Tái đánh giá Đổi mới Trí tuệ Nhân tạo: Liệu Trí tuệ Nhân tạo có đang Phát triển hay Chỉ lặp lại Các ý tưởng Cũ?

Trí tuệ Nhân tạo (AI) thường được coi là công nghệ quan trọng nhất của thời đại chúng ta. Nó đang biến đổi các ngành công nghiệp, giải quyết các vấn đề toàn cầu và thay đổi cách con người làm việc. Tiềm năng là vô cùng lớn. Nhưng một câu hỏi quan trọng vẫn còn đó: liệu AI có thực sự tạo ra các ý tưởng mới, hay chỉ tái sử dụng các ý tưởng cũ với máy tính nhanh hơn và nhiều dữ liệu hơn?

Hệ thống Trí tuệ Nhân tạo Tạo sinh như GPT-4, dường như tạo ra nội dung gốc. Nhưng thường, chúng chỉ sắp xếp lại thông tin hiện có theo cách mới. Câu hỏi này không chỉ liên quan đến công nghệ. Nó cũng ảnh hưởng đến việc các nhà đầu tư chi tiền, cách các công ty sử dụng AI và cách các xã hội xử lý các thay đổi trong công việc, quyền riêng tư và đạo đức. Để hiểu tiến bộ thực sự của AI, chúng ta cần xem xét lịch sử của nó, nghiên cứu các mẫu phát triển và xem liệu nó có đang tạo ra các đột phá thực sự hay không.

Nhìn lại: Bài học từ Quá khứ của AI

AI đã phát triển trong hơn bảy thập kỷ, theo một mẫu lặp đi lặp lại trong đó các giai đoạn đổi mới thực sự thường xen kẽ với sự phục hồi của các khái niệm trước đó.

Vào những năm 1950, Trí tuệ Nhân tạo Biểu tượng xuất hiện như một nỗ lực tham vọng để sao chép lý luận của con người thông qua lập trình dựa trên quy tắc rõ ràng. Mặc dù cách tiếp cận này đã tạo ra sự hứng thú đáng kể, nhưng nó sớm tiết lộ các hạn chế của nó. Các hệ thống này gặp khó khăn trong việc giải thích sự mơ hồ, thiếu khả năng thích nghi và thất bại khi đối mặt với các vấn đề thực tế khác với cấu trúc được định nghĩa rõ ràng của chúng.

Những năm 1980 chứng kiến sự xuất hiện của các hệ thống chuyên gia, nhằm mục đích sao chép việc ra quyết định của con người bằng cách mã hóa kiến thức lĩnh vực vào các tập hợp quy tắc có cấu trúc. Các hệ thống này ban đầu được coi là một đột phá. Tuy nhiên, chúng gặp khó khăn khi đối mặt với các tình huống phức tạp và khó dự đoán, tiết lộ các hạn chế của việc chỉ dựa vào logic được định nghĩa trước để có được trí tuệ.

Vào những năm 2010, Học sâu trở thành trọng tâm của nghiên cứu và ứng dụng AI. Mạng nơ-ron đã được giới thiệu từ những năm 1960. Tuy nhiên, tiềm năng thực sự của chúng chỉ được thực hiện khi các tiến bộ trong phần cứng máy tính, sự sẵn có của các tập dữ liệu lớn và các thuật toán được cải tiến cùng nhau để vượt qua các hạn chế trước đó.

Lịch sử này cho thấy một mẫu lặp lại trong AI: các khái niệm trước đó thường trở lại và trở nên nổi bật khi các điều kiện công nghệ cần thiết được đáp ứng. Nó cũng đặt ra câu hỏi về việc liệu các tiến bộ AI ngày nay có phải là các phát triển hoàn toàn mới hay chỉ là các phiên bản cải tiến của các ý tưởng đã tồn tại từ lâu, được làm cho có thể bởi sức mạnh tính toán hiện đại.

Làm thế nào Nhận thức Khung Câu chuyện của Tiến bộ AI

AI hiện đại thu hút sự chú ý vì các khả năng ấn tượng của nó. Những khả năng này bao gồm các hệ thống có thể tạo ra hình ảnh thực tế, phản hồi các lệnh bằng giọng nói với sự lưu loát tự nhiên và tạo ra văn bản đọc như được viết bởi một người. Các ứng dụng như vậy ảnh hưởng đến cách con người làm việc, giao tiếp và sáng tạo. Đối với nhiều người, chúng dường như đại diện cho một bước đột phá vào một kỷ nguyên công nghệ mới.

Tuy nhiên, cảm giác về sự mới mẻ này có thể gây hiểu lầm. Những gì có vẻ như một cuộc cách mạng thường là kết quả trực tiếp của nhiều năm tiến bộ dần dần mà vẫn nằm ngoài sự nhận thức của công chúng. Lý do AI cảm thấy mới là ít liên quan đến việc phát minh ra các phương pháp hoàn toàn không xác định và nhiều hơn liên quan đến sự kết hợp gần đây của sức mạnh tính toán, quyền truy cập vào dữ liệu và kỹ thuật thực tế đã cho phép các hệ thống này hoạt động ở quy mô lớn. Sự phân biệt này là thiết yếu. Nếu sự đổi mới chỉ được đánh giá bởi những gì cảm thấy khác biệt đối với người dùng, có nguy cơ bỏ qua sự liên tục trong cách lĩnh vực phát triển.

Khoảng cách trong nhận thức này ảnh hưởng đến các cuộc thảo luận công khai. Các nhà lãnh đạo trong ngành thường mô tả AI như một loạt các đột phá chuyển đổi. Các nhà phê bình lập luận rằng nhiều tiến bộ đến từ việc tinh chỉnh các kỹ thuật hiện có chứ không phải phát triển các kỹ thuật hoàn toàn mới. Cả hai quan điểm đều có thể đúng. Tuy nhiên, nếu không có sự hiểu biết rõ ràng về những gì cấu thành sự đổi mới, các cuộc tranh luận về tương lai của lĩnh vực này có thể bị ảnh hưởng nhiều hơn bởi các tuyên bố quảng cáo hơn là các sự kiện kỹ thuật.

Thách thức chính là phân biệt cảm giác về sự mới mẻ với thực tế của sự đổi mới. AI có thể cảm thấy mới vì kết quả của nó hiện đạt đến người dùng nhanh chóng và được nhúng trong các công cụ hàng ngày. Tuy nhiên, điều này không nên được lấy làm bằng chứng cho thấy lĩnh vực này đã bước vào một giai đoạn tư duy hoàn toàn mới. Việc đặt câu hỏi về giả định này cho phép đánh giá chính xác hơn về nơi lĩnh vực đang tạo ra các bước tiến thực sự và nơi tiến bộ có thể chỉ là vấn đề về hình thức.

Đổi mới Thật sự và ảo tưởng về Tiến bộ

Nhiều tiến bộ được coi là đột phá trong AI, khi được kiểm tra kỹ lưỡng, thường là tinh chỉnh của các phương pháp hiện có chứ không phải là biến đổi nền tảng. Ngành công nghiệp thường đồng nhất các mô hình lớn hơn, tập dữ liệu mở rộng và khả năng tính toán lớn hơn với đổi mới. Mở rộng này thực sự tạo ra các lợi ích về hiệu suất có thể đo lường, nhưng nó không thay đổi kiến trúc cơ bản hoặc cơ sở khái niệm của các hệ thống.

Một ví dụ rõ ràng là sự tiến hóa từ các mô hình ngôn ngữ trước đó đến GPT-4. Mặc dù quy mô và khả năng của nó đã tăng đáng kể, cơ chế cốt lõi của nó vẫn là dự đoán thống kê của các chuỗi văn bản. Những phát triển như vậy đại diện cho việc tối ưu hóa trong các ranh giới đã thiết lập, không phải là tạo ra các hệ thống có lý do hoặc hiểu biết giống như con người.

Ngay cả các kỹ thuật được coi là chuyển đổi, chẳng hạn như học tăng cường với phản hồi của con người, xuất phát từ công việc lý thuyết đã có từ nhiều thập kỷ trước. Sự mới mẻ của chúng nằm nhiều hơn trong bối cảnh thực hiện hơn là trong nguồn gốc khái niệm. Điều này đặt ra một câu hỏi khó chịu: liệu lĩnh vực này có đang chứng kiến các chuyển đổi mô hình thực sự, hay đó chỉ là các câu chuyện tiếp thị biến các thành tựu kỹ thuật tăng dần thành hình ảnh của một cuộc cách mạng?

Nếu không có sự phân biệt rõ ràng giữa đổi mới thực sự và cải tiến lặp lại, sự thảo luận có nguy cơ nhầm lẫn số lượng với tầm nhìn và tốc độ với hướng.

Ví dụ về Tái chế trong AI

Nhiều phát triển AI là tái áp dụng các khái niệm cũ trong các ngữ cảnh mới. Một số ví dụ như sau:

Mạng nơ-ron

Đầu tiên được khám phá vào giữa thế kỷ 20, chúng chỉ trở nên thực tế sau khi tài nguyên tính toán theo kịp.

Thị giác Máy tính

Các hệ thống nhận dạng mẫu ban đầu đã truyền cảm hứng cho các mạng nơ-ron tích chập ngày nay.

Trợ lý ảo

Các hệ thống dựa trên quy tắc từ những năm 1960, như ELIZA, đã đặt nền tảng cho AI trò chuyện hiện đại, mặc dù quy mô và tính thực tế đã được cải thiện đáng kể.

Kỹ thuật Tối ưu hóa

Hạ gradient, một phương pháp đào tạo tiêu chuẩn, đã là một phần của toán học trong hơn một thế kỷ.

Những ví dụ này cho thấy rằng tiến bộ AI đáng kể thường bắt nguồn từ việc tái kết hợp, mở rộng quy mô và tối ưu hóa các kỹ thuật đã thiết lập, chứ không phải từ việc khám phá các nền tảng hoàn toàn mới.

Vai trò của Dữ liệu, Tính toán và Thuật toán

AI hiện đại phụ thuộc vào ba yếu tố liên kết, đó là dữ liệu, sức mạnh tính toán và thiết kế thuật toán. Sự mở rộng của Internet và các hệ sinh thái kỹ thuật số đã tạo ra một lượng lớn dữ liệu có cấu trúc và không có cấu trúc, cho phép các mô hình học hỏi từ hàng tỷ ví dụ trong thế giới thực. Các tiến bộ trong phần cứng, đặc biệt là GPU và TPU, đã cung cấp khả năng đào tạo các mô hình ngày càng lớn với hàng tỷ tham số. Cải tiến trong các thuật toán, bao gồm các hàm kích hoạt tinh chỉnh, các phương pháp tối ưu hóa hiệu quả hơn và các kiến trúc tốt hơn, đã cho phép các nhà nghiên cứu khai thác hiệu suất lớn hơn từ các khái niệm cơ bản.

Mặc dù những phát triển này đã dẫn đến tiến bộ đáng kể, nhưng chúng cũng giới thiệu các thách thức. Đường cong hiện tại thường phụ thuộc vào sự tăng trưởng theo cấp số nhân của dữ liệu và tài nguyên tính toán, điều này làm dấy lên lo ngại về chi phí, khả năng tiếp cận và tính bền vững môi trường. Nếu các đổi mới trong tương lai đòi hỏi sự tăng trưởng lớn hơn về dữ liệu và khả năng tính toán, tốc độ đổi mới có thể chậm lại khi những tài nguyên này trở nên khan hiếm hoặc quá tốn kém.

Độ ồn Thị trường so với Khả năng Thực tế

AI thường được quảng cáo là có khả năng hơn nhiều so với thực tế. Các tiêu đề có thể phóng đại tiến bộ, và các công ty đôi khi đưa ra những tuyên bố táo bạo để thu hút vốn và sự chú ý của công chúng. Ví dụ, AI được mô tả là hiểu ngôn ngữ, nhưng trên thực tế, các mô hình hiện tại không thực sự hiểu ý nghĩa. Chúng hoạt động bằng cách dự đoán từ tiếp theo dựa trên mẫu trong lượng lớn dữ liệu. Tương tự, các công cụ tạo hình ảnh có thể tạo ra hình ảnh ấn tượng và thực tế, nhưng chúng không thực sự “biết” những gì các đối tượng trong những hình ảnh đó là.

Khoảng cách này giữa nhận thức và thực tế tạo ra cả sự phấn khích và thất vọng. Nó có thể dẫn đến kỳ vọng bị thổi phồng, điều này sau đó tăng nguy cơ của một mùa đông AI, một giai đoạn khi tài trợ và sự quan tâm giảm vì công nghệ không đáp ứng được những lời hứa về nó.

Nơi Đổi mới AI Thật sự Có thể Đến

Nếu AI muốn tiến bộ vượt qua việc tái chế, một số lĩnh vực có thể dẫn đầu:

Tính toán Neuromorphic

Phần cứng được thiết kế để hoạt động giống như não người, có khả năng cho phép AI tiết kiệm năng lượng và thích nghi.

Mô hình Kết hợp

Hệ thống kết hợp lý luận biểu tượng với mạng nơ-ron, mang lại cho mô hình khả năng nhận dạng mẫu và lý luận logic.

AI cho Khám phá Khoa học

Công cụ giúp các nhà nghiên cứu tạo ra các lý thuyết hoặc vật liệu mới, chứ không chỉ phân tích dữ liệu hiện có.

Nghiên cứu Trí tuệ Nhân tạo Tổng quát

Nỗ lực để chuyển từ AI hẹp, chuyên dụng sang trí tuệ linh hoạt hơn có thể thích nghi với các thách thức không quen thuộc.

Những hướng này đòi hỏi sự hợp tác giữa các lĩnh vực như khoa học thần kinh, robot và tính toán lượng tử.

Cân bằng Tiến bộ với Hiện thực

Mặc dù AI đã đạt được kết quả đáng chú ý trong các lĩnh vực cụ thể, nhưng điều quan trọng là phải tiếp cận những phát triển này với kỳ vọng được đo lường. Các hệ thống hiện tại vượt trội trong các nhiệm vụ được xác định rõ ràng nhưng thường gặp khó khăn khi đối mặt với tình huống không quen thuộc hoặc phức tạp đòi hỏi sự thích nghi và lý luận. Sự khác biệt giữa hiệu suất chuyên dụng và trí tuệ giống như con người vẫn còn đáng kể.

Giữ một quan điểm cân bằng đảm bảo rằng sự phấn khích về những thành công ngay lập tức không che khuất nhu cầu nghiên cứu sâu hơn. Các nỗ lực nên mở rộng ra ngoài việc tinh chỉnh các công cụ hiện có để bao gồm việc khám phá các phương pháp mới hỗ trợ sự thích nghi, lý luận độc lập và học hỏi trong nhiều ngữ cảnh. Sự cân bằng như vậy giữa việc chào mừng thành tựu và đối mặt với hạn chế có thể hướng dẫn AI tiến tới những bước tiến bền vững và biến đổi.

Kết luận

AI đã đạt đến một giai đoạn mà tiến bộ của nó là rõ ràng, nhưng hướng đi tương lai của nó đòi hỏi phải xem xét cẩn thận. Lĩnh vực này đã đạt được sự phát triển quy mô lớn, hiệu suất cải thiện và tạo ra các ứng dụng được sử dụng rộng rãi. Tuy nhiên, những thành tựu này không đảm bảo sự xuất hiện của các khả năng hoàn toàn mới. Việc coi tiến bộ dần dần là thay đổi đáng kể có thể dẫn đến sự tập trung vào ngắn hạn thay vì tăng trưởng dài hạn. Tiến bước đòi hỏi phải đánh giá cao các công cụ hiện tại đồng thời hỗ trợ nghiên cứu vượt qua các giới hạn hiện tại.

Thực sự tiến bộ có thể phụ thuộc vào việc suy nghĩ lại thiết kế hệ thống, kết hợp kiến thức từ các lĩnh vực khác nhau và cải thiện khả năng thích nghi và lý luận. Bằng cách tránh những kỳ vọng phóng đại và duy trì quan điểm cân bằng, AI có thể tiến bộ theo cách không chỉ rộng lớn mà còn có ý nghĩa, tạo ra đổi mới lâu dài và thực sự.