Trí tuệ nhân tạo (AI) là gì?
Cái đó tùy vào bạn hỏi ai.
Trở lại những năm 1950, cha đẻ của lĩnh vực này, Minsky và McCarthy, được mô tả trí thông minh nhân tạo là bất kỳ nhiệm vụ nào được thực hiện bởi một cỗ máy mà trước đây được coi là yêu cầu trí thông minh của con người.
Đó rõ ràng là một định nghĩa khá rộng, đó là lý do tại sao đôi khi bạn sẽ thấy các cuộc tranh cãi về việc liệu thứ gì đó có thực sự là AI hay không.
Các định nghĩa hiện đại về ý nghĩa của việc tạo ra trí thông minh là cụ thể hơn. Francois Chollet, một nhà nghiên cứu AI tại Google và là người tạo ra thư viện phần mềm học máy Keras, cho biết trí thông minh gắn liền với khả năng thích ứng và ứng biến của hệ thống trong một môi trường mới, để khái quát hóa kiến thức của nó và áp dụng nó vào các tình huống không quen thuộc.
"Trí thông minh là hiệu quả mà bạn có được các kỹ năng mới trong các nhiệm vụ mà trước đây bạn không chuẩn bị cho" ông nói.
“Bản thân thông minh không phải là kỹ năng; nó không phải là những gì bạn có thể làm; đó là mức độ tốt và hiệu quả bạn có thể học những điều mới. "
Đó là một định nghĩa theo đó các hệ thống hỗ trợ AI hiện đại, chẳng hạn như trợ lý ảo, sẽ được mô tả là đã chứng minh 'AI hẹp', khả năng tổng quát hóa quá trình đào tạo của họ khi thực hiện một số nhiệm vụ hạn chế, chẳng hạn như nhận dạng giọng nói hoặc thị giác máy tính.
Thông thường, các hệ thống AI thể hiện ít nhất một số hành vi sau đây liên quan đến trí thông minh của con người: lập kế hoạch, học tập, lý luận, giải quyết vấn đề, biểu diễn tri thức, nhận thức, chuyển động và thao tác và ở mức độ thấp hơn là trí tuệ xã hội và sự sáng tạo.
Các loại AI khác nhau là gì?
Ở cấp độ rất cao, trí tuệ nhân tạo có thể được chia thành hai loại lớn:
AI thu hẹp
AI hẹp là những gì chúng ta thấy xung quanh chúng ta trong máy tính ngày nay - các hệ thống thông minh đã được dạy hoặc đã học cách thực hiện các nhiệm vụ cụ thể mà không được lập trình rõ ràng về cách thực hiện.
Loại trí thông minh máy móc này thể hiện rõ ràng trong khả năng nhận dạng giọng nói và ngôn ngữ của trợ lý ảo Siri trên iPhone của Apple, trong hệ thống nhận dạng tầm nhìn trên ô tô tự lái hoặc trong các công cụ đề xuất đề xuất các sản phẩm bạn có thể thích dựa trên những gì bạn đã mua trong quá khứ. Không giống như con người, các hệ thống này chỉ có thể học hoặc được dạy cách thực hiện các nhiệm vụ xác định, đó là lý do tại sao chúng được gọi là AI hẹp.
AI tổng quát
AI nói chung rất khác biệt và là loại trí tuệ thích ứng được tìm thấy ở con người, một dạng trí thông minh linh hoạt có khả năng học cách thực hiện các nhiệm vụ khác nhau, từ cắt tóc đến xây dựng bảng tính hoặc lập luận về nhiều chủ đề dựa trên tích lũy của nó. kinh nghiệm.
Đây là loại AI thường thấy hơn trong các bộ phim, giống như HAL năm 2001 hay Skynet trong Kẻ hủy diệt, nhưng không tồn tại ngày nay - và các chuyên gia AI đang phân chia gay gắt về việc nó sẽ sớm trở thành hiện thực.
AI hẹp có thể làm gì?
Có một số lượng lớn các ứng dụng mới nổi cho AI hẹp:
- Phiên dịch nguồn cấp dữ liệu video từ máy bay không người lái thực hiện kiểm tra trực quan cơ sở hạ tầng như đường ống dẫn dầu.
- Tổ chức lịch cá nhân và doanh nghiệp.
- Trả lời các câu hỏi dịch vụ khách hàng đơn giản.
- Phối hợp với các hệ thống thông minh khác để thực hiện các công việc như đặt phòng khách sạn tại thời điểm và địa điểm thích hợp.
- Giúp đỡ bác sĩ X quang để phát hiện các khối u tiềm ẩn trong tia X.
- Gắn cờ nội dung không phù hợp trực tuyến, phát hiện hao mòn trong thang máy từ dữ liệu được thu thập bởi các thiết bị IoT.
- Tạo mô hình 3D của thế giới từ hình ảnh vệ tinh… danh sách này cứ tiếp tục.
Các ứng dụng mới của các hệ thống học tập này luôn xuất hiện. Thiết kế card đồ họa Nvidia gần đây đã tiết lộ một hệ thống dựa trên AI Maxine, cho phép mọi người thực hiện cuộc gọi video chất lượng tốt, hầu như không phụ thuộc vào tốc độ kết nối internet của họ. Hệ thống giảm băng thông cần thiết cho các cuộc gọi như vậy theo hệ số 10 bằng cách không truyền toàn bộ luồng video qua internet và thay vào đó là tạo hoạt ảnh cho một số lượng nhỏ hình ảnh tĩnh của người gọi theo cách được thiết kế để tái tạo các biểu hiện và chuyển động trên khuôn mặt của người gọi trong thời gian thực và không thể phân biệt được với video.
Tuy nhiên, với nhiều tiềm năng chưa được khai thác như những hệ thống này, đôi khi tham vọng về công nghệ còn vượt xa thực tế. Một trường hợp điển hình là ô tô tự lái, bản thân chúng được củng cố bởi các hệ thống hỗ trợ AI như thị giác máy tính. Công ty sản xuất ô tô điện Tesla đang tụt hậu một chút so với lịch trình ban đầu của CEO Elon Musk về việc Hệ thống lái tự động của ô tô được nâng cấp lên "tự lái hoàn toàn" từ khả năng lái hỗ trợ hạn chế hơn của hệ thống, với tùy chọn Tự lái hoàn toàn mới chỉ được tung ra gần đây. một nhóm các trình điều khiển chuyên gia được chọn như một phần của chương trình thử nghiệm beta.
AI chung có thể làm gì?
Một cuộc khảo sát được thực hiện giữa bốn nhóm chuyên gia vào năm 2012/13 bởi các nhà nghiên cứu AI Vincent C Müller và triết gia Nick Bostrom đã báo cáo 50% khả năng rằng Trí tuệ tổng hợp nhân tạo (AGI) sẽ được phát triển từ năm 2040 đến năm 2050, tăng lên 90% vào năm 2075. Nhóm còn đi xa hơn, dự đoán rằng cái gọi là 'siêu trí tuệ'- mà Bostrom định nghĩa là "bất kỳ trí tuệ nào vượt quá khả năng nhận thức của con người trong hầu như tất cả các lĩnh vực quan tâm" - dự kiến khoảng 30 năm sau thành tựu của AGI.
Tuy nhiên, những đánh giá gần đây của các chuyên gia AI có phần thận trọng hơn. Những người tiên phong trong lĩnh vực nghiên cứu AI hiện đại như Geoffrey Hinton, Demis Hassabis và Yann LeCun nói rằng xã hội không ở đâu gần phát triển AGI. Với sự hoài nghi của những ánh sáng hàng đầu trong lĩnh vực AI hiện đại và bản chất rất khác biệt của các hệ thống AI hẹp hiện đại với AGI, có lẽ rất ít cơ sở để lo ngại rằng trí tuệ nhân tạo nói chung sẽ phá vỡ xã hội trong tương lai gần.
Điều đó nói rằng, một số chuyên gia AI tin rằng những dự báo như vậy là cực kỳ lạc quan do hiểu biết hạn chế của chúng ta về bộ não con người và tin rằng AGI vẫn còn cách xa hàng thế kỷ nữa.
Những dấu mốc gần đây trong sự phát triển của AI là gì?
Mặc dù AI hẹp hiện đại có thể bị giới hạn trong việc thực hiện các nhiệm vụ cụ thể, nhưng trong chuyên môn của chúng, các hệ thống này đôi khi có khả năng hoạt động siêu phàm, trong một số trường hợp, thậm chí thể hiện khả năng sáng tạo vượt trội, một đặc điểm thường được coi là bản chất con người.
Đã có quá nhiều đột phá để đưa ra một danh sách chính xác, nhưng một số điểm nổi bật bao gồm:
- Vào năm 2009, Google đã cho thấy chiếc Toyota Prius tự lái của mình có thể hoàn thành hơn 10 chặng đường mỗi chặng dài 100 dặm, đưa xã hội vào con đường hướng tới những chiếc xe không người lái.
- Năm 2011, hệ thống máy tính IBM Watson đã gây chú ý trên toàn thế giới khi giành chiến thắng trong cuộc thi đố vui Jeopardy!, đánh bại hai trong số những người chơi giỏi nhất mà chương trình từng sản xuất. Để giành chiến thắng trong chương trình, Watson đã sử dụng phân tích và xử lý ngôn ngữ tự nhiên trên kho dữ liệu khổng lồ được xử lý để trả lời các câu hỏi do con người đặt ra, thường trong một phần nhỏ của giây.
- Vào năm 2012, một bước đột phá khác đã báo trước tiềm năng của AI trong việc giải quyết vô số nhiệm vụ mới trước đây được cho là quá phức tạp đối với bất kỳ máy nào. Năm đó, hệ thống AlexNet đã chiến thắng một cách quyết định trong Thử thách nhận dạng hình ảnh quy mô lớn ImageNet. Độ chính xác của AlexNet đến mức nó đã giảm một nửa tỷ lệ lỗi so với các hệ thống đối thủ trong cuộc thi nhận dạng hình ảnh.
Hiệu suất của AlexNet đã chứng minh sức mạnh của các hệ thống học tập dựa trên mạng nơ-ron, một mô hình học máy đã tồn tại trong nhiều thập kỷ nhưng cuối cùng điều đó đã nhận ra tiềm năng của nó nhờ những cải tiến về kiến trúc và bước nhảy vọt về sức mạnh xử lý song song được thực hiện bởi Định luật Moore. Sức mạnh của các hệ thống máy học trong việc thực hiện tầm nhìn máy tính cũng đạt được tiêu đề trong năm đó, với Google đào tạo một hệ thống để nhận ra một đối tượng yêu thích trên Internet: hình ảnh những chú mèo.
Minh chứng tiếp theo về hiệu quả của các hệ thống học máy thu hút sự chú ý của công chúng là chiến thắng năm 2016 của Google DeepMind AlphaGo AI trước một đại kiện tướng cờ vây, một trò chơi cổ đại của Trung Quốc có độ phức tạp đã gây khó khăn cho máy tính trong nhiều thập kỷ. Cờ vây có thể có khoảng 200 nước đi mỗi lượt so với khoảng 20 trong Cờ vua. Trong quá trình chơi cờ vây, có rất nhiều nước đi có thể xảy ra mà việc tìm kiếm trước từng nước cờ để xác định cách chơi tốt nhất là quá tốn kém theo quan điểm tính toán. Thay vào đó, AlphaGo đã được huấn luyện cách chơi trò chơi bằng cách sử dụng các nước đi do các chuyên gia con người chơi trong 30 triệu ván cờ vây và đưa chúng vào các mạng thần kinh học sâu.
Việc đào tạo các mạng học sâu này có thể mất một thời gian rất dài, đòi hỏi phải nhập và lặp lại một lượng lớn dữ liệu khi hệ thống dần dần tinh chỉnh mô hình của nó để đạt được kết quả tốt nhất.
Tuy vậy, gần đây, Google đã tinh chỉnh quy trình đào tạo với AlphaGo Zero, một hệ thống đã chơi các trò chơi “hoàn toàn ngẫu nhiên” với chính nó và sau đó học hỏi từ nó. Giám đốc điều hành Google DeepMind Demis Hassabis cũng đã tiết lộ một phiên bản mới của AlphaGo Zero, có thể sử dụng thành thạo các trò chơi cờ vua và shogi.
Và AI tiếp tục vượt qua các cột mốc mới: một hệ thống do OpenAI đào tạo đã đánh bại những người chơi hàng đầu thế giới trong các trận đấu một đối một của trò chơi nhiều người chơi trực tuyến Dota 2.
Cùng năm đó, OpenAI đã tạo ra các tác nhân AI phát minh ra ngôn ngữ riêng để hợp tác và đạt được mục tiêu của họ hiệu quả hơn, tiếp theo là các đại lý đào tạo của Facebook để đàm phán và nói dối.
Năm 2020 là năm mà một hệ thống AI dường như đạt được khả năng viết và nói chuyện như một con người về hầu hết mọi chủ đề mà bạn có thể nghĩ ra.
Hệ thống được đề cập, được gọi là Generative Pre-training Transformer 3 hoặc viết tắt là GPT-3, là một mạng nơ-ron được đào tạo dựa trên hàng tỷ bài báo tiếng Anh có sẵn trên web mở.
Ngay sau khi nó được cung cấp để thử nghiệm bởi tổ chức phi lợi nhuận OpenAI, Internet đã xôn xao với khả năng tạo các bài báo về hầu hết mọi chủ đề của GPT-3, những bài báo thoạt nhìn thường khó. phân biệt với những người viết bởi một con người. Tương tự, các kết quả ấn tượng theo sau trong các lĩnh vực khác, với khả năng trả lời một cách thuyết phục các câu hỏi về nhiều chủ đề và thậm chí vượt qua cho một lập trình viên JavaScript mới làm quen.
Nhưng trong khi nhiều bài báo được tạo bằng GPT-3 có không khí khó hiểu, thử nghiệm thêm cho thấy các câu được tạo thường không vượt qua tập hợp, đưa ra những tuyên bố bề ngoài hợp lý nhưng khó hiểu, cũng như đôi khi hoàn toàn vô nghĩa.
Vẫn có sự quan tâm đáng kể trong việc sử dụng sự hiểu biết ngôn ngữ tự nhiên của mô hình làm cơ sở cho các dịch vụ trong tương lai. Nó là có sẵn cho các nhà phát triển được chọn để xây dựng thành phần mềm thông qua API beta của OpenAI. Nó cũng sẽ được tích hợp vào các dịch vụ trong tương lai có sẵn thông qua nền tảng đám mây Azure của Microsoft.
Có lẽ ví dụ nổi bật nhất về tiềm năng của AI xuất hiện vào cuối năm 2020 khi mạng thần kinh dựa trên sự chú ý của Google AlphaFold 2 đã chứng minh một kết quả mà một số người gọi là xứng đáng với giải Nobel Hóa học.
Khả năng của hệ thống trong việc xem xét các khối cấu tạo của protein, được gọi là axit amin, và suy ra rằng cấu trúc 3D của protein có thể ảnh hưởng sâu sắc đến tốc độ hiểu bệnh và thuốc được phát triển. Trong cuộc thi Đánh giá quan trọng về dự đoán cấu trúc protein, AlphaFold 2 đã xác định cấu trúc 3D của protein với độ chính xác ngang ngửa với tinh thể học, tiêu chuẩn vàng để mô hình hóa protein một cách thuyết phục.
Không giống như phương pháp tinh thể học, mất nhiều tháng để trả lại kết quả, AlphaFold 2 có thể lập mô hình protein trong vài giờ. Với cấu trúc 3D của protein đóng một vai trò quan trọng như vậy trong sinh học và bệnh tật của con người, tốc độ tăng nhanh như vậy đã được báo trước như một bước đột phá mang tính bước ngoặt cho khoa học y tế, chưa kể đến các ứng dụng tiềm năng trong các lĩnh vực khác, nơi các enzym được sử dụng trong công nghệ sinh học.
Học máy là gì?
Trên thực tế, tất cả những thành tựu được đề cập cho đến nay đều bắt nguồn từ học máy, một tập hợp con của AI chiếm phần lớn thành tựu trong lĩnh vực này trong những năm gần đây. Khi mọi người nói về AI ngày nay, họ thường nói về học máy.
Nói một cách dễ hiểu, hiện tại đang tận hưởng một điều gì đó đang trỗi dậy, nói một cách đơn giản, học máy là nơi một hệ thống máy tính học cách thực hiện một tác vụ chứ không phải được lập trình cách làm như vậy. Mô tả về học máy này bắt đầu từ năm 1959 khi nó được đặt ra bởi Arthur Samuel, người tiên phong trong lĩnh vực này, người đã phát triển một trong những hệ thống tự học đầu tiên trên thế giới, Chương trình chơi cờ caro Samuel.
Để tìm hiểu, các hệ thống này được cung cấp một lượng lớn dữ liệu, sau đó chúng sẽ sử dụng để tìm hiểu cách thực hiện một nhiệm vụ cụ thể, chẳng hạn như hiểu lời nói hoặc ghi chú thích cho một bức ảnh. Chất lượng và kích thước của tập dữ liệu này rất quan trọng để xây dựng một hệ thống có thể thực hiện nhiệm vụ được chỉ định một cách chính xác. Ví dụ: nếu bạn đang xây dựng một hệ thống máy học để dự đoán giá nhà, dữ liệu đào tạo không chỉ bao gồm kích thước bất động sản mà còn bao gồm các yếu tố nổi bật khác như số lượng phòng ngủ hoặc kích thước của khu vườn.
Mạng nơron là gì?
Chìa khóa thành công của học máy là mạng nơ-ron. Các mô hình toán học này có thể điều chỉnh các thông số bên trong để thay đổi những gì chúng xuất ra. Một mạng nơ-ron được cung cấp các bộ dữ liệu để dạy nó những gì nó sẽ xuất ra khi được trình bày với một số dữ liệu nhất định trong quá trình đào tạo. Theo thuật ngữ cụ thể, mạng có thể được cung cấp hình ảnh thang độ xám của các số từ 9 đến 9, cùng với một chuỗi các chữ số nhị phân - số 1989 và số đơn vị - cho biết số nào được hiển thị trong mỗi hình ảnh thang độ xám. Sau đó, mạng sẽ được huấn luyện, điều chỉnh các thông số bên trong của nó cho đến khi nó phân loại số lượng hiển thị trong mỗi hình ảnh với mức độ chính xác cao. Mạng nơ-ron được đào tạo này sau đó có thể được sử dụng để phân loại các hình ảnh thang độ xám khác của các số từ XNUMX đến XNUMX. Mạng lưới như vậy đã được sử dụng trong một bài báo về ứng dụng của mạng nơ-ron do Yann LeCun xuất bản năm XNUMX và đã được sử dụng bởi Bưu điện Hoa Kỳ để nhận dạng mã zip viết tay.
Cấu trúc và hoạt động của mạng lưới thần kinh rất lỏng lẻo dựa trên các kết nối giữa các tế bào thần kinh trong não. Mạng nơ-ron được tạo thành từ các lớp thuật toán được kết nối với nhau cung cấp dữ liệu cho nhau. Họ có thể được đào tạo để thực hiện các nhiệm vụ cụ thể bằng cách sửa đổi tầm quan trọng được quy cho dữ liệu khi dữ liệu đi qua giữa các lớp này. Trong quá trình huấn luyện các mạng nơ-ron này, trọng số được gắn vào dữ liệu khi nó đi qua giữa các lớp sẽ tiếp tục thay đổi cho đến khi đầu ra từ mạng nơ-ron rất gần với những gì mong muốn. Tại thời điểm đó, mạng sẽ 'học' cách thực hiện một tác vụ cụ thể. Đầu ra mong muốn có thể là bất cứ thứ gì từ việc ghi nhãn chính xác trái cây trong hình ảnh đến dự đoán khi nào thang máy có thể gặp sự cố dựa trên dữ liệu cảm biến của nó.
Một tập hợp con của học máy là học sâu, trong đó mạng nơ-ron được mở rộng thành các mạng rộng lớn với một số lượng lớn các lớp lớn được đào tạo bằng cách sử dụng một lượng lớn dữ liệu. Các mạng nơ-ron sâu này đã thúc đẩy bước tiến nhảy vọt hiện nay về khả năng máy tính thực hiện các tác vụ như nhận dạng giọng nói và thị giác máy tính.
Có nhiều loại mạng nơ-ron với những điểm mạnh và điểm yếu khác nhau. Mạng nơ-ron lặp lại (RNN) là một loại mạng nơ-ron đặc biệt phù hợp với Xử lý ngôn ngữ tự nhiên (NLP) - hiểu ý nghĩa của văn bản - và nhận dạng giọng nói, trong khi mạng nơ-ron phức hợp có nguồn gốc từ nhận dạng hình ảnh và có các ứng dụng đa dạng như giới thiệu hệ thống và NLP. Việc thiết kế mạng nơ-ron cũng đang phát triển, với các nhà nghiên cứu tinh chỉnh một hình thức hiệu quả hơn của mạng lưới thần kinh sâu được gọi là trí nhớ ngắn hạn dài hạn hoặc LSTM - một loại kiến trúc RNN được sử dụng cho các tác vụ như NLP và dự đoán thị trường chứng khoán - cho phép nó hoạt động đủ nhanh để được sử dụng trong các hệ thống theo yêu cầu như Google Dịch.
Cấu trúc và đào tạo của mạng nơron sâu.
Hình ảnh: Nuance
Các loại AI khác là gì?
Một lĩnh vực nghiên cứu AI khác là tính toán tiến hóa.
Nó vay mượn lý thuyết của Darwin về chọn lọc tự nhiên. Nó cho thấy các thuật toán di truyền trải qua các đột biến và kết hợp ngẫu nhiên giữa các thế hệ trong nỗ lực nhằm phát triển giải pháp tối ưu cho một vấn đề nhất định.
Cách tiếp cận này thậm chí đã được sử dụng để giúp thiết kế các mô hình AI, sử dụng hiệu quả AI để giúp xây dựng AI. Việc sử dụng các thuật toán tiến hóa để tối ưu hóa mạng nơ-ron được gọi là tiến hóa thần kinh. Nó có thể đóng một vai trò quan trọng trong việc giúp thiết kế AI hiệu quả khi việc sử dụng các hệ thống thông minh ngày càng phổ biến, đặc biệt khi nhu cầu về các nhà khoa học dữ liệu thường vượt xa nguồn cung. Kỹ thuật được giới thiệu bởi Uber AI Labs, nơi phát hành các bài báo về việc sử dụng các thuật toán di truyền để đào tạo mạng nơron sâu cho các vấn đề học tập củng cố.
Cuối cùng, có những hệ thống chuyên gia, nơi máy tính được lập trình với các quy tắc cho phép chúng đưa ra một loạt quyết định dựa trên một số lượng lớn đầu vào, cho phép máy đó bắt chước hành vi của một chuyên gia con người trong một miền cụ thể. Ví dụ về các hệ thống dựa trên kiến thức này có thể là, ví dụ, hệ thống lái tự động lái máy bay.
Điều gì đang thúc đẩy sự hồi sinh trong AI?
Như đã trình bày ở trên, những bước đột phá lớn nhất đối với nghiên cứu AI trong những năm gần đây là trong lĩnh vực máy học, đặc biệt là trong lĩnh vực học sâu.
Điều này được thúc đẩy một phần bởi sự sẵn có dễ dàng của dữ liệu, nhưng còn hơn thế nữa bởi sự bùng nổ sức mạnh tính toán song song, trong thời gian đó, việc sử dụng các cụm đơn vị xử lý đồ họa (GPU) để đào tạo các hệ thống học máy đã trở nên phổ biến hơn.
Các cụm này không chỉ cung cấp các hệ thống mạnh mẽ hơn rất nhiều để đào tạo các mô hình máy học, mà hiện chúng còn được phổ biến rộng rãi dưới dạng dịch vụ đám mây trên internet. Theo thời gian, các công ty công nghệ lớn, những công ty như Google, microsoftvà Tesla, đã chuyển sang sử dụng các chip chuyên dụng phù hợp với cả việc chạy và gần đây là mô hình đào tạo, học máy.
Ví dụ về một trong những chip tùy chỉnh này là Bộ xử lý Tensor (TPU) của Google, phiên bản mới nhất của nó tăng tốc độ mà các mô hình học máy hữu ích được xây dựng bằng thư viện phần mềm TensorFlow của Google có thể suy ra thông tin từ dữ liệu, cũng như tốc độ tại mà họ có thể được đào tạo.
Các chip này được sử dụng để đào tạo các mô hình cho DeepMind và Google Brain cũng như các mô hình làm nền tảng cho Google Dịch và nhận dạng hình ảnh trong Google Photos và các dịch vụ cho phép công chúng xây dựng các mô hình học máy bằng cách sử dụng Đám mây nghiên cứu TensorFlow của Google. Thế hệ thứ ba của những con chip này đã được ra mắt tại hội nghị I / O của Google vào tháng 2018 năm 100 và kể từ đó đã được đóng gói thành các cỗ máy học máy được gọi là pod có thể thực hiện hơn một trăm nghìn nghìn tỷ hoạt động dấu phẩy động mỗi giây (XNUMX petaflop). Những nâng cấp TPU đang diễn ra này đã cho phép Google cải thiện các dịch vụ của mình được xây dựng trên các mô hình máy học, chẳng hạn như giảm một nửa thời gian đào tạo các mô hình được sử dụng trong Google Dịch.
Các yếu tố của học máy là gì?
Như đã đề cập, học máy là một tập hợp con của AI và thường được chia thành hai loại chính: học có giám sát và không giám sát.
Học có giám sát
Một kỹ thuật phổ biến để dạy các hệ thống AI là đào tạo chúng bằng cách sử dụng nhiều ví dụ được gắn nhãn. Các hệ thống máy học này được cung cấp một lượng lớn dữ liệu, đã được chú thích để làm nổi bật các tính năng quan tâm. Đây có thể là những bức ảnh được gắn nhãn để cho biết chúng có chứa một con chó hoặc những câu viết có chú thích để cho biết liệu từ 'bass' có liên quan đến âm nhạc hay một con cá hay không. Sau khi được huấn luyện, hệ thống có thể áp dụng các nhãn này cho dữ liệu mới, chẳng hạn như cho một chú chó trong ảnh vừa được tải lên.
Quá trình dạy máy bằng ví dụ này được gọi là học có giám sát. Việc ghi nhãn những ví dụ này thường được thực hiện bởi công nhân trực tuyến được tuyển dụng thông qua các nền tảng như Amazon Mechanical Turk.
Việc đào tạo các hệ thống này thường đòi hỏi một lượng lớn dữ liệu, với một số hệ thống cần tìm kiếm hàng triệu ví dụ để tìm hiểu cách thực hiện nhiệm vụ một cách hiệu quả – mặc dù điều này ngày càng khả thi trong thời đại dữ liệu lớn và khai thác dữ liệu rộng rãi. Bộ dữ liệu đào tạo rất lớn và đang phát triển về quy mô - Tập dữ liệu hình ảnh mở của Google có khoảng chín triệu hình ảnh, trong khi kho lưu trữ video được gắn nhãn của nó YouTube-8 triệu liên kết đến bảy triệu video được gắn nhãn. IMAGEnet, một trong những cơ sở dữ liệu ban đầu thuộc loại này, có hơn 14 triệu hình ảnh được phân loại. Được tổng hợp trong hơn hai năm, nó được tập hợp bởi gần 50 000 người - hầu hết trong số họ được tuyển dụng thông qua Amazon Mechanical Turk - những người đã kiểm tra, sắp xếp và dán nhãn cho gần một tỷ hình ảnh ứng viên.
Việc có quyền truy cập vào các tập dữ liệu có nhãn khổng lồ cũng có thể ít quan trọng hơn việc truy cập vào lượng lớn sức mạnh tính toán trong thời gian dài.
Trong những năm gần đây, Mạng đối thủ chung (GAN) đã được sử dụng trong các hệ thống học máy chỉ yêu cầu một lượng nhỏ dữ liệu được gắn nhãn cùng với một lượng lớn dữ liệu không được gắn nhãn, như tên gọi cho thấy, đòi hỏi ít công việc thủ công hơn để chuẩn bị.
Cách tiếp cận này có thể cho phép tăng cường sử dụng học bán giám sát, nơi các hệ thống có thể học cách thực hiện các nhiệm vụ bằng cách sử dụng một lượng dữ liệu được gắn nhãn nhỏ hơn nhiều so với mức cần thiết cho các hệ thống đào tạo sử dụng học có giám sát ngày nay.
Học tập không giám sát
Ngược lại, học không giám sát sử dụng một cách tiếp cận khác, trong đó các thuật toán cố gắng xác định các mẫu trong dữ liệu, tìm kiếm những điểm tương đồng có thể được sử dụng để phân loại dữ liệu đó.
Một ví dụ có thể là tập hợp các loại trái cây có trọng lượng tương tự nhau hoặc những chiếc ô tô có kích thước động cơ tương tự.
Thuật toán không được thiết lập trước để chọn ra các loại dữ liệu cụ thể; nó chỉ đơn giản là tìm kiếm dữ liệu mà các điểm tương đồng của nó có thể nhóm lại, chẳng hạn như Google Tin tức nhóm các tin bài với nhau về các chủ đề tương tự mỗi ngày.
Học tăng cường
Một phép tương tự thô thiển đối với việc học củng cố là thưởng cho thú cưng một món quà khi nó thực hiện một trò lừa. Trong học tập củng cố, hệ thống cố gắng tối đa hóa phần thưởng dựa trên dữ liệu đầu vào của nó, về cơ bản sẽ trải qua một quá trình thử và sai cho đến khi đạt được kết quả tốt nhất có thể.
Một ví dụ về học tập củng cố là mạng Q-sâu của Google DeepMind, đã được sử dụng để đạt hiệu suất tốt nhất của con người trong nhiều trò chơi điện tử cổ điển khác nhau. Hệ thống được cung cấp các pixel từ mỗi trò chơi và xác định các thông tin khác nhau, chẳng hạn như khoảng cách giữa các đối tượng trên màn hình.
Bằng cách xem xét điểm số đạt được trong mỗi trò chơi, hệ thống xây dựng mô hình hành động sẽ tối đa hóa điểm số trong các trường hợp khác nhau, chẳng hạn như trong trường hợp trò chơi điện tử Breakout, nơi cần di chuyển mái chèo để đánh chặn quả bóng.
Cách tiếp cận cũng được sử dụng trong nghiên cứu người máy, nơi học tập tăng cường có thể giúp dạy cho rô bốt tự hành cách tối ưu để hoạt động trong môi trường thế giới thực.
Nhiều công nghệ liên quan đến AI đang tiếp cận, hoặc đã đạt đến "đỉnh điểm của kỳ vọng tăng cao" trong Chu kỳ Hype của Gartner, với 'đáy vỡ mộng' do phản ứng dữ dội đang chờ đợi.
Hình ảnh: Gartner / Chú thích: ZDNet
Những công ty hàng đầu trong lĩnh vực AI là gì?
Với việc AI ngày càng đóng vai trò quan trọng trong phần mềm và dịch vụ hiện đại, mỗi công ty công nghệ lớn đang chiến đấu để phát triển công nghệ học máy mạnh mẽ để sử dụng trong nhà và bán cho công chúng thông qua các dịch vụ đám mây.
Mỗi công ty đều đặn đưa ra những tiêu đề về việc đột phá nền tảng mới trong nghiên cứu AI, mặc dù có lẽ Google với hệ thống DeepMind AI AlphaFold và AlphaGo có lẽ đã tạo ra tác động lớn nhất đến nhận thức của công chúng về AI.
Có những dịch vụ AI nào?
Tất cả các nền tảng đám mây chính - Amazon Web Services, Microsoft Azure và Google Cloud Platform - cung cấp quyền truy cập vào mảng GPU để đào tạo và chạy các mô hình học máy, với Google cũng chuẩn bị cho phép người dùng sử dụng các Bộ xử lý căng của nó - chip tùy chỉnh có thiết kế được tối ưu hóa cho đào tạo và chạy các mô hình máy học.
Tất cả các cơ sở hạ tầng và dịch vụ liên quan cần thiết đều có sẵn từ ba cơ sở lớn, các kho lưu trữ dữ liệu dựa trên đám mây, có khả năng chứa một lượng lớn dữ liệu cần thiết để đào tạo các mô hình học máy, các dịch vụ chuyển đổi dữ liệu để chuẩn bị cho phân tích, các công cụ trực quan hóa để hiển thị kết quả rõ ràng và phần mềm giúp đơn giản hóa việc xây dựng mô hình.
Các nền tảng đám mây này thậm chí còn đơn giản hóa việc tạo ra các mô hình học máy tùy chỉnh, với việc Google cung cấp một dịch vụ tự động hóa việc tạo ra các mô hình AI, được gọi là Cloud AutoML. Dịch vụ kéo và thả này xây dựng các mô hình nhận dạng hình ảnh tùy chỉnh và yêu cầu người dùng không có chuyên môn về máy học.
Các dịch vụ máy học dựa trên đám mây đang không ngừng phát triển. Amazon hiện cung cấp một loạt các dịch vụ AWS được thiết kế để hợp lý hóa quá trình đào tạo các mô hình học máy và gần đây đã ra mắt Amazon SageMaker Clarify, một công cụ để giúp các tổ chức loại bỏ tận gốc những sai lệch và mất cân bằng trong dữ liệu đào tạo có thể dẫn đến dự đoán sai lệch theo mô hình được đào tạo.
Đối với những công ty không muốn xây dựng mô hình máy học = máy học của riêng họ mà thay vào đó muốn sử dụng các dịch vụ theo yêu cầu, được hỗ trợ bởi AI, chẳng hạn như giọng nói, thị giác và nhận dạng ngôn ngữ, Microsoft Azure nổi bật với phạm vi dịch vụ trên , theo sau là Google Cloud Platform và sau đó là AWS. Trong khi đó, IBM, cùng với các dịch vụ theo yêu cầu tổng quát hơn, cũng đang cố gắng bán các dịch vụ AI theo lĩnh vực cụ thể nhằm vào mọi thứ từ chăm sóc sức khỏe đến bán lẻ, nhóm các dịch vụ này lại với nhau theo IBM Watson ô, và đã đầu tư 2 tỷ đô la để mua The Weather Channel để mở khóa một kho dữ liệu nhằm tăng cường các dịch vụ AI của nó.
Công ty công nghệ lớn nào đang chiến thắng trong cuộc đua AI?
Trong nội bộ, mỗi gã khổng lồ công nghệ và những người khác như Facebook sử dụng AI để giúp thúc đẩy vô số dịch vụ công cộng: cung cấp kết quả tìm kiếm, đưa ra đề xuất, nhận dạng người và sự vật trong ảnh, dịch theo yêu cầu, phát hiện spam - danh sách này rất rộng.
Nhưng một trong những biểu hiện dễ thấy nhất của cuộc chiến AI này là sự gia tăng của các trợ lý ảo, chẳng hạn như Siri của Apple, Alexa của Amazon, Google Assistant và Microsoft Cortana.
Phụ thuộc nhiều vào nhận dạng giọng nói và xử lý ngôn ngữ tự nhiên và cần một kho dữ liệu khổng lồ để thu thập để trả lời các truy vấn, một lượng lớn công nghệ đã đi vào phát triển các trợ lý này.
Nhưng trong khi Siri của Apple có thể nổi lên đầu tiên, thì đó là Google và Amazon mà các trợ lý của họ đã vượt qua Apple trong không gian AI - Google Assistant với khả năng trả lời một loạt các truy vấn và Alexa của Amazon với số lượng lớn 'Kỹ năng' mà các nhà phát triển bên thứ ba đã tạo để thêm vào các khả năng của nó.
Theo thời gian, những trợ lý này ngày càng đạt được những khả năng giúp họ phản ứng nhanh hơn và có thể xử lý tốt hơn các loại câu hỏi mà mọi người đặt ra trong các cuộc trò chuyện thông thường. Ví dụ: Trợ lý Google hiện cung cấp một tính năng được gọi là Cuộc trò chuyện liên tục, nơi người dùng có thể đặt các câu hỏi tiếp theo cho truy vấn ban đầu của họ, chẳng hạn như 'Thời tiết hôm nay như thế nào?', Tiếp theo là 'Còn ngày mai thì sao?' và hệ thống hiểu câu hỏi tiếp theo cũng liên quan đến thời tiết.
Các trợ lý này và các dịch vụ liên quan cũng có thể xử lý nhiều thứ hơn là chỉ lời nói, với phiên bản mới nhất của Google Lens có thể dịch văn bản thành hình ảnh và cho phép bạn tìm kiếm quần áo hoặc đồ đạc bằng ảnh.
Mặc dù được tích hợp sẵn trong Windows 10, nhưng Cortana đã có một khoảng thời gian đặc biệt khó khăn, với Alexa của Amazon hiện được cung cấp miễn phí trên PC chạy Windows 10. Đồng thời, Microsoft cải tiến vai trò của Cortana trong hệ điều hành để tập trung nhiều hơn vào các tác vụ năng suất, chẳng hạn như quản lý lịch trình của người dùng, thay vì các tính năng tập trung hơn vào người tiêu dùng được tìm thấy trong các trợ lý khác, chẳng hạn như phát nhạc.
Những quốc gia nào đang dẫn đầu về AI?
Sẽ là một sai lầm lớn khi nghĩ rằng những gã khổng lồ công nghệ của Mỹ đã hoàn thiện lĩnh vực AI. Các công ty Trung Quốc như Alibaba, Baidu và Lenovo, đầu tư rất nhiều vào AI trong các lĩnh vực từ thương mại điện tử đến lái xe tự hành. Với tư cách là một quốc gia, Trung Quốc đang theo đuổi kế hoạch ba bước để biến AI thành một ngành công nghiệp cốt lõi của đất nước, một sẽ trị giá 150 tỷ nhân dân tệ (22 tỷ USD) vào cuối năm 2020 để trở thành sức mạnh AI hàng đầu thế giới vào năm 2030.
Baidu đã đầu tư vào phát triển ô tô tự lái, được hỗ trợ bởi thuật toán học sâu, Baidu AutoBrain. Sau nhiều năm thử nghiệm, với chiếc xe tự lái Apollo có đã đạt được hơn ba triệu dặm lái xe trong các cuộc thử nghiệm, nó đã chở hơn 100 hành khách tại 000 thành phố trên toàn thế giới.
Baidu đã ra mắt một đội tàu Apollo Go gồm 40 chiếc Robotaxis tại Bắc Kinh trong năm nay. Người sáng lập công ty đã dự đoán rằng phương tiện tự lái sẽ phổ biến ở các thành phố của Trung Quốc trong vòng XNUMX năm tới.
Sự kết hợp của luật bảo mật yếu kém, đầu tư lớn, thu thập dữ liệu liên quan và phân tích dữ liệu lớn của các công ty lớn như Baidu, Alibaba và Tencent, có nghĩa là một số nhà phân tích tin rằng Trung Quốc sẽ có lợi thế hơn Mỹ khi nghiên cứu AI trong tương lai. , với một nhà phân tích mô tả cơ hội Trung Quốc dẫn trước Mỹ với vị trí 500-1 nghiêng về phía Trung Quốc.
Xe tự lái của Baidu, một chiếc BMW 3 series đã được sửa đổi.
Hình ảnh: Baidu
Làm cách nào để bắt đầu với AI?
Mặc dù bạn có thể mua GPU Nvidia mạnh vừa phải cho PC của mình - đâu đó xung quanh Nvidia GeForce RTX 2060 hoặc nhanh hơn - và bắt đầu đào tạo mô hình máy học, có lẽ cách dễ nhất để thử nghiệm với các dịch vụ liên quan đến AI là thông qua đám mây.
Tất cả các công ty công nghệ lớn đều cung cấp các dịch vụ AI khác nhau, từ cơ sở hạ tầng để xây dựng và đào tạo các mô hình học máy của riêng bạn thông qua các dịch vụ web cho phép bạn truy cập các công cụ hỗ trợ AI như nhận dạng giọng nói, ngôn ngữ, thị giác và cảm xúc theo yêu cầu .
AI sẽ thay đổi thế giới như thế nào?
Robot và ô tô không người lái
Mong muốn robot có thể hoạt động tự chủ, hiểu và điều hướng thế giới xung quanh có nghĩa là có một sự chồng chéo tự nhiên giữa robot và AI. Trong khi AI chỉ là một trong những công nghệ được sử dụng trong robot, AI đang giúp robot tiến vào các lĩnh vực mới như xe tự lái, robot giao hàng và giúp đỡ rô bốt học các kỹ năng mới. Vào đầu năm 2020, General Motors và Honda tiết lộ nguồn gốc của Cruise, một chiếc ô tô không người lái chạy bằng điện và Waymo, nhóm tự lái bên trong Alphabet mẹ của Google, gần đây đã mở dịch vụ robotaxi cho công chúng ở Phoenix, Arizona, cung cấp một dịch vụ bao gồm một khu vực rộng 50 dặm vuông trong thành phố.
tin tức giả mạo
Chúng tôi sắp có mạng nơ-ron có thể tạo hình ảnh chân thực or tái tạo giọng nói của ai đó theo cách hoàn hảo. Cùng với đó là khả năng gây ra sự thay đổi xã hội vô cùng lớn, chẳng hạn như không còn có thể tin tưởng cảnh quay video hoặc âm thanh là chân thực. Mối quan tâm cũng bắt đầu dấy lên về việc những công nghệ như vậy sẽ được sử dụng để đánh lừa hình ảnh của con người như thế nào, với những công cụ đã được tạo ra để ghép các gương mặt nổi tiếng vào phim người lớn một cách thuyết phục.
Nhận dạng giọng nói và ngôn ngữ
Hệ thống máy học đã giúp máy tính nhận ra những gì mọi người đang nói với độ chính xác gần như 95%. Nhóm nghiên cứu và trí tuệ nhân tạo của Microsoft cũng báo cáo rằng họ đã phát triển một hệ thống sao chép nói tiếng Anh chính xác như người phiên dịch.
Với việc các nhà nghiên cứu theo đuổi mục tiêu chính xác đến 99%, hy vọng việc nói chuyện với máy tính ngày càng trở nên phổ biến cùng với các hình thức tương tác giữa người và máy truyền thống hơn.
Trong khi đó, mô hình dự đoán ngôn ngữ GPT-3 của OpenAI gần đây đã gây xôn xao với khả năng tạo ra các bài báo có thể được viết bởi con người.
Nhận dạng và giám sát khuôn mặt
Trong những năm gần đây, độ chính xác của hệ thống nhận dạng khuôn mặt đã tăng vọt, đến mức Gã khổng lồ công nghệ Trung Quốc Baidu cho biết họ có thể ghép khuôn mặt với độ chính xác 99%, cung cấp khuôn mặt đủ rõ ràng trên video. Trong khi lực lượng cảnh sát ở các nước phương Tây thường chỉ thử nghiệm sử dụng hệ thống nhận dạng khuôn mặt tại các sự kiện lớn, thì ở Trung Quốc, các nhà chức trách đang triển khai một chương trình toàn quốc để kết nối camera quan sát trên toàn quốc với nhận dạng khuôn mặt và sử dụng hệ thống AI để theo dõi nghi phạm và hành vi đáng ngờ, và có cũng mở rộng việc sử dụng kính nhận dạng khuôn mặt của cảnh sát.
Mặc dù các quy định về quyền riêng tư khác nhau trên toàn cầu, nhưng có khả năng việc sử dụng công nghệ AI xâm nhập hơn này - bao gồm cả AI có thể nhận ra cảm xúc - sẽ dần trở nên phổ biến hơn. Tuy nhiên, phản ứng dữ dội ngày càng tăng và các câu hỏi về tính công bằng của các hệ thống nhận dạng khuôn mặt đã khiến Amazon, IBM và Microsoft phải tạm dừng hoặc tạm dừng việc bán các hệ thống này cho cơ quan thực thi pháp luật.
Chăm sóc sức khỏe
AI cuối cùng có thể có tác động mạnh mẽ đến chăm sóc sức khỏe, giúp các bác sĩ X quang loại bỏ các khối u trong tia X, hỗ trợ các nhà nghiên cứu phát hiện các chuỗi di truyền liên quan đến bệnh tật và xác định các phân tử có thể dẫn đến các loại thuốc hiệu quả hơn. Bước đột phá gần đây của hệ thống máy học AlphaFold 2 của Google được kỳ vọng sẽ giảm thời gian thực hiện trong một bước quan trọng khi phát triển các loại thuốc mới từ hàng tháng xuống hàng giờ.
Đã có những thử nghiệm về công nghệ liên quan đến AI tại các bệnh viện trên khắp thế giới. Chúng bao gồm công cụ hỗ trợ quyết định lâm sàng Watson của IBM, công cụ mà các bác sĩ ung thư đào tạo tại Trung tâm Ung thư Memorial Sloan Kettering, và sử dụng hệ thống Google DeepMind của Dịch vụ Y tế Quốc gia Vương quốc Anh, nơi nó sẽ giúp phát hiện các bất thường về mắt và hợp lý hóa quá trình tầm soát bệnh nhân ung thư đầu và cổ.
Tăng cường phân biệt đối xử và thành kiến
Mối quan tâm ngày càng tăng là cách mà các hệ thống học máy có thể mã hóa các thành kiến của con người và bất bình đẳng xã hội được phản ánh trong dữ liệu đào tạo của họ. Những nỗi sợ hãi này đã được nảy sinh bởi nhiều ví dụ về việc thiếu sự đa dạng trong dữ liệu được sử dụng để đào tạo các hệ thống như vậy gây ra những hậu quả tiêu cực trong thế giới thực.
Trong 2018, một Bài báo nghiên cứu của MIT và Microsoft phát hiện ra rằng các hệ thống nhận dạng khuôn mặt do các công ty công nghệ lớn bán có tỷ lệ lỗi cao hơn đáng kể khi xác định những người có làn da sẫm màu, một vấn đề được cho là do tập dữ liệu đào tạo chủ yếu là đàn ông da trắng.
Một học một năm sau nhấn mạnh rằng hệ thống nhận dạng khuôn mặt Rekognition của Amazon có vấn đề trong việc xác định giới tính của những người có làn da sẫm màu, a phí bị thách thức bởi các giám đốc điều hành của Amazon, nhắc nhở một trong những nhà nghiên cứu giải quyết các điểm được nêu ra trong bài phản bác của Amazon.
Kể từ khi các nghiên cứu được công bố, nhiều công ty công nghệ lớn, ít nhất là tạm thời, đã ngừng bán hệ thống nhận dạng khuôn mặt cho các sở cảnh sát.
Một ví dụ khác về dữ liệu đào tạo không đủ đa dạng làm sai lệch kết quả đã xuất hiện trên các tiêu đề trong năm 2018 khi Amazon loại bỏ một công cụ tuyển dụng bằng máy học xác định các ứng viên nam là thích hợp hơn. Hôm nay nghiên cứu đang tiếp tục thành những cách để bù đắp những thành kiến trong hệ thống tự học.
AI và sự nóng lên toàn cầu
Khi kích thước của các mô hình học máy và bộ dữ liệu được sử dụng để đào tạo chúng ngày càng lớn, thì lượng khí thải carbon của các cụm máy tính rộng lớn định hình và chạy các mô hình này cũng tăng theo. Tác động môi trường của việc cấp nguồn và làm mát các trang trại máy tính này là chủ đề của một bài báo của Diễn đàn Kinh tế Thế giới năm 2018. Một Ước tính năm 2019 là năng lượng mà hệ thống học máy yêu cầu sẽ tăng gấp đôi sau mỗi 3.4 tháng.
Vấn đề về lượng lớn năng lượng cần thiết để đào tạo các mô hình học máy mạnh mẽ là gần đây được chú ý bởi việc phát hành mô hình dự đoán ngôn ngữ GPT-3, một mạng lưới thần kinh rộng lớn với khoảng 175 tỷ tham số.
Trong khi các nguồn lực cần thiết để đào tạo các mô hình như vậy có thể rất lớn và phần lớn chỉ dành cho các tập đoàn lớn, một khi được đào tạo thì năng lượng cần thiết để vận hành các mô hình này sẽ ít hơn đáng kể. Tuy nhiên, khi nhu cầu về các dịch vụ dựa trên các mô hình này tăng lên, việc tiêu thụ điện năng và hậu quả là tác động đến môi trường lại trở thành một vấn đề.
Một lập luận cho rằng tác động môi trường của việc đào tạo và chạy các mô hình lớn hơn cần phải được cân nhắc so với khả năng máy học phải có tác động tích cực đáng kểchẳng hạn như những tiến bộ nhanh chóng hơn trong lĩnh vực chăm sóc sức khỏe có vẻ như sau bước đột phá được thực hiện bởi AlphaFold 2 của Google DeepMind.
AI sẽ giết tất cả chúng ta?
Một lần nữa, nó phụ thuộc vào người bạn yêu cầu. Khi các hệ thống được hỗ trợ bởi AI đã phát triển nhiều khả năng hơn, do đó, các cảnh báo về những mặt trái của nó trở nên nghiêm trọng hơn.
Tesla và Giám đốc điều hành SpaceX Elon Musk đã tuyên bố rằng AI là "nguy cơ cơ bản đối với sự tồn tại của nền văn minh nhân loại". Là một phần trong nỗ lực giám sát quy định mạnh mẽ hơn và nghiên cứu có trách nhiệm hơn nhằm giảm thiểu những mặt trái của AI, anh đã thành lập OpenAI, một công ty nghiên cứu trí tuệ nhân tạo phi lợi nhuận nhằm thúc đẩy và phát triển AI thân thiện sẽ mang lại lợi ích cho toàn xã hội. Tương tự, nhà vật lý đáng kính Stephen Hawking cảnh báo rằng một khi một AI đủ tiên tiến được tạo ra, nó sẽ nhanh chóng tiến tới mức vượt xa khả năng của con người. Một hiện tượng được biết đến như một điểm kỳ dị và có thể là mối đe dọa hiện hữu đối với loài người.
Tuy nhiên, quan điểm cho rằng nhân loại đang đứng trên bờ vực bùng nổ AI sẽ làm suy giảm trí tuệ của chúng ta có vẻ như là lố bịch đối với một số nhà nghiên cứu AI.
Chris Bishop, giám đốc nghiên cứu của Microsoft tại Cambridge, Anh, nhấn mạnh trí thông minh hẹp của AI ngày nay khác với trí thông minh chung của con người như thế nào, nói rằng khi mọi người lo lắng về “Kẻ hủy diệt và sự trỗi dậy của máy móc, v.v.? Đúng là vô nghĩa. Tốt nhất, những cuộc thảo luận như vậy còn cách xa hàng thập kỷ nữa ”.
AI sẽ đánh cắp công việc của bạn?
Khả năng các hệ thống thông minh nhân tạo thay thế phần lớn lao động chân tay hiện đại có lẽ là một khả năng đáng tin cậy hơn trong tương lai gần.
Mặc dù AI sẽ không thay thế tất cả các công việc, nhưng điều có vẻ chắc chắn là AI sẽ thay đổi bản chất công việc, với câu hỏi duy nhất là tự động hóa sẽ thay đổi nơi làm việc nhanh chóng và sâu sắc như thế nào.
Hầu như không có một lĩnh vực nỗ lực nào của con người mà AI không có khả năng tác động. Như Chuyên gia AI Andrew Ng đặt nó: “Nhiều người đang làm những công việc thường xuyên, lặp đi lặp lại. Thật không may, công nghệ đặc biệt tốt trong việc tự động hóa công việc thường xuyên, lặp đi lặp lại ”, ông nói rằng“ nguy cơ thất nghiệp công nghệ đáng kể trong vài thập kỷ tới ”.
Bằng chứng về những công việc nào sẽ được thay thế đang bắt đầu xuất hiện. Hiện có 27 Amazon Go các cửa hàng và siêu thị không có quầy thu ngân, nơi khách hàng chỉ cần lấy các mặt hàng từ kệ và bước ra ở Mỹ. Điều này có ý nghĩa gì đối với hơn ba triệu người ở Hoa Kỳ làm công việc thu ngân vẫn còn được xem xét. Amazon một lần nữa đang dẫn đầu trong việc sử dụng robot để cải thiện hiệu quả bên trong các kho hàng của mình. Này robot mang kệ sản phẩm cho người chọn người chọn các mục sẽ được gửi đi. Amazon có hơn 200 000 bot trong các trung tâm thực hiện của mình, với kế hoạch bổ sung nhiều hơn nữa. Nhưng Amazon cũng nhấn mạnh rằng khi số lượng bot ngày càng tăng thì số lượng nhân công trong các nhà kho này cũng tăng theo. Tuy nhiên, Amazon và các công ty chế tạo robot nhỏ đang làm việc để tự động hóa các công việc thủ công còn lại trong nhà kho, vì vậy, không có nghĩa là lao động thủ công và rô bốt sẽ tiếp tục phát triển cùng với nhau.
Các phương tiện tự lái hoàn toàn tự lái vẫn chưa thành hiện thực, nhưng theo một số dự đoán, ngành vận tải đường bộ tự lái một mình sẵn sàng đảm nhận hơn 1.7 triệu việc làm trong thập kỷ tới, ngay cả khi không tính đến tác động đối với các giao thông viên và tài xế taxi.
Tuy nhiên, một số công việc dễ dàng nhất để tự động hóa thậm chí sẽ không yêu cầu robot. Hiện tại, có hàng triệu người làm công việc quản trị, nhập và sao chép dữ liệu giữa các hệ thống, theo dõi và đặt lịch hẹn cho các công ty khi phần mềm ngày càng tốt hơn trong việc tự động cập nhật hệ thống và gắn cờ các thông tin quan trọng, do đó nhu cầu về quản trị viên sẽ giảm xuống.
Như mọi sự thay đổi công nghệ, việc làm mới sẽ được tạo ra để thay thế những việc làm đã mất. Tuy nhiên, điều không chắc chắn là liệu những vai trò mới này có được tạo đủ nhanh hay không cung cấp việc làm cho những người bị di dời và liệu những người mới thất nghiệp có đủ kỹ năng hoặc tính khí cần thiết để đảm nhận những vai trò mới nổi này hay không.
Không phải ai cũng là người bi quan. Đối với một số, AI là một công nghệ sẽ tăng cường thay vì thay thế công nhân. Không chỉ vậy, họ lập luận rằng sẽ có một mệnh lệnh thương mại là không thay thế mọi người hoàn toàn, với tư cách là một nhân viên được hỗ trợ bởi AI - hãy nghĩ rằng một nhân viên hướng dẫn con người với tai nghe AR sẽ cho họ biết chính xác những gì khách hàng muốn trước khi họ yêu cầu - sẽ là năng suất hoặc hiệu quả hơn là một AI tự hoạt động.
Có nhiều ý kiến về việc các hệ thống thông minh nhân tạo sẽ nhanh chóng vượt qua khả năng của con người trong số các chuyên gia AI.
Viện Tương lai Nhân loại của Đại học Oxford đã hỏi hàng trăm chuyên gia học máy để dự đoán khả năng của AI trong những thập kỷ tới.
Những ngày đáng chú ý bao gồm AI viết bài luận có thể được con người viết vào năm 2026, tài xế xe tải trở nên dư thừa vào năm 2027, AI vượt qua khả năng của con người trong lĩnh vực bán lẻ vào năm 2031, viết một cuốn sách bán chạy nhất vào năm 2049 và làm bác sĩ phẫu thuật vào năm 2053 .
Họ ước tính khả năng AI đánh bại con người ở tất cả các nhiệm vụ trong vòng 45 năm và tự động hóa tất cả các công việc của con người trong vòng 120 năm.
Xem thêm:
IBM thêm các công cụ Watson để đọc hiểu, trích xuất Câu hỏi thường gặp.
Bảo hiểm liên quan
ML và AI sẽ biến đổi phân tích và trí tuệ kinh doanh như thế nào
Những tiến bộ của máy học và trí tuệ nhân tạo trong năm lĩnh vực sẽ giúp dễ dàng chuẩn bị dữ liệu, khám phá, phân tích, dự đoán và ra quyết định dựa trên dữ liệu.
Báo cáo: Trí tuệ nhân tạo đang tạo ra việc làm, tạo ra lợi nhuận kinh tế
Một nghiên cứu mới từ Deloitte cho thấy những người sớm áp dụng công nghệ nhận thức đều tích cực về vai trò hiện tại và tương lai của họ.
AI và việc làm: Nơi con người giỏi hơn thuật toán và ngược lại
Thật dễ dàng để bị cuốn vào những dự đoán u ám về việc trí tuệ nhân tạo xóa sổ hàng triệu việc làm. Đây là một kiểm tra thực tế.
Trí tuệ nhân tạo đang giải phóng một loại tội phạm mạng mới như thế nào (Công nghệ cao)
Thay vì núp sau chiếc mặt nạ để cướp ngân hàng, bọn tội phạm giờ đây đang núp sau trí thông minh nhân tạo để thực hiện cuộc tấn công của chúng. Tuy nhiên, các tổ chức tài chính cũng có thể sử dụng AI để chống lại những tội phạm này.
Elon Musk: Trí tuệ nhân tạo có thể châm ngòi cho Thế chiến III (CNET)
Giám đốc điều hành nối tiếp đã chiến đấu với các trận chiến khoa học viễn tưởng của ngày mai, và anh ta vẫn quan tâm đến robot giết người hơn bất cứ điều gì khác.
PlatoAi. Web3 được mô phỏng lại. Khuếch đại dữ liệu thông minh.
Nhấn vào đây để truy cập.
