.jpg)
Ở Nhật Bản, có một dự án được gọi là “Robot có thể vào Đại học Tokyo?” Đã được Viện Tin học Quốc gia (NII) dẫn đầu từ năm 2011. Theo sự hợp tác giữa các trường đại học và chính phủ, họ nghiên cứu công nghệ lõi, chẳng hạn như “tóm tắt nội dung", "hiểu ngôn ngữ sâu" và "hợp tác robot-con người" có thể mang lại bước đột phá cho phần mềm trí tuệ nhân tạo tích hợp vào robot, giúp chúng có thể vượt qua kỳ thi tuyển sinh của Đại học Tokyo năm 2021.
Thuật ngữ "trí thông minh nhân tạo” xuất phát từ Hội nghị Dartmouth năm 1956. Giai đoạn bùng nổ trí tuệ nhân tạo đầu tiên được coi là năm 1956 đến những năm 1960. Trí thông minh nhân tạo của thời gian đó bao gồm khả năng xử lý ngôn ngữ tự nhiên thông qua các chương trình có thể duy trì đối thoại với người dùng và đưa ra suy luận và các kết quả tìm kiếm để chứng minh các định lý toán học.
Trong giai đoạn bùng nổ trí thông minh nhân tạo thứ hai, vào những năm 1980, các hệ thống chuyên biệt sử dụng trí thông minh nhân tạo với quyền truy cập vào các phần dữ liệu khổng lồ đã được phát triển để đưa ra các giải pháp thích hợp cho các vấn đề thực tế. Năm 1982, một dự án phát triển máy tính thế hệ thứ năm đã được ra mắt tại Nhật Bản góp phần củng cố nền tảng cho nghiên cứu trí tuệ nhân tạo tại Nhật Bản.
Trí thông minh nhân tạo đã hoạt động chính xác trong phạm vi chương trình phần mềm được con người dạy cho máy tính. Tuy nhiên, nó không thể phản ứng với các sự kiện bất ngờ có thể xảy ra trong thế giới thực. Có nhiều vấn đề liên quan đến trí thông minh nhân tạo. Ví dụ, trí thông minh nhân tạo không hiểu được các định nghĩa (như “Quả táo là trái cây”) trong thế giới thực, con người phải luôn luôn đưa các định nghĩa vào máy tính.
Sau đó, bởi vì số lượng lớn dữ liệu lớn đã được tạo ra trên mạng với sự phát triển của Internet và vì sức mạnh tính toán của siêu máy tính đã được cải thiện đáng kể, khái niệm sử dụng thống kê và lý thuyết xác suất để tìm ra giải pháp khả thi nhất từ biển dữ liệu đã được giới thiệu; do đó, những tiến bộ đáng kể trong trí tuệ nhân tạo đã được thực hiện. Đó là sự phát triển của công nghệ máy học (machine learning technology) đã góp phần rất lớn vào sự tiến bộ của trí thông minh nhân tạo.
Cũng như con người học hỏi từ kinh nghiệm, “công nghệ máy học” tìm hiểu các quy tắc và kiến thức bằng cách xử lý một lượng lớn dữ liệu. Ví dụ, khi phân loại thư rác, trí thông minh nhân tạo được “dạy” để hiểu các mẫu thư rác là như thế nào. Độ chính xác của máy học trong việc tìm kiếm câu trả lời đúng là rất cao, nhưng không thể đạt được 100% tính chính xác trong câu hỏi ngẫu nhiên.
Trong năm 2012, "học sâu" (“deep learning”) xuất hiện, cải thiện đáng kể khả năng ứng dụng của máy học. Học sâu sử dụng mạng thần kinh nhân tạo có quy mô lớn bắt chước bộ não con người. Nó học bằng cách thu thập các khái niệm bậc cao mỗi khi thông tin được xử lý tại nơron. Ví dụ, một máy tính sử dụng kỹ thuật này để nhận ra hình ảnh của một đối tượng có thể thu được khái niệm về đối tượng đó. Vào năm 2012, Google Inc. ở Hoa Kỳ và Đại học Stanford đã tiến hành một thử nghiệm trong đó họ đã tải ngẫu nhiên một số lượng lớn hình ảnh từ Internet lên máy tính, kết quả là các mạng thần kinh được xây dựng trong máy tính đã hiểu được những hình ảnh đó là liên quan đến mèo.
Với sự ra đời của việc học sâu, những điều mà trước đây chỉ có thể được khái niệm hóa đã được hiểu rõ hơn. Các robot công nghiệp đã tham gia vào các công việc hàng ngày được lập trình sẵn trong những môi trường không thay đổi hoặc rất ít thay đổi, chẳng hạn như ở các nhà máy. Tuy nhiên, người ta tin rằng việc học sâu sẽ cho phép robot công nghiệp thực hiện các nhiệm vụ khác nhau liên quan đến việc xử lý các vật thể tự nhiên mà trí thông minh nhân tạo thông thường không thể làm được. Ngoài ra, việc tăng cường hiệu quả học tập cho phép trí tuệ nhân tạo tương tác trong không gian thực, trí thông minh nhân tạo quan sát môi trường xung quanh và tìm ra các cách thể hiện tốt nhất thông qua các thử nghiệm sửa - sai lặp lại. Nói cách khác, thành công được sẽ ghi nhận và thất bại sẽ bị phạt.
Deep learning là gì ?
Học sâu được cho là bước đột phá lớn nhất trong nghiên cứu trí tuệ nhân tạo 50 năm qua. Nó đóng góp to lớn vào tiềm năng của trí thông minh nhân tạo.
Học sâu là một công nghệ được tạo ra bằng cách áp dụng các kết quả nghiên cứu khoa học thần kinh (mạng thần kinh) được tiến hành bởi Giáo sư Hinton và các cộng sự tại Đại học Toronto (Canada) vào nghiên cứu trí tuệ nhân tạo. Học sâu được đề xuất bởi giáo sư vào năm 2006. Điều này đã được chú ý tại một cuộc thi nhận dạng ảnh quốc tế năm 2012.
Mạng nơron là một mô hình toán học cố gắng sử dụng máy tính để mô phỏng một số đặc điểm của chức năng não. Một mạng thần kinh thông thường được hình thành trong ba lớp: lớp đầu vào, lớp ẩn và lớp đầu ra. Các mạng thần kinh trong học tập sâu có nhiều lớp ẩn. Thông tin về đối tượng đầu vào ở lớp đầu vào là trừu tượng, sau đó, nó đi đến các lớp ẩn gần với lớp đầu vào, và lớp này nhận ra mẩu thông tin của đối tượng. Thông tin rời rạc trong ngữ cảnh này có nghĩa là một cấu trúc đơn giản, chẳng hạn như một đường chéo và một đường cong. Do đó, một khái niệm bậc thấp được nhận diện chuyển sang lớp tiếp theo, nơi nó được kết hợp với các khái niệm khác được nhận biết trong các lớp ẩn khác. Do đó, có thể nhận ra các khái niệm nâng cao hơn. Ví dụ, các đường thẳng và đường nét tạo thành tai mèo được nhận ra lần đầu tiên, và sau đó tai mèo được nhận biết bằng cách kết hợp các khái niệm được công nhận. Tương tự như vậy, mắt, miệng và những thứ tương tự được nhận ra, và cuối cùng khuôn mặt của mèo được nhận ra, và tiếp tục như vậy.
Thông qua việc học lặp lại bằng cách sử dụng một số lượng lớn dữ liệu, học sâu rút ra một lượng đặc tính nhất định để thực hiện nhận dạng hình ảnh, nhận dạng giọng nói, kiểm soát và những điều tương tự. Nó là một phương pháp học máy đã đạt được kết quả đáng kể - so với những kết quả đạt được của con người ở một số lĩnh vực.
Trong giai đoạn bùng nổ trí thông minh nhân tạo thứ hai, vào những năm 1980, các hệ thống chuyên biệt sử dụng trí thông minh nhân tạo với quyền truy cập vào các phần dữ liệu khổng lồ đã được phát triển để đưa ra các giải pháp thích hợp cho các vấn đề thực tế. Năm 1982, một dự án phát triển máy tính thế hệ thứ năm đã được ra mắt tại Nhật Bản góp phần củng cố nền tảng cho nghiên cứu trí tuệ nhân tạo tại Nhật Bản.
Trí thông minh nhân tạo đã hoạt động chính xác trong phạm vi chương trình phần mềm được con người dạy cho máy tính. Tuy nhiên, nó không thể phản ứng với các sự kiện bất ngờ có thể xảy ra trong thế giới thực. Có nhiều vấn đề liên quan đến trí thông minh nhân tạo. Ví dụ, trí thông minh nhân tạo không hiểu được các định nghĩa (như “Quả táo là trái cây”) trong thế giới thực, con người phải luôn luôn đưa các định nghĩa vào máy tính.
Sau đó, bởi vì số lượng lớn dữ liệu lớn đã được tạo ra trên mạng với sự phát triển của Internet và vì sức mạnh tính toán của siêu máy tính đã được cải thiện đáng kể, khái niệm sử dụng thống kê và lý thuyết xác suất để tìm ra giải pháp khả thi nhất từ biển dữ liệu đã được giới thiệu; do đó, những tiến bộ đáng kể trong trí tuệ nhân tạo đã được thực hiện. Đó là sự phát triển của công nghệ máy học (machine learning technology) đã góp phần rất lớn vào sự tiến bộ của trí thông minh nhân tạo.
Cũng như con người học hỏi từ kinh nghiệm, “công nghệ máy học” tìm hiểu các quy tắc và kiến thức bằng cách xử lý một lượng lớn dữ liệu. Ví dụ, khi phân loại thư rác, trí thông minh nhân tạo được “dạy” để hiểu các mẫu thư rác là như thế nào. Độ chính xác của máy học trong việc tìm kiếm câu trả lời đúng là rất cao, nhưng không thể đạt được 100% tính chính xác trong câu hỏi ngẫu nhiên.
Trong năm 2012, "học sâu" (“deep learning”) xuất hiện, cải thiện đáng kể khả năng ứng dụng của máy học. Học sâu sử dụng mạng thần kinh nhân tạo có quy mô lớn bắt chước bộ não con người. Nó học bằng cách thu thập các khái niệm bậc cao mỗi khi thông tin được xử lý tại nơron. Ví dụ, một máy tính sử dụng kỹ thuật này để nhận ra hình ảnh của một đối tượng có thể thu được khái niệm về đối tượng đó. Vào năm 2012, Google Inc. ở Hoa Kỳ và Đại học Stanford đã tiến hành một thử nghiệm trong đó họ đã tải ngẫu nhiên một số lượng lớn hình ảnh từ Internet lên máy tính, kết quả là các mạng thần kinh được xây dựng trong máy tính đã hiểu được những hình ảnh đó là liên quan đến mèo.
Với sự ra đời của việc học sâu, những điều mà trước đây chỉ có thể được khái niệm hóa đã được hiểu rõ hơn. Các robot công nghiệp đã tham gia vào các công việc hàng ngày được lập trình sẵn trong những môi trường không thay đổi hoặc rất ít thay đổi, chẳng hạn như ở các nhà máy. Tuy nhiên, người ta tin rằng việc học sâu sẽ cho phép robot công nghiệp thực hiện các nhiệm vụ khác nhau liên quan đến việc xử lý các vật thể tự nhiên mà trí thông minh nhân tạo thông thường không thể làm được. Ngoài ra, việc tăng cường hiệu quả học tập cho phép trí tuệ nhân tạo tương tác trong không gian thực, trí thông minh nhân tạo quan sát môi trường xung quanh và tìm ra các cách thể hiện tốt nhất thông qua các thử nghiệm sửa - sai lặp lại. Nói cách khác, thành công được sẽ ghi nhận và thất bại sẽ bị phạt.
Deep learning là gì ?
Học sâu được cho là bước đột phá lớn nhất trong nghiên cứu trí tuệ nhân tạo 50 năm qua. Nó đóng góp to lớn vào tiềm năng của trí thông minh nhân tạo.
Học sâu là một công nghệ được tạo ra bằng cách áp dụng các kết quả nghiên cứu khoa học thần kinh (mạng thần kinh) được tiến hành bởi Giáo sư Hinton và các cộng sự tại Đại học Toronto (Canada) vào nghiên cứu trí tuệ nhân tạo. Học sâu được đề xuất bởi giáo sư vào năm 2006. Điều này đã được chú ý tại một cuộc thi nhận dạng ảnh quốc tế năm 2012.
Mạng nơron là một mô hình toán học cố gắng sử dụng máy tính để mô phỏng một số đặc điểm của chức năng não. Một mạng thần kinh thông thường được hình thành trong ba lớp: lớp đầu vào, lớp ẩn và lớp đầu ra. Các mạng thần kinh trong học tập sâu có nhiều lớp ẩn. Thông tin về đối tượng đầu vào ở lớp đầu vào là trừu tượng, sau đó, nó đi đến các lớp ẩn gần với lớp đầu vào, và lớp này nhận ra mẩu thông tin của đối tượng. Thông tin rời rạc trong ngữ cảnh này có nghĩa là một cấu trúc đơn giản, chẳng hạn như một đường chéo và một đường cong. Do đó, một khái niệm bậc thấp được nhận diện chuyển sang lớp tiếp theo, nơi nó được kết hợp với các khái niệm khác được nhận biết trong các lớp ẩn khác. Do đó, có thể nhận ra các khái niệm nâng cao hơn. Ví dụ, các đường thẳng và đường nét tạo thành tai mèo được nhận ra lần đầu tiên, và sau đó tai mèo được nhận biết bằng cách kết hợp các khái niệm được công nhận. Tương tự như vậy, mắt, miệng và những thứ tương tự được nhận ra, và cuối cùng khuôn mặt của mèo được nhận ra, và tiếp tục như vậy.
Thông qua việc học lặp lại bằng cách sử dụng một số lượng lớn dữ liệu, học sâu rút ra một lượng đặc tính nhất định để thực hiện nhận dạng hình ảnh, nhận dạng giọng nói, kiểm soát và những điều tương tự. Nó là một phương pháp học máy đã đạt được kết quả đáng kể - so với những kết quả đạt được của con người ở một số lĩnh vực.
Về trang trước
Về đầu trang
