Tác giả: Alex McFarland
ngày 25 tháng 11 năm 2023
Trong một nghiên cứu đột phá, các nhà khoa học tại Đại học Cambridge đã tiếp cận một cách mới đối với trí tuệ nhân tạo, chứng minh cách các ràng buộc vật lý có thể ảnh hưởng sâu sắc đến quá trình phát triển của một hệ thống trí tuệ nhân tạo.
Nghiên cứu này, gợi nhớ đến những ràng buộc về phát triển và hoạt động của não người, mang lại cái nhìn mới về sự tiến hóa của các hệ thống thần kinh phức tạp. Bằng cách tích hợp những ràng buộc này, trí tuệ nhân tạo không chỉ phản ánh các khía cạnh của trí tuệ con người mà còn giải mã sự cân bằng phức tạp giữa việc tiêu thụ tài nguyên và hiệu suất xử lý thông tin.
Khái Niệm về Ràng Buộc Vật Lý trong Trí Tuệ Nhân Tạo
Não người, biểu tượng của các mạng thần kinh tự nhiên, tiến hóa và hoạt động trong một loạt các ràng buộc vật lý và sinh học. Những hạn chế này không phải là trở ngại mà lại đóng vai trò quan trọng trong việc định hình cấu trúc và chức năng của nó.
Theo lời của Jascha Achterberg, một Học giả Gates từ Đơn vị Nghiên cứu Về Cognition và Brain Sciences (MRC CBSU) thuộc Đại học Cambridge, “Không chỉ là não giải quyết các vấn đề phức tạp một cách xuất sắc, mà lại làm điều đó với lượng năng lượng rất ít. Trong công việc mới của chúng tôi, chúng tôi chỉ ra rằng việc xem xét khả năng giải quyết vấn đề của não cùng với mục tiêu tiêu thụ ít tài nguyên nhất có thể có thể giúp chúng ta hiểu tại sao não có hình dạng như vậy.”
Thử nghiệm và Ý nghĩa
Nhóm nghiên cứu tại Cambridge đã bắt đầu một dự án quyết liệt để tạo ra một hệ thống nhân tạo mô phỏng một phiên bản đơn giản hóa cao của não. Hệ thống này đặc biệt trong việc áp dụng các ràng buộc ‘vật lý’, giống như trong não người.
Mỗi nút tính toán trong hệ thống được gán một vị trí cụ thể trong một không gian ảo, mô phỏng tổ chức không gian của các tế bào thần kinh. Khoảng cách lớn hơn giữa hai nút, thách thức giao tiếp của chúng, tương tự như tổ chức thần kinh trong não người.
Sau đó, não ảo này được giao nhiệm vụ điều hướng một đường maze, một phiên bản đơn giản của các nhiệm vụ điều hướng mê cung thường được giao cho động vật trong các nghiên cứu về não. Sự quan trọng của nhiệm vụ này nằm ở việc yêu cầu hệ thống tích hợp nhiều thông tin – chẳng hạn như vị trí bắt đầu và kết thúc, và các bước trung gian – để tìm đường đi ngắn nhất. Nhiệm vụ này không chỉ kiểm tra khả năng giải quyết vấn đề của hệ thống mà còn cho phép quan sát làm thế nào các nút và cụm khác nhau trở nên quan trọng ở các giai đoạn khác nhau của nhiệm vụ.
Học và Điều Chỉnh trong Hệ Thống Trí Tuệ Nhân Tạo
Hành trình của hệ thống nhân tạo từ người mới vào chuyên gia trong việc điều hướng mê cung là một bằng chứng cho tính linh hoạt của trí tuệ nhân tạo. Ban đầu, hệ thống, giống như một người học một kỹ năng mới, gặp khó khăn với nhiệm vụ, gây ra nhiều lỗi. Tuy nhiên, thông qua quá trình thử nghiệm và lỗi và phản hồi sau đó, hệ thống dần dần làm sắc tới phương pháp của mình.
Quan trọng là, quá trình học này diễn ra thông qua sự thay đổi trong sức mạnh của các kết nối giữa các nút tính toán, tương tự như sự đồng rãnh linh động quan sát được trong não người. Điều đặc biệt hấp dẫn là cách các ràng buộc vật lý ảnh hưởng đến quá trình học này. Sự khó khăn trong việc thiết lập kết nối giữa các nút xa nhau có nghĩa là hệ thống phải tìm kiếm các giải pháp hiệu quả hơn, có địa phương hóa, từ đó mô phỏng sự hiệu quả về năng lượng và tài nguyên như trong não sinh học.
Đặc Điểm Nổi Bật trong Hệ Thống Nhân Tạo
Khi hệ thống tiến hóa, nó bắt đầu thể hiện các đặc điểm đáng kinh ngạc tương tự như não người. Một trong những phát triển như vậy là sự hình thành của các trung tâm – các nút kết nối cao độ, hoạt động như các đường dẫn thông tin trên mạng, tương tự như các trung tâm thần kinh trong não người.
Tuy nhiên, điều thú vị hơn là sự thay đổi trong cách các nút cá nhân xử lý thông tin. Thay vì một mã hóa cứng nơi mỗi nút chịu trách nhiệm cho một khía cạnh cụ thể của mê cung, các nút áp dụng một hệ thống mã hóa linh hoạt. Điều này có nghĩa là một nút có thể đại diện cho nhiều khía cạnh của mê cung ở các thời điểm khác nhau, một đặc điểm gợi nhớ đến tính linh hoạt của các tế bào thần kinh trong các sinh vật phức tạp.
Giáo sư Duncan Astle từ Bộ môn Y tâm thần học tại Đại học Cambridge nhấn mạnh khía cạnh này, nói rằng: “Ràng buộc đơn giản này – việc kết nối các nút ở xa nhau sẽ khó hơn – buộc các hệ thống nhân tạo phải tạo ra một số đặc điểm khá phức tạp. Điều thú vị là, đó là các đặc điểm mà hệ thống sinh học như não người cũng chia sẻ.”
Hậu quả của nghiên cứu này mở rộng xa khỏi lĩnh vực trí tuệ nhân tạo và chạm đến sự hiểu biết về nhận thức con người chính. Bằng cách mô phỏng các ràng buộc của não người trong một hệ thống trí tuệ nhân tạo, các nhà nghiên cứu có thể đạt được những hiểu biết vô song về cách những ràng buộc này định hình tổ chức não và đóng góp vào sự khác biệt nhận thức của mỗi người.
Phương pháp này cung cấp một cửa sổ duy nhất vào những phức tạp của não, đặc biệt là trong việc hiểu các tình trạng ảnh hưởng đến sức khỏe tâm thần và nhận thức. Giáo sư John Duncan từ MRC CBSU thêm vào đó: “Những bộ não nhân tạo này mang lại cho chúng ta một cách để hiểu dữ liệu phong phú và kinh ngạc chúng ta thấy khi hoạt động của các tế bào thần kinh thực sự được ghi lại trong các bộ não thực sự.”
Tương lai của Thiết Kế Trí Tuệ Nhân Tạo
Nghiên cứu đột phá này có tác động đáng kể đối với thiết kế tương lai của các hệ thống Trí Tuệ Nhân Tạo. Nghiên cứu mô tả rõ cách tích hợp các nguyên tắc sinh học, đặc biệt là những nguyên tắc liên quan đến ràng buộc vật lý, có thể dẫn đến các mạng thần kinh nhân tạo hiệu quả và thích nghi hơn.
Tiến sĩ Danyal Akarca từ MRC CBSU nhấn mạnh điều này, nói: “Các nhà nghiên cứu Trí Tuệ Nhân Tạo liên tục cố gắng tìm ra cách làm cho các hệ thống thần kinh phức tạp có thể mã hóa và thực hiện một cách linh hoạt mà vẫn hiệu quả. Để đạt được điều này, chúng tôi tin rằng Sinh học Thần kinh sẽ mang lại cho chúng ta rất nhiều nguồn cảm hứng.”
Jascha Achterberg mở rộng thêm về tiềm năng của những kết quả này đối với việc xây dựng các hệ thống Trí Tuệ Nhân Tạo mô phỏng rất gần khả năng giải quyết vấn đề của con người. Anh ấy gợi ý rằng các hệ thống Trí Tuệ Nhân Tạo giải quyết các thách thức tương tự như con người có khả năng tiến hóa cấu trúc giống như não người, đặc biệt là khi hoạt động trong ràng buộc vật lý như hạn chế năng lượng. “Nói cách khác,” Achterberg giải thích, “não của các robot được triển khai trong thế giới vật lý thực tế có thể sẽ trông giống như não của chúng ta vì chúng có thể đối mặt với những thách thức giống như chúng ta.”
Nghiên cứu được tiến hành bởi nhóm nghiên cứu tại Cambridge đánh dấu một bước quan trọng trong việc hiểu sự tương đồng giữa các hệ thống thần kinh của con người và trí tuệ nhân tạo. Bằng cách áp đặt các ràng buộc vật lý lên một hệ thống Trí Tuệ Nhân Tạo, họ không chỉ sao chép các đặc điểm quan trọng của não người mà còn mở ra những con đường mới để thiết kế trí tuệ nhân tạo hiệu quả và thích nghi hơn.
