Tái đánh giá sự đổi mới của Trí tuệ nhân tạo: Liệu Trí tuệ nhân tạo có đang phát triển hay chỉ tái chế lại những 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: liệu AI có thực sự tạo ra những ý tưởng mới, hay chỉ tái sử dụng những 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 những cách mới. Câu hỏi này không chỉ liên quan đến công nghệ. Nó cũng ảnh hưởng đến nơi các nhà đầu tư chi tiền, cách các công ty sử dụng AI và cách các xã hội xử lý những 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 những 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 hồi sinh của các khái niệm trước đó.

Trong những năm 1950, Trí tuệ nhân tạo biểu tượng xuất hiện như một nỗ lực đầy 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 hào hứng đáng kể, nhưng nó sớm tiết lộ những hạn chế của mình. Những hệ thống này gặp khó khăn khi giải thích sự mơ hồ, thiếu khả năng thích nghi và thất bại khi đối mặt với các vấn đề thế giới thực khác với cấu trúc được định nghĩa rõ ràng của chúng.

Những năm 1980 đã chứng kiến sự xuất hiện của các hệ thống chuyên gia, nhằm 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. Những 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 những hạn chế của việc chỉ dựa vào logic được định nghĩa trước cho trí tuệ.

Trong những năm 2010, học sâu đã trở thành焦 điểm 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 những hạn chế trước đó.

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

Làm thế nào nhận thức định hình câu chuyện về tiến bộ của AI

AI hiện đại thu hút sự chú ý vì 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 trôi chảy tự nhiên và tạo ra văn bản đọc như được viết bởi một người. Những ứng dụng này ảnh hưởng đến cách con người làm việc, giao tiếp và tạo ra. 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 xuất hiện như một cuộc cách mạng thường là kết quả có thể nhìn thấy 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 biết và nhiều hơn liên quan đến sự kết hợp gần đây của sức mạnh tính toán, khả năng tiếp cận dữ liệu và kỹ thuật thực tế đã cho phép các hệ thống này hoạt động ở quy mô lớn. Sự khác biệt này là thiết yếu. Nếu sự đổi mới được đánh giá chỉ bằng những gì cảm thấy khác biệt với người dùng, thì 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 ngành thường mô tả AI như một loạt các đột phá chuyển đổi. Các nhà phê bình cho rằng nhiều tiến bộ đến từ việc tinh chỉnh các kỹ thuật hiện có chứ không phải phát triển những kỹ thuật hoàn toàn mới. Cả hai quan điểm đều có thể đúng. Tuy nhiên, nếu không có sự hiểu rõ về những gì được coi là 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 bởi các事 thực kỹ thuật.

Thử thách chính là phân biệt cảm giác về sự mới mẻ với thực tế của sự đổi mới. AI có thể cảm thấy không quen thuộc vì kết quả của nó bây giờ đến với mọi người nhanh chóng và được nhúng vào các công cụ hàng ngày. Tuy nhiên, điều này không nên được lấy làm bằng chứng rằng lĩnh vực này đã bước vào một giai đoạn hoàn toàn mới của suy nghĩ. Việc đặt câu hỏi về giả định này cho phép đánh giá tiến bộ của AI một cách chính xác hơn và xác định nơi lĩnh vực này thực sự đang tạo ra những bước đột phá và nơi tiến bộ có thể chỉ là vấn đề về hình thức.

Đổi mới thực sự và ảo tưởng về tiến bộ

Nhiều tiến bộ được coi là đột phá trong AI, khi được xem xét kỹ lưỡng, là những tinh chỉnh của các phương pháp hiện có chứ không phải là những biến đổi cơ bản. Ngành công nghiệp thường coi các mô hình lớn hơn, tập dữ liệu mở rộng và khả năng tính toán lớn hơn là đổi mới. Mặc dù sự mở rộng này thực sự mang lại 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 triển 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 việc tạo ra các hệ thống có lý do hoặc hiểu biết theo cách của con người.

Ngay cả những kỹ thuật được coi là chuyển đổi, 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 không thoải mái: liệu lĩnh vực này có đang chứng kiến những thay đổi范式 thực sự, hay là những câu chuyện tiếp thị biến các thành tựu kỹ thuật dần 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, thì sự thảo luận có nguy cơ nhầm lẫn khối lượng với tầm nhìn và tốc độ với hướng.

Ví dụ về việc tái chế trong AI

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

Mạng nơ-ron

Được khám phá lần đầu vào giữa thế kỷ 20, chúng chỉ trở nên thực tế khi tài nguyên tính toán theo kịp.

Thị giác máy tính

Các hệ thống nhận dạng mẫu sớm đã truyền cảm hứng cho 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 móng 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 nhiều tiến bộ AI quan trọng 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 ra những 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 lượng lớn dữ liệu có cấu trúc và không có cấu trúc, cho phép các mô hình học 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 lớn với hàng tỷ tham số. Các cải tiến trong 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 những khái niệm cơ bản.

Mặc dù những phát triển này đã dẫn đến tiến bộ đáng kể, nhưng chúng cũng giới thiệu những thách thức. Đường hướng hiện tại thường phụ thuộc vào sự tăng trưởng theo cấp số nhân trong dữ liệu và tài nguyên tính toán, điều này gây ra lo ngại về chi phí, khả năng tiếp cận và tính bền vững môi trường. Nếu những đổi mới tiếp theo đòi hỏi sự tăng trưởng theo cấp số nhân trong 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.

Tin đồn trên thị trường so với Khả năng thực sự

AI thường được quảng cáo là có khả năng vượt trội so với thực tế. Các tiêu đề có thể phóng đại tiến bộ, và đôi khi các công ty 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 các 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 vật thể trong những hình ảnh đó là gì.

Khoảng cách giữa nhận thức và thực tế này tạo ra cả sự phấn khích và thất vọng. Nó có thể dẫn đến kỳ vọng bị thổi phồng, điều này lại tăng nguy cơ của một mùa đông AI khác, 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 thực sự có thể đến từ

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

Tính toán hình dạng não

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 lai

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

AI cho Khám phá khoa học

Công cụ giúp các nhà nghiên cứu tạo ra 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 nhằm chuyển từ AI hẹp, chuyên về nhiệm vụ cụ thể, sang trí tuệ linh hoạt hơn có thể thích nghi với những 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 Thực tế

Mặc dù AI đã đạt được những 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 đại xuất sắc trong các nhiệm vụ được định nghĩa 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 môn và trí tuệ giống người rộng lớn vẫn còn.

Giữ một quan điểm cân bằng đảm bảo rằng sự phấn khích về những thành công ngay lập tức không che khuất nhu cầu về 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 tập trong các bối cảnh đa dạng. Sự cân bằng như vậy giữa việc chúc mừng thành tựu và đối mặt với những hạn chế có thể hướng dẫn AI đến những tiến bộ không chỉ rộng lớn mà còn có ý nghĩa.

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 được xem xét cẩn thận. Lĩnh vực này đã đạt được sự phát triển quy mô lớn, hiệu quả được 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 những khả năng hoàn toàn mới. Việc coi tiến bộ dần dần là thay đổi lớn 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.

Tiến bộ thực sự có thể phụ thuộc vào việc tái đánh giá thiết kế hệ thống, kết hợp kiến thức từ các lĩnh vực khác nhau và cải thiện sự thích nghi và lý luận. Bằng cách tránh những kỳ vọng bị thổi phồng và duy trì một 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.