5 bài học rút ra từ chiến thắng lịch sử của AlphaGo

AlphaGo đã dễ dàng đánh người 18 lần vô địch cờ vây thế giới Lee Sedol với tỉ số 4-1, và từ đó đã dạy cho chúng ta rất nhiều bài học thú vị về nghiên cứu AI hiện nay, và nó sẽ đi tới đâu.

Vẫn có chỗ đứng cho những cách tiếp cận AI cổ điển

Một điều thú vị về AlphaGo chính là nó được thiết kế theo một cách rất lạ thường. Phần mềm đã kết hợp deep learning – kỹ thuật AI hot nhất hiện nay – với một cách tiếp cận cũ kỹ, ít hợp thời. Deep learning cần tới việc sử dụng những mạng lưới thần kinh giả lập cực lớn, và thường tránh những kiểu logic và thao tác với biểu tượng của những người đi tiên phong như Marvin Minksy và John McCarthy. Nhưng AlphaGo lại kết hợp deep learning với một thứ gọi là tree-search, một kỹ thuật được phát minh bởi một trong những người đương thời với Minksy và cũng là đồng nghiệp của ông, Claude Shannon. Có lẽ, rồi ta sẽ càng thấy nhiều AI trường phái connectionism và symbolic cùng xuất hiện trong tương lai.

Nghịch lý Polanyi không phải là một điều khó hiểu

Môn cờ vây, trong đó người chơi sẽ tìm cách bao vây và ăn quân của đối phương trên một bàn cờ rất rộng, chính là một ví dụ rõ ràng cho nghịch lý nổi tiếng của Polanyi: “Ta biết nhiều hơn những gì mình có thể nói ra.”

Không như cờ vua, sẽ không có hướng dẫn đơn giản để chơi cờ hay ghi chép quá trình chơi, đó là một lý do vì sao cờ vây từ lâu vốn rất khó để máy tính có thể tham gia. Với machine learning, khi mà máy tính sẽ không được lập trình (theo nghĩa thông thường) mà sẽ tạo ra thuật toán của riêng nó để học hỏi từ những ví dụ, đem tới một con đường để máy tính có thể hướng tới nghịch lý của Polanyi. Rất nhiều việc mà chúng ta làm, như lái xe hay nhận diện khuôn mặt, đều có những điểm tương đồng. Và như một bài viết của New York Times, một vài người còn nhìn nhận đại thắng của AlphaGo như một bằng chứng thuyết phục cho việc máy tính sẽ tiếp nhận nhiều nhiệm vụ (và nghề nghiệp) hơn khi mà machine learning ngày càng được sử dụng rộng rãi.

AlphaGo chưa hẳn là một AI

Mọi chuyện chưa nhanh tới vậy. Cho dù AlphaGo tuyệt vời như thế nào, vẫn còn cả quãng đường dài để có thể tới được trí thông minh thực sự. Như chuyên gia về AI Jean-Christophe Baillie đã chỉ ra, trí tuệ thực sự sẽ cần tới không chỉ học hỏi tinh tế hơn mà còn cả những điều như hiện thân và khả năng giao tiếp. Thực vậy, lái xe trên một con phố đông đúc hay giao tiếp với ai đó mà bạn biết vốn phức tạp hơn nhiều so với những gì ta nghĩ. Bởi vậy, trong khi machine learning có thể khiến máy tính đảm nhận nhiều nhiệm vụ hơn, sẽ còn rất lâu để chúng có thể thay thế mọi công việc của con người.

AlphaGo khá thiếu hiệu quả

So sánh với một con người, AlphaGo học hỏi rất nhanh, tiêu thụ dữ liệu của những ván cờ trước đấu với chính bản thân nó với tốc độ silicon. Nhưng nó kém hiệu quả hơn nhiều so với một người trong việc học hỏi, sẽ cần tới rất nhiều ván cờ ví dụ để có thể chọn lọc ra những kỹ năng hiệu quả. Đây cũng là một vấn đề then chốt với deep learning, khi mà rất nhiều người đang tìm cách giải quyết, bằng việc tìm cách học hỏi từ những loại dữ liệu mới, hay từ ít dữ liệu hơn hẳn.

Thương mại hóa chưa hề rõ ràng

Những kỹ năng được biểu diễn bởi AlphaGo – nhận dạng mẫu khôn khéo, lên kế hoạch, và đưa ra quyết định – rõ ràng rất quan trọng. Nhưng nó vẫn chưa cho thấy được tính áp dụng trên một sản phẩm thương mại hóa rõ rệt nào. Demis Hassabis, người sáng lập của Google Deepmind, đã nói rằng kỹ thuật để phát triển AlphaGo có thể được sử dụng để tạo ra một trợ lý cá nhân có thể học hỏi sở thích và thói quen của chủ nhân một cách hiệu quả hơn. Nhưng ngôn ngữ của con người là một thứ phức tạp hơn nhiều so với chơi cờ, và rất khó để học từ đó. Nói cách khác, để áp dụng kỹ năng cụ thể của AlphaGo vào đời thực hỗn loạn có lẽ sẽ là một công việc phức tạp.

Theo Technology Review.