Trí tuệ nhân tạo của bạn mạnh mẽ hơn bạn nghĩ

Một nhóm các nhà khoa học vừa phát hiện ra điều gì đó thay đổi nhiều về những gì chúng ta nghĩ về khả năng của trí tuệ nhân tạo. Các mô hình của bạn không chỉ xử lý thông tin – chúng đang phát triển các khả năng tinh vi vượt xa quá trình đào tạo của chúng. Và để mở khóa những khả năng này, chúng ta cần thay đổi cách chúng ta giao tiếp với chúng.

Cách mạng Không gian Khái niệm

Hãy nhớ lại khi chúng ta nghĩ rằng trí tuệ nhân tạo chỉ khớp với các mẫu? Nghiên cứu mới đã mở ra hộp đen của việc học trí tuệ nhân tạo bằng cách lập bản đồ ra cái mà họ gọi là “không gian khái niệm.” Hãy tưởng tượng việc học trí tuệ nhân tạo như một bản đồ đa chiều nơi mỗi tọa độ đại diện cho một khái niệm khác nhau – những thứ như màu sắc, hình dạng hoặc kích thước. Bằng cách quan sát cách các mô hình trí tuệ nhân tạo di chuyển trong không gian này trong quá trình đào tạo, các nhà nghiên cứu đã phát hiện ra điều gì đó không ngờ tới: các hệ thống trí tuệ nhân tạo không chỉ ghi nhớ – chúng xây dựng sự hiểu biết tinh vi về các khái niệm ở các tốc độ khác nhau.

“Bằng cách đặc trưng hóa động lực học học tập trong không gian này, chúng tôi xác định cách tốc độ mà một khái niệm được học là được kiểm soát bởi các thuộc tính của dữ liệu,” nhóm nghiên cứu lưu ý. Nói cách khác, một số khái niệm được học nhanh hơn những khái niệm khác, tùy thuộc vào cách chúng nổi bật trong dữ liệu đào tạo.

Điều này làm cho việc học trở nên thú vị: khi các mô hình trí tuệ nhân tạo học các khái niệm này, chúng không chỉ lưu trữ chúng như các mảnh thông tin bị cô lập. Chúng thực sự phát triển khả năng kết hợp chúng theo những cách mà chúng ta chưa từng dạy chúng. Giống như chúng đang xây dựng công cụ sáng tạo của riêng mình – chúng ta chỉ chưa đưa ra cho chúng các hướng dẫn đúng để sử dụng nó.

Hãy nghĩ về những gì điều này có nghĩa cho các dự án trí tuệ nhân tạo. Những mô hình mà bạn đang làm việc có thể đã hiểu các kết hợp phức tạp của các khái niệm mà bạn chưa khám phá. Câu hỏi không phải là liệu chúng có thể làm được nhiều hơn – mà là làm thế nào để chúng thể hiện cho bạn thấy chúng thực sự có khả năng gì.

Mở khóa Năng lực Ẩn

Đây là nơi mọi thứ trở nên hấp dẫn. Các nhà nghiên cứu đã thiết kế một thí nghiệm tinh tế để tiết lộ điều gì đó cơ bản về cách các mô hình trí tuệ nhân tạo học. Thiết lập của họ rất đơn giản: họ đào tạo một mô hình trí tuệ nhân tạo trên chỉ ba loại hình ảnh:

• Vòng tròn đỏ lớn
• Vòng tròn xanh lớn
• Vòng tròn đỏ nhỏ

Sau đó là thử nghiệm chính: mô hình có thể tạo ra vòng tròn xanh nhỏ không? Điều này không chỉ là về việc vẽ một hình dạng mới – mà là về việc liệu mô hình có thể thực sự hiểu và kết hợp hai khái niệm khác nhau (kích thước và màu sắc) theo cách nó chưa từng thấy trước đây.

Điều họ phát hiện thay đổi cách chúng ta nghĩ về khả năng của trí tuệ nhân tạo. Khi họ sử dụng các lời nhắc thông thường để yêu cầu “vòng tròn xanh nhỏ,” mô hình gặp khó khăn. Tuy nhiên, mô hình thực sự có thể tạo ra vòng tròn xanh nhỏ – chúng ta chỉ không yêu cầu đúng cách.

Các nhà nghiên cứu đã phát hiện ra hai kỹ thuật chứng minh điều này:

1. “Can thiệp tiềm ẩn” – Điều này giống như tìm một cánh cửa sau vào não của mô hình. Thay vì sử dụng các lời nhắc thông thường, họ điều chỉnh trực tiếp các tín hiệu nội bộ đại diện cho “xanh” và “nhỏ.” Hãy tưởng tượng có các núm điều khiển riêng biệt cho màu sắc và kích thước – họ phát hiện ra rằng bằng cách điều chỉnh các núm này theo những cách cụ thể, mô hình có thể tạo ra những gì dường như không thể chỉ một lúc trước.
2. “Lời nhắc quá mức” – Thay vì chỉ yêu cầu “xanh,” họ trở nên rất cụ thể với các giá trị màu sắc. Giống như sự khác biệt giữa việc nói “làm cho nó xanh” và “làm cho nó chính xác màu xanh này: RGB(0.3, 0.3, 0.7).” Sự chính xác này giúp mô hình truy cập vào các khả năng mà trước đây bị ẩn.

Cả hai kỹ thuật này bắt đầu hoạt động tại cùng một điểm trong quá trình đào tạo của mô hình – khoảng 6.000 bước đào tạo. Trong khi đó, lời nhắc thông thường hoặc không hoạt động hoàn toàn hoặc cần 8.000+ bước để hoạt động. Và điều này không phải là một sự cố – nó xảy ra một cách nhất quán trên nhiều thử nghiệm.

Điều này cho chúng ta biết điều gì đó sâu sắc: các mô hình trí tuệ nhân tạo phát triển khả năng ở hai giai đoạn riêng biệt. Đầu tiên, chúng thực sự học cách kết hợp các khái niệm bên trong – đó là những gì xảy ra vào khoảng bước 6.000. Nhưng có một giai đoạn thứ hai nơi chúng học cách kết nối các khả năng nội bộ này với cách thông thường của chúng ta khi yêu cầu điều gì đó. Giống như mô hình trở nên thông thạo một ngôn ngữ mới trước khi nó học cách dịch ngôn ngữ đó cho chúng ta.

Các ý nghĩa là đáng kể. Khi chúng ta nghĩ rằng một mô hình không thể làm điều gì đó, chúng ta có thể sai – nó có thể có khả năng nhưng thiếu kết nối giữa các lời nhắc của chúng ta và khả năng của nó. Điều này không chỉ áp dụng cho các hình dạng và màu sắc đơn giản – nó có thể đúng cho các khả năng phức tạp hơn trong các hệ thống trí tuệ nhân tạo lớn hơn.

Khi các nhà nghiên cứu thử nghiệm những ý tưởng này trên dữ liệu thế giới thực bằng cách sử dụng tập dữ liệu khuôn mặt CelebA, họ tìm thấy cùng một mô hình. Họ cố gắng để mô hình tạo ra hình ảnh của “phụ nữ với mũ” – điều mà nó chưa từng thấy trong quá trình đào tạo. Lời nhắc thông thường không hoạt động, nhưng sử dụng can thiệp tiềm ẩn đã tiết lộ rằng mô hình thực sự có thể tạo ra những hình ảnh này. Khả năng đã có – nó chỉ không thể tiếp cận được thông qua các phương tiện thông thường.

Park et al., Harvard University & NTT Research

Kết luận Chính

Chúng ta cần phải suy nghĩ lại về cách chúng ta đánh giá khả năng của trí tuệ nhân tạo. Chỉ vì một mô hình có thể không thể làm điều gì đó với các lời nhắc tiêu chuẩn không có nghĩa là nó không thể làm điều đó. Khoảng cách giữa những gì các mô hình trí tuệ nhân tạo có thể làm và những gì chúng ta có thể yêu cầu chúng làm có thể nhỏ hơn những gì chúng ta nghĩ – chúng ta chỉ cần trở nên tốt hơn trong việc yêu cầu.

Khám phá này không chỉ là lý thuyết – nó thay đổi cơ bản cách chúng ta nên suy nghĩ về các hệ thống trí tuệ nhân tạo. Khi một mô hình dường như gặp khó khăn với một nhiệm vụ, chúng ta có thể cần phải hỏi liệu nó thực sự thiếu khả năng hay chúng ta chỉ không truy cập vào nó đúng cách. Đối với các nhà phát triển, nhà nghiên cứu và người dùng, điều này có nghĩa là trở nên sáng tạo hơn trong cách chúng ta tương tác với trí tuệ nhân tạo – đôi khi khả năng chúng ta cần đã có sẵn, chỉ chờ đợi chìa khóa đúng để mở khóa nó.