Học chiều sâu-Google và Ray Kurweil đang đưa trí tuệ nhân tạo lên tầm cao mới

Với sức mạnh tính toán khổng lồ, máy móc giờ đây có thể nhận diện vật thể và thông dịch trong thời gian thực. Trí tuệ nhân tạo cuối cùng cũng đã thực sự thông minh.
Khi Ray Kurzweil gặp gỡ với CEO của Google là Larry page vào tháng 7 năm ngoái, ông không hề có ý định đi xin việc lúc đó. Nhà phát minh đáng kính này và cũng là một người có thể nhìn thấy trước được trí tuệ của máy móc, chỉ đơn thuần muốn thảo luận về cuốn sách sắp ra của ông ấy “Làm thế nào để có thể tạo nên một trí tuệ”. Ông nói với Page, người mà ông đã gửi bản thảo nháp từ những ngày đầu khi ông vừa hoàn thành cuốn sách, rằng ông muốn khởi tạo một công ty phát triển các ý tưởng của ông ấy về cách xây dựng một máy tính thông minh thực sự, một chiếc máy có thể hiểu ngôn ngữ và rồi tự nó có thể đưa ra các suy luận và quyết định.
Nhanh chóng, Page nhận thấy rằng muốn nổ lực này thành công thì cần phải có ít nhất lượng dữ liệu khổng lồ của Google cũng như một sức mạnh tính toán khổng lồ. “Tôi có thể cho ông truy cập vào một vài nguồn tài nguyên này,” Page nói với Kurzweil. “Nhưng một công ty tư nhân độc lập thì tôi khó mà giúp được gì nhiều.” Thế là Page gợi ý luôn với Kurzweil, một người chưa bao giờ làm thuê cho ai, về việc tham gia Google thay vì thành lập một công ty mới. Chẳng mất bao lâu, Kurzweil đã có được quyết định cho mình: vào tháng 1 năm nay, ông bắt đầu làm việc cho Google với cương vị giám đốc kỹ thuật. “Đây thực sự là một thời khắc quyết định đối với 50 năm toàn tâm toàn ý cho trí tuệ nhân tạo của tôi,” ông chia sẻ.
Kurzweil không chỉ bị hấp dẫn bởi nguồn tài nguyên tính toán khổng lồ của Google mà còn bởi sự tiến triển kinh ngạc của công ty này trong lĩnh vực trí tuệ nhân tạo có tên gọi là Học Sâu (deep learning) Công nghệ Học Sâu này cố gắng bắt trước các hoạt động não bộ ở trên lớp nơ-ron thần kinh ở phần neocortex, phần nhăn nheo chiếm tới 80% bộ não nơi mà các hoạt động tư duy xảy ra. Phần mềm này học theo một cách thực sự, nhận diện các mẫu dưới dạng số hóa của các âm thanh, hình ảnh, và các loại dữ liệu khác.
Ý tưởng cơ bản này đó là tạo ra một phần mềm có thể mô phỏng chuỗi lớn các nơ-ron ở neocortex trong một mạng nơ-ron nhân tạo. Đã có từ hàng thập kỷ nay và nó đã dẫn tới nhiều sự thất vọng cũng như những đột phá. Nhưng do sự tiến bộ trong các công thức toán học và sự hiện diện của những chiếc máy tính toán cực mạnh, các nhà khoa học máy tính giờ đây đã có thể mô hình hóa các lớp nơ-ron nhiều hơn rất nhiều so với trước đây.
Với những đột phá này, các nhà khoa học máy tính đang tạo nên những bước tiến vượt bậc trong việc nhận dạng giọng nói và hình ảnh. Tháng 6 vừa qua, một hệ thống học sâu của Google đã được cho xem 10 triệu bức ảnh từ các video trên Youtube và nó đã chứng minh được khẳ năng nhận dạng tốt gấp hai lần so với bất cứ một cộng nghệ nhận dạng nào trước đó đối với những vật thể có độ phức tạp như mèo chẳng hạn. Google cũng dùng công nghệ này để giảm tỉ lệ lỗi trong nhận dạng giọng nói trong một phần mềm di động Android gần đây nhất của nó. Vào tháng 10, trưởng phòng nghiên cứu của Microsoft Rick Rashid đã làm ngỡ ngàng những người có mặt trong một buổi thuyết giảng ở Trung Quốc bằng việc sử dụng một phần mềm nhận dạng giọng nói chuyển những tiếng ông nói ra thành phiên bản tiếng Anh với tỉ lệ lỗi là 7%, và rồi lại dịch chúng sang tiếng Trung Quốc ở dạng text và cuối cùng mô phỏng giọng nói của ông, cho khán giả nghe thấy là ông đang nói bằng tiếng Manderin của chính phiên bản tiếng Anh ban đầu. Cũng trong tháng đó, một nhóm gồm 3 sinh viên cao học và hai giáo sư đã giành chiến thắng trong một cuộc thi do Merck tổ chức nhằm nhận diện các phân tử mà có thể dẫn tới những loại thuốc mới.
Riêng Google nay đã trở thành một thỏi nam châm hút các tài năng về lĩnh vực học sâu và trí thông minh nhân tạo. Vào tháng 3, Google đã mua một startup đồng sáng lập bởi Geoffrey Hinton, giáo sư khoa học máy tính của trường Đại học Toronto, ông cũng là một thành viên của đội chiến thắng trong cuộc thi do Merck tổ chức. Hinton đã chia thời gian của ông ra thành hai -cho Đại học và cho Google. Ông cho biết ông có ý định đưa những ý tưởng của mình thành hiện thực để giải quyết những vấn đề có trong thực tế, ví dụ như nhận diện hình ảnh, tìm kiếm và hiểu được ngôn ngữ tự nhiên.
Tất cả những bước tiến này đã làm cho cả những nhà nghiên cứu trí thông minh nhân tạo thông thường khá thận trọng cũng hi vọng vào một thế hệ máy móc thông minh có thể trở nên hiện thực chứ không chỉ tồn tại ở trong những trang giấy văn học giả tưởng. Thực vậy, trí tuệ máy móc đã bắt đầu biến đổi mọi thứ-từ thông tin liên lạc và điện toán cho tới y học, sản xuất và giao thông. Các khả năng này đã được minh chứng một cách rõ rệt trong một chương trình đặc biệt được IBM với việc sử dụng máy tính Watson mang ra thi đấu cùng hai người chơi thực ở trong trò chơi truyền hình nổi tiếng Jeopardy-chiếc máy tính này sử dụng một số kỹ thuật học sâu và hiện nay đang được rèn luyện để giúp bác sĩ đưa ra các quyết định tốt hơn. Microsoft đã áp dụng phương pháp học sâu này trong hệ điều hành Windows Phone và cả tính năng tìm kiếm giọng nói cho Bing.
Muốn áp dụng công nghệ học sâu này vào các ứng dụng xa hơn nhận diện giọng nói và hình ảnh sẽ đòi hỏi phải có những đột phá về lý thuyết cũng như phần mềm, chưa tính đến việc sức mạnh xử lý cũng phải tăng lên đáng kể. Và có thể chúng ta sẽ không có được những cỗ máy có khả năng suy nghĩ cho bản thân chúng trong hàng năm trời nữa, có khi hàng thập kỷ nữa nếu không muốn nói là chẳng bao giờ. Nhưng ở thời điểm hiện tại, Peter Lee-giám đốc của trung tâm nghiên cứu của Microsoft USA, cho biết, “học sâu đã khơi ngòi cho một vài thử thách to lớn trong trí tuệ nhân tạo.”
Xây dựng một bộ não-Building a Brain
Đã có nhiều hướng tiếp cận nhằm xử lý các thử thách trên cạnh tranh với nhau. Một trong số chúng là đưa vào máy tính những thông tin và quy tắc về thế giới, điều này yêu cầu các lập trình viên phải vất vả viết các phần mềm tương tự với những đặc tính của cạnh của âm thanh. Việc này tiêu tốn rất nhiều thời gian và hệ thống vẫn xử lý một cách không ổn định đối với những dữ liệu không rõ ràng; chúng bị giới hạn vào những ứng dụng hẹp, bị điều khiển ví dụ như hệ thống menu điện thoại hỏi bạn đưa ra những yêu cầu bằng việc nói những từ cụ thể.
Mạng nơ-ron-được phát triển vào những năm 1950, không lâu sau sự ra đời của ngành nghiên cứu trí tuệ nhân tạo, có vẻ khá hứa hẹn bởi vì nó cố gắng mô phỏng cách bộ não làm việc, mặc dù bị đơn giản hóa đi rất nhiều. Một chương trình phần mềm mô hình hóa một bộ các nơ-ron và gán cho mỗi kết nối giữa các nơ-ron mộ trọng số. Các trọng số này quyết định cách mỗi nơ-ron được mô phỏng sẽ phản ứng như thế nào-0 hoặc 1- với một thuộc tính được số hóa như một cái cạnh hoặc cái hình màu xanh trong một bức hình, hoặc là một mức độ năng lượng nhất định tại một tần số trong một âm vị (phoneme), đơn vị ngữ âm tối thiểu trong hệ thống tiếng nói của một ngôn ngữ.
Một vài trong số các hệ thống nơ-ron nhân tạo có thể có thể tự luyện để nhận biết các mẫu phức tạp.
Các lập trình viên thường sẽ huấn luyện mạng nơ-ron phát hiện các đối tượng (object) hay các âm vị (phoneme) bằng cách oanh tạc mạng nơ-ron với các phiên bản số hóa của các bức ảnh có chứa hình ảnh của vật thể hay các sóng âm có chứa âm vị cần nhận diện. Nếu mạng không thể nhận diện chính xác mẫu được yêu cầu, một thuật toán sẽ thay đổi các trọng số. Mục đích cuối cùng của việc huấn luyện này đó là làm cho mạng nơ-ron có thể nhận diện một cách ổn định các mẫu trong một chuỗi các hình ảnh hoặc âm thanh mà con người biết, ví dụ như âm vị “d” hoặc là hình ảnh của một chú chó. Điều này rất giống với cách một đưa trẻ học cách nhận diện chú cho bằng việc để ý những chi tiết ở đầu, cử chỉ, và những đặc điểm khác mà một con vật có long và biết sủa được mọi người gọi là chó có.
Nhưng các mạng nơ-ron đời đầu chỉ có thể mô phỏng rất giới hạn số lượng nơ-ron tại một thời điêm, do đó chúng không thể nhận diện được các mẫu có độ phức tạp cao. Họ đã vật vờ suốt thập niên 70.

Vào giữa thập niên 80, Hinton và những người khác đã giúp khuấy động lại mối quan tâm tới mạng nơ-ron với những mô hình có tên là “sâu” mà có thể xây dựng tốt hơn các lớp mạng nơ-ron. Nhưng công nghệ vẫn cần sự tham gia rất lớn của con người: các lập trình viên cần phải gán nhãn cho dữ liệu trước khi tải vào trong mạng. Và việc nhận dạng ảnh và âm thanh phức tạp đòi hỏi một sức mạnh tính toán cao hơn khả năng lúc bấy giờ.
Tuy nhiên, cuối cùng thì trong thập niên vừa rồi, Hinton và những nhà nghiên cứu khác đã đạt được một số đột phá nền tảng mang tính lý thuyết. Trong năm 2006, Hinton đã phát triển một cách huấn luyện các lớp mạng nơ-ron hiệu quả hơn. Lớp đầu tiên chỉ học nhưng đặc tính rất cơ bản như cạnh của một tấm ảnh hoặc là nhưng đơn vị âm nhỏ nhất trong âm thanh. Nó có thể làm được điều này là nhờ tìm kiếm những sự kết hợp các điểm ảnh số hoặc sóng âm số có tần suất lặp đi lặp lại nhiều hơn so với việc ngẫu nhiên. Một khi lớp đầu tiên này nhận diện chính xác các đặc tính trên, họ tiếp tục sang lớp tiếp theo với việc nhận diện những đặc tính phức tạp hơn như góc hoặc là kết hợp của các đơn vị âm nhỏ nhất. Quá trình này được lặp đi lặp lại trong các lớp kế tiếp cho tới khi hệ thống có thể nhận diện các âm vị hoặc vật thể với độ tin cậy cao.
Vào tháng 6 vừa rồi, Google đã trình diễn một trong số những mạng nơ-ron lớn nhất với hơn một tỉ kết nối. Một đội dưới sự dẫn dắt của giáo sư khoa học máy tính Adrew Ng của Stanford và một thành viên của Google Jeff Dean đã trình chiếu những ảnh hệ thống từ 10 triệu video tải từ youtube một cách ngẫu nhiên. Một mạng nơ-ron trong mô hình được giao nhiệm vụ nhận diện các ảnh mèo. Những mạng khác tập trung vào mặt người, hoa vàng và những vật thể khác. Nhờ sức mạnh của học sâu, hệ thống đã nhận diện được các vật thể dù không có một ai phải định nghĩa hay gán nhãn cho chúng.
Tuy nhiên, điều làm các chuyên gia trí tuệ nhân tạo ngạc nhiên đó là sự vượt trội trong khả năng nhận diện hình ảnh. Hệ thống này đã phân loại các vật thể và chủ để trong ảnh từ youtube với độ chính xác 16%. Điều này nghe có vẻ không có gì là ấn tượng, nhưng nó đã tốt hơn tới 70% so với các phương pháp trước đây. Và ông Dean lưu ý rằng có tới tận 22 nghìn tựa mục để chọn; phân loại các vật thể một cách chính xác  như việc phân biệt được hai loại cá đuối giống nhau. Điều này là không hề dễ dàng đối với không ít người. Khi hệ thống được yêu cầu sắp xếp các hình ảnh thành 1000 nhóm chung chung hơn, độ chính xác đã nhảy lên tới 50%.
Biển dữ liệu-Big Data
Việc huấn luyện nhiều lớp của mạng nơ-ron ảo trong thí nghiệm trên cần tới 16 nghìn bộ vi xử lý máy tính-tương đương với loại máy mà Google phát triển cho hệ thống hạ tầng tính toán của nó trong việc tìm kiếm và các dịch vụ khác.
Ít nhất 80% các phát triển gần đây trong lĩnh vực trí tuệ nhân tạo là nhờ vào sự phát triển trong khả năng tính toán, Dillep Gorege-đồng sáng lập công ty machine-learning Vicarious, cho hay.
Tuy nhiên, không chỉ nhờ có trung tâm dữ liệu khổng lồ của Google. Học sâu phát triển được còn nhờ vào phương pháp của công ty này trong việc chia nhỏ công việc giữa nhiều máy tính và nhờ đó chúng hoàn thành nhiệm vụ nhanh hơn. Đây là công nghệ mà Dean đã giúp phát triển lúc đầu khi ông mới vào làm cho Google. Nó cũng đã tăng tốc độ đáng kể trong việc huấn luyện mạng nơ-ron học sâu, cho phép Google chạy các mạng lớn hơn và tải nhiều dữ liệu vào chúng hơn.
Học sâu đã cải thiện việc tìm kiếm âm thanh trên điện thoại thông minh. Cho tới tận năm ngoái, các phần mềm Android của Google sử dụng một phương pháp với sự nhầm lẫn từ khá cao. Nhưng trong thời gian chuẩn bị cho việc ra mắt phiên bản Android mới vào tháng 7 vừa rồi, Dean và đội của ông đã giúp thay thế một vài phần của hệ thống với những công nghệ mới được dựa trên học sâu. Bời vì các lớp nơ-ron cho phép việc nhân diện chính xác hơn các mẫu âm, hệ thống có thể nhận diện được các mảnh âm chính xác hơn, đặc biệt là trong các môi trường nhiều nhiễu và ồn như đường tàu điện ngầm chẳng hạn. Gần như ngay lập tức, số lượng lỗi đã giảm xuống 25%. Kết quả rất tốt này làm cho nhiều người giờ đây xem công cụ tìm kiếm âm thanh của Android thông minh hơn công cụ tương đương Siri nổi tiếng của Apple.
Với tất cả những tiến bộ này, không phải ai cũng nghĩ học sâu có thể đưa trí tuệ nhân tạo lên một tầng ngang với trí tuệ con người. Một vài nhà phê bình cho rằng học sâu và trí tuệ nhân tạo nhìn chung còn bỏ qua rất nhiều thuộc tính y học của bộ não và chỉ tập chung vào năng lực tính toán.
Một trong những nhà phê bình như thế đó là Jeff Hawkins, sáng lập ra Palm Computing, người đã đầu tư vào Numenta với việc phát triển hệ thống học máy không sử dụng học sâu mà đi theo hướng sinh học. Hệ thống của Numenta có thể giúp dự đoán các mẫu tiêu thụ năng lượng và khả năng mà những công nghệ như cối xay gió sẽ thất bại như thế nào. Ông cũng là tác giả của On Intelligence, một cuốn sách được xuất bản năm 2004 về cách bộ não hoạt động và như là một hướng dẫn để xây dựng những cỗ máy thông minh. Ông cho hay học sâu sẽ thất bại bởi khái niệm thời gian. Ông cho biết, bộ não xử lý các dòng dữ liệu cảm nhận, và việc học của chúng ta phụ thuộc vào khả năng gợi lại những chuỗi mẫu: ví dụ khi bạn xem một video hoặc một con mèo làm gì đó hài hước, chính các hành động mới là cái quan trọng, không phải là một chuỗi các bức ảnh tĩnh như các Google sử dụng trong thí nghiệm của họ. “Google luôn cho rằng nhiều dữ liệu có thể tạo nên mọi thứ,” ông Hawkins cho hay thêm. Nhưng nếu nó không thể tạo nên tất cả, các nguồn tài nguyên tính toán mà các công ty như Google sử dụng để giải quyết các vấn đề không thể bị bỏ qua. Chúng rất quan trọng, bởi hiện tại bộ não thực sự phức tạp hơn nhiều so với bất cứ một mạng nơ-ron ảo nào chúng ta có. “Bạn cần nhiều và nhiều tài nguyên tính toán hơn nữa để có thể biến ý tưởng thành hiện thực,” Hinton cho hay.
Tiếp theo sẽ là gì-What’s Next
Mặc dù Google vẫn còn lâu mới đưa ra những ứng dụng cho tương lại, nhưng viễn cảnh đầy hứa hẹn. Rõ rang, tìm kiếm hình ảnh tốt hơn có thể giúp cho Youtube. Ông Dean cho biết các mô hình học sâu có thể dùng các dữ liệu âm vị tiếng Anh để huấn luyện các hệ thống nhận biết âm nói trong các ngôn ngữ khác nhanh hơn. Và tương tự khả năng nhận diện hình ảnh phức tạp sẽ giúp những chiếc xe tự lại của Google tốt hơn nhiều. Và còn có tìm kiếm và quảng cáo sẵn sàng bảo hộ nó. Cả hai đều có thể nhìn thấy những cải tiến từ bất cứ một công nghệ nào tốt hơn và nhanh hơn trong việc nhận diện những thứ con người đang tìm kiếm-có khi còn trước cả khi họ nhận ra.
Sergy Brin đã cho biết anh muốn xây dựng một phiên bản HAL thân thiện trong “2001: A Space Odyssey.
Đây chính là điều thôi thúc chuyên gia 65 tuổi Kurrzweil, với một hiểu biết sâu rộng về trí tuệ máy tính. Khi còn là học sinh cấp ba, ông đã viết phần mềm cho phép máy tính có thể tạo ra âm nhạc với những phong cách cổ điển phong phú, và ông đã trình diễn nó trong một lần lên truyền hình vào năm 1965 trong một chương trình “I’ve Got a Secret.” Kể từ đó các phát minh của ông gồm có máy và phần mềm chuyển file đọc thành tiếng với khả năng quét file chữ và số hóa ở mọi dạng phông chữ, và những phần mềm tổng hợp âm nhạc với khả năng tái tạo các âm thanh của các nhạc cụ giao hưởng, và cả hệ thống nhận diện giọng nói với lượng từ vựng khổng lồ
Hôm nay, ông đang xây dựng một “người bạn siêu máy tính” có khả năng lắng nghe bạn trong các cuộc hội đàm điện thoại, đọc tin nhắn của bạn và nắm rõ đường đi nước bước của bạn-tất nhiên là với sự cho phép của bạn-và nhờ đó nó có thể cho bạn biết những thứ bạn muốn ngay cả trước khi bạn yêu cầu. Đây không phải là mục tiêu tức khắc của ông tại Google, nhưng nó phù hợp với điều mà đồng sáng lập Google Sergey Brin muốn. Brin muốn xây dựng một cỗ máy tương tự như trong phim “2001: A Space Oddyssey” nhưng chỉ khác một điều đó là nó không giết người.
Hiện tại, Kurweil muốn giúp máy tính có thể hiểu và thậm chí nói được tiếng người. “Nhiệm vụ của tôi là đưa cho máy tính đủ hiểu biết về ngôn ngữ tự nhiên để có thể làm được những điều hữu ích ví dụ như tìm kiếm tốt hơn, trả lời các câu hỏi tốt hơn,” ông cho biết. Về cơ bản, ông hi vọng tạo nên một phiên bản máy tinh Watson của IBM nhưng linh hoạt hơn. Ông rất than phục chiếc máy tính này vì nó có khả năng hiểu các câu hỏi trong trò chơi Jeopardy ví dụ như khi được hỏi là ““What is a meringue harangue?” thì nó trả lời khá sắc xảo: “a long, tiresome speech delivered by a frothy pie topping.”
Kurzweil không tập trung duy nhất vào học sâu, mặc dù ông cho biết hướng tiếp cận của ông đối với nhận diện giọng nói dựa trên các lý thuyết tương tự về cách bộ não hoạt động. Ông muốn mô hình hóa ý nghĩa thực sự của từ, cụm từ và câu, bao gồm cả sự đa nghĩa hay ẩn ý trong đó mà thường gây ra khó khăn đối với máy tính. “Tôi có một ý tưởng trong đầu về một cách mang tính đồ hình để có thể biểu diễn được ý nghĩa của ngôn ngữ,” ông cho biết.
Và điều này đòi hỏi một cách đồ hình hóa ngữ pháp của câu hoàn chỉnh hơn. Google hiện đã đang dùng một cách phân tích để cải thiện ngữ pháp trong ứng dụng dịch của nó. Việc hiểu biết ngôn ngữ tự nhiên cũng sẽ đòi hỏi máy tính phải nắm được điều con người nghĩ với một ý nghĩa theo lẽ thường. Vì điều này, Kurweil sẽ nhờ tới Knowledge Graph, một catalogue gồm 700 triệu chủ đề, địa điểm, con người và nhiều hơn nữa, cùng với hàng triệu mối quan hệ giữa chúng. Catalogue này đã được giới thiệu năm ngoái với mục đích cung cấp cho người tìm kiếm các câu trả lời cho họ, không chỉ là đưa ra các địa chỉ web liên quan.
Cuối cùng, Kurweil lên kế hoạch áp dụng các thuật toán học sâu để giúp máy tinh giải quyết với việc “đa nghĩa hay ẩn ý trong ngôn ngữ.” “Việc hiểu ngôn ngữ con người không phải là một mục tiêu sẽ được hoàn thành ở một thời điểm nào đó,” ông cho biết. “Đó không phải là một dự án mà tôi có thể hoàn thành được.”
Mặc dù tầm nhìn của Kurweil còn lâu mới trở thanh hiện thực, nhưng học sâu đang khuấy động các ứng dụng vượt ra khỏi cả nhận diện âm thanh và giọng nói. Ví dụ, có một sự phát hiện trong y học. Sự chiến thắng đầy ngạc nhiên của nhóm của Hinton trong cuộc thi Merck rõ rang cho thấy khả năng ứng dụng của học sâu trong lĩnh vực mà không mấy ai có thể tượng tượng được là nó có thể có sức ảnh hưởng.
Và không chỉ có vậy. Peter Lee của Microsoft cho hay hiện đã có những nghiên cứu sớm đầy tiềm năng về tính khả dụng của học sâu trong nhãn quang máy móc- các công nghệ sử dụng hình ảnh cho các ứng dụng như việc rà soát công trường hay dẫn đường rô bốt. Ông cũng cho biết các cảm biến cá nhân có thể giúp mạng nơ-ron dự đoán được các vấn đề sức khỏe. và một vài cảm biến ở các thành phố có thể tải dữ liệu cho các hệ thống học sâu nhằm dự đoán các vụ tắc đường có thể xảy ra.
Trong một lĩnh vực đầu tư rất sâu như việc mô hình hóa bộ não con người thì việc công nghệ không thể giải quyết hết mọi vấn đề là không thể tránh khỏi. Nhưng ở thời điểm hiện tại, học sâu đang dẫn đầu trong công nghệ trí tuệ nhân tạo. Dean cho biết: “Học sâu thực sự là một công cụ mạnh mẽ để học về thế giới.”

Người dịch: Lê Duy Nam

Nguồn: Technology Review