Trí tuệ nhân tạo tạo sinh như ChatGPT hoặc Le_Chat, hiện có mặt ở hầu hết mọi nơi, dựa trên các mô hình phân tích và khai thác khối lượng dữ liệu hiện có. Chiến lược này giúp tái tạo - hay đúng hơn là mô phỏng một cách chân thực nhất có thể - nhiều khả năng khác nhau của con người, từ giải quyết các vấn đề khoa học đến sáng tác thơ, tạo hình ảnh và ảnh hoặc tổng hợp tài liệu. Một số AI thậm chí đã vượt qua thành công các bài kiểm tra chuẩn như bài kiểm tra Turing, mặc dù vẫn còn một số tranh cãi về khả năng thực sự của các mô hình này, hiện không có khả năng lập kế hoạch hoặc lý luận, để thành công trong loại bài tập này.
Tuy nhiên, sự phụ thuộc vào dữ liệu của con người cho thấy những hạn chế của nó: trong khi tiến bộ cho đến nay là rất đáng kể, thì các nguồn nhân lực chất lượng cao cho phép các mô hình AI được đào tạo thỏa đáng trong các lĩnh vực khoa học đã được sử dụng hoặc sắp được sử dụng. Do đó, tiến trình được thúc đẩy hoàn toàn bởi học có giám sát từ những nguồn và thông tin này có xu hướng chậm lại. Để trí tuệ nhân tạo tạo sinh tiếp tục tiến triển, một nguồn dữ liệu mới là điều cần thiết, đặc biệt là nếu chúng ta mong đợi một mức độ độc đáo và đổi mới, hay nói cách khác, "trí thông minh" thực sự từ các AI này.
Sự khởi đầu của quá trình chuyển đổi này từ “thời đại dữ liệu của con người” sang “thời đại trải nghiệm” đã có thể nhìn thấy được, ngay cả với các mô hình hiện tại. Ví dụ, năm ngoái, AlphaProof và AlphaGeometry 2 – hai AI một lần nữa được DeepMind phát triển – đã giải quyết các bài toán được đưa ra trong Kỳ thi Olympic Toán học quốc tế, một cuộc thi toán toàn cầu dành cho học sinh trung học phổ thông và trung học cơ sở. Với bốn trong số sáu bài toán được giải quyết bằng thuật toán học tăng cường của họ, hai trí tuệ nhân tạo này sẽ giành được huy chương bạc nếu chúng thực sự tham gia vào sự kiện này.
Phương pháp mà các nhà nghiên cứu ủng hộ, mà họ gọi là “dòng chảy thử nghiệm”, dựa chính xác vào học tăng cường; Mục đích của nó là giải quyết những thiếu sót của các mô hình ngôn ngữ lớn hiện tại (hay LLM) vốn chủ yếu được thiết kế để trả lời các câu hỏi của con người một cách ngẫu nhiên, bằng cách cung cấp cho AI khả năng tự khám phá kiến thức của riêng chúng. Nói cách khác, trí tuệ nhân tạo sinh sản không còn chỉ dừng lại ở những tương tác ngắn ngủi thông qua việc trao đổi câu hỏi và câu trả lời đơn giản, mà phải có luồng trải nghiệm riêng tiến triển theo thời gian dài... giống như con người. Đây chính là nguồn dữ liệu mới thiết yếu.
Bằng cách liên tục học hỏi từ kết quả thí nghiệm của chính mình, những trí tuệ nhân tạo này có thể nhanh chóng tiếp thu kiến thức mới. Việc tự tiến hành các thử nghiệm và đo lường của riêng mình sẽ dẫn đến sự phát triển của các vật liệu, loại thuốc và công nghệ mới với tốc độ chưa từng có. Chúng thậm chí có thể chứng minh được khả năng thể hiện những khả năng trước đây được coi là lĩnh vực độc quyền của con người: giải quyết vấn đề dài hạn, đổi mới hoặc hiểu biết sâu sắc về hậu quả trong thế giới thực.
Nhưng việc tương tác tự động với thế giới trong thời gian dài để đạt được các mục tiêu dài hạn sẽ mang lại ít cơ hội hơn cho con người can thiệp và do đó đòi hỏi mức độ tin tưởng cao. Việc thoát khỏi dữ liệu và cách suy nghĩ hoàn toàn của con người cũng có thể khiến trí tuệ nhân tạo trong tương lai trở nên khó diễn giải và hiểu hơn. Do đó, cần có thêm nghiên cứu để đảm bảo quá trình chuyển đổi an toàn sang kỷ nguyên trải nghiệm; trong khi đó, hãy tiếp tục cảm ơn AI, đề phòng nhé.
Nguồn: Chào mừng đến với Kỷ nguyên Trải nghiệm (David Silver, Richard S. Sutton)
Tuy nhiên, sự phụ thuộc vào dữ liệu của con người cho thấy những hạn chế của nó: trong khi tiến bộ cho đến nay là rất đáng kể, thì các nguồn nhân lực chất lượng cao cho phép các mô hình AI được đào tạo thỏa đáng trong các lĩnh vực khoa học đã được sử dụng hoặc sắp được sử dụng. Do đó, tiến trình được thúc đẩy hoàn toàn bởi học có giám sát từ những nguồn và thông tin này có xu hướng chậm lại. Để trí tuệ nhân tạo tạo sinh tiếp tục tiến triển, một nguồn dữ liệu mới là điều cần thiết, đặc biệt là nếu chúng ta mong đợi một mức độ độc đáo và đổi mới, hay nói cách khác, "trí thông minh" thực sự từ các AI này.
Từ kỷ nguyên dữ liệu của con người đến kỷ nguyên của kinh nghiệm
Các nhà nghiên cứu David Silver và Richard Sutton, hai nhân vật huyền thoại trong lĩnh vực trí tuệ nhân tạo (David Silver đã dẫn đầu nghiên cứu đằng sau AlphaGo và AlphaZero, AI DeepMind đã đánh bại con người trong trò chơi cờ vua, trong khi Richard Sutton được coi là một trong những người sáng lập ra phương pháp học tăng cường), đưa ra giả thuyết rằng giờ đây trí tuệ nhân tạo phải được phép tương tác với thế giới thực. Đây chính là bản chất của giai đoạn mới mà họ đang đề xuất: kỷ nguyên của sự trải nghiệm. Theo họ, những khả năng mới sẽ xuất hiện khi tiềm năng đầy đủ của việc học theo trải nghiệm được khai thác.
Sự khởi đầu của quá trình chuyển đổi này từ “thời đại dữ liệu của con người” sang “thời đại trải nghiệm” đã có thể nhìn thấy được, ngay cả với các mô hình hiện tại. Ví dụ, năm ngoái, AlphaProof và AlphaGeometry 2 – hai AI một lần nữa được DeepMind phát triển – đã giải quyết các bài toán được đưa ra trong Kỳ thi Olympic Toán học quốc tế, một cuộc thi toán toàn cầu dành cho học sinh trung học phổ thông và trung học cơ sở. Với bốn trong số sáu bài toán được giải quyết bằng thuật toán học tăng cường của họ, hai trí tuệ nhân tạo này sẽ giành được huy chương bạc nếu chúng thực sự tham gia vào sự kiện này.
Phương pháp mà các nhà nghiên cứu ủng hộ, mà họ gọi là “dòng chảy thử nghiệm”, dựa chính xác vào học tăng cường; Mục đích của nó là giải quyết những thiếu sót của các mô hình ngôn ngữ lớn hiện tại (hay LLM) vốn chủ yếu được thiết kế để trả lời các câu hỏi của con người một cách ngẫu nhiên, bằng cách cung cấp cho AI khả năng tự khám phá kiến thức của riêng chúng. Nói cách khác, trí tuệ nhân tạo sinh sản không còn chỉ dừng lại ở những tương tác ngắn ngủi thông qua việc trao đổi câu hỏi và câu trả lời đơn giản, mà phải có luồng trải nghiệm riêng tiến triển theo thời gian dài... giống như con người. Đây chính là nguồn dữ liệu mới thiết yếu.
AI tự động hơn, lợi ích hay rủi ro cho nhân loại?
Trong kỷ nguyên mới này, các tác nhân sẽ phải tương tác với thế giới thực theo cách tự chủ hơn nhiều. Thay vì tập trung vào các hành động và quan sát được con người ưa chuộng, vốn dĩ có tính hạn chế, AI sẽ phải tự giao tiếp với môi trường xung quanh để đạt được các mục tiêu trong tương lai và liên tục thích ứng với các kiểu hành vi mới. Cuối cùng, những trí tuệ nhân tạo mới này thậm chí sẽ phải có khả năng chủ động khám phá thế giới để tìm ra những chiến lược mới mà chúng ta chưa bao giờ nghĩ tới.Bằng cách liên tục học hỏi từ kết quả thí nghiệm của chính mình, những trí tuệ nhân tạo này có thể nhanh chóng tiếp thu kiến thức mới. Việc tự tiến hành các thử nghiệm và đo lường của riêng mình sẽ dẫn đến sự phát triển của các vật liệu, loại thuốc và công nghệ mới với tốc độ chưa từng có. Chúng thậm chí có thể chứng minh được khả năng thể hiện những khả năng trước đây được coi là lĩnh vực độc quyền của con người: giải quyết vấn đề dài hạn, đổi mới hoặc hiểu biết sâu sắc về hậu quả trong thế giới thực.
Nhưng việc tương tác tự động với thế giới trong thời gian dài để đạt được các mục tiêu dài hạn sẽ mang lại ít cơ hội hơn cho con người can thiệp và do đó đòi hỏi mức độ tin tưởng cao. Việc thoát khỏi dữ liệu và cách suy nghĩ hoàn toàn của con người cũng có thể khiến trí tuệ nhân tạo trong tương lai trở nên khó diễn giải và hiểu hơn. Do đó, cần có thêm nghiên cứu để đảm bảo quá trình chuyển đổi an toàn sang kỷ nguyên trải nghiệm; trong khi đó, hãy tiếp tục cảm ơn AI, đề phòng nhé.
Nguồn: Chào mừng đến với Kỷ nguyên Trải nghiệm (David Silver, Richard S. Sutton)
