Trí tuệ nhân tạo (AI) là gì?

Trí tuệ nhân tạo là gì?

Trong khi một số định nghĩa về trí tuệ nhân tạo (tiếng anh là Artificial Intelligence, viết tắt là AI) đã xuất hiện trong vài thập kỷ qua, John McCarthy đưa ra định nghĩa sau trong bài báo năm 2004 này (PDF, 106 KB) (liên kết nằm bên ngoài IBM), " Đó là khoa học và kỹ thuật của tạo ra những cỗ máy thông minh, đặc biệt là các chương trình máy tính thông minh. Nó liên quan đến nhiệm vụ tương tự là sử dụng máy tính để hiểu trí thông minh của con người, nhưng AI không phải tự giới hạn mình trong các phương pháp có thể quan sát được về mặt sinh học."

Tuy nhiên, nhiều thập kỷ trước định nghĩa này, sự ra đời của cuộc trò chuyện về trí tuệ nhân tạo đã được đánh dấu bằng tác phẩm nổi tiếng của Alan Turing, "Máy tính và trí thông minh" (PDF, 89,8 KB) (liên kết nằm bên ngoài IBM), được xuất bản năm 1950. Trong tác phẩm này, Turing, thường được gọi là "cha đẻ của khoa học máy tính", đặt câu hỏi sau, "Máy móc có thể suy nghĩ không?" Từ đó, anh ấy đưa ra một bài kiểm tra, hiện nổi tiếng là "Bài kiểm tra Turing", trong đó một người thẩm vấn con người sẽ cố gắng phân biệt giữa máy tính và phản hồi văn bản của con người. Mặc dù bài kiểm tra này đã được xem xét kỹ lưỡng kể từ khi xuất bản, nhưng nó vẫn là một phần quan trọng trong lịch sử của AI cũng như một khái niệm đang diễn ra trong triết học khi nó sử dụng các ý tưởng xung quanh ngôn ngữ học.

Stuart Russell và Peter Norvig sau đó đã tiến hành xuất bản, Trí tuệ nhân tạo: Phương pháp tiếp cận hiện đại (liên kết nằm bên ngoài IBM), trở thành một trong những cuốn sách giáo khoa hàng đầu về nghiên cứu AI. Trong đó, họ đi sâu vào bốn mục tiêu hoặc định nghĩa tiềm năng về AI, giúp phân biệt các hệ thống máy tính trên cơ sở tính hợp lý và suy nghĩ so với hành động:

Cách tiếp cận của con người:

• Hệ thống suy nghĩ như con người
• Hệ thống hoạt động như con người

Cách tiếp cận lý tưởng:

• Hệ thống suy nghĩ hợp lý
• Hệ thống hành động hợp lý

Định nghĩa của Alan Turing sẽ thuộc danh mục “các hệ thống hoạt động như con người”.

Ở dạng đơn giản nhất, trí tuệ nhân tạo là một lĩnh vực kết hợp khoa học máy tính và bộ dữ liệu mạnh mẽ, để cho phép giải quyết vấn đề. Nó cũng bao gồm các lĩnh vực phụ của học máy “machine learning” và học sâu “deep learning”, thường được đề cập cùng với trí tuệ nhân tạo. Các nguyên tắc này bao gồm các thuật toán AI tìm cách tạo ra các hệ thống chuyên gia đưa ra dự đoán hoặc phân loại dựa trên dữ liệu đầu vào.

Ngày nay, rất nhiều sự cường điệu vẫn xoay quanh sự phát triển của AI, điều được mong đợi ở bất kỳ công nghệ mới nổi nào trên thị trường. Như đã lưu ý trong chu trình cường điệu của Gartner (liên kết nằm bên ngoài IBM), các đổi mới sản phẩm như ô tô tự lái và trợ lý cá nhân, tuân theo “sự phát triển điển hình của đổi mới, từ sự nhiệt tình thái quá đến giai đoạn vỡ mộng đến sự hiểu biết cuối cùng về tầm quan trọng và vai trò của đổi mới. trong một thị trường hoặc miền.” Như Lex Fridman đã lưu ý ở đây (01:08:05) (liên kết nằm bên ngoài IBM) trong bài giảng tại MIT của anh ấy vào năm 2019, chúng ta đang ở đỉnh điểm của những kỳ vọng bị thổi phồng, tiến gần đến đáy của sự vỡ mộng.

Khi các cuộc trò chuyện xung quanh đạo đức của AI xuất hiện, chúng ta có thể bắt đầu thấy những cái nhìn thoáng qua ban đầu về đáy của sự vỡ mộng. Để đọc thêm về vị trí của IBM trong cuộc trò chuyện xung quanh đạo đức AI, hãy đọc thêm tại đây.

Các loại trí tuệ nhân tạo—AI yếu & AI mạnh

AI yếu “Weak AI”—còn được gọi là AI hẹp hoặc Trí tuệ nhân tạo hẹp (ANI - Artificial Narrow Intelligence)—là AI được đào tạo và tập trung để thực hiện các nhiệm vụ cụ thể. AI yếu thúc đẩy hầu hết AI xung quanh chúng ta ngày nay. 'Thu hẹp' có thể là một mô tả chính xác hơn cho loại AI này vì nó không yếu; nó cho phép một số ứng dụng rất mạnh mẽ, chẳng hạn như Siri của Apple, Alexa của Amazon, Watson của IBM và các phương tiện tự hành.

AI mạnh “Strong AI” được tạo thành từ Trí tuệ nhân tạo tổng quát (AGI - Artificial General Intelligence ) và Siêu trí tuệ nhân tạo (ASI - Artificial Super Intelligence). Trí tuệ nhân tạo tổng quát (AGI - Artificial general intelligence), hay AI nói chung, là một dạng lý thuyết của AI trong đó một cỗ máy sẽ có trí thông minh ngang bằng với con người; nó sẽ có ý thức tự nhận thức có khả năng giải quyết vấn đề, học hỏi và lập kế hoạch cho tương lai. Siêu trí tuệ nhân tạo (ASI - Artificial Super Intelligence)—còn được gọi là siêu trí tuệ—sẽ vượt qua trí thông minh và khả năng của bộ não con người. Mặc dù AI mạnh mẽ vẫn hoàn toàn là lý thuyết mà không có ví dụ thực tế nào được sử dụng ngày nay, nhưng điều đó không có nghĩa là các nhà nghiên cứu AI không khám phá sự phát triển của nó. Trong khi chờ đợi, những ví dụ điển hình nhất về ASI có thể là từ khoa học viễn tưởng, chẳng hạn như HAL, trợ lý máy tính siêu phàm, lừa đảo trong 2001: A Space Odyssey.

Học sâu & học máy

Vì thuật ngữ học sâu “Deep learning” và học máy “Machine learning ” có xu hướng được sử dụng thay thế cho nhau, nên cần lưu ý các sắc thái giữa hai loại này. Như đã đề cập ở trên, cả học sâu và học máy đều là các lĩnh vực phụ của trí tuệ nhân tạo và học sâu thực sự là một lĩnh vực phụ của học máy.

Học sâu “Deep learning”  thực sự bao gồm các mạng lưới thần kinh. “Deep” trong deep learning dùng để chỉ một mạng nơ-ron bao gồm hơn ba lớp—bao gồm đầu vào và đầu ra—có thể được coi là một thuật toán deep learning. Điều này thường được thể hiện bằng sơ đồ sau:

• Cách mà học sâu và học máy khác nhau là cách mỗi thuật toán học. Học sâu tự động hóa phần lớn phần trích xuất tính năng của quy trình, loại bỏ một số can thiệp thủ công cần thiết của con người và cho phép sử dụng các tập dữ liệu lớn hơn. Bạn có thể coi deep learning là "máy học có thể mở rộng" như Lex Fridman đã lưu ý trong cùng một bài giảng của MIT ở trên. Theo quan niệm cổ điển, hoặc "không sâu", học máy phụ thuộc nhiều hơn vào sự can thiệp của con người để học. Các chuyên gia về con người xác định hệ thống phân cấp của các tính năng để hiểu sự khác biệt giữa các đầu vào dữ liệu, thường yêu cầu dữ liệu có cấu trúc hơn để tìm hiểu.

• Máy học "sâu" có thể tận dụng các tập dữ liệu được gắn nhãn “Labeled datasets”, còn được gọi là học có giám sát, để cung cấp thông tin cho thuật toán của nó, nhưng nó không nhất thiết yêu cầu tập dữ liệu được gắn nhãn. Nó có thể nhập dữ liệu phi cấu trúc ở dạng thô (ví dụ: văn bản, hình ảnh) và có thể tự động xác định cấu trúc phân cấp của các tính năng giúp phân biệt các loại dữ liệu khác nhau với nhau. Không giống như học máy, nó không yêu cầu sự can thiệp của con người để xử lý dữ liệu, cho phép chúng tôi mở rộng quy mô học máy theo những cách thú vị hơn.

Ứng dụng trí tuệ nhân tạo

Ngày nay, có rất nhiều ứng dụng trong thế giới thực của các hệ thống AI. Dưới đây là một số ví dụ phổ biến nhất:

• Speech recognition - Nhận dạng giọng nói: Nó còn được gọi là nhận dạng giọng nói tự động (ASR - Automatic Speech Recognition), nhận dạng giọng nói bằng máy tính hoặc chuyển giọng nói thành văn bản và đây là khả năng sử dụng xử lý ngôn ngữ tự nhiên (NLP - Natural Language Processing) để xử lý lời nói của con người thành định dạng văn bản. Nhiều thiết bị di động tích hợp tính năng nhận dạng giọng nói vào hệ thống của chúng để tiến hành tìm kiếm bằng giọng nói—ví dụ: Siri—hoặc cung cấp thêm khả năng truy cập xung quanh việc nhắn tin.
• Customer service - Dịch vụ khách hàng: Các tác nhân ảo “Virtual Agents” trực tuyến đang thay thế các tác nhân con người trong suốt quá trình phục vụ khách hàng. Chúng trả lời các câu hỏi thường gặp (FAQ) xung quanh các chủ đề, như vận chuyển hoặc cung cấp lời khuyên được cá nhân hóa, bán chéo sản phẩm hoặc đề xuất kích thước cho người dùng, thay đổi cách chúng ta nghĩ về sự tương tác của khách hàng trên các trang web và nền tảng truyền thông xã hội. Ví dụ bao gồm bot nhắn tin trên các trang web thương mại điện tử có tác nhân ảo, ứng dụng nhắn tin, chẳng hạn như Slack và Facebook Messenger và các tác vụ thường được thực hiện bởi trợ lý ảo “Virtual Assistants” và trợ lý giọng nói “Voice Assistants”.
• Computer vision - Thị giác máy tính: Công nghệ AI này cho phép máy tính và hệ thống lấy thông tin có ý nghĩa từ hình ảnh kỹ thuật số, video và các đầu vào hình ảnh khác, và dựa trên những đầu vào đó, nó có thể thực hiện hành động. Khả năng cung cấp các đề xuất này phân biệt nó với các tác vụ nhận dạng hình ảnh. Được hỗ trợ bởi các mạng thần kinh tích chập “Convolutional Neural Networks”, thị giác máy tính có các ứng dụng trong việc gắn thẻ ảnh trên mạng xã hội, chụp ảnh X quang trong chăm sóc sức khỏe và ô tô tự lái trong ngành công nghiệp ô tô.
• Recommendation engines - Công cụ đề xuất: Sử dụng dữ liệu hành vi tiêu dùng trong quá khứ, thuật toán AI có thể giúp khám phá các xu hướng dữ liệu có thể được sử dụng để phát triển các chiến lược bán kèm hiệu quả hơn. Điều này được sử dụng để đưa ra các đề xuất tiện ích bổ sung có liên quan cho khách hàng trong quá trình thanh toán cho các nhà bán lẻ trực tuyến.
• Automated stock trading - Giao dịch chứng khoán tự động: Được thiết kế để tối ưu hóa danh mục đầu tư chứng khoán, các nền tảng giao dịch tần suất cao do AI điều khiển thực hiện hàng nghìn, thậm chí hàng triệu giao dịch mỗi ngày mà không cần sự can thiệp của con người.

Lịch sử của trí tuệ nhân tạo

Ý tưởng về 'một cỗ máy biết suy nghĩ' đã có từ thời Hy Lạp cổ đại. Nhưng kể từ khi máy tính điện tử ra đời (và liên quan đến một số chủ đề được thảo luận trong bài viết này), các sự kiện và cột mốc quan trọng trong quá trình phát triển của trí tuệ nhân tạo bao gồm:

• 1950: Alan Turing xuất bản Máy tính và Trí thông minh. Trong bài báo, Turing—nổi tiếng với việc phá mã ENIGMA của Đức quốc xã trong Thế chiến thứ hai—đề xuất trả lời câu hỏi 'máy móc có thể suy nghĩ không?' và giới thiệu Thử nghiệm Turing để xác định xem máy tính có thể thể hiện trí thông minh giống như con người hay không (hoặc kết quả của cùng một trí thông minh). Giá trị của bài kiểm tra Turing đã được tranh luận kể từ đó.
• 1956: John McCarthy đưa ra thuật ngữ 'trí tuệ nhân tạo - Artificial intelligence' tại hội nghị AI đầu tiên tại Đại học Dartmouth. (McCarthy sẽ tiếp tục phát minh ra ngôn ngữ Lisp.) Cuối năm đó, Allen Newell, J.C. Shaw và Herbert Simon tạo ra Logic Theorist, chương trình phần mềm AI đầu tiên chạy được.
• 1967: Frank Rosenblatt xây dựng Mark 1 Perceptron, chiếc máy tính đầu tiên dựa trên mạng thần kinh 'đã học' thông qua quá trình thử và sai. Chỉ một năm sau, Marvin Minsky và Seymour Papert xuất bản một cuốn sách có tựa đề Perceptrons, cuốn sách vừa trở thành công trình mang tính bước ngoặt về mạng nơ-ron, vừa là lập luận chống lại các dự án nghiên cứu mạng nơ-ron trong tương lai, ít nhất là trong một thời gian.
• Những năm 1980: Các mạng nơ-ron sử dụng thuật toán lan truyền ngược để tự đào tạo được sử dụng rộng rãi trong các ứng dụng AI.
• 1997: Deep Blue của IBM đánh bại nhà vô địch cờ vua thế giới Garry Kasparov, trong một trận đấu cờ vua (và tái đấu).
• 2011: IBM Watson đánh bại các nhà vô địch Ken Jennings và Brad Rutter tại Jeopardy!
• 2015: Siêu máy tính Minwa của Baidu sử dụng một loại mạng thần kinh sâu đặc biệt được gọi là mạng thần kinh tích chập để xác định và phân loại hình ảnh với tỷ lệ chính xác cao hơn so với người bình thường.
• 2016: Chương trình AlphaGo của DeepMind, được hỗ trợ bởi mạng nơ-ron sâu, đánh bại Lee Sodol, nhà vô địch cờ vây thế giới, trong một trận đấu kéo dài 5 ván. Chiến thắng có ý nghĩa quan trọng với số lượng lớn các nước đi có thể có khi trò chơi diễn ra (hơn 14,5 nghìn tỷ chỉ sau bốn nước đi!). Sau đó, Google đã mua DeepMind với giá 400 triệu USD.

Các giải pháp liên quan

Tham khảo thêm

Nguồn: https://www.ibm.com/cloud/learn/what-is-artificial-intelligence?lnk=fle