Mạng lưới thần kinh đạt được sự khái quát hóa ngôn ngữ giống con người

Trong thế giới trí tuệ nhân tạo (AI) ngày càng phát triển, các nhà khoa học gần đây đã báo trước một cột mốc quan trọng. Họ đã tạo ra một mạng lưới thần kinh thể hiện khả năng khái quát hóa ngôn ngữ giống như con người. Sự phát triển mang tính đột phá này không chỉ là một bước đi mà còn là một bước nhảy vọt khổng lồ hướng tới việc thu hẹp khoảng cách giữa nhận thức của con người và khả năng AI.

Khi chúng ta tiến sâu hơn vào lĩnh vực AI, khả năng các hệ thống này hiểu và áp dụng ngôn ngữ trong các bối cảnh khác nhau, giống như con người, trở nên tối quan trọng. Thành tựu gần đây này mang đến cái nhìn đầy hứa hẹn về một tương lai nơi sự tương tác giữa con người và máy móc trở nên hữu cơ và trực quan hơn bao giờ hết.

So sánh với các mô hình hiện có

Thế giới AI không còn xa lạ với những mô hình có thể xử lý và phản hồi ngôn ngữ. Tuy nhiên, tính mới của sự phát triển gần đây này nằm ở khả năng khái quát hóa ngôn ngữ được nâng cao. Khi đọ sức với các mô hình đã có sẵn, chẳng hạn như các chatbot phổ biến cơ bản, mạng thần kinh mới này thể hiện khả năng vượt trội trong việc sắp xếp các từ mới học vào từ vựng hiện có và sử dụng chúng trong các ngữ cảnh xa lạ.

Mặc dù các mô hình AI tốt nhất hiện nay, như ChatGPT, có thể tự giữ vững vị trí của mình trong nhiều tình huống hội thoại, nhưng chúng vẫn còn thiếu sót khi tích hợp liền mạch thông tin ngôn ngữ mới. Mặt khác, mạng lưới thần kinh mới này đưa chúng ta đến gần hơn với thực tế nơi máy móc có thể hiểu và giao tiếp với sắc thái và khả năng thích ứng của con người.

Hiểu khái quát hóa có hệ thống

Trọng tâm của thành tựu này là khái niệm khái quát hóa có hệ thống. Đó là điều giúp con người có thể dễ dàng thích nghi và sử dụng các từ mới thu được trong các bối cảnh đa dạng. Ví dụ: khi hiểu thuật ngữ 'photobomb', theo bản năng, chúng ta sẽ biết cách sử dụng nó trong nhiều tình huống khác nhau, cho dù đó là “photobombing hai lần” hay “photobombing trong cuộc gọi Zoom”. Tương tự như vậy, việc hiểu cấu trúc câu như “con mèo đuổi theo con chó” cho phép chúng ta dễ dàng nắm bắt được nghịch đảo của nó: “con chó đuổi theo con mèo”.

Tuy nhiên, khả năng nội tại này của con người là một thách thức đối với AI. Mạng lưới thần kinh truyền thống, vốn là xương sống của nghiên cứu trí tuệ nhân tạo, không tự nhiên sở hữu kỹ năng này. Họ vật lộn với việc kết hợp một từ mới trừ khi họ đã được đào tạo chuyên sâu về nhiều mẫu của từ đó trong ngữ cảnh. Hạn chế này là chủ đề tranh luận giữa các nhà nghiên cứu AI trong nhiều thập kỷ, làm dấy lên các cuộc thảo luận về khả năng tồn tại của mạng lưới thần kinh như một sự phản ánh chân thực về quá trình nhận thức của con người.

Nghiên cứu chi tiết

Để nghiên cứu sâu hơn về khả năng của mạng lưới thần kinh và tiềm năng khái quát hóa ngôn ngữ của chúng, Nghiên cứu toàn diện đã được tiến hành. Nghiên cứu không chỉ giới hạn ở máy móc; 25 người tham gia là con người đã tham gia một cách phức tạp, đóng vai trò là chuẩn mực cho hiệu suất của AI.

Thí nghiệm sử dụng một ngôn ngữ giả, một tập hợp các từ được xây dựng mà người tham gia không quen thuộc. Điều này đảm bảo rằng những người tham gia lần đầu tiên thực sự học những thuật ngữ này, cung cấp một phương pháp rõ ràng để kiểm tra tính khái quát. Ngôn ngữ giả này bao gồm hai loại từ riêng biệt. Danh mục 'nguyên thủy' có các từ như 'dax', 'wif' và 'lug', tượng trưng cho các hành động cơ bản giống như 'bỏ qua' hoặc 'nhảy'. Mặt khác, các từ 'chức năng' trừu tượng hơn, chẳng hạn như 'blicket', 'kiki' và 'fep', đặt ra các quy tắc cho việc áp dụng và kết hợp các thuật ngữ nguyên thủy này, dẫn đến các chuỗi như 'nhảy ba lần' hoặc 'bỏ qua lùi'.

Yếu tố trực quan cũng được đưa vào quá trình đào tạo. Mỗi từ nguyên thủy được liên kết với một vòng tròn có màu cụ thể. Ví dụ: vòng tròn màu đỏ có thể biểu thị 'dax', trong khi vòng tròn màu xanh biểu thị 'lug'. Sau đó, những người tham gia được xem sự kết hợp giữa các từ nguyên thủy và chức năng, kèm theo các mẫu vòng tròn màu mô tả kết quả của việc áp dụng các chức năng cho các từ nguyên thủy. Một ví dụ là việc ghép cụm từ 'dax fep' với ba vòng tròn màu đỏ, minh họa rằng 'fep' là một quy tắc trừu tượng để lặp lại một hành động ba lần.

Để đánh giá mức độ hiểu biết và khả năng khái quát hóa có hệ thống của những người tham gia, họ được cho xem những sự kết hợp phức tạp giữa các từ nguyên thủy và các từ chức năng. Sau đó, họ được giao nhiệm vụ xác định màu sắc và số lượng vòng tròn chính xác, sắp xếp chúng theo trình tự thích hợp.

Ý nghĩa và ý kiến ​​chuyên gia

Kết quả của nghiên cứu này không chỉ là một bước tiến khác trong lịch sử nghiên cứu AI; chúng đại diện cho một sự thay đổi mô hình. Hiệu suất của mạng lưới thần kinh, phản ánh chặt chẽ sự khái quát hóa hệ thống giống con người, đã khuấy động sự phấn khích và tò mò của các học giả và chuyên gia trong ngành.

Tiến sĩ Paul Smolensky, một nhà khoa học nhận thức nổi tiếng với chuyên ngành ngôn ngữ tại Đại học Johns Hopkins, ca ngợi đây là một “bước đột phá trong khả năng đào tạo các mạng lưới một cách có hệ thống”. Tuyên bố của ông nhấn mạnh tầm quan trọng của thành tựu này. Nếu mạng lưới thần kinh có thể được đào tạo để khái quát hóa một cách có hệ thống, thì chúng có khả năng cách mạng hóa nhiều ứng dụng, từ chatbot đến trợ lý ảo và hơn thế nữa.

Tuy nhiên, sự phát triển này không chỉ là một tiến bộ công nghệ. Nó chạm đến một cuộc tranh luận lâu dài trong cộng đồng AI: Liệu mạng lưới thần kinh có thực sự đóng vai trò là mô hình chính xác về nhận thức của con người không? Trong gần bốn thập kỷ, câu hỏi này đã khiến các nhà nghiên cứu AI phải bối rối. Trong khi một số người tin vào tiềm năng của mạng lưới thần kinh trong việc mô phỏng các quá trình suy nghĩ giống con người, thì những người khác vẫn nghi ngờ do những hạn chế cố hữu của chúng, đặc biệt là trong lĩnh vực khái quát hóa ngôn ngữ.

Nghiên cứu này, với những kết quả đầy hứa hẹn, đã thúc đẩy sự lạc quan. Như Brenden Lake, một nhà khoa học tính toán nhận thức tại Đại học New York và đồng tác giả của nghiên cứu, đã chỉ ra, mạng lưới thần kinh có thể gặp khó khăn trong quá khứ, nhưng với cách tiếp cận đúng đắn, chúng thực sự có thể được uốn nắn để phản ánh các khía cạnh nhận thức của con người.

Hướng tới một tương lai của sức mạnh tổng hợp liền mạch giữa con người và máy móc

Hành trình của AI, từ giai đoạn non trẻ cho đến sức mạnh hiện tại, đã được đánh dấu bằng sự phát triển và đột phá liên tục. Thành tựu gần đây trong việc đào tạo mạng lưới thần kinh để khái quát hóa ngôn ngữ một cách có hệ thống là một minh chứng khác cho tiềm năng vô hạn của AI. Khi chúng ta đang ở thời điểm này, điều cần thiết là phải nhận ra những tác động rộng lớn hơn của những tiến bộ đó. Chúng ta đang tiến gần hơn đến một tương lai nơi máy móc không chỉ hiểu lời nói của chúng ta mà còn nắm bắt được các sắc thái và bối cảnh, thúc đẩy sự tương tác giữa con người và máy móc liền mạch và trực quan hơn.