Làm Thế Nào Trí Tuệ Nhân Tạo Có Thể Học Về Quá Trình Học?

Để đạt được những bước tiến mới trong việc phát triển trí tuệ nhân tạo, trí tuệ nhân tạo cần phải “học cách học” như tác giả Jun Wu đã viết trong Forbes. Vậy điều đó có nghĩa là gì?

Như Wu giải thích, “con người có khả năng học hỏi từ bất kỳ tình huống hoặc môi trường nào.” Con người có thể thích nghi với quá trình học tập của mình. Để có được chất lượng linh hoạt như vậy, trí tuệ nhân tạo cần phải có Trí tuệ Nhân tạo Tổng quát – nó cần phải học về quá trình học tập, được gọi là Học tập Meta.

Có một sự khác biệt rất cụ thể trong quá trình học tập giữa con người và trí tuệ nhân tạo. Trong khi khả năng học tập của con người bị giới hạn, trí tuệ nhân tạo có nhiều tài nguyên hơn như sức mạnh tính toán. Sức mạnh của não bộ con người có giới hạn và nó cũng có thời gian học tập bị giới hạn. Nhưng, trong khi trí tuệ nhân tạo “học từ nhiều dữ liệu hơn so với dữ liệu mà não bộ con người sử dụng, việc xử lý những lượng dữ liệu khổng lồ này đòi hỏi sức mạnh tính toán khổng lồ.”

Wu giải thích rằng“khi độ phức tạp của nhiệm vụ trí tuệ nhân tạo tăng lên, cũng có một sự tăng trưởng theo cấp số nhân về sức mạnh tính toán.” Như vậy, ngay cả khi chi phí của sức mạnh tính toán thấp, “tăng trưởng theo cấp số nhân không phải là kịch bản mà chúng ta muốn.” Đây là lý do chính tại sao hiện tại “trí tuệ nhân tạo được thiết kế để học tập với mục đích cụ thể,” làm cho quá trình học tập của chúng trở nên hiệu quả hơn.

Nhưng khi trí tuệ nhân tạo bắt đầu học tập nhiều hơn, “học cách học” nó bắt đầu “đưa ra kết luận từ dữ liệu với độ phức tạp ngày càng tăng.” Để tránh sự tăng trưởng theo cấp số nhân về sức mạnh tính toán, một con đường học tập hiệu quả hơn cần phải được thiết kế, và trí tuệ nhân tạo cần phải nhớ con đường đó.

Vấn đề trở nên phức tạp hơn khi các nhà nghiên cứu và công nghệ bắt đầu giao nhiệm vụ đa nhiệm cho trí tuệ nhân tạo. Để có thể làm được điều đó, trí tuệ nhân tạo “cần phải có khả năng đánh giá các tập dữ liệu độc lập song song. Nó cũng cần phải liên kết các mảnh dữ liệu và suy luận các mối quan hệ giữa chúng.” Khi một nhiệm vụ đang được thực hiện, trí tuệ nhân tạo cần phải cập nhật kiến thức của mình để có thể áp dụng nó trong các tình huống khác. “Vì các nhiệm vụ liên quan đến nhau, việc đánh giá các nhiệm vụ sẽ cần phải được thực hiện bởi toàn bộ mạng lưới.”

Google (GOOGL ) đã phát triển một mô hình như vậy, MultiModel, là một hệ thống trí tuệ nhân tạo “học cách thực hiện tám nhiệm vụ khác nhau đồng thời. MultiModel có thể phát hiện đối tượng trong hình ảnh, cung cấp chú thích, nhận dạng giọng nói, dịch giữa bốn cặp ngôn ngữ và thực hiện phân tích ngữ pháp.

Mặc dù thành tựu của Google là một bước tiến lớn, trí tuệ nhân tạo vẫn cần phải đạt được những bước tiến xa hơn để trở thành một người học tập tổng quát. Để có thể đạt được điều này, nó cần phải phát triển thêm khả năng suy luận meta và học tập meta. Như Wu giải thích, “suy luận meta tập trung vào việc sử dụng hiệu quả các tài nguyên nhận thức. Học tập meta tập trung vào khả năng độc đáo của con người trong việc sử dụng hiệu quả các tài nguyên nhận thức và dữ liệu hạn chế để học tập.”

Hiện tại, có những nghiên cứu đang được thực hiện để tìm ra khoảng cách giữa nhận thức của con người và cách trí tuệ nhân tạo học tập như nhận thức về trạng thái nội tại, độ chính xác của bộ nhớ hoặc sự tự tin.

Tất cả điều này có nghĩa là “trở thành một người học tập tổng quát nhân tạo đòi hỏi nghiên cứu rộng lớn về cách con người học tập cũng như nghiên cứu về cách trí tuệ nhân tạo có thể bắt chước cách con người học tập. Để thích nghi với các tình huống mới như có khả năng “đa nhiệm” và khả năng đưa ra “quyết định chiến lược” với tài nguyên hạn chế, chỉ là một vài trong số những chướng ngại vật mà các nhà nghiên cứu trí tuệ nhân tạo sẽ vượt qua trên đường đi.”