Bằng chứng tồn tại duy nhất chứng minh rằng bất kỳ vấn đề khó khăn nào trong trí tuệ nhân tạo đều có thể được giải quyết là thực tế rằng tự nhiên đã giải quyết những vấn đề này thông qua quá trình tiến hóa. Nhưng từ những năm 1950 đã xuất hiện những manh mối về cách thức mà các máy tính có thể thực hiện hành vi thông minh, nếu các nhà nghiên cứu AI có một cách tiếp cận mà về cơ bản khác biệt so với việc xử lý biểu tượng.
Manh mối đầu tiên là bộ não của con người là những mô hình nhận dạng kiểu mẫu mạnh mẽ. Hệ thống thị giác của chúng ta có thể nhận diện một vật thể giữa khung cảnh lộn xộn chỉ trong 1/10 giây, dù vật thể đó có kích thước như thế nào, ở vị trí nào hay theo hướng nào so với chúng ta, và dù trước đó chúng ta có thể chưa bao giờ thấy nó. Tóm lại hệ thống thị giác của con người hoạt động giống như chiếc máy tính với chức năng “nhận biết vật thể” là chỉ dẫn duy nhất.
Manh mối thứ hai là bộ não của con người có thể học cách thực hiện nhiều nhiệm vụ khó khăn thông qua thực hành, từ việc chơi piano đến thông thạo vật lý. Tạo hóa sử dụng việc học tập có mục đích chung để giải quyết các vấn đề chuyên biệt, và con người là những học trò vô địch. Đây là sức mạnh đặc biệt của chúng ta. Cách tổ chức vỏ não của chúng ta gần như giống nhau từ đầu đến cuối, và mạng lưới học sâu được tìm thấy trong tất cả các hệ thống giác quan và dây thần kinh vận động của con người.
Manh mối thứ ba là bộ não con người không hề bị lấp đầy bởi logic hoặc các quy tắc. Vâng, chúng ta có thể học cách tư duy logic hoặc tuân thủ các quy tắc, nhưng phải sau nhiều lần huấn luyện, và phần lớn chúng ta không giỏi lắm về việc này. Điều này được minh họa bằng câu trả lời điển hình cho một câu đố logic được gọi là “nhiệm vụ lựa chọn Wason” (Hình 3.1).
Lựa chọn đúng là thẻ có số “8” và thẻ màu ghi. Trong nghiên cứu ban đầu, chỉ có 10% đối tượng có câu trả lời đúng. Nhưng phần lớn các đối tượng không gặp khó khăn với việc đưa ra câu trả lời đúng khi bài kiểm tra logic được dựa trên một bối cảnh quen thuộc (Hình 3.2).
Lý do dường như là lĩnh vực cụ thể, càng quen thuộc với một lĩnh vực, chúng ta càng dễ dàng giải quyết các vấn đề trong lĩnh vực đó. Kinh nghiệm khiến cho việc lý giải trong một lĩnh vực trở nên dễ dàng hơn vì chúng ta có thể sử dụng những ví dụ mà mình đã gặp để đưa ra các giải pháp dựa trên trực giác. Ví dụ, trong vật lý, chúng ta đã học một lĩnh vực như điện và từ tính bằng cách giải quyết nhiều vấn đề, chứ không phải bằng cách ghi nhớ các công thức. Nếu trí thông minh của con người hoàn toàn dựa vào logic, nó phải là một lĩnh vực chung, nhưng thực tế không phải vậy.
Đầu mối thứ tư là bộ não của chúng ta chứa hàng tỷ tỷ neuron nhỏ luôn liên lạc với nhau một cách liên tục. Điều này cho thấy, đối với những giải pháp cho các vấn đề khó trong trí tuệ nhân tạo, chúng ta nên xem xét các máy tính với kiến trúc song song khổng lồ thay vì những chiếc máy tính có kiến trúc kỹ thuật số von Neumann mà qua đó dữ liệu và các lệnh được nạp vào thực hiện cùng một lúc. Vâng, đúng là máy Turing có khả năng tính toán bất kỳ chức năng có thể ước tính nào nếu có đủ bộ nhớ và thời gian, nhưng tự nhiên phải giải quyết vấn đề trong thời gian thực. Để làm được điều này, nó tận dụng các mạng lưới neuron của não bộ, giống như những chiếc máy tính mạnh mẽ nhất trên hành tinh, với số lượng rất lớn các bộ vi xử lý song song. Những thuật toán vận hành hiệu quả trên chúng cuối cùng sẽ chiến thắng.
Những người tiên phong buổi ban đầu
Trong thập niên 1950 và 1960, ngay sau khi Norbert Wiener giới thiệu lĩnh vực điều khiển học dựa trên hệ thống thông tin liên lạc và điều khiển trong cả máy móc và sinh vật sống, các hệ thống tự tổ chức đã đột ngột được đặc biệt quan tâm. Như một mẫu nhỏ của sự sáng tạo khéo léo mà việc này đã tạo ra, Oliver Selfridge đã tạo ra Pandemonium, một thiết bị nhận dạng mẫu, trong đó các “con quỷ” có tính năng phát hiện đặc trưng đấu tranh với nhau để có quyền đại diện các vật thể trong hình ảnh (một phép ẩn dụ cho việc học sâu; Hình 3.3); Bernard Widrow và sinh viên của ông – Ted Hoff tại Stanford đã phát minh ra thuật toán học LMS (bình phương tối thiểu), thuật toán mà, với sự tiếp nối của những người kế nhiệm, đã được sử dụng rộng rãi để xử lý tín hiệu thích nghi trong nhiều ứng dụng, từ việc khử tiếng ồn đến dự báo tài chính. Ở đây, tôi sẽ chỉ tập trung vào một trong những người tiên phong trong thập kỷ đầu, Frank Rosenblatt (Hình 3.4), mạng perceptron của ông là tiền đề trực tiếp của học sâu.
Hình 3.3: Địa ngục. Oliver Selfridge tưởng tượng rằng có những con quỷ trong não chịu trách nhiệm giải nén các tính năng phức tạp và trừu tượng liên tiếp từ đầu vào là các giác quan, dẫn đến các quyết định. Mỗi con quỷ ở mỗi cấp sẽ vui mừng nếu nó khớp với đầu vào từ một cấp độ trước đó. Con quỷ quyết định cân nhắc mức độ phấn khích và tầm quan trọng của người cung cấp thông tin. Hình thức đánh giá bằng chứng này là một phép ẩn dụ cho các mạng lưới học sâu hiện tại – với nhiều cấp độ hơn. Trích từ tác phẩm của Peter H. Lindsay và Donald A. Norman: Xử lý thông tin con người: Giới thiệu về tâm lý học, tái bản lần thứ 2 (1977).
Học từ những ví dụ
Không nao núng bởi sự thiếu hiểu biết về chức năng của bộ não, những người tiên phong về AI mạng neuron đã lao về phía trước với phiên bản hoạt họa của các neuron và cách thức chúng được kết nối với nhau. Frank Rosenblatt tại Đại học Cornell (Hình 3.4) là một trong những người đầu tiên bắt chước kiến trúc hệ thống thị giác của con người để nhận dạng kiểu mẫu tự động. Ông đã phát minh ra một mạng đơn giản gọi là “perceptron”, một thuật toán học có thể học cách phân chia các mẫu thành các loại khác nhau, chẳng hạn như các chữ cái trong bảng chữ cái. Các thuật toán là các thủ tục mà bạn phải làm theo từng bước để đạt được những mục tiêu đặc biệt, giống như bạn làm theo một công thức nướng bánh.
Thiết bị hải quân mới học qua trải nghiệm thực tế.
Nhà tâm lý học cho thấy sự phôi thai của dòng máy tính được thiết kế để đọc và phát triển thông minh hơn.
Washington, ngày 7 tháng 7 (UPI) – Hải quân tiết lộ việc nghiên cứu và phát triển dòng máy tính hiện đại – thứ mà họ mong đợi sẽ có thể đi bộ, nói chuyện, nhìn, viết, tái tạo chính nó và có ý thức về sự tồn tại của nó.
Bước đầu – máy tính trị giá 2 triệu USD “704” của Cục Khí tượng đã học cách phân biệt giữa phải và trái sau 50 thử nghiệm chứng minh của Hải quân trước các ký giả.
Cơ quan này cho biết họ sẽ sử dụng nguyên tắc đó để chế tạo những cỗ máy tư duy Perceptron đầu tiên có thể đọc và viết. Nó được dự kiến sẽ hoàn thành trong khoảng một năm với chi phí 10 nghìn USD.
Tiến sĩ Frank Rosenblatt, người tạo nên Perceptron đã tiến hành chứng minh. Ông cho biết cỗ máy sẽ là thiết bị đầu tiên suy nghĩ như con người. Theo ông, cũng như con người, Perceptron ban đầu sẽ phạm sai lầm, nhưng sẽ phát triển thông minh hơn khi nó có được kinh nghiệm.
Tiến sĩ Rosenblatt, nhà tâm lý học nghiên cứu tại Phòng thí nghiệm Hàng không Cornell, Buffalo, cho biết Perceptron có thể được sử dụng như những máy móc thám hiểm không gian.
Hình 3.4: Frank Rosenblatt ở Cornell đang chìm sâu trong suy nghĩ. Ông đã phát minh ra perceptron, tiền thân của các mạng lưới học sâu, trong đó có một thuật toán học tập đơn giản để phân chia hình ảnh thành các loại khác nhau. Bài viết trên tờ New York Times, ngày 8 tháng 7 năm 1958, từ một bản báo cáo của UPI. Máy perceptron được dự kiến sẽ có giá 100.000 USD khi hoàn thành vào năm 1959, hoặc tương đương khoảng 1 triệu USD ngày nay; máy tính IBM 704 có giá 2 triệu USD vào năm 1958, hoặc tương đương 20 triệu USD ngày nay, có thể thực hiện 12.000 phép nhân/giây, nhanh hơn rất nhiều vào thời điểm đó. Nhưng điện thoại Samsung Galaxy S6 rẻ hơn nhiều – mà vẫn có thể thực hiện 34 tỷ phép tính/giây, nhanh hơn 1 triệu lần.
(còn tiếp)
TH: T.Giang – CSCI
Nguồn tham khảo: Terrence J. Sejnowski – Cuộc cách mạng học sâu – NXB CT 2019.
Hình 2.1
Hình 2.2
Hình 2.3