Tiến sĩ See tại sự kiện Internet of Things châu Á với bàn phát biểu Dẫn dắt trí thông minh bằng trí tưởng tượng (Leading Intelligence with Imagination). 

Trong bối cảnh những khái niệm cơ bản của Trí tuệ nhân tạo (AI) đã được phổ biến khá rộng rãi, hai câu hỏi “chúng ta có gì vào lúc này” và “cái gì sẽ đến tiếp theo” lại ẩn chứa nhiều thú vị hơn rất nhiều. Đây là điều mà tiến sĩ Simon See, Giám đốc kiêm Trưởng nhóm kiến trúc giải pháp tại trung tâm Công nghệ Trí tuệ nhân tạo NVIDIA tại trường đại học Shanghai Jiaotong (SJTU) và Trường đại học Công nghệ Thonburi của Đức vua Mongkut (SMUTT), chia sẻ trong bài phát biểu tại sự kiện Internet of Things châu Á 2017. 

“Trong vài thập kỷ trở lại đây, chúng ta đã chứng kiến những bước tiến vượt bậc về công nghệ, từ máy tính cho tới Internet, Internet kết nối vạn vật, và giờ đây la trí tuệ nhân tạo” – tiến sĩ See chia sẻ. “Mọi người đều nhắm tới việc kết nối một số lượng lớn thiết bị lại với nhau. Tất cả những thiết bị này sẽ trở nên thông minh hơn với nhiều phương thức kết nối khác nhau. Băn khoăn của tôi nằm ở chỗ chúng sẽ kết nối với nhau cụ thể như thế nào, liệu việc tương tác giữa chúng sẽ ra sao, và điều đó đem lại cho chúng ta thứ gì?”. Theo Tiến sĩ See, công nghệ mới được nhiều người biết tới là nhờ những bộ phim khoa học viễn tưởng như Người Sắt này sẽ sớm trở thành hiện thực. Trong bộ phim nói trên, Trí tuệ nhân tạo có tên gọi J.A.R.V.I.S đã làm theo mọi điều mà người anh hùng Tony Stark yêu cầu – thực tế chúng ta cũng đã có thể làm tương tự với Siri, Cortana, hay Alexa, và thậm chí nhận những lời khuyên từ chúng. 

“Chúng ta có thể sở hữu những cỗ máy có thể hướng dẫn, sản sinh ý tưởng, thậm chí là đưa ra những gợi ý” – Tiến sĩ See nói – “Đưa khái niệm này vào những ngành nghề như luật sư, y tá, bác sĩ, kế toán… bạn sẽ có một trợ lý trí tuệ nhân tạo luôn hữu ích trong công việc hàng ngày”. 

Thực tế, dù hệ thống mạng thần kinh (trí tuệ nhân tạo) đầu tiên được phát minh từ năm 1943, nhưng nó không thể tạo ra được kì tích như hiện nay bởi lẽ công nghệ thời bấy giờ còn chưa hoàn thiện, đồng thời dữ liệu cũng không có sẵn để các cơ chế trí tuệ nhân tạo được “tập luyện”. “Trong những năm qua, chúng ta đã chứng kiến tốc độ phát triển thực sự tuyệt vời” – Tiến sĩ See nhận định.

Công nghệ nhận diện hình ảnh đã có những bước tiến ấn tượng sau mỗi năm. 

Thực tế, chúng ta đã đi rất xa những gì con người phát minh ra vào năm 1943. Một trường hợp có thể kể tới là Alexnet, trí tuệ nhân tạo được phát triển để nhận biết hình ảnh đã gây ra một làn sóng tại “Thế vận hội” tầm nhìn máy tính  ImageNet Large-Scale Visual Recognition Challengevào năm 2012, nhờ việc nhận diện chính xác hình ảnh hơn rất nhiều những giải pháp trước đó.  

“Công nghệ này đã trở nên hoàn thiện hơn bao giờ hết. Nếu bạn truy cập vào Pinterest, bạn có thể lấy một bức ảnh đồ vật và nhanh chóng tìm ra chỗ mua chúng. Công nghệ tương tự cũng được sử dụng trong các chiếc xe tự hành, nhằm cho phép chúng nhận biết đâu là xe khác, đâu là một con mèo, chướng ngại vật thuần túy hay con người, khoảng trống. Nhờ thế, xe có thể di chuyển thông minh trên đường mà không đâm vào bất cứ thứ gì” – Tiến sĩ See phân tích. 

Mặt khác, công nghệ nhận diện giọng nói và công nghệ phiên dịch cũng đã có những cải thiện đáng kể nhờ Trí tuệ nhân tạo. Tới nay, nền tảng nhận diện giọng nói DeepSpeech 2 của Baidu, vận hành trên nền tảng các chip xử lý đồ họa của NVIDIA, đã có thể nhận biết chính xác cả tiếng Anh và tiếng Trung (Mandarin). Trong khi đó, năng lực dịch máy đồng thời cũng được thể hiện trong buổi hội thảo lần này với Tiến sĩ See. Trong thời gian tới, việc xử lý ngôn ngữ theo cách tự nhiên sẽ là mục tiêu tiếp theo mà các nhà khoa học nhắm tới. 

Trí tuệ nhân tạo cũng có thể được sử dụng để phát hiện những bất thường – ví dụ như chẩn đoán ung thư. 

Hiện nay, các bệnh viện đang phát triển các ứng dụng mới với thuật toán học máy hoặc học sâu nhằm giúp các bác sĩ tìm ra phương thức chữa bệnh nhanh chóng hơn. Trong đó, một điển hình là PathAI với khả năng tập trung toàn lực vào việc chẩn đoán ung thư nhờ công nghệ trí tuệ nhân tạo. Dĩ nhiên, NVIDIA cũng góp phần không nhỏ vào những nỗ lực ấy. Tới nay, thông qua việc hợp tác với Học viện Ung thư quốc gia Mỹ, Cục Năng lượng Mỹ và một số phòng thí nghiệm khác của Mỹ trong dự án Môi trường học tập phân tán về Ung thư (CANDLE). “Trí tuệ nhân tạo có thể tăng tốc quá trình tìm ra các phương thức chữa trị ung thư, dự đoán phản ứng thuốc của các bệnh nhân ung thư, và tự động hóa việc phân tích hiệu quả điều trị” – Tiến sĩ See cho biết. 

Việc phát hiện những hiện tượng bất thường đem lại nhiều ích lợi cho lĩnh vực máy móc, để dự đoán và nhận biết nguy cơ hỏng hóc. Trước đây, General Electric từng sử dụng thuật toán học máy để phát hiện những bất thường trong quá trình kích nổ của các tua-bin khí ga, và sử dụng những dữ liệu này cho việc dự đoán nguy cơ hỏng hóc. “Với sự phát triển của các mạng lưới thần kinh, chúng ta có thể huấn luyện chúng để phát hiện những bất thường một cách dễ dàng” – Tiến sĩ See giải thích. 

Mặt khác, quá trình phát triển trí tuệ nhân tạo từ thụ động sang tự sinh, hầu như không còn giới hạn nào đối với các mô hình này. Một mạng thần kinh có thể được huấn luyện để phát triển theo phong cách nghệ thuật, để sau đó tự sản sinh ra các sản phẩm nghệ thuật theo phong cách nhất định, tùy thuộc vào các bức ảnh chụp thực tế. Đây là điều chưa từng có trước đây. 

Thậm chí, StackGAN có thể tìm kiếm hình ảnh chỉ bằng những mô tả văn bản. Đây là cơ chế rất hữu ích cho nhiều tác vụ, ví dụ như xác định các loài chim chẳng hạn. 

Cơ chế tìm của StackGAN có thể tìm ra hình ảnh phù hợp với những mô tả bằng văn bản. 

Bước tiếp theo trong ngành thiết kế sẽ là các giải pháp như AutodeskDreamcatcher. Với những yêu cầu ban đầu, trí tuệ nhân tạo sẽ tạo ra nhiều tùy chọn cùng đáp ứng chúng, cho phép các nhà thiết kế hay nhà sản xuất chọn ra thứ mà họ thấy phù hợp nhất. “Bạn thậm chí có thể mô phỏng các phân tử đính vào chuỗi peptit” – Tiến sĩ See nói – “Con người đã mất rất nhiều thời gian để làm điều này, nhưng với máy móc, việc tạo ra các ý tưởng khác nhau về việc làm sao để phân tử có thể phù hợp với một chuỗi peptit lại khá dễ dàng”. 

Hơn tất cả, công nghệ trí tuệ nhân tạo, hỗ trợ bởi mọi thiết bị kết nối trong môi trường Internet of Things, có thể trở nên hữu dụng chưa từng có. “J.A.R.V.I.S rất trực quan và có khả năng tự học hỏi. Nó có thể chủ động hỏi Tony Stark xem ông ta đang cố làm điều gì”. – Tiến sĩ See chia sẻ.

Thực tế, khả năng tự học hỏi của các mô hình trí tuệ nhân tạo là điều từng được trình diễn trước đây, và thậm chí có thể tốt hơn con người. Năm 2013, Google Deepmind từng cho chúng ta thấy nó có thể học được cách chơi trò chơi Breakout (của Atari) như thế nào. Vào thời điểm đó, Google cũng từng cho biết họ thấy Deepmind đánh bại mọi thử nghiệm trên 6 trò chơi trước đó, và thậm chí vượt qua cả một chuyên gia trong 3 trò. “Thuật toán đã chơi Atari Breakout dù nó chưa từng được tiếp xúc trò chơi này; nó chỉ biết luật và mục tiêu mà thôi” – Tiến sĩ See cho biết – “Trong vài phút ban đầu, trí tuệ nhân tạo này cũng vấp lỗi, nhưng ngay sau đó đã đạt tới mức cực khó, và vượt qua cả năng lực chơi của bất cứ ai chỉ sau vài giờ đồng hồ”. 

Thực tế, đây là điều không quá phức tạp. Theo Tiến sĩ See, một hệ thống thần kinh cơ bản có thể được huấn luyện nhằm tối ưu việc học hỏi. Kết quả của chu trình này có thể gây ngạc nhiên, điển hình là trường hợp AlphaGo của Google có thể đánh bại cả nhà vô địch thế giới của môn Cờ vây – điều tưởng chừng bất khả thi bởi lẽ Cờ vây là môn thể thao cực kì phức tạp, với vô số các nước đi. 

“Ở ván thứ ba, AlphaGo đã đi một nước cờ mà nhiều tay chơi lão luyện cho rằng rất ngớ ngẩn. Tuy nhiên, sau khi trí tuệ nhân tạo này chiến thắng chò trơi, họ đã phân tích chiến thuật và nhận ra rằng đó là một nước cờ chưa ai từng thấy trước đó. AlphaGo rõ ràng đã sáng tạo” – Tiến sĩ See nói. 

Những tương tác thực tế sẽ đi một bước dài hướng tới việc huấn luyện cho các trí tuệ nhân tạo trong việc sáng tạo. Ngay trong sự kiện, tiến sĩ See cũng trình diễn một đoạn clip của Nadia, trí tuệ nhân tạo do công ty New Zealand Soul Machines phát triển, được huấn luyện bằng những đàm thoại thực tế của người dân Úc.

Trong một bài viết hồi tháng 2/2017, Louise Glanville, Phó Giám đốc điều hành Cơ quan Bảo hiểm tàn tật quốc gia Úc (NDIA) từng giải thích về dự án Nadia. Theo đó, kế hoạch của NDIA là sẽ tung Nadia vào môi trường học việc “myplace portal’ trong vài tháng. Nadia sẽ khởi đầu như một tập sự viên. Trong vòng 12 tháng với những tương tác cùng các cổ đông NDIS, Nadia sẽ tự hoàn thiện mình. Cơ quan nói trên sẽ tổ chức các buổi họp để cung cấp thông tin cũng như đào tào nhân viên cho phép họ tương tác và sử dụng Nadia trong vài tháng sau đó. Việc sử dụng này được kì vọng sẽ giúp Nadia xây dựng kho dữ liệu, nhanh chóng có các câu trả lời tối ưu cho câu hỏi của các cổ đông. 

Như vậy, phần quan trọng của bức tranh toàn cảnh về AI chính là làm thế nào để phổ biến nó trong môi trường thực tế. NVIDIA có thể cung cấp năng lực tính toán đủ mạnh, các mô hình trí tuệ nhân tạo cần được huấn luyện thông qua vố số các thử nghiệm và lượng dữ liệu khổng lồ, nhiều hơn rất nhiều so với các tác vụ điện toán thông thường. Chính vì vậy, việc sử dụng các chip xử lý đồ họa (GPU) của NVIDIA sẽ giúp giảm đáng kể thời gian huấn luyện. 

Với AlphaGo, Google đã mất vài tuần cho việc huấn luyện, sử dụng hàng trăm triệu bước hướng dẫn trên nền 50 chip xử lý đồ họa. “Nhu cầu năng lực tính toán khổng lồ là điều không thể thiếu. Chúng ta sẽ cần tới những trung tâm dữ liệu trí tuệ nhân tạo mới” – Tiến sĩ See nói – “Chúng ta biết rằng các khung trí tuệ nhân tạo giờ đây rất sẵn, do đó việc phát triển trí tuệ nhân tạo khá dễ dàng và nhanh chóng. Vấn đề là chúng ta cần xây dựng được những hệ thống có thể vận hành các mô hình đó đủ nhanh”. 

Xem clip về Nadia