Góc nhìn Anderson

Dự đoán bạo lực từ trước bằng AI

Martin Anderson
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
A still from Minority Report (2002), a film centered on predicting violent crimes before they occur, alongside an inset from Can We Anticipate Violence? Multimodal Learning from Pre-Incident Behavioral Cues, which investigates the same problem using AI analysis of facial appearance, audio and body motion. Minority Report image © 2002 Twentieth Century Fox and DreamWorks Pictures; reproduced for editorial commentary.
Điểm chínhViệc dự đoán bạo lực trước khi nó xảy ra có nguy cơ lặp lại những nỗi sợ hãi phản địa…
Xem thêm
  • Việc dự đoán bạo lực trước khi nó xảy ra có nguy cơ lặp lại những nỗi sợ hãi phản địa đàng trong Minority Report.
  • Kết hợp ngoại hình khuôn mặt với các tín hiệu âm thanh và chuyển động mang lại hiệu quả vượt trội so với bất kỳ tín hiệu đơn lẻ nào.
  • Https://www.youtube.com/watch?v tDSXPQcpybU Một bài kiểm tra (không có thật) cho hệ thống phát hiện bạo lực của IVS.

Cách tiếp cận điển hình cho câu hỏi “AI có thể tự động hóa việc này không?” là đưa vào nhiều ví dụ về thứ có đặc điểm mà ta muốn tách biệt, rồi xem mô hình được huấn luyện trên dữ liệu đó có nhận ra đặc điểm ấy trong dữ liệu tương tự không được dùng để huấn luyện hay không:

Sơ đồ một dự án AI kiểu “cầu may ở phút cuối”: các ví dụ có nhãn được chia thành tập huấn luyện và tập kiểm tra; mô hình học từ tập đầu rồi được thử thách bằng các ví dụ chưa từng thấy trong tập sau. Nếu thực sự học được đặc điểm cần quan tâm thay vì ghi nhớ dữ liệu huấn luyện, mô hình phải nhận ra cùng mẫu hình trong tập kiểm tra. Nguồn - https://upload.wikimedia.org/wikipedia/commons/0/09/Supervised_machine_learning_in_a_nutshell.svg

Sơ đồ một dự án AI kiểu “cầu may ở phút cuối”: các ví dụ có nhãn được chia thành tập huấn luyện và tập kiểm tra; mô hình học từ tập đầu rồi được thử thách bằng các ví dụ chưa từng thấy trong tập sau. Nếu thực sự học được đặc điểm cần quan tâm thay vì ghi nhớ dữ liệu huấn luyện, mô hình phải nhận ra cùng mẫu hình trong tập kiểm tra. Nguồn

Đây phần nào là một nỗ lực “cầu may”, vì các thí nghiệm như vậy dựa trên giả định rằng đặc điểm cuối cùng sẽ nổi bật trong dữ liệu nếu AI tiếp tục xem xét tập dữ liệu, và thực sự tồn tại một “xu hướng tiềm ẩn” nào đó để tìm ra. Nếu chúng ta dễ dàng nhận biết đặc điểm đó, ta sẽ không cần mô hình AI, hoặc chỉ dùng nó để tự động hóa những việc thông thường.

Nói chung, thực tế không phải vậy; hầu hết sáng kiến nghiên cứu dạng này là những cuộc tìm kiếm dò dẫm các mẫu hình tiềm ẩn mà chỉ sự quan sát lặp đi lặp lại vượt khả năng con người mới có thể học cách nhận biết.

Khá thường xuyên, mẫu hình tỏ ra khó nắm bắt, thậm chí có thể không tồn tại, vì một số sự kiện và đặc tính thực sự có thể hoàn toàn ngẫu nhiên; hoặc dữ liệu thiếu hụt ở mặt nào đó, được tuyển chọn và tổ chức kém, hay việc huấn luyện chưa tốt.

Nhìn về phía trước

Trong một số trường hợp, phần thưởng quá đáng mong đợi (chữa khỏi ung thư, phản ứng tổng hợp hạt nhân, vượt qua các định luật nhiệt động lực học, v.v.) và quá “hấp dẫn về chính trị” khiến giới nghiên cứu liên tục quay lại xem liệu dữ liệu hoặc kỹ thuật tốt hơn có thể tìm ra một mẫu hình đặc trưng hay không.

Một lĩnh vực như vậy là hiểu video tự động, liên quan đến không gian công cộng và những lĩnh vực có cảnh sát tham gia. Chẳng hạn, năm nay một nghiên cứu mới sử dụng video thực tế về các vụ cố gắng tự sát để xác định xu hướng “nán lại” trước khi một người tìm cách tự sát, và xây dựng hệ thống dự đoán có thể phát hiện kiểu di chuyển đặc trưng của họ trên sân ga công cộng trước khi nhảy:

Từ bài báo năm 2026 “Đánh giá nguy cơ tự sát từ giám sát video bằng AI: Một khuôn khổ có thể diễn giải để phòng ngừa tại các ga tàu điện ngầm”, các dự đoán từ hai khung hình, một khung ghi lại một vụ cố gắng tự sát trên đường sắt thực sự, khung kia là trường hợp không xảy ra sự cố. Bản đồ nhiệt bên cạnh mỗi khung chỉ ra các khu vực rủi ro cao và thấp trên sân ga dựa trên “xu hướng nán lại” gần cửa hầm của một người và các mẫu hình quan sát được trong những vụ cố gắng tự sát trước đó. Nguồn - https://arxiv.org/pdf/2605.22904

Từ bài báo năm 2026 “Đánh giá nguy cơ tự sát từ giám sát video bằng AI: Một khuôn khổ có thể diễn giải để phòng ngừa tại các ga tàu điện ngầm”, các dự đoán từ hai khung hình, một khung ghi lại một vụ cố gắng tự sát trên đường sắt thực sự, khung kia là trường hợp không xảy ra sự cố. Bản đồ nhiệt bên cạnh mỗi khung chỉ ra các khu vực rủi ro cao và thấp trên sân ga dựa trên “xu hướng nán lại” gần cửa hầm của một người và các mẫu hình quan sát được trong những vụ cố gắng tự sát trước đó. Nguồn

Trong trường hợp này, những “mẫu hình nán lại” (ở ngoài cùng bên trái và bên phải hình phía trên) điển hình ở người đang nghĩ đến việc nhảy ra trước tàu dường như có dấu hiệu riêng biệt, có thể được dùng làm hệ thống cảnh báo nhận dạng mẫu trong các hệ thống giám sát tự động.

Một nhánh nghiên cứu phổ biến khác theo hướng này là phát hiện/nhận dạng bạo lực, trong đó hệ thống giám sát không có người trực có thể được trang bị khả năng nhận ra hành động bạo lực để nhanh chóng thu hút sự chú ý của con người, thậm chí kích hoạt các thao tác phụ trợ, chẳng hạn đánh dấu đoạn phim để lưu giữ lâu dài và bảo đảm việc ghi hình thực sự đang diễn ra, cùng các biện pháp khác.

Một thử nghiệm hệ thống phát hiện bạo lực của IVS (không phải sự kiện thật). Nguồn

Theo nghiên cứu mới từ Đại học Alabama, tài liệu nghiên cứu đến nay tập trung vào nhận diện bạo lực khi nó đã diễn ra. Trong công trình mới, các nhà nghiên cứu chỉ huấn luyện mô hình trên video trước một sự kiện bạo lực (hoặc không có sự kiện, để cân bằng thống kê), nhằm xem liệu có những đặc điểm “tiền bạo lực” lặp lại và có thể học được hay không. Ở đây, đó là sự kết hợp chuyển động cơ thể, trạng thái khuôn mặt và âm thanh, có thể cùng cung cấp tín hiệu dự đoán hành động bạo lực thay vì chỉ phản ứng khi nó đã xảy ra.

Ví dụ các chuỗi trước sự cố “có rủi ro” trong nghiên cứu, thể hiện qua bốn khung hình liên tiếp. Hệ thống theo dõi các khớp và chuyển động cơ thể theo thời gian, tìm thay đổi về tư thế, tốc độ và mẫu tương tác có thể giúp phân biệt những tình huống đang leo thang trước khi bản thân bạo lực trở nên nhìn thấy được. Nguồn - https://arxiv.org/pdf/2609.40014

Ví dụ các chuỗi trước sự cố “có rủi ro” trong nghiên cứu “Chúng ta có thể dự báo bạo lực không? Học đa phương thức từ các dấu hiệu hành vi trước sự cố”, thể hiện qua bốn khung hình liên tiếp. Hệ thống theo dõi các khớp và chuyển động cơ thể theo thời gian, tìm thay đổi về tư thế, tốc độ và mẫu tương tác có thể giúp phân biệt những tình huống đang leo thang trước khi bản thân bạo lực trở nên nhìn thấy được. Nguồn

Dĩ nhiên, công trình như vậy có khả năng gây lo ngại nếu được phát triển hoặc triển khai. Như tôi đã lưu ý trước đây, những tác phẩm hư cấu như loạt phim truyền hình Person of Interest và phim hành động khoa học viễn tưởng năm 2002 Minority Report, cùng nhiều tác phẩm tương tự, đã phản ánh nỗi sợ của công chúng về công nghệ dự đoán trong tay cảnh sát hoặc cơ quan quản lý.

Hiện tại, việc dự đoán hành động bạo lực từ dấu hiệu cơ thể, khuôn mặt và âm thanh (thay vì các yếu tố như bối cảnh, thời điểm trong ngày, địa điểm hoặc số liệu tội phạm trước đây) vẫn là vấn đề chưa ngã ngũ, vì theo các tác giả bài báo mới, đây là một hướng nghiên cứu rất mới.

Trong các thử nghiệm, nhóm so sánh riêng rẽ và kết hợp các dấu hiệu về diện mạo khuôn mặt, âm thanh và chuyển động cơ thể bằng ba mạng xương sống thị giác khác nhau. Kết quả tốt nhất xuất hiện khi cả ba tín hiệu được kết hợp, cho thấy hiệu ứng dự đoán không do một loại dấu hiệu duy nhất tạo ra:

“Cấu hình tốt nhất, Deit-Tiny với âm thanh, diện mạo khuôn mặt và chuyển động, đạt độ chính xác 91.21%, độ chính xác cân bằng 88.96%, điểm F1 93.65% và ROC-AUC 96.38% trên tập kiểm tra được giữ riêng.

“Các kết quả này cho thấy những dấu hiệu bổ trợ về diện mạo, âm học và động học cung cấp bằng chứng hữu ích để nhận biết mức rủi ro gia tăng trước sự cố.”

Cách tiếp cận

Tập dữ liệu được tuyển chọn cho nghiên cứu lấy từ bộ XD-Violence, và xử lý đồng thời ba phương thức: diện mạo khuôn mặt, âm thanh và chuyển động ước tính từ tư thế:

Quy trình xử lý của nghiên cứu. Mỗi đoạn video được gắn nhãn theo mức rủi ro, rút gọn thành “không rủi ro” hoặc “có rủi ro”, rồi chia thành tập huấn luyện, xác thực và kiểm tra. Tối đa bốn giây video được phân tích qua ba nhánh: diện mạo khuôn mặt qua các khung, âm thanh chuyển thành phổ đồ, và chuyển động cơ thể suy ra từ các điểm mốc được theo dõi như tốc độ và gia tốc. Các đặc trưng khuôn mặt, âm thanh và chuyển động thu được được kết hợp thành một biểu diễn rồi đưa vào bộ phân loại cuối, gán cho đoạn video xác suất không rủi ro hoặc có rủi ro.

Quy trình xử lý của nghiên cứu. Mỗi đoạn video được gắn nhãn theo mức rủi ro, rút gọn thành “không rủi ro” hoặc “có rủi ro”, rồi chia thành tập huấn luyện, xác thực và kiểm tra. Tối đa bốn giây video được phân tích qua ba nhánh: diện mạo khuôn mặt qua các khung, âm thanh chuyển thành phổ đồ, và chuyển động cơ thể suy ra từ các điểm mốc được theo dõi như tốc độ và gia tốc. Các đặc trưng khuôn mặt, âm thanh và chuyển động thu được được kết hợp thành một biểu diễn rồi đưa vào bộ phân loại cuối, gán cho đoạn video xác suất không rủi ro hoặc có rủi ro.

Tập đã tuyển chọn chứa 443 đoạn video trước sự cố (chúng ta sẽ bàn về con số này ở cuối bài).

Bài báo cho biết video được chọn từ XD-Violence là những đối tượng phù hợp với kiểu phân tích tập trung vào con người mà dự án hướng đến. Ngược lại, nhiều cách tiếp cận tương tự trước đây tập trung vào toàn bộ khung cảnh làm bối cảnh dự đoán.

Các đoạn video không dài quá bốn giây, được lấy mẫu ở 8fps. Một Transformer một lớp với tám đầu chú ý được dùng để tổng hợp 32 khung mẫu thu được, còn các biểu diễn nhúng vị trí được học giúp giữ thứ tự khung hình. Mạng xương sống được đóng băng trong huấn luyện đa phương thức để tránh quá khớp.

Các ví dụ bản đồ kích hoạt (bao gồm hình khuôn mặt) cho trường hợp “có rủi ro” đã được trình bày ở phần trước; bên dưới là các mẫu không rủi ro:

Các ví dụ không rủi ro từ nhánh phân tích khuôn mặt của nghiên cứu, bổ sung cho ví dụ chuyển động có rủi ro đã trình bày trước đó. Phần cắt khuôn mặt gốc nằm bên trái, sau đó là bản đồ kích hoạt từ các lớp sâu dần của mô hình thị giác DeiT-Tiny. Vùng màu ấm hơn biểu thị phản ứng đặc trưng mạnh hơn, cho thấy sự chú ý của mô hình dịch chuyển và trở nên trừu tượng hơn như thế nào khi hình ảnh đi qua mạng.

Các ví dụ không rủi ro từ nhánh phân tích khuôn mặt của nghiên cứu, bổ sung cho ví dụ chuyển động có rủi ro đã trình bày trước đó. Phần cắt khuôn mặt gốc nằm bên trái, sau đó là bản đồ kích hoạt từ các lớp sâu dần của mô hình thị giác DeiT-Tiny. Vùng màu ấm hơn biểu thị phản ứng đặc trưng mạnh hơn, cho thấy sự chú ý của mô hình dịch chuyển và trở nên trừu tượng hơn như thế nào khi hình ảnh đi qua mạng.

Các thành phần âm thanh từ đoạn video nguồn được lấy mẫu lại ở 16kHz, chuẩn hóa và căn chỉnh với cửa sổ hình ảnh tương ứng, trước khi chuyển thành phổ đồ biên độ logarit chuẩn hóa bằng biến đổi Fourier thời gian ngắn 512 điểm và cửa sổ Hann 400 mẫu:

So sánh các mẫu âm thanh trung bình của đoạn video bình thường và có rủi ro trước sự cố. Hàng trên là video bình thường, hàng dưới là video có rủi ro, lần lượt từ dạng sóng và phổ đồ gốc đến đặc trưng học được ở ba độ sâu mạng liên tiếp. Video có rủi ro biến thiên theo thời gian nhiều hơn, bao gồm hoạt động âm thanh tăng vào cuối cửa sổ bốn giây, trong khi mạng dần chuyển các khác biệt này thành đặc trưng cấp cao hơn.

So sánh các mẫu âm thanh trung bình của đoạn video bình thường và có rủi ro trước sự cố. Hàng trên là video bình thường, hàng dưới là video có rủi ro, lần lượt từ dạng sóng và phổ đồ gốc đến đặc trưng học được ở ba độ sâu mạng liên tiếp. Video có rủi ro biến thiên theo thời gian nhiều hơn, bao gồm hoạt động âm thanh tăng vào cuối cửa sổ bốn giây, trong khi mạng dần chuyển các khác biệt này thành đặc trưng cấp cao hơn.

Với thành phần chuyển động, chuyển động cơ thể được rút thành tập mô tả số từ các điểm mốc COCO-17 do bộ ước tính tư thế YOLO phát hiện.

Mười hai chỉ số được tính, bao gồm tốc độ trung bình và tối đa, gia tốc và tốc độ biến thiên gia tốc, biến thiên tốc độ, tốc độ cổ tay và cổ chân, cùng năng lượng chuyển động tổng thể. Các giá trị được chuẩn hóa theo kích thước cơ thể để người to hơn không tự động bị ghi nhận là di chuyển nhiều hơn. Ngoài ra, số đo của nhiều người trong cùng đoạn video được kết hợp.

Sau khi chuẩn hóa theo dữ liệu huấn luyện, đặc trưng chuyển động được mở rộng thành biểu diễn 64 chiều rồi đi qua Transformer thời gian, cho phép xem thay đổi chuyển động trong cả đoạn video như một chuỗi thay vì các khung riêng lẻ.

Ba luồng sau đó được hợp nhất thành một biểu diễn, với diện mạo khuôn mặt chiếm phần lớn nhất, tiếp đến âm thanh và chuyển động. Sau chuẩn hóa và dropout, bộ phân loại cuối chuyển biểu diễn kết hợp thành xác suất “bình thường” và “có rủi ro”, lấy 0.5 làm ngưỡng.

Luồng diện mạo khuôn mặt dùng ba mạng xương sống được huấn luyện trước trên ImageNet: Swin-Tiny, ViT-Tiny và DeiT-Tiny.

Thử nghiệm

Để kiểm tra, mỗi đoạn video được gán thủ công một trong bốn nhãn: Không rủi ro, Rủi ro thấp, Rủi ro trung bình hoặc Rủi ro cao, dựa trên hành vi nhìn thấy được, chuyển động và âm thanh. Với nhiệm vụ nhị phân cuối cùng, ba nhóm rủi ro được gộp thành “có rủi ro”, còn Không rủi ro thành “bình thường”. Để giảm rò rỉ giữa huấn luyện và đánh giá, các đoạn lấy từ cùng video nguồn được giữ trong cùng một phần dữ liệu.

Bản thân sự kiện bạo lực được loại khỏi mọi đoạn video có rủi ro, chỉ để lại hành vi trước đó cho mô hình đánh giá:

Kết quả tập kiểm tra cho thấy hiệu năng thay đổi thế nào khi dùng diện mạo khuôn mặt, âm thanh và chuyển động riêng rẽ hoặc kết hợp trên ba mạng xương sống thị giác; thiết lập loại bỏ thành phần tách riêng đóng góp của từng luồng đầu vào. Điểm cao hơn nghĩa là hiệu năng tốt hơn, còn số in đậm đánh dấu kết quả tốt nhất ở mỗi chỉ số.

Kết quả tập kiểm tra cho thấy hiệu năng thay đổi thế nào khi dùng diện mạo khuôn mặt, âm thanh và chuyển động riêng rẽ hoặc kết hợp trên ba mạng xương sống thị giác; thiết lập loại bỏ thành phần tách riêng đóng góp của từng luồng đầu vào. Điểm cao hơn nghĩa là hiệu năng tốt hơn, còn số in đậm đánh dấu kết quả tốt nhất ở mỗi chỉ số.

Như đã nêu, kết quả tổng thể tốt nhất đến từ DeiT-Tiny kết hợp cả ba phương thức. Các thử nghiệm loại bỏ thành phần làm rõ đóng góp của từng luồng: riêng diện mạo khuôn mặt đã là yếu tố dự đoán mạnh, chuyển động đạt mức vừa phải, còn âm thanh riêng lẻ yếu hơn đáng kể.

Kết quả tốt nhất đạt được khi kết hợp thông tin khuôn mặt, âm thanh và chuyển động, cho thấy các luồng yếu hơn vẫn bổ sung thông tin hữu ích cho tín hiệu hình ảnh.

Dù mô hình chỉ được huấn luyện để phân biệt “bình thường” với “có rủi ro”, đầu ra còn được so với bốn mức nhãn ban đầu: Không rủi ro, Rủi ro thấp, Rủi ro trung bình và Rủi ro cao. Như hình dưới cho thấy, rủi ro dự đoán nhìn chung tăng theo các nhóm đó trong tập huấn luyện, xác thực và kiểm tra:

Điểm rủi ro dự đoán ở bốn nhóm rủi ro ban đầu. Dù mô hình chỉ học tách video bình thường khỏi video có rủi ro, điểm nhìn chung tăng từ Không rủi ro đến Rủi ro cao trong các tập huấn luyện, xác thực và kiểm tra. Đường đứt nét đánh dấu ngưỡng quyết định 0.50.

Điểm rủi ro dự đoán ở bốn nhóm rủi ro ban đầu. Dù mô hình chỉ học tách video bình thường khỏi video có rủi ro, điểm nhìn chung tăng từ Không rủi ro đến Rủi ro cao trong các tập huấn luyện, xác thực và kiểm tra. Đường đứt nét đánh dấu ngưỡng quyết định 0.50.

Các tác giả nhận xét:

“Kết quả này quan trọng vì mô hình chưa bao giờ được huấn luyện rõ ràng để tách Rủi ro thấp, trung bình và cao. Dẫu vậy, dự đoán vẫn theo sự tăng tiến của các mức rủi ro ban đầu.

“Điều này cho thấy mô hình đang nắm bắt thay đổi có ý nghĩa trong hành vi trước sự cố, thay vì chỉ học ranh giới đơn giản giữa Bình thường và Có rủi ro. Kết quả cũng cung cấp bằng chứng rằng dấu hiệu hành vi hữu ích có thể xuất hiện trước khi sự cố được chú giải bắt đầu.”

Và họ kết luận:

“Các phát hiện này cho thấy thông tin phân biệt hữu ích có thể tồn tại trong giai đoạn trước sự cố, làm nổi bật tiềm năng đưa phân tích bạo lực vượt ra ngoài việc phát hiện lúc sự kiện đang xảy ra để nhận biết rủi ro sớm hơn.”

Kết luận

Các nhà nghiên cứu có thực sự tìm thấy tổ hợp đặc tính “tiền bạo lực” không? Với chỉ 443 đoạn video trong thí nghiệm, quá khớp là rủi ro đáng kể, đặc biệt đối với mô hình đa phương thức và mạng xương sống thị giác được huấn luyện trước. Nghiên cứu giảm một phần rủi ro bằng cách đóng băng mạng xương sống thị giác, tách các video nguồn giữa tập huấn luyện/xác thực/kiểm tra, và thử nhiều tổ hợp phương thức.

Hiệu năng mạnh trên tập dữ liệu nhỏ không chứng minh mẫu hình tiềm ẩn là rõ ràng hay thậm chí tồn tại, vì nó có thể phản ánh dấu hiệu riêng của tập dữ liệu, thiên lệch chú giải, rò rỉ nguồn không được cách chia dữ liệu loại trừ, hoặc tập kiểm tra dễ một cách bất thường.

Nhưng hiện tại, kết quả thú vị chính vì tập dữ liệu nhỏ như vậy và có vẻ đã có biện pháp đủ tốt để chống quá khớp. Tuy nhiên, cần lặp lại kết quả trên tập dữ liệu lớn hơn trước khi có thể coi mẫu hình đã học là “vững chắc”.

 

Xuất bản lần đầu vào Thứ Năm, ngày 1 tháng 10 năm 2026

Người viết về học máy, chuyên gia lĩnh vực tổng hợp hình ảnh con người. Cựu trưởng bộ phận nội dung nghiên cứu tại Metaphysic.ai, cho đến khi nó sáp nhập vào Brahma.ai của DNEG.
Trang web: martinanderson.ai
Liên hệ: martin@martinanderson.ai