Nền tảng AI có thể học hỏi từ kinh nghiệm như con người

Nhà khoa học máy tính Christopher Kanan đưa ra một bài giới thiệu về Generative AI, các mô hình ngôn ngữ quy mô lớn và việc sử dụng trí tuệ nhân tạo một cách có trách nhiệm.

Hóa ra, việc huấn luyện các hệ thống trí tuệ nhân tạo không khác gì việc nuôi dạy một đứa trẻ. Đó là lý do tại sao một số nhà nghiên cứu AI đã bắt đầu mô phỏng cách trẻ em tiếp thu kiến ​​thức và tìm hiểu về thế giới xung quanh một cách tự nhiên - thông qua khám phá, sự tò mò, học tập dần dần và củng cố tích cực.

“Rất nhiều vấn đề với các thuật toán AI hiện nay có thể được giải quyết bằng cách lấy ý tưởng từ khoa học thần kinh và sự phát triển của trẻ em”, Christopher Kanan, phó giáo sư tại Khoa Khoa học Máy tính của Đại học Rochester, và là chuyên gia về trí tuệ nhân tạo, học tập liên tục, thị giác và các thuật toán lấy cảm hứng từ não bộ, cho biết.

Tất nhiên, việc học hỏi và có khả năng suy luận như con người - thậm chí nhanh và có thể tốt hơn - mở ra những câu hỏi về cách tốt nhất để bảo vệ con người khỏi các hệ thống AI ngày càng tiên tiến. Đó là lý do tại sao ông Kanan nói rằng tất cả các hệ thống AI cần phải có những biện pháp bảo vệ được tích hợp sẵn, nhưng làm như vậy ở giai đoạn cuối cùng của quá trình phát triển là quá muộn. “Nó không nên là bước cuối cùng, nếu không chúng ta có thể giải phóng một con quái vật”.

Trí tuệ nhân tạo tổng quát là gì? Nó khác với các loại trí tuệ nhân tạo khác như thế nào?

Trí tuệ nhân tạo tổng quát (AGI) nhằm mục đích xây dựng các hệ thống có khả năng hiểu, suy luận và học hỏi giống như con người. AGI tiên tiến hơn trí tuệ nhân tạo hẹp (ANI), được thiết kế cho các nhiệm vụ cụ thể, nhưng vẫn chưa được hiện thực hóa.

Trí tuệ nhân tạo liên quan đến việc tạo ra các hệ thống máy tính có thể thực hiện những nhiệm vụ thường đòi hỏi trí thông minh của con người, chẳng hạn như nhận thức, suy luận, ra quyết định và giải quyết vấn đề. Theo truyền thống, phần lớn nghiên cứu về trí tuệ nhân tạo tập trung vào việc xây dựng các hệ thống được thiết kế cho những nhiệm vụ cụ thể - được gọi là trí tuệ nhân tạo hẹp (ANI). Ví dụ bao gồm các hệ thống nhận dạng hình ảnh, trợ lý giọng nói hoặc chơi những game chiến lược, tất cả đều có thể thực hiện nhiệm vụ của chúng một cách xuất sắc, thường vượt trội hơn con người.

Sau đó là trí tuệ nhân tạo tổng quát (AGI), nhằm mục đích xây dựng các hệ thống có khả năng hiểu, suy luận và học hỏi trên nhiều nhiệm vụ khác nhau, giống như con người. Đạt được AGI vẫn là một mục tiêu chính trong nghiên cứu về trí tuệ nhân tạo nhưng vẫn chưa được hoàn thành. Vượt xa trí tuệ nhân tạo tổng quát (AGI) là siêu trí tuệ nhân tạo (ASI) – một dạng AI vượt trội hơn hẳn trí tuệ con người trong hầu hết mọi lĩnh vực, hiện vẫn còn mang tính lý thuyết và chỉ tồn tại trong khoa học viễn tưởng. Trong phòng thí nghiệm, các nhà khoa học đặc biệt quan tâm đến việc tiến gần hơn đến trí tuệ nhân tạo tổng quát bằng cách lấy cảm hứng từ khoa học thần kinh và sự phát triển của trẻ em, cho phép các hệ thống AI học hỏi và thích nghi liên tục, giống như trẻ con.

Một số cách mà AI có thể “học hỏi” là gì?

ANI thành công nhờ vào Deep Learning, vốn đã được sử dụng từ khoảng năm 2014 để huấn luyện các hệ thống này học hỏi từ lượng lớn dữ liệu được con người chú thích. Deep Learning bao gồm việc huấn luyện các mạng nơ-ron nhân tạo lớn, gồm nhiều lớp liên kết với nhau. Ngày nay, Deep Learning là nền tảng của hầu hết các ứng dụng AI hiện đại, từ thị giác máy tính và xử lý ngôn ngữ tự nhiên đến robot và nghiên cứu y sinh. Các hệ thống này vượt trội trong những nhiệm vụ như nhận dạng hình ảnh, dịch ngôn ngữ, chơi các game phức tạp như cờ vây và cờ vua, tạo ra văn bản, hình ảnh, và thậm chí cả code.

Một mô hình ngôn ngữ lớn (LLM) như GPT-4 của OpenAI được huấn luyện trên lượng văn bản khổng lồ bằng cách sử dụng phương pháp học tự giám sát. Điều này có nghĩa là mô hình học bằng cách dự đoán từ hoặc cụm từ tiếp theo từ văn bản hiện có, mà không cần sự hướng dẫn hoặc nhãn rõ ràng của con người. Các mô hình này thường được huấn luyện trên hàng nghìn tỷ từ - về cơ bản là toàn bộ văn bản của con người có sẵn trực tuyến, bao gồm sách, bài báo và trang web. Để dễ hình dung, nếu một người cố gắng đọc tất cả văn bản này, sẽ mất hàng chục nghìn kiếp người.

Sau quá trình huấn luyện ban đầu chuyên sâu này, mô hình trải qua quá trình tinh chỉnh có giám sát, trong đó con người cung cấp các ví dụ về đầu ra mong muốn, hướng dẫn mô hình tạo ra những phản hồi phù hợp chặt chẽ với sở thích của con người. Cuối cùng, những kỹ thuật như học tăng cường với phản hồi của con người (RLHF) được áp dụng để định hình hành vi của mô hình bằng cách xác định các giới hạn chấp nhận được cho những gì nó có thể hoặc không thể tạo ra.

Một số hạn chế hiện tại của các công cụ Generative AI là gì?

Các phiên bản AI hiện tại thiếu khả năng tự nhận thức và suy luận giống con người. Các mô hình ngôn ngữ lớn (LLM) vẫn có thể bị “ảo giác”, nghĩa là chúng tự tin đưa ra thông tin nghe có vẻ hợp lý nhưng không chính xác. Khả năng suy luận và lập kế hoạch của chúng, mặc dù đang được cải thiện nhanh chóng, vẫn còn hạn chế so với sự linh hoạt và chiều sâu ở cấp độ con người. Và chúng không liên tục học hỏi từ kinh nghiệm; kiến ​​thức của chúng thực tế bị đóng băng sau khi đào tạo, nghĩa là chúng thiếu nhận thức về những phát triển gần đây hoặc những thay đổi đang diễn ra trên thế giới.

“Các hệ thống Generative AI hiện tại cũng thiếu siêu nhận thức, nghĩa là chúng thường không biết những gì chúng không biết. Sự thiếu tự nhận thức này hạn chế hiệu quả của chúng trong các tương tác thực tế”.

Các hệ thống Generative AI hiện tại cũng thiếu siêu nhận thức, nghĩa là chúng thường không biết những gì chúng không biết, và chúng hiếm khi đặt câu hỏi làm rõ khi đối mặt với sự không chắc chắn hoặc các gợi ý mơ hồ. Sự thiếu tự nhận thức này hạn chế hiệu quả của chúng trong các tương tác thực tế.

Con người xuất sắc trong việc học hỏi liên tục, trong đó các kỹ năng được tiếp thu sớm đóng vai trò là nền tảng cho những khả năng ngày càng phức tạp. Ví dụ, trẻ sơ sinh phải thành thạo các kỹ năng vận động cơ bản trước khi tiến tới đi bộ, chạy hoặc thậm chí là thể dục dụng cụ. Các chương trình đào tạo nghề hiện nay không thể hiện cũng như không được đánh giá hiệu quả về loại hình học tập tích lũy, chuyển giao tiến bộ này. Giải quyết hạn chế này là mục tiêu chính trong nghiên cứu thời gian tới.

Trí tuệ nhân tạo (AI) đặt ra những thách thức và rủi ro chính nào?

AI đang định hình lại lực lượng lao động và cuộc tranh luận về quy định. Generative AI đã và đang làm thay đổi đáng kể môi trường làm việc. Nó đặc biệt gây xáo trộn đối với các vị trí công việc văn phòng – những vị trí truyền thống yêu cầu trình độ học vấn hoặc chuyên môn đặc biệt – bởi vì các trợ lý AI giúp người lao động cá nhân tăng năng suất đáng kể; chúng có thể biến những người mới vào nghề thành những người làm việc ở trình độ gần với chuyên gia.

Năng suất tăng lên này có nghĩa là các công ty có thể hoạt động hiệu quả với số lượng nhân viên ít hơn đáng kể, làm tăng khả năng giảm quy mô lớn những vị trí công việc văn phòng trên nhiều ngành công nghiệp. Ngược lại, những công việc đòi hỏi sự khéo léo, sáng tạo, khả năng lãnh đạo và tương tác trực tiếp giữa người với người, chẳng hạn như các ngành nghề có tay nghề cao, những vị trí chăm sóc sức khỏe liên quan đến việc chăm sóc bệnh nhân trực tiếp, hoặc các nghề thủ công, khó có thể bị thay thế bởi AI trong thời gian ngắn.

Trong khi các kịch bản như “Paperclip Maximizer” nổi tiếng của Nick Bostrom, trong đó trí tuệ nhân tạo tổng quát (AGI) vô tình hủy diệt nhân loại, thường được thảo luận, nhiều người nghĩ rằng rủi ro lớn hơn trước mắt là con người có thể cố tình sử dụng AI tiên tiến cho các mục đích thảm khốc. Các nỗ lực nên tập trung vào hợp tác quốc tế, phát triển có trách nhiệm và đầu tư vào nghiên cứu AI an toàn trong giới học thuật.

Để đảm bảo AI được phát triển và sử dụng an toàn, chúng ta cần các quy định xung quanh những ứng dụng cụ thể. Điều thú vị là, những người đang yêu cầu chính phủ ban hành quy định hiện nay lại chính là những người điều hành các công ty AI. Nhưng cũng không thể không lo ngại về các quy định có thể loại bỏ những nỗ lực phát triển AI mã nguồn mở, kìm hãm sự đổi mới và tập trung lợi ích của AI vào tay một số ít người.

Cơ hội đạt được trí tuệ nhân tạo tổng quát (AGI) là bao nhiêu?

Nhiều nhà nghiên cứu AI đồng ý rằng Trí tuệ Nhân tạo Tổng quát (AGI) là khả thi, nhưng các mô hình ngôn ngữ lớn (LLM) hiện tại còn quá hạn chế.

Ba “cha đẻ” của AI hiện đại và những người đoạt giải Turing - Yoshua Bengio, Geoffrey Hinton và Yann LeCun - đều đồng ý rằng việc đạt được AGI là khả thi. Gần đây, Bengio và Hinton đã bày tỏ mối lo ngại đáng kể, cảnh báo rằng AGI có thể gây ra rủi ro hiện sinh cho nhân loại. Tuy nhiên, bất kỳ ai trong số họ đều không tin rằng chỉ riêng kiến ​​trúc LLM hiện nay sẽ đủ để đạt được AGI thực sự.

Các LLM vốn dĩ suy luận bằng ngôn ngữ, trong khi đối với con người, ngôn ngữ chủ yếu đóng vai trò là phương tiện giao tiếp chứ không phải là phương tiện chính cho tư duy. Sự phụ thuộc vào ngôn ngữ này vốn dĩ hạn chế khả năng của các LLM trong việc tham gia vào suy luận trừu tượng hoặc hình dung, giới hạn tiềm năng với trí thông minh rộng hơn, giống con người hơn.

Xem thêm:

• Robot trò chuyện bằng ngôn ngữ lạ, mối đe dọa đối với con người?
• AI tạo đoạn video giả một người đang nói như thật
• Trí tuệ nhân tạo có thể giúp phát hiện ung thư da u ác tính