Diễn dàn Trí tuệ nhân tạo của Samsung vạch ra lộ trình phát triển cho trí tuệ nhân tạo trong tương lai

Cách đây không lâu, ý tưởng xây dựng công nghệ với ‘bộ não’ có khả năng học theo và thậm chí được cấu trúc giống như chúng ta dường như chỉ có trong khoa học viễn tưởng.

Hãy đặt câu hỏi cho các diễn giả nổi tiếng tại “Diễn đàn trí tuệ nhân tạo Samsung 2018”, được tổ chức tại Seoul từ ngày 12 đến ngày 13 tháng 9. Phiên bản thứ hai của diễn đàn trí tuệ nhân tạo (AI) đến từ công ty điện tử Samsung Electronics có sự hiện diện của các chuyên gia đã đạt nhiều thành công ở lĩnh vực trí tuệ nhân tạo, cùng bàn về cách những tiến bộ đột phá mang lại cho cuộc sống chúng ta. Không chỉ là sự thoải mái, tiện nghi và hiệu quả, bên cạnh đó các công nghệ đó sẽ cho chúng ta hiểu rõ hơn về cách thức hoạt động của tư duy.

Kỹ thuật ứng dụng thuật toán học hỏi không cần giám sát của máy được quan tâm nhiều nhất

Quan khách tham dự Diễn đàn Trí tuệ nhân tạo Samsung 2018 đang chăm chú lắng nghe phần mở đầu của ông Kinam Kim, Chủ tịch và CEO của công ty điện tử Samsung

Diễn đàn bắt đầu với bài thuyết trình của giám đốc sáng lập Trung tâm Đại học New York về Khoa học Dữ liệu, đồng thời là một trong những người có tư duy hàng đầu thế giới trong lĩnh vực học sâu, Yann LeCun.

Bài phát biểu của LeCun đã cho thấy bước chuẩn bị của cuộc thảo luận thú vị về việc học không có người giám sát sẽ diễn ra trong suốt sự kiện kéo dài hai ngày. LeCun trình bày lý do tại sao ông cùng nhiều đồng nghiệp khác tin rằng việc học tập không có người giám sát, còn được gọi là học tập tự giám sát chính là tương lai của AI. Ông cũng nghiên cứu về các ứng dụng tiềm năng (và giới hạn) về thuật toán học không giám sát đồng thời giải thích điểm khác biệt giữa chúng và các thuật toán học được giám sát và hỗ trợ.

Như LeCun đã trình bày, các thuật toán học được giám sát sẽ học cách tận dụng tối đa các bộ dữ liệu có dán nhãn và các phím trả lời cho phép chúng đo lường được độ chính xác. Điều này về cơ bản đồng nghĩa rằng mỗi ví dụ trong bộ dữ liệu huấn luyện (là một tập dữ liệu dùng để huấn luyện cho mô hình của thuật toán Máy học) gồm các câu trả lời được tạo bởi thuật toán. Với việc học tăng cường, thuật toán được huấn luyện bằng việc sử dụng hệ thống khen thưởng sẽ phản ứng khi nó thực hiện một hành động tối ưu cho một tình huống bất kỳ. Thuật toán sẽ dựa trên phản hồi này thay vì bộ dữ liệu được dán nhãn nhằm để đưa ra lựa chọn với sự khen ngợi ở mức cao nhất.

Với việc học không giám sát, thuật toán được tạo ra cùng tập dữ liệu không được gắn nhãn thích hợp — tập hợp các ví dụ không có câu trả lời đúng hoặc kết quả mong muốn — dựa vào chính nó. Mặc dù các thuật toán này có thể khó dự đoán hơn so với các bản sao của chúng, mặt khác, chúng có thể thực hiện các tác vụ xử lý phức tạp hơn.

LeCun đã sử dụng những chiếc xe tự lái, minh chứng điển hình cho tiềm năng học tập không giám sát. “Rất nhiều người đang tìm hiểu về xe tự lái mong muốn có cơ hội sử dụng học thuật tăng cường để có thể điều khiển chiếc xe bằng phương pháp qua nhiều lần thử nghiệm và sai sót. LeCun chia sẻ, “Vấn đề ở đây là, vì [sự cố không hiệu quả vốn có của việc học tăng cường], bạn phải có một chiếc xe để điều khiển ra khỏi một vách núi vài ngàn lần trước khi nó tìm ra cách để không phải làm điều đó.”

LeCun đã giải thích điểm khác biệt so với các mô hình học tăng cường dựa trên thử nghiệm và sai sót, các mô hình học tập không giám sát có khả năng đoán được việc cần làm trong một tình huống như thế này – thể hiện khả năng về tinh thần tương tự như cái mà chúng ta gọi là lẽ thông thường.

Ngoài ra, ông còn bàn về kinh nghiệm phát triển mạng nơ-ron nhân tạo, đặc biệt là các mạng nơ-ron xoắn ốc (ConvNets) – và đã chứng minh được cách thức sử dụng và chúng có thể được sử dụng để xây dựng không chỉ những chiếc xe tự lái mà còn nhiều loại thiết bị sáng tạo khác nhau, bao gồm công nghệ cho tín hiệu y tế và phân tích hình ảnh tin sinh học, nhận dạng giọng nói, dịch ngôn ngữ, phục hồi hình ảnh, robot và vật lý.

Sau phần bày của LeCun được là một bài giảng từ một chuyên gia hàng đầu khác trong lĩnh vực học tập sâu: Giáo sư Đại học Montreal Yoshua Bengio. Bài giảng của giáo sư Bengio tập trung chi tiết vào stochastic gradient descent (SGD)—một phương pháp tối ưu hóa AI được sử dụng để giảm thiểu các lỗi bởi mạng nơron nhân tạo.

Như Bengio đã giải thích, “[SGD] thực sự là trọng tâm của việc học sâu. Đây là kỹ thuật tối ưu hóa được sử dụng rộng khắp ở mảng học có giám sát, học tăng cường và học không giám sát. Kỹ thuật này đã luôn hoạt động rất tốt trong nhiều thập kỷ, nhưng chúng tôi vẫn chưa hoàn toàn hiểu rõ về nó. ”

Như Bengio đã giải thích, “[SGD] thực sự là trọng tâm của việc học sâu. Đây là kỹ thuật tối ưu hóa được sử dụng rộng khắp ở mảng học có giám sát, học tăng cường và học không giám sát. Kỹ thuật này đã luôn hoạt động rất tốt trong nhiều thập kỷ, nhưng chúng tôi vẫn chưa hoàn toàn hiểu rõ về nó. ”

Bài thuyết trình của Bengio giúp người tham gia hiểu rõ hơn về SGD qua sự tập trung chi tiết vào cách các biến thể SGD có thể ảnh hưởng đến tối ưu hóa mạng và sự tổng quát hóa mạng neural. Bengio đã thảo luận cách nhìn truyền thống về học máy nhìn thấy tối ưu hóa và khái quát hóa như tách biệt một cách gọn gàng, nhưng đó không phải là trường hợp thực sự. Ông cũng trình bày các kết quả nghiên cứu chi tiết về tác động của các kỹ thuật học tập dựa trên SGD trên cả hai khía cạnh của thiết kế mạng lưới.

(Phía trên, theo chiều kim đồng hồ) Giáo sư YU Yann LeCun đến từ Đại học Montreal, Yoshua Bengio, Giáo sư Cynthia Breazeal của MIT Media Lab và Sebastian Seung, Phó chủ tịch điều hành của phòng nghiên cứu Samsung Research.

Kỹ thuật ứng dụng thuật toán học hỏi không cần giám sát của máy có thể mở ra những bí mật về bộ não không?

Sebastian Seung, Phó chủ tịch điều hành Phòng nghiên cứu Samsung Research và nhà nghiên cứu trưởng của công ty điện tử Samsung Electronics, đã phát biểu một bài thuyết trình đặc sắt giải thích nguyên nhân cho tầm quan trọng của việc học không giám sát trong quá trình phát triển AI với năng lực tinh thần ở mức độ con người.

Seung đã mô tả cách mà các mạng thần kinh xoắn ốc mà LeCun đã nghiên cứu chi tiết thực tế dựa trên những hiểu biết thu được thông qua nghiên cứu về khoa học thần kinh. Ông cũng thảo luận về cách nghiên cứu của ông trong cả hai mạng nơron nhân tạo và sinh học đã dẫn ông nghiên cứu cách áp dụng AI để hiểu rõ hơn về cách mà bộ não của chúng ta có dây.

Seung nhấn mạnh rằng mô hình thiết kế mạng lưới học không giám sát nằm trong vỏ não, và nhấn mạnh một nghiên cứu gần đây rằng nhóm của ông đã tham gia vào AI sử dụng để vạch ra tất cả các nơron chứa trong một milimet khối vỏ não của chuột – tổng cộng hơn 100.000.

Thuật toán học không giám sát mà các nhà nghiên cứu sử dụng cho phép họ không chỉ cho ra mô hình 3D của hệ thống dây mạng lưới nơron mà còn có thể được gắn nhãn và tô màu trong các tế bào riêng lẻ và bộ phận của chúng. “Đó là điều kỳ diệu của việc học sâu,” Seung cho biết. “Nếu một con người phải tô màu mọi thứ xung quanh họ, họ sẽ mất khoảng 100 năm để hoàn thành. Và đó đồng nghĩa với việc không có giây phút nghỉ giải lao hay ngủ.”

Chung sống với Robot xã hội trong “10 đến 20 năm” tới

Bài phát biểu của Cynthia Breazeal, người sáng lập đồng thời là Nhà khoa học trưởng của Jibo, Inc., kiêm giám đốc sáng lập của Nhóm Robot cá nhân tại Phòng thí nghiệm truyền thông của MIT (Viện Công nghệ Massachusetts), đã chuyển hướng sang mảng áp dụng AI vào phát triển robot tiên tiến.

Bài phát biểu của Breazeal mang tên “Sống và nuôi dưỡng cùng Robot Xã hội”, bàn về các phương pháp cần thiết trong phát triển các hệ thống tự trị sử dụng AI nhằm nâng cao chất lượng cuộc sống của chúng ta. Như Breazeal đã giải thích, các công nghệ tự trị, xã hội và cảm xúc thông minh — rô bốt được gọi là ‘AI quan hệ’ — trình bày một loạt các lợi ích thú vị.

“Tôi thực sự vui mừng khi nghĩ đến giai đoạn 10, 20 năm tới – sự hiện diện của những robot này thực sự sẽ trở thành một phần trong cuộc sống hàng ngày của chúng ta”, Breazeal chia sẻ.

Phần trình bày thú vị đã nêu bật các công nghệ đồng hành hữu ích nói riêng và bao gồm các ví dụ cụ thể về cách ứng dụng robot trong việc hỗ trợ trẻ em và người lớn tuổi. Breazeal đã ghi nhận những nghiên cứu về thiết bị robot đồng hành dành cho cho bệnh nhân tại bệnh viện của trẻ em, học sinh mẫu giáo và người lớn tuổi.

Video của các nghiên cứu cho thấy cách trẻ em trong bệnh viện cảm thấy tiện nghi hơn khi có bạn đồng hành bên cạnh chúng, đồng thời chứng minh cách ứng dụng robot vào thúc đẩy học tập. Như Breazeal giải thích, “đây là một tầm nhìn khác về trí tuệ nhân tạo AI. Có rất nhiều dòng công cụ chuyên dụng nổi trội hiện nay nhưng lại không có nhiều phương án sâu sắc về cách AI mang lại lợi ích cho mọi người.” Breazeal cho biết thêm về nghiên cứu, “cho thấy rất nhiều viễn cảnh hứa hẹn về những công nghệ này trong thế giới thực … tạo nên điểm khác biệt thực sự.”

Ngoài ra, diễn đàn năm nay cũng bao gồm nhiều bài phát biểu khác cung cấp một cái nhìn toàn diện về tình trạng phát triển trí thông minh nhân tạo ngày nay. Bao gồm các bài thuyết trình về các chủ đề liên quan đến các tiến bộ trong học tăng cường, ước lượng thần kinh thông tin lẫn nhau, AI thông minh xã hội và cảm xúc, robot trợ lý cá nhân và y học chính xác thông qua học máy. Các diễn biến được thảo luận tại Diễn đàn Samsung AI 2018 thể hiện những bước tiến lớn trong việc tạo ra một tương lai có liên quan đến AI.