Vào cuối tháng 1 năm 2019, tôi đột nhiên nhận ra rằng tôi biết rất ít về trí tuệ nhân tạo. Hiện nay, trí tuệ nhân tạo đang ảnh hưởng đến chúng ta ngày càng nhiều. Nó bảo vệ hộp thư của chúng tôi khỏi thư rác, cung cấp cập nhật thời tiết Alexa, đề xuất các sản phẩm chính xác hơn cho người tiêu dùng Amazon hoặc cung cấp đề xuất phim cho người dùng Netflix. Mỗi khi chúng ta mở Twitter hoặc Facebook, đó là một cuộc cạnh tranh giữa con người và trí tuệ nhân tạo. Trí thông minh nhân tạo hiểu chúng ta hơn chúng ta. Và tôi, một người được gọi là chuyên gia kỹ thuật, có rất ít kiến thức về trí tuệ nhân tạo.
Terminator, mẫu mực của văn hóa siêu thông minh
Ảnh chụp màn hình từ khóa học máy Wu Enda
"Cha đẻ của AI" từ năm 1956
Báo cáo dự báo giá trị kinh doanh dựa trên AI toàn cầu của Gartner được xuất bản vào tháng 4 năm 2018 (Hàng tỷ đô la Mỹ)
Kevin Kelly, người sáng lập Wired Magazine, đã tham gia một chương trình có tên "Nhà tư tưởng tương lai" trên một podcast nơi ông thảo luận về các chủ đề liên quan đến AI. Ông nhấn mạnh rằng mọi thứ chỉ mới bắt đầu. Nếu bất cứ ai sẵn sàng dành một chút thời gian để tìm hiểu về trí tuệ nhân tạo và học máy một chút, họ sẽ thấy rằng không có nhiều người thực sự hiểu trí thông minh nhân tạo. Sau khi đi làm về nhà vào ngày hôm đó, tôi bắt đầu một trí thông minh nhân tạo 100 ngày.
Tôi đã liệt kê tất cả mọi thứ trên Trello ( https://trello.com/b/g1cS5K0O/100-days-of-ai ). Mặc dù tôi không có đủ thời gian, tôi đã hoàn thành gần 200 giờ học trong 100 ngày. Tôi đã đọc 9 cuốn sách, tham gia 2 khóa học Coursera (hiện đang bắt đầu thứ ba), nghe nhiều podcast và học được càng nhiều hướng dẫn khác càng tốt.
Dưới đây là năm kết luận tôi đã rút ra trong thời gian đó.
1. Trí tuệ nhân tạo không phải là mới, nhưng có những đột phá mới
Thuật ngữ "trí tuệ nhân tạo" không xuất phát từ khoa học viễn tưởng. Năm 1956, tại một hội thảo mùa hè tại Đại học Dartmouth, một nhóm người thông minh đã tập trung để thảo luận về cách làm cho máy móc suy nghĩ. Mục đích của cuộc họp này là để đưa ra khái niệm này. Mặc dù họ không để máy móc suy nghĩ, một số ý tưởng và công nghệ của họ đã đặt nền tảng cho trí tuệ nhân tạo hiện đại.
Sau hội thảo, đã có sự quan tâm mạnh mẽ đến các lĩnh vực khác nhau của trí tuệ nhân tạo. Mạng lưới thần kinh bây giờ có vẻ đầy hứa hẹn, nhưng lúc đó trống rỗng, và hầu hết các nghiên cứu cuối cùng đã từ bỏ nó. Thời kỳ này được gọi là "Mùa đông của trí tuệ nhân tạo" và kéo dài trong nhiều thập kỷ. Tuy nhiên, trong những năm gần đây, với sự tăng trưởng theo cấp số nhân của sức mạnh tính toán và dữ liệu sẵn có, cùng với những đột phá trong học tập sâu, hiệu quả của học máy đã được cải thiện rất nhiều, do đó, ngay cả Ng Wu cũng gọi trí tuệ nhân tạo là "sức mạnh mới".
2. Trí tuệ nhân tạo tương đương với học máy, nhưng không phải là kẻ hủy diệt
Trí thông minh nhân tạo (AGI) là một cỗ máy có thể suy nghĩ như con người. Chẳng hạn như Kẻ hủy diệt , hay HAL 9000 , hay robot trong "Cô gái cơ khí". Theo nghĩa này, siêu trí tuệ là một cỗ máy vượt qua suy nghĩ của con người. Nhưng những điều này hiện không tồn tại. Cho đến nay, AGI vẫn chỉ là một ảo ảnh và một tương lai xa. Nhưng điều này không có nghĩa là không ai làm điều đó, cũng không có nghĩa là những người thông minh như Max Tegmark hay Ray Kurzweil sẽ không nói về và mong đợi họ (họ sẽ sớm thôi). Nhưng hiện tại hình thức chính của AI gần như là máy học, một lĩnh vực của trí tuệ nhân tạo.
Học máy về cơ bản là thế này:
Bước 1: Biến vấn đề thành vấn đề dự đoán . Nói cách khác, nó được đưa ra các tham số đầu vào (tính năng) và sau đó dự đoán kết quả.
Bước 2: Xác định thuật toán hoặc hệ thống và đưa ra quyết định. Có nhiều thuật toán hoặc hệ thống như vậy, từ hồi quy tuyến tính đến mạng nơ ron, học sâu, máy vectơ hỗ trợ, mạng nơ ron tái phát, mạng nơ ron tích chập, mạng đối nghịch tổng quát, v.v. Mỗi thuật toán được thiết kế cho một loại vấn đề dự đoán đặc biệt. Để dự đoán chi phí của một ngôi nhà, mô hình hồi quy tuyến tính là đủ. Kịch bản dự đoán có thể sử dụng mạng thần kinh tái phát (RNN) và hình ảnh khuôn mặt dự đoán có thể sử dụng mạng đối nghịch tổng quát (GAN).
Bước 3: Nhận được nhiều dữ liệu đào tạo, càng nhiều càng tốt. Về giá nhà, bạn có thể nhận được dữ liệu bao gồm các đặc điểm của nhà (thẻ) và giá thực tế. Để nhận dạng ký tự, một số lượng lớn hình ảnh có chứa các ký tự có thể được lấy và dán nhãn.
Bước 4: Huấn luyện mô hình. Cung cấp dữ liệu đào tạo, tính toán lỗi, điều chỉnh và lặp lại cho đến khi lỗi được giảm thiểu. Ở đây, giảm độ dốc và backpropagation là hai khái niệm quan trọng.
Giả sử lỗi nhỏ nhất được tìm thấy, mô hình đã sẵn sàng cung cấp cho nó các tính năng mới, nó có thể dự đoán kết quả. Kết quả thường rất chính xác, thường chính xác hơn con người.
3. Mọi thứ đều là toán học
Trước khi tôi bắt đầu học 100 ngày, tôi biết rằng học máy có liên quan đến toán học, nhưng tôi không biết mối quan hệ này lớn đến mức nào. Đối với bất kỳ người mới bắt đầu, hiểu tính toán và đại số là rất hữu ích. May mắn thay, ngay cả những học sinh không phải là chuyên ngành toán học cũng có thể nắm vững kiến thức này và quá trình phổ biến học máy vẫn không ngừng tiến triển.
Các khung công tác máy học quan trọng bao gồm Tensorflow của Google, ML.NET của Microsoft và PyTorch, bổ sung một lớp trừu tượng cho các lập trình viên, hoặc thậm chí các lớp trừu tượng bổ sung, chẳng hạn như Keras trên Tensorflow.
Chúng ta cũng có thể sử dụng các mô hình học máy như một dịch vụ hoặc làm cho việc học máy dễ dàng hơn bằng cách tạo các công cụ tự động hóa như AutoML và Auto-Keras.
4. Định kiến là một vấn đề lớn
Xu hướng trong các mô hình học máy là một vấn đề lớn. Cuốn sách vĩ đại của Amy Webb, The Big Nine, đề cập đến điều này trong nhiều chương. Tính toàn diện và đa dạng của dữ liệu kiểm tra là rất quan trọng, nhưng chúng cũng là điều thiếu nhất trong nền văn minh hiện nay.
Amy sử dụng kho dữ liệu ImageNet làm ví dụ. Văn bản này chứa 14 triệu hình ảnh được gắn thẻ, hơn một nửa trong số đó được tạo ra ở Hoa Kỳ. Tất nhiên, kho dữ liệu ImageNet không phải là tập dữ liệu duy nhất chứa sai lệch.
Điều gì xảy ra nếu một bộ dữ liệu chủ yếu là một "nữ y tá" hoặc một "CEO" nam? Điều gì xảy ra nếu một tập dữ liệu hình ảnh ung thư da chỉ chứa các mẫu da sáng? Nếu những mô hình này thực sự đi vào cuộc sống hàng ngày của chúng ta, sẽ có những hậu quả nghiêm trọng. Khi việc phổ biến các mô hình học máy tiếp tục, chúng tôi sử dụng nhiều mô hình được xây dựng trước, nhưng chúng tôi không biết gì về dữ liệu được sử dụng để đào tạo các mô hình này, vì vậy định kiến sẽ tồn tại và có thể khuếch đại định kiến của toàn xã hội.
Các nhà nghiên cứu nhận thức rõ về vấn đề này và nhiều công ty lớn có các nguyên tắc chỉ đạo riêng để giảm sự thiên vị vào văn hóa kỹ thuật. Không ai cố ý giới thiệu sự thiên vị vào mô hình, nhưng ngay cả đối với mục đích tốt, nó là không thể tránh khỏi.
Do đó, điều quan trọng là phải hiểu các nguyên tắc của học máy và cách chúng ảnh hưởng đến chúng ta - chẳng hạn như làm thế nào để giúp Twitter và Facebook đề xuất nội dung phá vỡ các tế bào thần kinh của chúng ta và nuôi dưỡng nhận thức về thế giới.
5. Cơ hội
Kevin Kelly nói đúng. Chúng ta vẫn đang trong giai đoạn đầu của trí tuệ nhân tạo và học máy. Vâng, có nhiều ứng dụng đã thâm nhập vào cuộc sống của chúng ta, nhưng vẫn còn nhiều cơ hội trong lĩnh vực này.
Học máy có thể, có, và sẽ thay đổi mọi thứ. Tôi đã đọc nhiều cuốn sách trong 100 ngày qua và Manna của Marshall Brian là một trong số đó. Nó mô tả một thế giới gần như không tưởng, trong đó máy móc và tự động hóa đã đảm nhận tất cả các công việc và con người có thể sống cuộc sống mà họ muốn. Không có AGI là cần thiết, chỉ cần học máy. Nhưng thế giới này cách chúng ta bao xa?
Nội dung của những người nổi tiếng trên Instagram và các blogger video Youtube thậm chí có thể được tạo ra hoàn toàn bởi GAN và RNN. Một mô hình giải trí mới được thúc đẩy bởi học máy, từ kịch bản phim đến mô hình 3D thực tế, mọi thứ đều được tạo ra bởi các mô hình học máy. Bạn không cần phải phỏng vấn cho một công việc nữa, bởi vì bạn có thể kết hợp bạn với các vị trí còn trống thông qua học máy, vậy tại sao phải phỏng vấn? Từ phương pháp điều trị ung thư đến bữa tối tại nhà hàng đến thế hệ nhạc sống, mọi thứ đều có thể được cá nhân hóa cao. Taxi tự trị, dịch vụ sao chép dựa trên RNN, thỏa thuận dịch vụ tự động, phán quyết của tòa án tự động, chiến lược cải thiện cuộc sống cá nhân, giao hàng bằng drone và đầu tư dựa trên trí tuệ nhân tạo là vô số ví dụ. Tất cả đều có thật, và hầu hết tất cả chúng đều có thể đạt được.
Trí tuệ nhân tạo và học máy cũng có thể ảnh hưởng đến nền văn minh của con người và giúp con người giảm thiểu rủi ro như biến đổi khí hậu, chiến tranh, tác động của tiểu hành tinh và bệnh tật.
Thế giới sắp bắt đầu thay đổi. Chúng tôi có thể hoặc không thể thông báo. Trí tuệ nhân tạo sẽ thúc đẩy tất cả những điều này, và nó đã bắt đầu tiếp cận chúng ta.
Như Kevin Kelly đã nói:
Tương lai đến từ từ rồi đột nhiên nổ ra.
Comments
Post a Comment