Trong những năm gần đây, tôi đã bắt gặp một số quan niệm sai lầm về trí tuệ nhân tạo (AI) và đôi khi khi nói chuyện về vấn đề này với những người ngoài lĩnh vực này, tôi nhận thấy rằng chúng ta đang nói theo hai hướng hoàn toàn khác nhau.
Trong bài viết này, chúng tôi giải thích cho bạn ý nghĩa của trí tuệ nhân tạo theo quan điểm của những người hành nghề trong lĩnh vực này và chúng ta đã đi đến đâu trong khoa học trí tuệ nhân tạo
Đầu tiên, quan niệm sai lầm đầu tiên xoay quanh AGI:
1. Các hệ thống AI hiện đang sử dụng là phiên bản giới hạn của AGI
Bất chấp những gì nhiều người tin tưởng, trí tuệ nhân tạo mới nhất vẫn còn rất xa so với trí tuệ con người. Trí tuệ nhân tạo tổng quát đã là chất xúc tác cho tất cả các nhà khoa học về trí tuệ nhân tạo từ thời Alan Turing cho đến ngày nay để đạt được một AGI có thể bắt chước và thậm chí vượt trội hơn trí tuệ con người, dẫn đến nhiều công nghệ và khám phá khoa học.
Nhưng trên thực tế và trong ứng dụng thực tế của trí tuệ nhân tạo, các nhà khoa học không cam kết với các mô hình thuần túy về quá trình ra quyết định, học tập và giải quyết vấn đề của con người, mà thay vào đó, họ làm việc để xây dựng một hệ thống thực tế nhất có thể.
Ví dụ, cơ sở cho những tiến bộ đáng kể trong các thuật toán – dẫn đến các hệ thống học sâu – là một kỹ thuật được gọi là truyền ngược, không hoạt động như bộ não hoạt động.
Điều này dẫn chúng ta đến quan niệm sai lầm sau:
2 – Trí tuệ nhân tạo có giải pháp cho mọi vấn đề
Một quan niệm sai lầm khác là khả năng của trí tuệ nhân tạo trong việc giải quyết mọi vấn đề hiện có. Tôi đã nghe một số người nói rằng việc chuyển từ vấn đề này sang vấn đề khác khiến hệ thống AI thông minh hơn như thể bản thân hệ thống AI giải quyết cả hai vấn đề cùng một lúc.
Thực tế thì khá khác: đôi khi các hệ thống trí tuệ nhân tạo cần phải lập kế hoạch sâu sắc và các mô hình được đào tạo đặc biệt để áp dụng chúng vào một vấn đề.
Mặc dù các tác vụ tương tự như nhận dạng giọng nói, hình ảnh hoặc video hiện có thư viện mẫu tham chiếu, nhưng chúng cần được thiết kế riêng để đáp ứng các yêu cầu sử dụng.
Hơn nữa, các hệ thống AI không phải là thành phần duy nhất của bất kỳ giải pháp dựa trên trí thông minh nào. Chúng thường yêu cầu nhiều thành phần được lập trình đặc biệt để phù hợp với nhau để kết hợp một hoặc nhiều công nghệ AI.
Tất nhiên, có một số công nghệ AI khác nhau được sử dụng riêng lẻ hoặc kết hợp nên không đúng khi nói rằng:
3. Trí tuệ nhân tạo giống như học sâu
Trước đây chúng ta nghĩ rằng thuật ngữ mạng nơ-ron rất đẹp và có nhiều hy vọng đặt cược vào tiềm năng của nó cho đến khi nó yếu về mặt chuẩn hóa và tính tương xứng với nhiệm vụ.
Bây giờ khi những vấn đề này đã được giải quyết, thuật ngữ này đã được thay thế bằng tên Học sâu . Sâu đề cập đến số lượng lớp ẩn mà chúng ta có thể đặt trong mạng nơ-ron.
Trong khi học tập đề cập đến việc tạo ra các mô hình không theo thời gian thực mà theo dạng trực tuyến và điều này cần thời gian và quá trình xử lý lớn và khó đạt được song song.
Gần đây, các mô hình học sâu đã được sử dụng trong các ứng dụng học trực tuyến, trong đó học trực tuyến được triển khai bằng nhiều công nghệ AI khác nhau như học nâng cao.
Nhược điểm duy nhất của các hệ thống này là các mô hình học sâu chỉ có thể được sử dụng nếu lĩnh vực được sử dụng có thể được thử nghiệm trong thời gian học trực tuyến.
Sau khi mô hình được tạo ra, nó vẫn giữ nguyên và sẽ không linh hoạt khi có những thay đổi trong lĩnh vực ứng dụng. Một ví dụ điển hình là các ứng dụng thương mại điện tử, trong đó các thay đổi theo mùa hoặc thời gian bán hàng ngắn trên các trang web thương mại điện tử yêu cầu sử dụng mô hình học sâu nội tuyến để đào tạo lại trên các sản phẩm mới.
Các hệ thống học sâu thường được hỗ trợ bởi các tập dữ liệu khổng lồ, do đó, một khái niệm đã xuất hiện rằng các mô hình mới và hữu ích được tạo ra từ một tập dữ liệu khổng lồ và độc đáo, củng cố quan niệm sai lầm rằng…
4. Phụ thuộc vào dữ liệu lớn
Nhưng điều này không đúng vì sự phụ thuộc lớn hơn vào dữ liệu tốt. Dữ liệu lớn, không chính xác trong một lĩnh vực có thể gây ra lỗi xây dựng hệ thống. Ngoài ra, trong nhiều lĩnh vực, dữ liệu cũ nhanh chóng trở nên không đáng kể. Ví dụ, tại Sàn giao dịch chứng khoán New York, dữ liệu gần đây quan trọng và có giá trị hơn, ví dụ, dữ liệu từ năm 2001.
Cuối cùng là quan niệm sai lầm cuối cùng:
5. Nếu một hệ thống giải quyết một vấn đề mà chúng ta nghĩ rằng nó cần trí thông minh, điều đó có nghĩa là nó sử dụng AI
Một số chương trình mạnh mẽ và được viết khéo léo có vẻ như dựa trên AI, nhưng điều này không phải lúc nào cũng đúng, và bất chấp những quan niệm sai lầm về AI, khái niệm đúng đắn duy nhất là AI sẽ vẫn là cửa sổ của tương lai mặc dù vẫn còn một chặng đường dài phía trước. Hãy sử dụng nó để giải quyết mọi vấn đề.