứng viên tiềm năng. Nói cách khác, lập trình cạnh tranh là một chỉ số tốt cho sự cố gắng đầu tư vào việc trở thành một lập trình viên giỏi.

Ánh xạ vấn đề đến giải pháp

Khi cuộc thi, trò chơi và bài kiểm tra được áp dụng cho trí tuệ nhân tạo, các giới hạn tính toán của não không còn áp dụng nữa. Và điều này tạo ra cơ hội cho những lối tắt mà tâm trí con người không thể đạt được.

Hãy xem xét cờ vua và go, hai trò chơi trên bảng đã nhận được nhiều sự chú ý từ cộng đồng trí tuệ nhân tạo trong những thập kỷ qua. Cờ vua từng được gọi là drosophila của trí tuệ nhân tạo. Năm 1996, DeepBlue đã đánh bại kỳ thủ cờ vua Garry Kasparov. Nhưng DeepBlue không có những kỹ năng nhận thức tổng quát như đối thủ con người của nó. Thay vào đó, nó sử dụng sức mạnh tính toán tuyệt vời của siêu máy tính của IBM để đánh giá hàng triệu nước đi mỗi giây và chọn ra nước đi tốt nhất, một kỳ tích mà não con người không thể đạt được.

Vào thời điểm đó, các nhà khoa học và nhà tiên đoán nghĩ rằng trò chơi cờ go của Trung Quốc sẽ vẫn ở ngoài tầm tay của các hệ thống Trí tuệ Nhân tạo trong một thời gian dài vì nó có một không gian giải pháp lớn hơn và đòi hỏi sức mạnh tính toán mà sẽ không sẵn có trong vài thập kỷ. Họ đã chứng minh sai vào năm 2016 khi AlphaGo đánh bại kỳ thủ cờ go Lee Sedol.

Nhưng một lần nữa, AlphaGo không chơi trò chơi như đối thủ con người của nó. Nó tận dụng những tiến bộ trong học máy và phần cứng tính toán. Nó đã được huấn luyện trên một tập dữ liệu lớn của các trò chơi đã được chơi trước đó—nhiều hơn nhiều so với bất kỳ con người nào có thể chơi trong cả cuộc đời của họ. Nó sử dụng học củng cố sâu và Monte Carlo Tree Search (MCTS)—và một lần nữa là sức mạnh tính toán của máy chủ Google—để tìm ra những bước di chuyển tối ưu ở mỗi lượt. Nó không thực hiện một cuộc khảo sát bằng sức mạnh thô của mọi bước di chuyển có thể có như DeepBlue, nhưng nó vẫn đánh giá hàng triệu bước di chuyển ở mỗi lượt.

AlphaCode là một kỳ tích ấn tượng hơn nữa. Nó sử dụng transformers—loại kiến trúc học sâu đặc biệt tốt trong việc xử lý dữ liệu tuần tự—để ánh xạ một tuyên bố vấn đề ngôn ngữ tự nhiên đến hàng nghìn giải pháp có thể có. Sau đó, nó sử dụng bộ lọc và gom cụm để chọn ra 10 giải pháp triển vọng nhất được đề xuất bởi mô hình. Tuy nhiên, dù có ấn tượng đến đâu, quá trình phát triển giải pháp của AlphaCode rất khác biệt so với một lập trình viên con người.

Con người là người tìm vấn đề, Trí tuệ Nhân tạo là người giải quyết vấn đề

Khi được coi là tương đương của trí tuệ con người, tiến bộ trong Trí tuệ Nhân tạo dẫn chúng ta đến nhiều kết luận sai lầm, như robot chiếm đóng thế giới, mạng nơ-ron sâu trở nên ý thức, và AlphaCode ngang bằng một lập trình viên con người trung bình.

Nhưng khi nhìn nhận trong khuôn khổ của việc tìm kiếm không gian giải pháp, chúng nhận một ý nghĩa khác. Trong mỗi trường hợp mô tả ở trên, ngay cả khi hệ thống Trí tuệ Nhân tạo tạo ra các kết quả giống hoặc tốt hơn so với con người, quá trình chúng sử dụng rất khác biệt so với tư duy của con người. Trên thực tế, những thành tựu này chứng minh rằng khi bạn giảm một cuộc thi thành một vấn đề tìm kiếm định rõ, sau đó với thuật toán đúng, các quy tắc, dữ liệu và sức mạnh tính toán, bạn có thể tạo ra một hệ thống Trí tuệ Nhân tạo có thể tìm ra giải pháp đúng mà không cần phải trải qua bất kỳ kỹ năng trung gian nào mà con người đạt được khi họ làm chủ nghệ thuật đó.

Có những người có thể coi sự khác biệt này là không quan trọng miễn là kết quả là chấp nhận được. Nhưng khi đối mặt với việc giải quyết vấn đề trong thế giới thực, những kỹ năng trung gian đó, thường được coi là hiển nhiên và không được đánh giá trong các bài kiểm tra, thường quan trọng hơn chính điểm số kiểm tra.

Điều này có ý nghĩa gì đối với tương lai của trí tuệ con người? Tôi nghĩ về trí tuệ nhân tạo—ít nhất là ở dạng hiện tại—như là một phần mở rộng thay vì là sự thay thế cho trí tuệ con người. Các công nghệ như AlphaCode không thể suy nghĩ và thiết kế vấn đề của chính mình—một trong những yếu tố quan trọng của sự sáng tạo và đổi mới con người—nhưng chúng rất giỏi trong việc giải quyết vấn đề. Chúng tạo ra cơ hội duy nhất cho sự hợp tác rất hiệu quả giữa con người và trí tuệ nhân tạo. Con người định rõ vấn đề, đặt ra phần thưởng hoặc kết quả mong đợi, và trí tuệ nhân tạo giúp đỡ bằng cách tìm kiếm các giải pháp tiềm năng với tốc độ siêu nhân.

Có nhiều ví dụ thú vị về sự kết hợp này, bao gồm một dự án gần đây mà các nhà nghiên cứu của Google đặt ra một nhiệm vụ lập kế hoạch cho việc thiết kế chip như một trò chơi và có một mô hình học tăng cường đánh giá nhiều giải pháp tiềm năng cho đến khi nó tìm ra một sắp xếp tối ưu. Một xu hướng phổ biến khác là sự xuất hiện của các công cụ như AutoML, giúp tự động hóa các khía cạnh của việc phát triển mô hình học máy bằng cách tìm kiếm các cấu hình tối ưu của kiến trúc và giá trị siêu tham số. AutoML đang làm cho việc phát triển mô hình máy học và áp dụng chúng vào ứng dụng của họ trở nên khả thi đối với những người có ít kinh nghiệm trong khoa học dữ liệu và máy học. Tương tự, một công cụ như AlphaCode sẽ giúp các lập trình viên suy nghĩ sâu hơn về các vấn đề cụ thể, đặt ra chúng thành các tuyên bố được định rõ và kết quả mong đợi, và có hệ thống trí tuệ nhân tạo tạo ra các giải pháp mới có thể gợi ý hướng phát triển mới cho việc phát triển ứng dụng.

Liệu những tiến bộ gia tăng trong học sâu này sẽ cuối cùng dẫn đến trí tuệ nhân tạo tổng hợp hay chưa, vẫn còn phải xem. Nhưng điều chắc chắn là sự chín muối của những công nghệ này sẽ dần tạo ra một sự chuyển đổi trong việc giao việc, nơi con người trở thành người tìm ra vấn đề và trí tuệ nhân tạo trở thành người giải quyết vấn đề.

Bài viết này được xuất bản ban đầu bởi Ben Dickson trên TechTalks, một xuất bản phẩm nghiên cứu xu hướng trong công nghệ, cách chúng ảnh hưởng đến cách chúng ta sống và kinh doanh, và những vấn đề mà chúng giải quyết. Nhưng chúng tôi cũng thảo luận về mặt xấu của công nghệ, những hậu quả tối tăm của công nghệ mới, và những điều chúng ta cần phải chú ý. Bạn có thể đọc bài viết gốc tại đây.