Trí tuệ nhân tạo đã trở thành tiêu đề trong gần một thập kỷ, khi các hệ thống đã đạt được tiến bộ nhanh chóng trong quá trình phát triển lâu đời. AI những thách thức như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên và trò chơi. Các công ty công nghệ đã đưa các thuật toán học máy vào các công cụ tìm kiếm và đề xuất cũng như hệ thống nhận dạng khuôn mặt và OpenAI's GPT-3 và DeepMind's AlphaFold hứa hẹn nhiều ứng dụng thực tế hơn nữa, từ viết lách, viết mã cho đến khám phá khoa học.
Thật vậy, chúng ta đang ở giữa mùa xuân AI, với sự đầu tư vào công nghệ đang phát triển và tâm lý lạc quan và khả năng vượt trội về những gì nó có thể đạt được và khi nào.
Lần này có thể khác so với các mùa xuân AI trước đây do các ứng dụng thực tế đã nói ở trên và sự phổ biến của AI hẹp vào các công nghệ mà nhiều người trong chúng ta sử dụng hàng ngày—như điện thoại thông minh, TV, ô tô và máy hút bụi, v.v. Nhưng cũng có thể là chúng ta đang thúc đẩy một làn sóng tiến bộ ngắn hạn trong AI, thứ sẽ sớm trở thành một phần của dòng chảy thăng trầm trong tiến bộ, tài trợ và tình cảm vốn là đặc trưng của lĩnh vực này kể từ khi thành lập vào năm 1956.
AI đã không đạt được nhiều dự đoán trong vài thập kỷ qua; Ví dụ, năm 2020 là báo trước bởi nhiều như năm xe tự lái sẽ bắt đầu lấp đầy các con đường, vận chuyển hành khách một cách liền mạch khi họ ngồi lại và tận hưởng chuyến đi. Nhưng vấn đề khó khăn hơn dự kiến, và thay vì có vô số taxi robot, các dự án tiên tiến nhất vẫn đang trong giai đoạn thử nghiệm. Trong khi đó, một số người trong lĩnh vực này tin rằng hình thức thống trị của AI—một loại máy học dựa trên mạng thần kinh—có thể sớm cạn kiệt nếu không có một loạt đột phá quan trọng.
Trong một bài báo có tiêu đề Tại sao AI khó hơn chúng ta nghĩ, được xuất bản vào tuần trước trên máy chủ in sẵn arXiv, Melanie Mitchell, một giáo sư khoa học máy tính tại Đại học bang Portland hiện đang ở Viện Santa Fe, lập luận rằng AI bị mắc kẹt trong chu kỳ lên xuống phần lớn là do chúng ta chưa thực sự hiểu bản chất và sự phức tạp của trí thông minh con người. Mitchell chia quan điểm bao quát này thành bốn quan niệm sai lầm phổ biến về AI và thảo luận về ý nghĩa của chúng đối với tương lai của lĩnh vực này.
1. Tiến bộ về trí thông minh hẹp là tiến bộ về trí thông minh tổng quát
Những thành tựu mới ấn tượng của AI thường đi kèm với một giả định rằng chính những thành tựu này đang đưa chúng ta tiến gần hơn đến trí thông minh máy móc cấp độ con người. Nhưng không chỉ, như Mitchell chỉ ra, trí thông minh chung và hẹp khác nhau như leo cây so với hạ cánh trên mặt trăng, mà ngay cả trí thông minh hẹp vẫn chủ yếu phụ thuộc vào lượng dữ liệu phong phú về nhiệm vụ cụ thể và sự đào tạo do con người tạo điều kiện.
Hãy sử dụng GPT-3, một số trích dẫn như có vượt “hẹp” trí thông minh: thuật toán được đào tạo để viết văn bản, nhưng đã học cách dịch, viết mã, tự động hoàn thành hình ảnh và làm toán, cùng các nhiệm vụ khác. Nhưng mặc dù các khả năng của GPT-3 hóa ra lại mở rộng hơn những gì người tạo ra nó có thể dự định, nhưng tất cả các kỹ năng của nó vẫn nằm trong lĩnh vực mà nó được đào tạo: đó là ngôn ngữ—nói, viết và lập trình.
Trở nên thành thạo một kỹ năng không liên quan đến ngôn ngữ mà không cần đào tạo sẽ cho thấy trí thông minh chung, nhưng đây không phải là trường hợp của GPT-3, cũng không phải là trường hợp của bất kỳ AI nào khác được phát triển gần đây: chúng vẫn có bản chất hẹp và , mặc dù bản thân chúng có ý nghĩa quan trọng, nhưng không nên kết hợp với các bước hướng tới sự hiểu biết thấu đáo về thế giới cần thiết cho trí thông minh nói chung.
2. Cái gì dễ dàng với con người thì nên dễ dàng với máy móc
Is AI thông minh hơn một đứa trẻ bốn tuổi? Theo hầu hết các giác quan, câu trả lời là không, và đó là bởi vì các kỹ năng và nhiệm vụ mà chúng ta cho là “dễ dàng” thực tế lại phức tạp hơn nhiều so với những gì chúng ta ghi nhận, mộts Nghịch lý của Moravec ghis.
Trẻ bốn tuổi khá giỏi trong việc tìm ra các mối quan hệ nhân quả dựa trên sự tương tác của chúng với thế giới xung quanh. Ví dụ, nếu chúng chạm vào một cái nồi trên bếp và bị bỏng ngón tay, chúng sẽ hiểu rằng vết bỏng là do nồi nóng chứ không phải do nó tròn hay bạc. Đối với con người, đây là lẽ thường cơ bản, nhưng các thuật toán gặp khó khăn trong việc đưa ra các suy luận nhân quả, đặc biệt là khi không có tập dữ liệu lớn hoặc trong bối cảnh khác với bối cảnh mà chúng được đào tạo.
Nhận thức và lựa chọn diễn ra ở cấp độ tiềm thức của con người là giá trị trải nghiệm và học hỏi cả đời, ngay cả ở cấp độ cơ bản như “chạm vào đồ nóng sẽ khiến bạn bị bỏng”. Bởi vì chúng ta đạt đến điểm mà loại kiến thức này mang tính phản xạ, thậm chí không cần suy nghĩ có ý thức, nên chúng ta thấy nó “dễ dàng”, nhưng thực tế thì hoàn toàn ngược lại. “AI khó hơn chúng ta nghĩ,” Mitchell viết, “bởi vì chúng ta phần lớn không nhận thức được sự phức tạp trong quá trình suy nghĩ của chính mình.”
3. Ngôn ngữ của con người có thể mô tả trí thông minh của máy móc
Con người có xu hướng nhân hóa những thứ không phải con người, từ động vật đến đồ vật vô tri vô giác cho đến rô bốt và máy tính. Khi làm như vậy, chúng tôi sử dụng chính những từ mà chúng tôi sử dụng để thảo luận về các hoạt động hoặc trí thông minh của con người—ngoại trừ những từ này không hoàn toàn phù hợp với ngữ cảnh và trên thực tế có thể làm xáo trộn hiểu biết của chúng tôi về AI. Mitchell sử dụng thuật ngữ "kỹ năng ghi nhớ mong muốn", được đặt ra bởi một nhà khoa học máy tính vào những năm 1970. Những từ như “đọc”, “hiểu” và “suy nghĩ” được dùng để mô tả và đánh giá AI, nhưng những từ này không cho chúng ta mô tả chính xác về cách thức hoạt động hoặc tiến triển của AI.
Mitchell nói, ngay cả việc “học” cũng là một cách gọi sai, bởi vì nếu một cỗ máy thực sự “học” được một kỹ năng mới, thì nó sẽ có thể áp dụng kỹ năng đó trong các bối cảnh khác nhau; tìm kiếm mối tương quan trong các bộ dữ liệu và sử dụng các mẫu đã xác định để đưa ra dự đoán hoặc đáp ứng các tiêu chuẩn khác là một điều gì đó, nhưng đó không phải là “học” theo cách mà con người học.
Vậy tại sao lại phải ồn ào về từ ngữ, nếu chúng là tất cả những gì chúng ta có và chúng đang hiểu được ý chính? Vâng, Mitchell nói, ngôn ngữ không chính xác này không chỉ có thể đánh lừa công chúng và giới truyền thông mà còn có thể ảnh hưởng đến cách các nhà nghiên cứu AI nghĩ về hệ thống của họ và thực hiện công việc của họ.
4. Trí thông minh nằm trong đầu chúng ta
Điểm cuối cùng của Mitchell là trí thông minh của con người không chỉ chứa đựng trong bộ não mà cần có một cơ thể vật chất.
Điều này có vẻ dễ hiểu; chúng ta sử dụng các giác quan của mình để hấp thụ và xử lý thông tin, đồng thời chúng ta tương tác và di chuyển trong thế giới trong cơ thể mình. Tuy nhiên, điểm nhấn phổ biến trong nghiên cứu AI là trên não: hiểu nó, sao chép các khía cạnh khác nhau của nó hình thức hoặc chức năng, và làm AI thích hơn.
Nếu trí thông minh chỉ tồn tại trong não, chúng ta có thể tiến gần hơn đến việc đạt được AI ở cấp độ con người bằng cách xây dựng một mạng lưới thần kinh có cùng số tham số như não có các kết nối khớp thần kinh, do đó nhân đôi “năng lực tính toán” của não. .”
Việc vẽ dạng song song này có thể áp dụng trong trường hợp “trí thông minh” đề cập đến việc vận hành theo một bộ quy tắc để hướng tới một mục tiêu đã xác định—chẳng hạn như thắng một ván cờ hoặc lập mô hình cách các protein gấp lại, cả hai điều mà máy tính đã có thể thực hiện khá tốt. ổn. Nhưng các loại trí thông minh khác được định hình nhiều hơn và phụ thuộc vào cảm xúc, thành kiến và kinh nghiệm cá nhân.
Quay lại ví dụ về GPT-3: thuật toán tạo ra trí thông minh “chủ quan” (chữ viết của chính nó) bằng cách sử dụng một bộ quy tắc và tham số mà nó tạo ra với một tập dữ liệu khổng lồ về trí thông minh chủ quan có sẵn (do con người viết). GPT-3 được ca ngợi là “sáng tạo”, nhưng cách viết của nó dựa trên các mẫu mà nó phát hiện và các mối liên hệ mà nó rút ra giữa các từ và cụm từ trong bài viết của con người—vốn chứa đầy thành kiến, cảm xúc, kiến thức có sẵn, lẽ thường và của người viết. kinh nghiệm độc đáo của thế giới, kinh nghiệm thông qua cơ thể.
Mitchell lập luận rằng các khía cạnh chủ quan, phi lý trí của cách con người suy nghĩ và hành động làkhông một trở ngại cho trí thông minh của chúng tôi, nhưng là trong thực tế nền tảng của nó và kích hoạt. Chuyên gia hàng đầu về trí tuệ nhân tạo nói chung Ben Goertzel cũng ủng hộ tương tự cho “kiến trúc tổng thể sinh vật”. lịnhing, “Con người là cơ thể cũng như trí óc, vì vậy để đạt được AGI giống con người sẽ yêu cầu nhúng các hệ thống AI vào các hệ thống vật lý có khả năng tương tác với thế giới con người hàng ngày theo nhiều cách khác nhau.”
Từ đâu đến đây?
Những quan niệm sai lầm này để lại ít nghi ngờ về những gì các nhà nghiên cứu và phát triển AI không nên làm. Điều ít rõ ràng hơn là làm thế nào để tiến về phía trước. Chúng ta phải bắt đầu, Mitchell nói, với sự hiểu biết tốt hơn về trí thông minh—một nhiệm vụ không nhỏ hay đơn giản. Tuy nhiên, một nơi tốt mà các nhà nghiên cứu AI có thể tìm kiếm là trong các ngành khoa học khác nghiên cứu về trí thông minh.
Tại sao chúng ta lại có ý định tạo ra một phiên bản nhân tạo của trí thông minh con người? Nó đã phát triển qua hàng triệu năm và cực kỳ phức tạp và phức tạp, nhưng vẫn đầy rẫy những thiếu sót của chính nó. Có lẽ câu trả lời là chúng ta không cố tạo ra một bộ não nhân tạo tốt như của chúng tôi; chúng tôi đang cố gắng xây dựng một cái tốt hơn và điều đó sẽ giúp chúng tôi giải quyết các vấn đề nan giải hiện tại.
Sự tiến hoá của con người diễn ra trong khoảng sáu triệu năm. Trong khi đó, nó đã 65 năm kể từ khi AI trở thành một lĩnh vực nghiên cứuđê, và nó đang viết văn bản giống con người, khiến khuôn mặt giả, giữ riêng của mình trong các cuộc tranh luận, chẩn đoán y khoa, và chi tiết. Tuy nhiên có còn nhiều điều phải học, có vẻ như AI đang tiến bộ khá tốt trong sơ đồ lớn của mọi thứ-và bước tiếp theo để tiến xa hơn là hiểu sâu hơn về tâm trí của chúng ta.
Ảnh: Rene Böhmer on Unsplash
Coinsmart. Đặt cạnh Bitcoin-Börse ở Europa
Nguồn: https://singularityhub.com/2021/05/06/to-advance-ai-we-need-to-better-respect-human-intelligence-and-address-these-4-fallacies/
