Kỹ năng cơ bản này của con người sẽ là cột mốc quan trọng tiếp theo mà A.I phải đạt được

Bạn còn nhớ hay không cảm giác ngạc nhiên, vui sướng khi lần đầu tiên khám phá ra rằng mọi sự vật, hiện tượng trong thế giới này đều có liên hệ với nhau - dù ít hay nhiều - theo một mô hình tương quan gọi là nguyên nhân - kết quả: Có cái này mới có cái kia, hay sự việc này là lý do dẫn đến sự việc kia.

Điều này nghe có vẻ “vĩ mô” nhưng trên thực tế lại cực kỳ đơn giản, và là một phạm trù thuộc về kỹ năng cơ bản của con người. Các nghiên cứu khoa học cho thấy rằng chúng ta bắt đầu có nhận thực về nguyên lý quan hệ nhân - quả ngay từ khi được tám tháng tuổi - Khi còn chưa biết nói. Nó giúp chúng ta có được những suy luận sơ đẳng về sự tồn tại của các sự vật, hiện tượng trong thế giới xung quanh. Tuy nhiên, hầu hết chúng ta đều không thể nhớ nhiều điều trước khi lên khoảng ba hoặc bốn tuổi, vì vậy khả năng nhận thức nhân quả - yếu tố giúp trả lời cho các câu hỏi “tại sao”, dần trở thành một kỹ năng cơ bản, là điều mà chúng ta chỉ đơn giản coi là đương nhiên.

Tuy nhiên trên thực tế, đây không chỉ là bài học quan trọng để con người nhận thức về thế giới xung quanh, mà còn là một kỹ năng mà các hệ thống trí tuệ nhân tạo (AI) ngày nay còn khá tệ và cần được cải thiện để có được hiệu suất tốt hơn.

Khả năng các hệ thống AI hiện đại có thể đánh bại người chơi cờ vây hay lái xe ô tô trên những con phố đông đúc không nhất thiết cần phải được so sánh với loại trí thông minh mà con người có thể sử dụng để thành thạo những khả năng này. Đó là bởi vì con người - ngay cả khi còn là một đứa trẻ sơ sinh - đã sở hữu khả năng khái quát hóa tính huống bằng cách áp dụng kiến thức từ miền này sang miền khác. Đối với AI, để phát huy hết tiềm năng, đây chính là điều mà nó cũng cần phải làm được.

Ví dụ, nếu robot AI học cách xây một ngôi nhà bằng cách sử dụng những viên gạch, kỹ năng phân tích nhân - quả có thể giúp nó hiểu và nhận ra rằng mình cũng có thể sử dụng những viên gạch đó để xây dựng nên một cây cầu hoặc thậm chí là những công trình với cấu trúc phức tạp hơn. Nói cách khác, điều này có thể đạt được khi AI sở hữu kỹ năng tìm hiểu mối quan hệ nhân - quả giữa các biến môi trường khác nhau.

Một thế giới đào tạo ảo cho AI

Chúng ta cần một môi trường đào tạo AI chuyên sâu, giúp các mô hình học máy tiên tiến có thể thể khái quát tốt hơn những thay đổi khác nhau theo đặc tính của môi trường, chẳng hạn như khối lượng hoặc hình dạng của các vật thể. Ví dụ: Khi robot học cách nhặt một vật thể cụ thể, chúng ta có thể mong đợi rằng nó có khả năng nhận biết được nên đứng ở tư thế nào, cũng như dùng bao nhiêu lực để nhặt một vật thể cồng kềnh, nặng nề hơn - miễn là nó hiểu được các áp dụng mối quan hệ nhân quả phù hợp trong từng trường hợp nhất định. Đó là lý do thúc đẩy các nhà khoa học tạo ra một công cụ có tên gọi CausalWorld.

Nếu loại môi trường đào tạo ảo mà chúng ta thường nghe nói đến trong các bộ phim khoa học viễn tưởng, chẳng hạn như trong The Matrix - một thế giới ảo trong đó các quy tắc không áp dụng. Thì ngược lại trong CausalWorld, các nhà nghiên cứu có thể đào tạo và đánh giá một cách có hệ thống các phương pháp của họ trong môi trường robot. Tất cả là hướng tới các quy tắc - và cách thức áp dụng chúng. Ở đó, robot có thể được giao các nhiệm vụ tương tự như khi trẻ em chơi xếp hình với lego, cũng như những trò chơi liên quan đến kỹ năng phân tích nhân quả khác. Các nhà nghiên cứu có thể can thiệp để kiểm tra khả năng tổng quát hóa của robot khi nó được đào tạo. Về cơ bản, đây là một môi trường thử nghiệm giúp đánh giá cách AI có thể tổng quát hóa vấn đề.

Khi đã nắm được khả năng phân tích nhân quả, hiệu suất của các hệ thống AI sẽ được cải thiện gấp nhiều lần, cùng với đó là khả năng hoạt động độc lập hiệu quả hơn rõ rệt.