Chúng ta có thực sự hiểu về “AI” không?

Giờ đây, khi từ “AI” đã hoàn toàn trở nên quen thuộc trong cuộc sống hàng ngày, có bao nhiêu người có thể giải thích chính xác ý nghĩa và cơ chế hoạt động của nó? Có lẽ bạn chỉ mang một hình dung mơ hồ rằng nó “thông minh”, “tiện lợi” hay “biết suy nghĩ giống con người”. Nhưng thực tế, sự hiểu lầm kiểu như “AI = Phép thuật” vẫn đang tồn tại bám rễ rất sâu.

Vậy AI là gì? Đó là một tập hợp các công nghệ nhằm mô phỏng và tái tạo lại các công việc trí tuệ của con người bằng máy tính. Điều quan trọng là, AI không phải là một khối công nghệ nguyên khối, mà là tập hợp của nhiều cách tiếp cận và Thuật toán (Algorithm / アルゴリズム) khác nhau.

Đặc biệt trong việc phát triển Robot, việc “sử dụng công nghệ AI nào, cho mục đích gì” sẽ chi phối đến nền tảng của thiết kế. Ở đây, trước tiên chúng ta hãy cùng xem xét sự khác biệt giữa Học máy (Machine Learning / 機械学習), Học sâu (Deep Learning / 深層学習) và Học tăng cường (Reinforcement Learning / 強化学習) – những công nghệ đang đóng vai trò trung tâm trong Khoa học Robot (Robotics / ロボティクス), cũng như việc mỗi công nghệ được sử dụng trong những tình huống nào.

Học máy là gì?: Hình thái cơ bản của AI

Học máy (Machine Learning / 機械学習) là một trong những công nghệ cốt lõi đặc biệt trong AI, và là cơ chế để “học các quy luật từ dữ liệu, từ đó dự đoán và đưa ra phán đoán cho tương lai”.

Hãy lấy một ví dụ. Giả sử bạn muốn trang bị cho Robot chức năng “phân biệt sự khác nhau giữa ốc vít và đai ốc”. Trong trường hợp đó, con người sẽ cung cấp trước một lượng lớn Dữ liệu hình ảnh (Image data / 画像データ) đã được dán nhãn là “đây là ốc vít”, “đây là đai ốc”. Khi đó, Thuật toán học máy (Machine learning algorithm / 機械学習アルゴリズム) sẽ trích xuất những đặc điểm chung (hình dạng, màu sắc, đường nét, v.v.) từ các hình ảnh đó, và trở nên có khả năng tự động phán đoán rằng “vật mang những đặc điểm như thế này có vẻ là ốc vít”.

Như vậy, “Dữ liệu” chính là sinh mệnh của Học máy. Để có thể dự đoán và phân loại chính xác, cần có một lượng lớn dữ liệu với chất lượng tốt.

Tuy nhiên, Học máy cũng có những giới hạn. Khi cấu trúc của dữ liệu vô cùng phức tạp như hình ảnh hay âm thanh, Học máy truyền thống sẽ lộ ra giới hạn về hiệu suất. Đây chính là lúc “Học sâu” được giới thiệu tiếp theo xuất hiện.

Học sâu là gì?: Công nghệ mang lại “mắt và tai” cho AI

Học sâu (Deep Learning / 深層学習) là một loại của Học máy, đặc biệt mạnh trong việc xử lý thông tin phức tạp như Nhận diện hình ảnh (Image recognition / 画像認識), Nhận diện giọng nói (Voice recognition / 音声認識) và Xử lý ngôn ngữ tự nhiên (Natural language processing / 自然言語処理).

Về mặt cấu trúc, bằng cách xếp chồng nhiều lớp cơ chế mô phỏng mạng lưới thần kinh của não bộ con người được gọi là Mạng nơ-ron (Neural network / ニューラルネットワーク), nó hiện thực hóa khả năng xử lý thông tin với độ trừu tượng cao. Ví dụ, trong quá trình phán đoán “đây là con mèo” từ một bức ảnh, ban đầu các đánh giá sẽ được thực hiện theo từng giai đoạn: từ đường nét, màu sắc, tiếp đến là các bộ phận trên khuôn mặt, và cuối cùng là “hình dáng tai giống tai mèo”. Nó thực sự rất gần với quá trình não bộ con người nhận thức sự vật.

Đối với Robot, Học sâu đóng vai trò như “mắt” và “tai”. Các chức năng như nhận diện nhân vật dựa trên hình ảnh quay từ camera, hay hiểu ngôn ngữ từ giọng nói thu được qua micro, chính xác là nhờ ơn của Học sâu.

Tuy nhiên, Học sâu cũng đòi hỏi lượng tài nguyên tính toán và Dữ liệu học tập (Training data / 学習データ) khổng lồ. Vì lý do đó, đây cũng là lĩnh vực không thể thiếu việc sử dụng Đám mây (Cloud / クラウド) và các Chip chuyên dụng (Dedicated chip / 専用チップ).

Học tăng cường là gì?: Cho Robot “học hỏi qua thử nghiệm và sai sót”

Mặt khác, Học tăng cường (Reinforcement Learning / 強化学習) là một lĩnh vực đang thu hút sự chú ý rất lớn trong việc phát triển Robot. Công nghệ này dựa trên ý tưởng là Robot sẽ tự học những hành động tối ưu thông qua “phần thưởng” và “hình phạt”.

Một Robot sử dụng Học tăng cường lúc đầu sẽ không thể di chuyển trơn tru. Nhưng khi một hành động nào đó giúp nó nhận được phần thưởng cao (= tiến gần đến mục tiêu), nó sẽ ghi nhớ điều đó như một “trải nghiệm thành công”. Ngược lại, nếu phần thưởng ít hoặc nhận lại kết quả âm, nó sẽ đào sâu học hỏi với nhận thức “đó là một sai lầm”.

Bằng cách lặp đi lặp lại quá trình này vô số lần, Robot sẽ tự chủ trang bị cho mình “cách làm khéo léo”.

Ví dụ, giả sử có một Robot làm nhiệm vụ di chuyển trong nhà kho để lấy hàng. Lúc đầu nó có thể đi đường vòng hay va vào kệ hàng, nhưng qua quá trình Thử nghiệm và sai sót (Trial and error / 試行錯誤), nó sẽ có thể di chuyển bằng lộ trình ngắn nhất. Đây là tính linh hoạt mà những Robot kiểu chỉ thực thi mệnh lệnh đơn thuần không thể hiện thực hóa được.

Như vậy, Học tăng cường là công nghệ cho phép Robot tiến hóa dựa trên “giá trị kinh nghiệm”, và thực sự đang trở thành chìa khóa để hiện thực hóa “cỗ máy biết học hỏi”.

Điểm giao thoa giữa Robot và AI: Cái gì kết nối với cái gì, và như thế nào?

Ở đây, chúng ta hãy thử hệ thống lại một lần. Robot về cơ bản được cấu tạo từ 3 yếu tố: “Cảm biến”, “Cơ cấu chấp hành (Động lực)” và “Hệ thống điều khiển”.

Cho đến nay, “Hệ thống điều khiển” này chỉ đơn thuần là thiết bị thực thi mệnh lệnh. Nhưng khi có sự tham gia của AI, thông tin từ Cảm biến sẽ được dùng làm cơ sở phán đoán, giúp cho việc “suy nghĩ” để lựa chọn ra hành động tối ưu nhất trở nên khả thi.

Ví dụ, giả sử camera nhận diện “có người đang giơ tay”, và AI phán đoán ý nghĩa của hành động đó là “đang tìm kiếm sự giúp đỡ”. Dựa trên phán đoán đó, Robot lựa chọn hành động “tiến lại gần và bắt chuyện”. Nói cách khác, AI đóng vai trò cầu nối giữa Cảm biến và Cơ cấu chấp hành, là thực thể mang lại “hành động có chủ ý” cho Robot.

Ngoài ra, AI không chỉ cho phép điều khiển Robot từ xa mà còn là chìa khóa để hiện thực hóa các hành động tự hoàn thiện. Một Robot có thể tự chủ phán đoán và hành động ngay cả khi không có con người ―― giá trị thực sự của AI chính là hỗ trợ cho điều đó.

“AI không phải phép thuật”, sự thấu hiểu thực sự

Điều cần lưu ý ở đây là, “AI không phải là thứ gì đó giống như phép thuật có thể làm được mọi thứ”.

AI có điểm mạnh và điểm yếu. Ví dụ, nó rất giỏi trong việc xử lý lượng dữ liệu khổng lồ để tìm ra quy luật, nhưng vẫn còn gặp khó khăn trong việc hiểu những “quy tắc ngầm” như lẽ thường hay đạo đức. Hơn nữa, vì AI suy cho cùng chỉ đưa ra “dự đoán dựa trên dữ liệu trong quá khứ”, nên khi đối mặt với những tình huống chưa từng biết đến, nó có thể đưa ra những phán đoán sai lầm.

Thêm vào đó, việc giao phó quyền phán đoán cho AI đồng nghĩa với việc cần phải giải thích được “nó đã dựa trên căn cứ nào để đưa ra phán đoán đó”. Đây là lĩnh vực được gọi là AI có thể giải thích (Explainable AI / 説明可能な AI), một yếu tố không thể thiếu đặc biệt trong những tình huống đòi hỏi độ tin cậy cao như phán đoán y tế hay pháp lý.

Chính vì vậy, trong việc ứng dụng AI vào phát triển Robot, sự thấu hiểu và tư duy thiết kế quan trọng hơn là sự tin tưởng mù quáng. AI suy cho cùng vẫn chỉ là “công cụ”, và chỉ khi ta hiểu tường tận các đặc tính của nó, rồi linh hoạt sử dụng đúng nơi đúng chỗ, nó mới phát huy được giá trị thực sự.

Để thiết kế “Bộ não” của Robot

Trong chương này, chúng ta đã được giải thích về 3 công nghệ AI tiêu biểu là Học máy, Học sâu, Học tăng cường, và đã thấy được mỗi công nghệ đang đóng góp như thế nào vào khả năng của Robot. Qua đó, chúng ta cũng xác nhận được rằng sự dung hợp giữa Robot và AI không đơn thuần chỉ là “sự tiện lợi”, mà còn là chìa khóa để “vừa suy nghĩ vừa hành động”.

AI không phải là phép thuật. Nhưng nếu thiết kế đúng cách, chúng ta có thể mang lại “trí tuệ” cho Robot. Để làm được điều đó, không chỉ cần góc nhìn “làm thế nào để vận hành” AI, mà còn đòi hỏi tư duy thiết kế “làm thế nào để cho nó suy nghĩ”.

Trong chương tiếp theo, cuối cùng chúng ta sẽ tiếp cận đến phần đóng vai trò “bộ não” của Robot ―― cơ chế của sự suy luận, phán đoán và ra quyết định. Làm thế nào mà AI có thể mang lại “khả năng suy nghĩ” cho Robot, và điều đó đang được vận dụng ra sao trong thế giới thực. Chúng ta sẽ tiến sát vào cốt lõi của vấn đề đó.