AI là gì và có những khả năng cốt lõi nào?

Điểm quan trọng khi tìm hiểu AI không nằm ở việc máy tính có “thông minh giống con người” hay không. Cách hiểu hữu ích hơn là xem AI như một hệ thống nhận đầu vào → xử lý hoặc học các mẫu và quan hệ → tạo ra đầu ra phù hợp với nhiệm vụ.

Vì vậy, ba khả năng giúp giải thích bản chất của nhiều hệ thống AI hiện đại là xử lý thông tin, học hỏi và suy luận. Các khả năng này có thể kết hợp với nhận thức, dự đoán và tạo sinh để AI giải quyết nhiều loại nhiệm vụ khác nhau.

AI là gì?

AI là một lĩnh vực của khoa học và công nghệ máy tính tập trung vào việc xây dựng những hệ thống có thể thực hiện các nhiệm vụ đòi hỏi những dạng năng lực nhận thức nhất định.

Theo cách tiếp cận của OECD, một hệ thống AI có thể nhận đầu vào và suy ra cách tạo ra các đầu ra như dự đoán, nội dung, khuyến nghị hoặc quyết định có khả năng ảnh hưởng đến môi trường vật lý hay môi trường số. NIST cũng tiếp cận AI theo hướng hệ thống máy tạo ra dự đoán, khuyến nghị hoặc quyết định nhằm đạt những mục tiêu do con người xác định.

Hai cách tiếp cận này cho thấy AI không nên được định nghĩa đơn giản là “máy móc biết suy nghĩ”. Một hệ thống có thể được xem là AI khi nó có cơ chế xử lý đầu vào và tạo đầu ra thích hợp cho một nhiệm vụ, dù cơ chế đó rất khác cách bộ não con người hoạt động.

Chẳng hạn, một mô hình nhận diện hình ảnh có thể nhận các giá trị pixel làm đầu vào và đưa ra dự đoán về đối tượng xuất hiện trong ảnh. Một mô hình ngôn ngữ nhận chuỗi token và tạo ra chuỗi token tiếp theo. Hệ thống đề xuất có thể xử lý lịch sử tương tác để ước lượng nội dung phù hợp với người dùng.

Điểm chung không phải là chúng “suy nghĩ như con người”, mà là chúng sử dụng những mô hình tính toán để biến thông tin đầu vào thành đầu ra có ích cho nhiệm vụ.

AI xử lý thông tin như thế nào?

Xử lý thông tin là nền tảng để hiểu các khả năng khác của AI. Một hệ thống AI trước hết cần tiếp nhận dữ liệu dưới dạng mà máy tính có thể xử lý.

Dữ liệu đầu vào có thể là:

·         Văn bản và tài liệu

·         Hình ảnh hoặc video

·         Âm thanh và giọng nói

·         Dữ liệu cảm biến

·         Các biến số và dữ liệu có cấu trúc

·         Lịch sử hành vi hoặc tương tác

Thông tin này được biểu diễn dưới dạng số để mô hình thực hiện các phép tính trên đó. Tùy loại hệ thống, AI có thể tìm mẫu, nhận diện quan hệ, phân loại đối tượng, ước lượng xác suất hoặc tạo ra một đầu ra mới.

Ví dụ, khi xử lý một bức ảnh, hệ thống thị giác máy tính không nhìn bức ảnh theo trải nghiệm thị giác của con người. Ảnh được biểu diễn bằng dữ liệu số. Mô hình xử lý các đặc trưng và quan hệ trong dữ liệu để xác định những mẫu có liên quan đến nhiệm vụ đã học.

Với ngôn ngữ cũng tương tự. Một mô hình ngôn ngữ không tiếp nhận câu chữ nguyên vẹn theo nghĩa con người đọc chúng. Văn bản được chuyển thành các đơn vị biểu diễn số, sau đó mô hình tính toán quan hệ giữa những đơn vị này để dự đoán hoặc tạo đầu ra.

Do đó, nói AI “hiểu” thông tin cần được đặt trong đúng giới hạn. Khả năng xử lý và sử dụng các quan hệ trong dữ liệu không tự động chứng minh rằng hệ thống có trải nghiệm chủ quan hoặc hiểu thế giới theo cách con người hiểu.

Khả năng học hỏi của AI hoạt động ra sao?

Khả năng học hỏi giúp một hệ thống cải thiện cách thực hiện nhiệm vụ dựa trên dữ liệu hoặc kinh nghiệm huấn luyện thay vì yêu cầu con người viết thủ công mọi quy tắc cần thiết.

Trong machine learning, quá trình học thường có thể hình dung qua ba thành phần: dữ liệu, mô hình và cơ chế tối ưu.

Mô hình ban đầu tạo ra một kết quả dựa trên các tham số hiện có. Kết quả đó được đánh giá bằng một mục tiêu huấn luyện. Thuật toán tối ưu sau đó điều chỉnh các tham số để giảm sai số hoặc cải thiện mục tiêu. Quá trình được lặp lại trên lượng dữ liệu lớn, khiến mô hình dần học được các mẫu có ích cho nhiệm vụ.

Điều này tạo ra khác biệt quan trọng so với chương trình dựa hoàn toàn vào quy tắc cố định.

Trong lập trình truyền thống, con người có thể xác định trực tiếp các quy tắc xử lý. Với machine learning, nhà phát triển thiết kế mô hình, dữ liệu và quá trình huấn luyện để hệ thống học ra các quan hệ cần thiết từ dữ liệu.

Tuy nhiên, “AI học” không đồng nghĩa với “AI tự hiểu mọi thứ”.

Những gì mô hình học được phụ thuộc vào dữ liệu, mục tiêu huấn luyện, kiến trúc, phương pháp tối ưu và điều kiện sử dụng. Nếu dữ liệu không đại diện cho tình huống thực tế hoặc chứa những tương quan không đáng tin cậy, mô hình cũng có thể học những mẫu không phù hợp.

Khả năng học vì thế vừa tạo nên sức mạnh vừa tạo ra giới hạn của AI: hệ thống có thể phát hiện các quan hệ rất phức tạp mà con người khó mã hóa thành quy tắc, nhưng chất lượng đầu ra vẫn phụ thuộc vào những gì nó đã được học và bối cảnh mà nó được áp dụng.

Khả năng suy luận của AI có nghĩa là gì?

Suy luận trong AI là khả năng sử dụng thông tin hiện có để tạo ra kết luận, dự đoán hoặc các bước trung gian phục vụ việc giải quyết một nhiệm vụ.

Ở mức đơn giản, một hệ thống có thể sử dụng những quy tắc logic đã xác định trước. Trong các hệ thống học máy, suy luận thường là quá trình sử dụng mô hình đã được huấn luyện để tính toán đầu ra từ dữ liệu mới. Với các mô hình AI hiện đại, đầu ra còn có thể biểu hiện những chuỗi xử lý nhiều bước như phân tích điều kiện, kết nối thông tin hoặc lập kế hoạch cho một nhiệm vụ.

Ví dụ, nếu AI được cung cấp dữ liệu về nhiều giao dịch và được yêu cầu phát hiện giao dịch bất thường, hệ thống có thể đánh giá các đặc trưng của giao dịch mới dựa trên những mẫu đã học để đưa ra một mức độ rủi ro.

Trong một bài toán ngôn ngữ, mô hình có thể kết hợp nhiều thông tin trong ngữ cảnh để trả lời câu hỏi hoặc giải quyết một vấn đề gồm nhiều bước.

Tuy nhiên, cần phân biệt khả năng tạo ra kết quả có vẻ hợp lý với một kết luận thực sự đúng.

AI có thể suy luận sai khi dữ liệu đầu vào thiếu, giả định ban đầu sai, nhiệm vụ nằm ngoài phạm vi mô hình xử lý tốt hoặc mô hình tạo ra một chuỗi lập luận nghe thuyết phục nhưng không được thực tế hỗ trợ.

Vì vậy, suy luận là một khả năng của AI chứ không phải sự bảo đảm về tính đúng đắn.

AI còn có những khả năng cốt lõi nào?

Xử lý thông tin, học hỏi và suy luận tạo nền tảng cho nhiều năng lực dễ quan sát hơn của AI.

Nhận thức và nhận dạng

AI có thể xử lý dữ liệu từ môi trường để nhận diện những mẫu có ý nghĩa. Computer vision có thể phân loại hình ảnh hoặc phát hiện vật thể; hệ thống xử lý tiếng nói có thể chuyển âm thanh thành văn bản; các mô hình khác có thể phát hiện mẫu bất thường trong dữ liệu cảm biến.

Khả năng này phụ thuộc vào cách thông tin được biểu diễn và những mẫu mà mô hình đã học. Khi điều kiện thực tế khác đáng kể dữ liệu huấn luyện, hiệu suất có thể suy giảm.

Dự đoán và phân loại

Một trong những chức năng phổ biến của machine learning là ước lượng đầu ra từ dữ liệu đầu vào.

AI có thể dự đoán một giá trị, xác suất hoặc phân loại một trường hợp vào một nhóm. Chẳng hạn, hệ thống có thể đánh giá khả năng một email là thư rác hoặc dự đoán nhu cầu dựa trên dữ liệu lịch sử.

Dự đoán ở đây dựa trên quan hệ học được từ dữ liệu. Nó không đồng nghĩa với khả năng biết chắc điều gì sẽ xảy ra trong tương lai.

Tạo sinh nội dung

Generative AI mở rộng từ việc nhận diện hoặc dự đoán nhãn sang khả năng tạo dữ liệu mới như văn bản, hình ảnh, âm thanh hoặc mã nguồn.

Mô hình tạo sinh học cấu trúc và các quan hệ thống kê từ dữ liệu huấn luyện, sau đó sử dụng những quan hệ này để tạo đầu ra mới phù hợp với ngữ cảnh được cung cấp.

Đây là lý do AI tạo sinh có thể viết một đoạn văn hoàn toàn mới mà không cần truy xuất nguyên văn một đoạn tương ứng từ dữ liệu huấn luyện. Đồng thời, cơ chế tạo sinh cũng giải thích tại sao nội dung trôi chảy chưa chắc chính xác về mặt sự thật.

Giải quyết vấn đề và hỗ trợ quyết định

Khi xử lý thông tin, học và suy luận được kết hợp, AI có thể hỗ trợ những nhiệm vụ phức tạp hơn như tìm phương án, lập kế hoạch, đề xuất hành động hoặc hỗ trợ con người ra quyết định.

Khả năng này không có nghĩa AI nên tự động nắm quyền quyết định trong mọi trường hợp. Mức độ tự chủ phù hợp phụ thuộc vào hậu quả của sai sót, chất lượng dữ liệu, khả năng kiểm chứng và mức độ giám sát cần thiết của con người.

AI học và suy luận có giống con người không?

Không nên đồng nhất hai quá trình này.

Con người học thông qua nhiều nguồn như trải nghiệm trực tiếp, tương tác xã hội, giác quan, ngôn ngữ và hiểu biết về thế giới. Con người còn có thể gắn kiến thức với mục tiêu, giá trị và trải nghiệm cá nhân.

AI học thông qua các cơ chế tính toán được thiết kế cho hệ thống. Với machine learning, phần lớn quá trình này liên quan đến việc điều chỉnh mô hình dựa trên dữ liệu và mục tiêu tối ưu.

Sự khác biệt tương tự cũng tồn tại với suy luận. Một hệ thống AI có thể tạo ra câu trả lời đúng hoặc giải quyết được bài toán mà không cần tái tạo chính xác cơ chế nhận thức của con người.

Đây là một ranh giới quan trọng khi hiểu AI: khả năng thực hiện một nhiệm vụ thông minh không đủ để kết luận rằng máy có trí tuệ, ý thức hoặc trải nghiệm giống con người.

Cách đánh giá phù hợp hơn là xem hệ thống làm được nhiệm vụ nào, bằng cơ chế nào, trong điều kiện nào và giới hạn của kết quả nằm ở đâu.

Vì sao AI có thể rất mạnh nhưng vẫn mắc lỗi?

Sức mạnh và hạn chế của AI xuất phát từ cùng một nền tảng: hệ thống sử dụng những quan hệ và mẫu mà nó có thể khai thác từ dữ liệu, mô hình và ngữ cảnh.

Khi nhiệm vụ phù hợp với những gì hệ thống đã học, AI có thể xử lý khối lượng dữ liệu lớn, phát hiện những mẫu phức tạp và tạo đầu ra nhanh. Nhưng không có cơ chế nào biến những năng lực đó thành sự đúng đắn tuyệt đối.

Một số giới hạn có thể xuất hiện khi:

·         Dữ liệu huấn luyện thiếu hoặc không đại diện

·         Dữ liệu chứa sai lệch hoặc tương quan gây hiểu nhầm

·         Đầu vào nằm ngoài những điều kiện mô hình xử lý tốt

·         Ngữ cảnh được cung cấp không đầy đủ

·         Mục tiêu tối ưu không hoàn toàn phản ánh yêu cầu thực tế

·         Đầu ra tạo sinh hợp lý về ngôn ngữ nhưng sai về sự thật

Vì thế, năng lực AI nên được đánh giá theo từng nhiệm vụ và điều kiện cụ thể thay vì gắn cho hệ thống một nhãn chung như “thông minh” hay “không thông minh”.

Các benchmark nghiên cứu cũng phản ánh nguyên tắc này: mô hình thường được đánh giá riêng trên những nhiệm vụ như nhận dạng, hiểu ngôn ngữ, toán học, lập trình hoặc suy luận. Kết quả cao trên một nhóm bài kiểm tra không tự động chứng minh năng lực tương đương trên mọi nhiệm vụ khác.

AI có thể được hiểu là tập hợp các phương pháp và hệ thống giúp máy tính xử lý thông tin để tạo ra dự đoán, nội dung, khuyến nghị, quyết định hoặc hành động phục vụ một mục tiêu. Trong đó, xử lý thông tin tạo nền tảng, học hỏi giúp hình thành các mẫu và quan hệ từ dữ liệu, còn suy luận giúp sử dụng thông tin đã có để tạo đầu ra cho nhiệm vụ mới.

Từ ba nền tảng này hình thành nhiều khả năng khác như nhận dạng, dự đoán, tạo sinh và giải quyết vấn đề. Nhưng năng lực thực hiện những nhiệm vụ đó không có nghĩa AI hiểu, suy nghĩ hoặc có ý thức giống con người. Muốn đánh giá một hệ thống AI đúng bản chất, cần xem đồng thời nó làm được gì, cơ chế tạo ra kết quả, bằng chứng về hiệu quả và những điều kiện khiến kết quả có thể thất bại.