Tác giả: Tiến sĩ Assad Abbas
16 tháng 2 năm 2024
Trí tuệ Nhân tạo (AI) đang hiện diện khắp mọi nơi. Từ trợ lý thông minh đến ô tô tự lái, các hệ thống AI đang biến đổi cuộc sống và doanh nghiệp của chúng ta. Nhưng liệu có một loại AI có thể làm nhiều hơn là thực hiện các nhiệm vụ cụ thể không? Liệu có một loại AI có thể học và suy nghĩ như con người hoặc thậm chí vượt qua trí thông minh của con người không?
Đó chính là tầm nhìn của Trí tuệ Nhân tạo Tổng quát (AGI), một dạng AI giả tưởng có khả năng thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người có thể. AGI thường được so sánh với Trí tuệ Nhân tạo Hẹp hẹp (ANI), trạng thái hiện tại của AI chỉ có thể xuất sắc ở một hoặc vài lĩnh vực, như chơi cờ vua hoặc nhận diện khuôn mặt. Ngược lại, AGI sẽ có khả năng hiểu và lập luận qua nhiều lĩnh vực, như ngôn ngữ, logic, sáng tạo, lẽ thường và cảm xúc.
AGI không phải là một ý tưởng mới. Đây đã là tầm nhìn hướng dẫn nghiên cứu AI từ những ngày đầu tiên và vẫn là ý tưởng gây tranh cãi nhất. Một số người đam mê AI tin rằng AGI là điều không thể tránh khỏi và sắp tới và sẽ dẫn đến một kỷ nguyên tiến bộ công nghệ và xã hội mới. Những người khác lại cảnh giác và thận trọng hơn và cảnh báo về những rủi ro đạo đức và tồn tại của việc tạo ra và kiểm soát một thực thể mạnh mẽ và không thể dự đoán như vậy.
Nhưng chúng ta gần đến AGI đến đâu, và liệu việc cố gắng có ý nghĩa không? Đây thực sự là một câu hỏi quan trọng có câu trả lời có thể cung cấp một thực tế cho những người đam mê AI đang háo hức chờ đợi kỷ nguyên của trí thông minh siêu phàm.
AGI là gì và Nó Khác Biệt Như Thế Nào So Với AI?
AGI khác biệt so với AI hiện tại bởi khả năng thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người có thể, thậm chí có thể vượt qua chúng. Sự khác biệt này nằm ở một số đặc điểm chính, bao gồm:
- Suy nghĩ trừu tượng
- Khả năng tổng quát hóa từ các trường hợp cụ thể
- Sử dụng kiến thức nền đa dạng
- Sử dụng lẽ thường và ý thức để ra quyết định
- Hiểu được nguyên nhân hơn là chỉ tương quan
- Giao tiếp và tương tác hiệu quả với con người và các đại lý khác.
Mặc dù những đặc điểm này rất quan trọng để đạt được trí tuệ giống như con người hoặc siêu phàm, nhưng chúng vẫn khó để nắm bắt cho các hệ thống AI hiện tại.
Trí tuệ Nhân tạo hiện tại chủ yếu dựa vào học máy, một nhánh của khoa học máy tính cho phép máy học từ dữ liệu và kinh nghiệm. Học máy hoạt động thông qua học có giám sát, học không giám sát và học củng cố.
Học có giám sát liên quan đến việc máy học từ dữ liệu được gán nhãn để dự đoán hoặc phân loại dữ liệu mới. Học không giám sát liên quan đến việc tìm ra các mẫu trong dữ liệu không được gán nhãn, trong khi học củng cố tập trung vào việc học từ các hành động và phản hồi, tối ưu hóa cho phần thưởng hoặc giảm thiểu chi phí.
Mặc dù đạt được kết quả đáng kinh ngạc trong các lĩnh vực như thị giác máy tính và xử lý ngôn ngữ tự nhiên, các hệ thống AI hiện tại bị hạn chế bởi chất lượng và số lượng dữ liệu huấn luyện, các thuật toán được xác định trước và các mục tiêu tối ưu hóa cụ thể. Chúng thường cần sự giúp đỡ về tính linh hoạt, đặc biệt là trong các tình huống mới lạ, và sự minh bạch hơn trong việc giải thích lý do của chúng.
Ngược lại, AGI được tưởng tượng sẽ không bị hạn chế bởi những hạn chế này và sẽ không phụ thuộc vào dữ liệu, thuật toán hoặc mục tiêu được xác định trước mà thay vào đó là vào khả năng học và suy nghĩ của nó. Hơn nữa, AGI có thể học và tích hợp kiến thức từ các nguồn và lĩnh vực đa dạng, áp dụng nó một cách mượt mà cho các nhiệm vụ mới và đa dạng. Hơn nữa, AGI sẽ xuất sắc trong lập luận, giao tiếp, hiểu và điều chỉnh thế giới và chính nó.
Những thách thức và cách tiếp cận phát triển AGI
Hiện thực hóa AGI đặt ra những thách thức đáng kể bao gồm các khía cạnh kỹ thuật, khái niệm và đạo đức.
Ví dụ, việc định nghĩa và đo lường trí thông minh, bao gồm các thành phần như bộ nhớ, sự chú ý, sáng tạo và cảm xúc, là một rào cản cơ bản. Ngoài ra, việc mô hình hóa và mô phỏng các chức năng của não bộ con người, như cảm nhận, nhận thức và cảm xúc, đề xuất những thách thức phức tạp.
Hơn nữa, các thách thức quan trọng bao gồm việc thiết kế và triển khai các thuật toán và kiến trúc học và suy luận có thể mở rộng, tổng quát. Đảm bảo an toàn, đáng tin cậy và có trách nhiệm của các hệ thống AGI trong tương tác của chúng với con người và các đại lý khác và điều chỉnh các giá trị và mục tiêu của các hệ thống AGI với các giá trị và mục tiêu của xã hội cũng là điều cực kỳ quan trọng.
Các hướng nghiên cứu và mô hình đã được đề xuất và khám phá trong việc theo đuổi AGI, mỗi hướng có ưu điểm và hạn chế riêng. Trí tuệ nhân tạo Biểu tượng, một phương pháp cổ điển sử dụng logic và biểu tượng cho việc đại diện và thao tác kiến thức, xuất sắc trong các vấn đề trừu tượng và có cấu trúc như toán học và cờ vua nhưng cần sự giúp đỡ trong việc mở rộng và tích hợp dữ liệu cảm giác và chuyển động.
Tương tự, Trí tuệ nhân tạo Kết nối, một phương pháp hiện đại sử dụng mạng nơ-ron và học sâu để xử lý lượng lớn dữ liệu, xuất sắc trong các lĩnh vực phức tạp và nhiễu như thị giác và ngôn ngữ nhưng cần sự giúp đỡ trong việc hiểu và tổng quát hóa.
Trí tuệ nhân tạo Kết hợp kết hợp trí tuệ nhân tạo Biểu tượng và Kết nối để tận dụng những ưu điểm và vượt qua nhược điểm của chúng, nhằm mục đích xây dựng hệ thống mạnh mẽ và linh hoạt hơn. Tương tự, Trí tuệ nhân tạo Tiến hóa sử dụng các thuật toán tiến hóa và lập trình di truyền để tiến hóa các hệ thống trí tuệ nhân tạo thông qua sự lựa chọn tự nhiên, tìm kiếm các giải pháp mới lạ và tối ưu không bị ràng buộc bởi thiết kế của con người.
Cuối cùng, Trí tuệ nhân tạo Hình thái học sử dụng phần cứng và phần mềm hình thái học để mô phỏng các hệ thống thần kinh sinh học, nhằm mục đích xây dựng các mô hình não hiệu quả và chân thực hơn và cho phép tương tác tự nhiên với con người và các đại lý.
Đây không phải là những phương pháp duy nhất đối với AGI nhưng là một số trong những phương pháp nổi bật và hứa hẹn nhất. Mỗi phương pháp đều có ưu điểm và nhược điểm của riêng mình và vẫn cần đạt được tính tổng quát và trí thông minh mà AGI đòi hỏi.
Một số ví dụ và ứng dụng của AGI
Mặc dù AGI vẫn chưa được đạt được, một số ví dụ đáng chú ý về các hệ thống trí tuệ nhân tạo hiện tại cho thấy một số khía cạnh hoặc đặc điểm gợi nhớ về AGI, đóng góp vào tầm nhìn của việc đạt được AGI trong tương lai. Những ví dụ này đại diện cho những bước tiến về AGI bằng cách trình bày các khả năng cụ thể:
AlphaZero, được phát triển bởi DeepMind, là một hệ thống học củng cố tự động học chơi cờ vua, shogi và Go mà không cần kiến thức hoặc hướng dẫn từ con người. AlphaZero đã chứng minh được khả năng siêu phàm, đồng thời giới thiệu các chiến lược đổi mới thách thức tri thức truyền thống.
Tương tự, GPT-3 của OpenAI tạo ra văn bản mạch lạc và đa dạng trên nhiều chủ đề và nhiệm vụ khác nhau. Có khả năng trả lời câu hỏi, viết bài luận và mô phỏng các phong cách viết khác nhau, GPT-3 thể hiện sự linh hoạt, mặc dù trong một số giới hạn.
Tương tự, NEAT, một thuật toán tiến hóa được tạo ra bởi Kenneth Stanley và Risto Miikkulainen, tiến hóa mạng nơ-ron cho các nhiệm vụ như điều khiển robot, chơi trò chơi và tạo hình ảnh. Khả năng tiến hóa cấu trúc và chức năng của mạng nơ-ron của NEAT tạo ra các giải pháp mới lạ và phức tạp không được xác định trước bởi các lập trình viên con người.
Mặc dù những ví dụ này minh họa sự tiến bộ trong việc đạt được AGI, chúng cũng làm nổi bật những hạn chế và khoảng trống hiện tại mà đòi hỏi sự khám phá và phát triển tiếp tục trong việc theo đuổi AGI thực sự.
Những tác động và rủi ro của AGI
AGI đặt ra những thách thức khoa học, công nghệ, xã hội và đạo đức với những tác động sâu sắc. Về mặt kinh tế, nó có thể tạo ra cơ hội và gây ra sự động đất trong các thị trường hiện tại, có thể làm tăng bất bình đẳng. Trong khi cải thiện giáo dục và sức khỏe, AGI có thể đem lại những thách thức và rủi ro mới.
Về mặt đạo đức, nó có thể thúc đẩy các quy định, sự hợp tác và lòng thông cảm mới và đưa ra những xung đột, cạnh tranh và độc ác. AGI có thể đặt ra câu hỏi về các ý nghĩa và mục đích hiện tại, mở rộng kiến thức và định nghĩa lại bản chất và số phận của con người. Do đó, các bên liên quan phải xem xét và giải quyết những tác động và rủi ro này, bao gồm các nhà nghiên cứu, nhà phát triển, nhà hoạch định chính sách, nhà giáo dục và công dân.
Thay lời kết
Tóm lại, AGI đứng ở hàng đầu của nghiên cứu trí tuệ nhân tạo, hứa hẹn một cấp độ trí tuệ vượt qua khả năng của con người. Mặc dù tầm nhìn này thu hút sự nhiệt huyết của những người đam mê, nhưng những thách thức vẫn còn tồn tại trong việc thực hiện mục tiêu này. Trí tuệ nhân tạo hiện tại, xuất sắc trong các lĩnh vực cụ thể, phải đáp ứng tiềm năng mở rộng của AGI.
Nhiều phương pháp, từ trí tuệ nhân tạo biểu tượng và kết nối đến các mô hình hình thái học, đang cố gắng để thực hiện AGI. Các ví dụ đáng chú ý như AlphaZero và GPT-3 thể hiện sự tiến bộ, nhưng AGI thực sự vẫn còn là một điều khó nắm bắt. Với những tác động kinh tế, đạo đức và tồn tại, hành trình đến AGI đòi hỏi sự chú ý tập thể và khám phá có trách nhiệm.
