“ Trí tuệ nhân tạo ” ( AI ) hiện đang là thuật ngữ điển hình nổi bật nhất trong nghành nghề dịch vụ công nghệ tiên tiến. Và sự nổi tiếng đó là có nguyên do – sau nhiều thập kỷ nghiên cứu và điều tra và tăng trưởng, nhiều kỹ thuật tưởng như chỉ có trong khoa học viễn tưởng đã dần biến thành thực tế khoa học trong vài năm trở lại đây .
Các kỹ thuật AI đang dần ăn sâu vào đời sống của tất cả chúng ta : AI xác lập những hiệu quả tìm kiếm, chuyển dời giọng nói của tất cả chúng ta thành những hướng dẫn có nghĩa cho máy tính và thậm chí còn còn thể giúp phân loại dưa chuột .
Trong vài năm tới, tất cả chúng ta sẽ dùng AI để lái xe, vấn đáp những thắc mắc về dịch vụ người mua cũng như vô số cách ứng dụng khác .
Nhưng làm thế nào mà chúng ta đạt được đến trình độ này? Công nghệ mới đầy sức mạnh này từ đâu mà ra? Dưới đây là 10 cột mốc lớn nhất dẫn dắt chúng ta tới thành công này.
Hiểu được “tư tưởng lớn”
Khái niệm AI không đùng một cái Open – nó là chủ đề của một cuộc tranh luận triết học sâu xa mà tới nay vẫn chưa có hồi kết : Liệu máy móc hoàn toàn có thể thực sự tâm lý như một con người hay không ? Liệu một cỗ máy hoàn toàn có thể trở thành con người hay không ? Một trong những người tiên phong tâm lý về yếu tố này chính là René Descartes, người đã biểu lộ quan điểm của mình trong cuốn sách Diễn ngôn Phương pháp ( Discourse on the Method ) năm 1637 .
Điều đáng quá bất ngờ là, tại thời gian mà ngay cả một chiếc máy gửi email của Amstrad cũng là một mẫu sản phẩm của tương lai ngoạn mục, Descartes đã tóm tắt được những câu hỏi và thử thách quan trọng mà những nhà công nghệ tiên tiến phải vượt qua :
“ Nếu có những cỗ máy trông giống như tất cả chúng ta và mô phỏng lại những hoạt động giải trí của tất cả chúng ta một cách giống nhất hoàn toàn có thể, vì những mục tiêu trọn vẹn trong thực tiễn, chũng ta vẫn nên có hai cách nhận ra thực sự chắc như đinh rằng chúng không phải con người thực sự. ”
Ông liên tục lý giải rằng, theo ông, máy móc không khi nào hoàn toàn có thể sử dụng từ ngữ hay “ liên kết những tín hiệu ” để “ bày tỏ những tâm lý của tất cả chúng ta với người khác, ” và ngay cả nếu tất cả chúng ta hoàn toàn có thể tạo ra một cỗ máy như vậy thì “ vẫn không hề tưởng tượng được rằng một cỗ máy như vậy hoàn toàn có thể đưa ra những chuỗi từ ngữ được sắp xếp để tạo thành một câu vấn đáp có nghĩa cho bất kể điều gì được nói với nó như cách những người tối dạ nhất cũng làm được. ”
Ông liên tục diễn đạt thử thách lớn lúc bấy giờ : tạo ra một AI tổng lực thay vì tập trung chuyên sâu vào một nghành nghề dịch vụ hẹp – và những số lượng giới hạn của AI sẽ thể hiện việc máy móc nhất định không phải là con người như thế nào :
“ Ngay cả khi một số ít máy móc hoàn toàn có thể làm được một số ít việc tốt như tất cả chúng ta làm, hay thậm chí còn tốt hơn, thì chúng cũng sẽ không tránh khỏi thất bại trong những việc làm khác. Điều đó cho thấy chúng không hành vi vì chúng hiểu, mà chỉ vì chúng được cấu trúc để làm những việc đó. ”
Vì vậy giờ đây, nhờ Descartes, khi nói đến AI là tất cả chúng ta nói đến những thử thách .
Khái niệm AI không đùng một cái Open – nó là chủ đề của một cuộc tranh luận triết học sâu xa mà tới nay vẫn chưa có hồi kết .
Trò chơi mô phỏng
Cột mốc triết học lớn thứ hai do Alan Turing, nhà tiên phong khoa học máy tính đặt ra. Năm 1950, ông đã lần đầu diễn đạt thứ được biết đến với tên gọi Phép thử Turing và được ông gọi là “ Trò chơi mô phỏng ” – một bài kiểm tra trí tuệ của máy móc .
Bài kiểm tra của ông rất đơn thuần : nếu người tham gia không hề phân biệt được đâu là con người, đâu là máy móc ( ví dụ, qua tương tác bằng văn bản với cả hai bên ), máy móc hoàn toàn có thể lừa người đó tin rằng nó mới chính là con người hay không ?
Điều mê hoặc là khi đó, Turing đã đưa ra một Dự kiến táo bạo về tương lai điện toán – và ông tin là tới cuối thế kỷ 20, bài kiểm tra của ông sẽ được vượt qua .
Một trang trong cuốn sổ ghi chép của nhà toán học người Anh và là người tiên phong trong khoa học máy tính Alan Turing, thiên tài về mã số thời Chiến tranh thế giới II. (Nguồn: AP)
Ông nói : “ Tôi tin rằng trong khoảng chừng 50 năm nữa, hoàn toàn có thể lập trình những máy tính với dung tích bộ nhớ khoảng chừng [ 1GB ] để chúng chơi game show mô phỏng giỏi đến nỗi một người người phỏng vấn trung bình sẽ không có nhiều hơn 70 % thời cơ xác lập đúng sau 5 phút đặt câu hỏi. … Tôi tin rằng tới cuối thế kỷ, việc sử dụng từ ngữ và quan điểm tri thức nói chung sẽ biến hóa nhiều đến nỗi một người hoàn toàn có thể nói về tư duy của máy móc mà không sợ bị phản bác. ”
Tiếc thay, Dự kiến của ông có phần hơi quá sớm, vì mặc dầu lúc này tất cả chúng ta đang tận mắt chứng kiến một số ít AI thực sự ấn tượng, nhưng hồi năm 2000 công nghệ tiên tiến vẫn ở mức rất sơ khai. Nhưng tối thiểu có lẽ rằng ông cũng sẽ thấy ấn tượng với dung tích đĩa cứng – đạt trung bình khoảng chừng 10GB khi bước sang thế kỷ 21 .
Mạng nơ ron đầu tiên
“ Mạng nơ ron ” là cái tên rất kêu mà những nhà khoa học đặt cho những phép thử và lỗi sai, khái niệm chủ chốt giải phóng cho AI tân tiến. Về cơ bản, khi nói về việc giảng dạy AI, cách tốt nhất là để cho mạng lưới hệ thống tự đoán, nhận phản hồi, và lại liên tục đoán – liên tục biến hóa Tỷ Lệ vấn đáp đúng của nó .
Điều khá mê hoặc ở đây là mạng nơ ron tiên phong thực tiễn đã được khai sinh từ tận năm 1951. Được gọi là “ SNARC ” – Máy tính tăng cường tín hiệu tương tự như nơ ron ngẫu nhiên ” ( Stochastic Neural Analog Reinforcement Computer ) – cỗ máy này được tạo ra bởi Marvin Minsky và Dean Edmonds, và nó không được lắp từ những vi mạch và bóng đèn bán dẫn, mà từ những đèn chân không, động cơ và khớp ly hợp .
Thách thức đặt ra cho cỗ máy này ? Giúp một con chuột ảo giải một câu đố mê cung. Hệ thống sẽ gửi những hướng dẫn để xu thế trong mê cung, và trong mỗi lần, hiệu ứng những hành vi của nó sẽ được phản hồi về mạng lưới hệ thống – những đèn chân không được dùng để tàng trữ tác dụng. Điều này có nghĩa là cỗ máy hoàn toàn có thể học và biến hóa những Xác Suất – dẫn đến năng lực vượt qua mê cung lớn hơn .
Về cơ bản, nó là một phiên bản cực kỳ đơn thuần của cùng quy trình mà Google hiện đang dùng để xác lập những vật thể trong những bức ảnh .
Chiếc ôtô tự hành đầu tiên
Khi nghĩ về ôtô tự lái, tất cả chúng ta nghĩ về những thứ như dự án Bất Động Sản Waymo của Google – nhưng ngay từ năm 1995, Mercedes-Benz đã làm ra được một chiếc ôtô S-Class gần như hoàn toàn có thể tự quản lý và vận hành suốt quãng đường từ Munich tới Copenhagen .
Theo AutoEvolution, hành trình dài 1043 dặm này đã được thực thi bằng cách gắn thành công xuất sắc một siêu máy tính vào ngăn tư trang phía sau ôtô – chiếc xe chứa 60 con chip vi mạch siêu lớn, khi đó được xem là đỉnh điểm của đo lường và thống kê song song, tức là nó hoàn toàn có thể giải quyết và xử lý nhanh rất nhiều tài liệu lái xe – một phần cực kỳ quan trọng trong việc giúp những chiếc xe tự hành hoàn toàn có thể phản ứng hiệu suất cao .
Chiếc ôtô này đã đạt được vận tốc tới 115 dặm một giờ, gần như tương tự với những chiếc xe tự hành ngày nay, cũng như có thể vượt và đọc các biển báo giao thông. Nhưng nếu chúng ta được mời đi thử trên đó thì sao? Có lẽ chúng tôi sẽ nhường các bạn đi trước.
Chuyển sang thống kê
Mặc dù những mạng nơ ron đã sống sót như một khái niệm trong một thời hạn dài ( như đã nói ở trên ), nhưng phải tới cuối thập niên 80, một sự chuyển dời lớn trong hội đồng những nhà nghiên cứu AI từ cách tiếp cận “ dựa trên những quy tắc ” sang cách tiếp cận dựa trên số liệu thông kê – hay dạy học cho máy móc mới Open .
Điều này có nghĩa là thay vì cố gắng nỗ lực kiến thiết xây dựng những mạng lưới hệ thống mô phỏng trí tuệ bằng việc tìm cách đoán biết những quy tắc hoạt động giải trí của con người, họ sẽ chọn cách tiếp cận thử-nghiệm-và-lỗi-sai và kiểm soát và điều chỉnh những Xác Suất dựa trên những phản hồi như một cách tốt hơn hẳn để dạy máy móc tâm lý. Đây là một sự kiện trọng đại – vì đây là ý niệm giải phóng nhiều năng lực tuyệt vời của AI lúc bấy giờ .
Gil Press của tờ Forbes đã lập luận rằng sự vận động và di chuyển này đã được báo trước từ năm 1988, khi Trung tâm nghiên cứu và điều tra TJ Watson của IBM công bố điều tra và nghiên cứu có nhan đề “ Một cách tiếp cận thống kê học với dịch thuật ngôn từ, ” đơn cử nói về việc dạy học cho máy móc để làm đúng chuẩn những gì mà Google Translate đang làm lúc bấy giờ .
IBM đã đưa vào mạng lưới hệ thống của họ 2.2 triệu cặp câu bằng tiếng Pháp và tiếng Anh để dạy cho mạng lưới hệ thống – và những câu này đều được lấy từ những bản thảo của Quốc hội Canada, cơ quan xuất bản những tài liệu của họ bằng cả hai thứ tiếng – nghe có vẻ như nhiều, nhưng vẫn chưa là gì so với việc Google có hàng loạt mạng internet để sử dụng – lý giải tại sao lúc bấy giờ Google Translate lại hoạt động giải trí tốt một cách đáng sợ như vậy .
Máy tính Deep Blue đánh bại Garry Kasparov
Bất chấp việc chuyển sang tập trung chuyên sâu vào những quy mô thống kê, những quy mô dựa trên quy tắc vẫn được sử dụng – và vào năm 1997 IBM đã tổ chức triển khai một trận đấu cờ vua được xem là nổi tiếng nhất mọi thời đại, ở đó máy tính Deep Blue của họ đã vượt mặt nhà vô địch cờ vua quốc tế Garry Kasparov – một ví dụ diễn đạt sức mạnh của máy móc hoàn toàn có thể lớn đến thế nào .
Trận đấu này thực tiễn là một trận tái đấu : năm 1996, Kasparov đã hạ gục Deep Blue với tỷ số 4-2. Tới năm 1997, cỗ máy đã báo thù bằng cách thắng 2 trong số 6 ván cờ và thủ hòa với Kasparov trong 3 ván .
Trí mưu trí của Deep Blue, ở một mức độ nhất định, là không khách quan – bản thân IBM cũng nói rằng cỗ máy của họ không sử dụng trí tuệ nhân tạo. Thay vào đó, Deep Blue sử dụng một sự tích hợp của giải quyết và xử lý tổng lực ( brute force ) – giải quyết và xử lý hàng nghìn nước đi khả thi trong mỗi giây. IBM đã đưa vào mạng lưới hệ thống tài liệu của hàng nghìn ván cờ trước đó, và mỗi lần bàn cờ đổi khác theo từng nước đi, Deep Blue sẽ không học được điều gì mới mà sẽ tìm kiếm xem những kỳ thủ vĩ đại đã từng phản ứng thế nào trong những trường hợp tựa như. “ Nó là bóng ma của những kỳ thủ vĩ đại trong quá khứ, ” IBM đã nói như vậy .
Dù cỗ máy này có được tính là AI hay không, một điều rõ ràng là đây vẫn là một cột mốc đáng kể, lôi cuốn rất nhiều sự quan tâm không chỉ với năng lực giám sát của máy tính cũng như tới hàng loạt nghành trí tuệ nhân tạo. Từ sau cuộc cạnh tranh đối đầu với Kasparov, vượt mặt những người chơi là con người trong những game show đã trở thành một cách phổ cập và hay được dùng nhất để xác lập trí tuệ của máy móc – như tất cả chúng ta lại được tận mắt chứng kiến hồi năm 2011 khi mạng lưới hệ thống Watson của IBM thắng giòn giã trước hai đấu thủ giỏi nhất trong chương trình game show Jeopardy .
Nhà vô địch cờ vua thế giới Garry Kasparov (trái) trong trận đấu thứ tư với máy đánh cờ IBM Deep Blue. (Nguồn: Getty Images)
Siri làm chủ ngôn ngữ
Xử lý ngôn từ tự nhiên từ lâu đã trở thành chiếc chén thánh của trí tuệ nhân tạo – và đóng vai trò quyết định hành động nếu tất cả chúng ta muốn có một quốc tế nơi những robot hình người sống sót, hay là nơi tất cả chúng ta hoàn toàn có thể quát những mệnh lệnh vào những thiết bị như trong phim Star Trek .
Và đó là nguyên do vì sao Siri, ứng dụng được kiến thiết xây dựng bằng những chiêu thức thống kê đã nêu, tạo được ấn tượng mạnh như vậy .
Trước năm 2010 chưa từng có ai được sử dụng ứng dụng gửi tin nhắn bằng giọng nói để thấy tất cả chúng ta đã tiến xa được đến mức nào .
Là loại sản phẩm của SRI International và thậm chí còn còn được ra đời với tư cách một ứng dụng độc lập trên shop ứng dụng của iOS, Siri đã nhanh gọn được Apple mua lại và tích hợp sâu vào iOS : Ngày nay, nó là một trong những thành công xuất sắc rực rỡ tỏa nắng nhất của công tác làm việc dạy học cho máy móc, bởi ứng dụng này, cùng với những mẫu sản phẩm tựa như từ Google ( Assistant ), Microsoft ( Cortana ) và Amazon ( Alexa ) đã đổi khác cách tất cả chúng ta tương tác với những thiết bị của mình theo hướng mà mới cách đây vài năm vẫn còn là ngoạn mục .
Ngày nay, tất cả chúng ta xem đó là chuyện thông thường – nhưng hãy nhớ rằng trước năm 2010 chưa từng có ai được sử dụng ứng dụng gửi tin nhắn bằng giọng nói để thấy tất cả chúng ta đã tiến xa được đến mức nào .
Thử thách ImageNet
Cũng như nhận diện giọng nói, nhận diện hình ảnh là một thử thách lớn nữa mà AI đang tương hỗ để vượt qua. Năm năm ngoái, những nhà nghiên cứu đã lần đầu Tóm lại rằng máy móc – trong trường hợp này là hai mạng lưới hệ thống máy tính từ Google và Microsoft – xác lập những đối tượng người tiêu dùng trong những bức ảnh thuộc hơn 1000 chủ đề một cách giỏi hơn so với con người .
Các mạng lưới hệ thống “ deep learning ” ( học sâu ) này đã thành công xuất sắc trong việc vượt qua thử thách ImageNet – một dạng Phép thử Turing cho nhận diện hình ảnh – và chúng sẽ đóng vai trò cơ bản nếu năng lực nhận diện hình ảnh tăng trưởng vượt xa năng lực của con người .
Đương nhiên, có rất nhiều ứng dụng nhận diện hình ảnh – nhưng một ví dụ vui mà Google hay khoe khi tiếp thị nền tảng dạy học cho máy móc TensorFlow là việc phân loại dưa chuột : Bằng cách sử dụng thị lực của máy tính, người nông dân không cần đến quan điểm của con người để quyết định hành động những loại rau củ đã chuẩn bị sẵn sàng cho bữa tối hay chưa – máy móc hoàn toàn có thể tự động hóa quyết định hành động điều đó vì trước đó chúng đã được dạy tài liệu này .
GPU giúp AI trở nên kinh tế hơn
Một trong những nguyên do quan trọng giúp AI trở nên quan trọng như giờ đây là chỉ trong vài năm qua, ngân sách đo lường và thống kê một lượng lớn tài liệu đã trở nên phải chăng .
Theo Fortune, đến cuối thập niên 2000, những nhà nghiên cứu mới nhận ra rằng những bộ giải quyết và xử lý đồ họa chuyên được dùng ( GPU ) được tăng trưởng cho đồ họa 3D và game show điện tử có năng lực thống kê giám sát deep learning nhanh hơn 20-50 lần so với những CPU truyền thống cuội nguồn. Và khi mọi người đã nhận ra điều đó, sức mạnh thống kê giám sát đã tăng lên đáng kể, được cho phép những nền tảng AI đám mây tương hỗ cho vô số ứng dụng AI ngày này .
Các game thủ xứng danh được nhận một lời cảm ơn. Có thể cha mẹ và tình nhân của họ không thích họ dành quá nhiều thời hạn chơi điện tử – nhưng những nhà nghiên cứu AI chắc như đinh rất biết ơn họ .
AlphaGo và AlphaGoZero đánh bại tất cả
Tháng 3/2016, AI đã đặt thêm một dấu mốc nữa trong lịch sử khi phần mềm AlphaGo của Google đánh bại Lee Sedol, một kiện tướng cờ vây – gợi nhớ lại trận đấu lịch sử của Garry Kasparov.
Điều đáng nói ở đây không chỉ ở chỗ cờ vây là một môn thể thao phức tạp về mặt toán học hơn cả cờ vua, mà ứng dụng này còn được cả con người và những AI đối thủ cạnh tranh dạy dỗ. Google đã thắng 4 trong 5 ván đấu bằng cách dùng 1920 CPU và 280 GPU .
Đáng quan tâm hơn cả là tin tức hồi năm ngoái về phiên bản mới hơn của AlphaGo, AlphaGo Zero. Thay vì sử dụng bất kỳ dữ liệu nào trước đó, như AlphaGo và Deep Blue đã làm, để học về game show, ứng dụng này chỉ đơn thuần chơi hàng nghìn ván cờ với chính mình – và sau 3 ngày rèn luyện nó đã vượt mặt được phiên bản AlphaGo đã hạ gục Lee Sedol 100 ván không gỡ. Cần gì phải dạy một cỗ máy trở nên mưu trí, khi tự nó hoàn toàn có thể dạy chính mình ?
