Tại Sao Ngành Công Nghiệp 5.0 Cần Trí Tuệ Nhân Tạo Tổng Quát

By: Bas Steunebrink, Đồng sáng lập và Giám đốc Trí tuệ Nhân tạo Tổng quát, Eric Nivel, Kỹ sư trưởng AGI & Jerry Swan, Nhà khoa học nghiên cứu tại NNAISENSE.

Chúng ta thường coi tự động hóa là điều đương nhiên trong thế giới hiện đại, hưởng lợi mỗi ngày từ các chuỗi cung ứng trải rộng trên toàn cầu, mang lại một loạt các sản phẩm đến kệ hàng của chúng ta. Nhưng sau những gì diễn ra, việc sản xuất và di chuyển hàng hóa tạo ra nhiều thách thức về tối ưu hóa, chẳng hạn như đóng gói, lập lịch, định tuyến và tự động hóa dây chuyền sản xuất. Những thách thức về tối ưu hóa này là động và luôn thay đổi cùng với thế giới thực. Ví dụ, các tuyến đường cung ứng dự kiến có thể bị gián đoạn đột ngột do các tình huống không lường trước – ví dụ, kênh đào Suez có thể bị chặn; các tuyến đường hàng không có thể thay đổi do phun trào núi lửa; toàn bộ quốc gia có thể không thể tiếp cận được do xung đột. Thay đổi trong luật pháp, sụp đổ tiền tệ và tài nguyên khan hiếm cũng là những ví dụ về các biến số phía cung luôn thay đổi.

Để đưa ra một ví dụ khác, đôi khi một thành phần mới phải được tích hợp vào một máy hoặc quy trình làm việc (người dùng có thể muốn các vật liệu hoặc màu sắc khác nhau, chẳng hạn). Hiện tại, lao động chuyên gia của con người là cần thiết để thực hiện các thay đổi đối với hệ thống, hoặc – trong trường hợp của học máy – để đào tạo lại và triển khai lại giải pháp. Theo cách tương tự, “sao chép số” của Ngành công nghiệp 4.0 vẫn phụ thuộc nặng nề vào ý niệm rằng mô tả vấn đề và phân phối đầu vào có thể được chỉ định một lần và cho tất cả tại thời điểm thiết kế hệ thống ban đầu.

Đại dịch gần đây làm nổi bật sự mong manh của việc lập kế hoạch chuỗi cung ứng “vừa đúng lúc”. Nó trở nên rõ ràng hơn rằng, trong một thế giới ngày càng phức tạp và không chắc chắn, ngành công nghiệp không thể tiếp tục chấp nhận sự không linh hoạt như vậy. Hiện tại, sản xuất phải chọn giữa “Thấp-Mix Cao-Volume” (LMHV) và “Cao-Mix Thấp-Volume” (HMLV). Ngành công nghiệp 5.0 dự kiến khả năng của “Cao-Mix Cao-Volume” (HMHV), trong đó quy trình làm việc có thể được cấu hình lại với chi phí thấp để đáp ứng nhu cầu thay đổi. Để đạt được điều này, cần phải “tự động hóa tự động hóa”, để loại bỏ nhu cầu can thiệp của con người và / hoặc thời gian ngừng hệ thống khi vấn đề hoặc môi trường thay đổi. Điều này đòi hỏi các hệ thống “làm việc theo lệnh”, phản ứng với những thay đổi như vậy, trong khi vẫn có khả năng hoàn thành nhiệm vụ được giao trong các ràng buộc thời gian thực của thế giới thực. Hãy xem xét, ví dụ, hướng dẫn cho một robot dây chuyền sản xuất hiện đang thực hiện nhiệm vụ X như sau:

“Dừng lắp ráp X ngay lập tức: đây là thông số kỹ thuật của Y, và đây là hầu hết các bộ phận cũ và một số bộ phận mới. Bây giờ hãy bắt đầu lắp ráp Y, tránh những loại khuyết tật và lãng phí như vậy.”

Mặc dù có nhiều cuộc thảo luận gần đây về sự xuất hiện sắp tới của “Trí tuệ Nhân tạo Tổng quát” (AGI) thông qua các mô hình ngôn ngữ lớn như GPT-3, nhưng không có phương pháp nào được đề xuất thực sự có khả năng “làm việc theo lệnh”. Đó là, chúng không thể được giao nhiệm vụ hoàn toàn ngoài tập dữ liệu đào tạo mà không cần thời gian ngừng hoạt động để đào tạo lại, xác minh và triển khai lại.

Đúng là rõ ràng rằng bất kỳ khái niệm nào về trí tuệ trong thế giới thực đều gắn liền với khả năng phản ứng với thay đổi. Một hệ thống vẫn không thay đổi – bất kể số lượng sự kiện không lường trước mà nó được tiếp xúc – không phải là tự chủ hay thông minh. Điều này không làm giảm đi những điểm mạnh không thể phủ nhận của các phương pháp học sâu (DL), đã đạt được thành công lớn như một phương tiện tổng hợp chương trình cho các vấn đề khó xác định rõ ràng.

Vậy loại chức năng hệ thống nào có thể cho phép AI vượt qua mô hình đào tạo, đóng băng và triển khai, hướng tới một mô hình có khả năng học tập thích ứng không gián đoạn? Hãy xem xét nhu cầu thay thế một thành phần bị lỗi trong một quy trình sản xuất bằng một thành phần từ một nhà cung cấp khác, có thể có dung sai khác nhau. Với mô hình hóa hộp đen từ đầu đến cuối của AI hiện đại, quá trình sao chép số phải được thực hiện lại. Để giải quyết các hạn chế của các phương pháp hiện đại, một sự thay đổi cơ bản là cần thiết: một mô hình có thể suy luận trực tiếp về hậu quả của việc thay đổi thành phần – và thực sự là các kịch bản “giả sử” tổng quát hơn. Việc phân chia một quy trình làm việc thành các thành phần có thuộc tính đã biết và tái kết hợp chúng khi cần thiết đòi hỏi phải có tính “tổng hợp”.

Tính tổng hợp đã eluded các phương pháp AI hiện đại, nơi nó thường bị nhầm lẫn với khái niệm yếu hơn là tính mô-đun. Tính mô-đun liên quan đến khả năng “dán” các thành phần lại với nhau, nhưng điều này không nắm bắt được bản chất của tính tổng hợp, đó là khả năng suy luận về hành vi của quy trình làm việc kết quả để xác định và đảm bảo việc bảo tồn một số thuộc tính mong muốn. Khả năng này rất quan trọng vì lý do xác minh và an toàn: ví dụ, khả năng của hệ thống để suy luận rằng “sử dụng động cơ từ một nhà sản xuất thay thế sẽ tăng công suất tổng thể của nhà máy trong khi tất cả các thành phần khác vẫn nằm trong biên độ nhiệt.”

Mặc dù các phương pháp mạng nơ-ron hiện đại vượt trội trong việc học các quy tắc từ dữ liệu, nhưng chúng thiếu suy luận tổng hợp. Thay vì hy vọng rằng suy luận tổng hợp sẽ xuất hiện từ trong kiến trúc mạng nơ-ron, có thể sử dụng trực tiếp các cấu trúc của lý thuyết phạm trù, nghiên cứu toán học về tính tổng hợp. Cụ thể, lĩnh vực nghiên cứu phụ của nó là mạng điều khiển học phạm trù, liên quan đến các bộ điều khiển hai chiều như các yếu tố đại diện cơ bản. Tính hai chiều là khả năng thực hiện cả suy luận thuận và nghịch: dự đoán từ nguyên nhân đến kết quả và ngược lại. Suy luận nghịch tổng hợp đặc biệt quan trọng vì nó cho phép tích hợp phản hồi từ môi trường ở bất kỳ quy mô nào của biểu diễn cấu trúc – điều này giúp học tập nhanh từ một số ví dụ nhỏ.

Cho một hành vi hệ thống mong muốn, nhiệm vụ học tập là xây dựng một cấu trúc điều khiển tổng hợp đáp ứng nó. Các cấu trúc ban đầu được học tập đóng vai trò như một khung xương cho việc học tập tiếp theo.

Khi kiến thức của hệ thống tăng lên, khung xương này có thể được trang trí với các thuộc tính tổng hợp được học tập, tương tự như cách một phân tử H2O có thể được xác định có các thuộc tính khác với các nguyên tử cấu thành. Ngoài ra, giống như “ném một quả bóng” và “đánh một quả bóng tennis” có thể được coi là các hành động cơ bắp liên quan của con người, các nhiệm vụ liên quan có thể chia sẻ một cấu trúc điều khiển cơ bản được trang trí theo cách cụ thể cho từng nhiệm vụ thông qua phản hồi từ môi trường. Việc tách biệt cấu trúc nguyên nhân khỏi các chi tiết cụ thể của nhiệm vụ có thể giúp học tập các nhiệm vụ mới mà không bị quên lãng thảm khốc như các phương pháp hiện đại. Do đó, một phương pháp kết hợp số-hình tượng như được mô tả ở trên có thể kết hợp các điểm mạnh của cả hai phương pháp nơ-ron và hình tượng, bằng cách có cả một khái niệm rõ ràng về cấu trúc và khả năng học tập thích ứng cách các thuộc tính được tổng hợp. Việc suy luận về các thuộc tính tổng hợp được dựa trên cơ sở liên tục bởi công việc mà hệ thống hiện đang được lệnh thực hiện.

Tóm lại, rõ ràng là một phương pháp mới là cần thiết để tạo ra các hệ thống tự chủ thực sự: các hệ thống có khả năng thích应 với sự thay đổi đáng kể và / hoặc hoạt động trong môi trường không xác định. Điều này đòi hỏi phải học tập thích ứng không gián đoạn và khái quát hóa từ những gì đã biết. Mặc dù có tên gọi, các phương pháp học sâu chỉ có một biểu diễn nông của thế giới mà không thể được điều khiển ở mức cao bởi quá trình học tập. Ngược lại, chúng tôi đề xuất rằng các hệ thống AGI trong thế hệ tiếp theo sẽ kết hợp học sâu trong một kiến trúc rộng hơn, được trang bị khả năng suy luận trực tiếp về những gì nó biết.

Khả năng của một hệ thống để suy luận biểu tượng về biểu diễn của chính nó mang lại nhiều lợi ích đáng kể cho ngành công nghiệp: với một biểu diễn tổng hợp rõ ràng, hệ thống có thể được kiểm toán – cả bởi con người và nội bộ bởi hệ thống tự nó – để đáp ứng các yêu cầu quan trọng về an toàn và công bằng. Mặc dù đã có nhiều lo ngại về rủi ro “x” của AGI, nhưng sự tập trung phù hợp hơn là vấn đề kỹ thuật cụ thể về việc tái định cấu hình một hệ thống điều khiển trong khi vẫn giữ các yêu cầu quan trọng này, một quá trình mà chúng tôi gọi là “sự liên kết tương tác”. Chỉ thông qua việc áp dụng loại hệ thống điều khiển này, những hệ thống học tập liên tục đáng tin cậy và hiệu quả, chúng ta mới có thể hiện thực hóa thế hệ tự chủ tiếp theo mà Ngành công nghiệp 5.0 đã hình dung.