Louis Mai

  Trí Tuệ Nhân Tạo Cho Mọi Người Tác giả: Mai Tiểu Long Trong những năm gần đây, trí tuệ nhân tạo đã trở thành một ngành thời thượng. Các ứng dụng liên quan cung cấp cho con người những tiện ích vượt trội mà chỉ vài năm trước tưởng chừng không thể nào tồn tại. Iphone cho phép mở khóa điện thoại bằng nhận dạng khuôn mặt. Youtube gợi ý phim theo sở thích. Chương trình chơi cờ vây vượt mặt con người. Tất cả tạo nên ánh hào quang xung quanh một công nghệ mới. Mặc dù vậy, trí tuệ nhân tạo vẫn còn là một công nghệ khó hiểu đối với số đông. Đa phần các sách chuyên ngành tập trung vào việc truyền tải kiến thức cho kỹ sư phần mềm để đáp ứng nhu cầu nhân lực trước mắt. Ngược lại, báo chí và truyền thông đã ít nhiều đề cập tới nhưng vẫn chưa đủ sâu sắc và hoàn chỉnh. Nhiều độc giả cần tìm hiểu thêm về công nghệ mới thì không có nguồn để tham khảo. Đó là lý do cuốn sách này ra đời. Đối tượng độc giả của cuốn sách này là tất cả bạn đọc quan tâm tới trí tuệ nhân tạo nhưng không nhất định phải tr...

Mục lục Lời mở đầu Về tác giả Chương 0: Câu chuyện cờ vây Chương 1: Bài kiểm tra Turing Chương 2: Thuật toán lan truyền ngược Chương 3: Hình ảnh và ngôn ngữ Chương 4: Cuộc thi nhận dạng vật thể Chương 5: Bài giảng cho mọi người Chương 6: Người tạo giấc mơ Chương 7: Tấn công và phòng thủ Chương 8: Phân biệt 7 tỷ người Chương 9: Một hướng đi khác Chương 10: Thế nào là trí thông minh? Lời kết

Lời kết Ngành nghiên cứu về trí tuệ nhân tạo đã trải qua một chặng đường dài, đan xen giữa những mùa xuân đầy hy vọng và mùa đông giá buốt. Hàng loạt các nhà khoa học kiệt xuất đã theo đuổi không ngừng nghỉ để góp phần cải tiến công nghệ tốt hơn. Trong số đó, công lao của ba nhà khoa học Hinton, LeCun và Bengio là to lớn nhất, và họ đã được tôn vinh là cha đẻ của kỹ thuật Deep Learning. Tác giả hi vọng cuốn sách này sẽ góp phần giúp mọi người có được góc nhìn khách quan và thực tế hơn về ngành trí tuệ nhân tạo. Đặc biệt, những chương cuối của sách giới thiệu với độc giả các hướng đi khác của ngành trí tuệ nhân tạo vốn không được đề cập nhiều trên truyền thông.  Hiện nay lượng nhân lực có kỹ năng về các thuật toán tự học Machine Learning vẫn còn rất ít ỏi so với nhu cầu, qua đó tạo ra nhiều cơ hội cho các bạn trẻ trong quá trình lựa chọn mục tiêu để theo đuổi. Tác giả mong rằng bạn đọc thông qua quyển sách này có thể thanh chóng tìm được cho mình một hướng đi riêng trong ngành trí t...

Chương 10: Thế nào là trí thông minh? Nếu có ai đó định phát minh ra cỗ máy biết bay, thì cách tốt nhất là làm cho cỗ máy giống với loài chim. Vì sao? Vì chim là loài vật có kích thước lớn duy nhất bay được mà chúng ta biết. Tương tự như vậy, nếu muốn tạo ra trí tuệ nhân tạo thì cách hợp lý là tìm hiểu xem bộ não người hoạt động như thế nào, vì đó là bằng chứng duy nhất về trí thông minh mà chúng ta biết. Tuy nhiên, chân lý đơn giản này hóa ra lại không nhận được sự đồng tình của “hầu hết” các nhà khoa học về trí tuệ nhân tạo. Một số ý kiến phản bác cho rằng dù sao thì máy bay cũng không có lông vũ giống loài chim. Thực tế thì vào những năm đầu của cuộc đua phát minh máy bay, các nhà khoa học đã tìm cách gắn thêm lông vũ vào hai bên cánh của cỗ máy với hy vọng có thể bay lượn như chim. Và ta biết rằng những nỗ lực như vậy đã thất bại. Chỉ sau khi nghiên cứu kỹ về nguyên lý mà loài chim có thể bay được, là vỗ cánh tạo áp lực lên không khí để từ đó tạo sức nâng lên cao, thì chúng ta mới ...

Chương 9: Một hướng đi khác Ngay từ khi ra đời, các kỹ thuật học sâu Deep Learning đã nhận nhiều chỉ trích vì khả năng tự học dựa hoàn toàn vào thuật toán lan truyền ngược backpropagation vốn rất phức tạp. Nhiều nhà khoa học trí tuệ nhân tạo đã chọn con đường khác để huấn luyện mạng nơ-ron. Vào những năm 2000, Jeff Clune lúc này là một cử nhân trẻ vừa tốt nghiệp đại học Michigan. Trong một lần thăm quan các nhóm nghiên cứu về trí tuệ nhân tạo, ông đã chọn một nhóm không hề nổi tiếng và ở đó trong suốt 8 năm tiếp theo. Nhiệm vụ duy nhất của ông là phá vỡ thế độc quyền của thuật toán lan truyền ngược trong việc huấn luyện mạng nơ-ron. Nhưng công việc này không hề dễ dàng.  Ông theo đuổi niềm đam mê với thuật toán di truyền (genetic algorithm). Bản chất của thuật toán di truyền này dựa trên một chân lý đơn giản, và có thể được hình dung thông qua ví dụ là trò chơi dò đường: một người được yêu cầu đi từ Hà Nội vào Huế nhưng lại không biết Huế nằm ở đâu. Cứ mỗi một bước đi thì người này...

Chương 8: Phân biệt 7 tỷ người Rất nhiều người dùng Facebook chia sẻ chung một nỗi lo là có ai đó sẽ đưa hình của mình lên mạng một cách cố ý mà mình không thể nào biết được. Cách duy nhất để giải quyết vấn đề là phải có một thuật mạnh mẽ để nhận dạng được tất cả mọi người trên hành tinh. Hãng Facebook đi đầu trong nỗ lực này với việc giới thiệu mạng tương phản (Contrastive networks). Mạng được huấn luyện bằng cách chọn ra 2 bức hình của cùng một người nhưng ở 2 góc chụp khác nhau, và 1 bức hình của người khác. Khi đưa 3 bức hình này vào mạng tương phản sẽ nhận được 3 giá trị khác nhau. Mạng tương phải tự học để đảm bảo rằng giá trị đại diện cho 2 bức hình của cùng một người sẽ giống nhau, và không giống bức hình của của người khác. Sau cùng, mạng tương phản sẽ đưa ra giá trị duy nhất cho bất kỳ một người nào dù góc chụp bị thay đổi. Kết quả là mạng tương phản, nếu được huấn luyện đủ tốt, có thể nhận dạng toàn bộ 7 tỷ người trên hành tinh. Hiện nay, nếu có ai đó đưa hình của chúng ta l...

Chương 7: Tấn công và phòng thủ Không lâu sau sự trỗi dậy của mang nơ-ron nhân tạo, nỗi lo lắng về một hậu quả nghiêm trọng có thể xảy ra nếu mạng nơ-ron bị tấn công đã bắt đầu xuất hiện. Năm 2014, Anh Nguyen, nhà khoa học gốc Việt, và các đồng nghiệp của ông xuất bản một nghiên cứu khoa học giới thiệu phương pháp đánh lừa mạng nơ-ron để dẫn tới dự đoán sai. Trong vòng vài năm, nhiều cách thức có thể dùng để tấn công mạng nơ-ron nhân tạo lần lượt được phát hiện ra. Về lý thuyết thì cách tấn công mạng nơ-ron nhân tạo không phức tạp như chúng ta nghĩ. Vì mạng nơ-ron lấy cảm hứng từ bộ não, cách tấn công nó cũng không khác nhiều so với cách tấn công “tư tưởng” một người. Có hai giai đoạn có thể xảy ra. Một là khi đang huấn luyện mạng nơ-ron. Giống như một đứa trẻ lớn lên sẽ thành “người xấu” nếu lúc nhỏ sống trong môi trường độc hại, mạng nơ-ron có thể trở nên vô dụng nếu được huấn luyện với dữ liệu chất lượng thấp (hoặc bị dán nhãn sai). Một ví dụ phổ biến là khi chúng ta khi truy cập và...

Chương 6: Người tạo giấc mơ “Chúng ta không thể hiểu rõ điều gì đó nếu không thể tạo ra nó”.  Chàng trai trẻ ngồi uống bia với bạn trong một quán rượu chật hẹp ở Canada. Cả hai đang cá cược với nhau về vấn đề cân bằng khi có hai người tham gia vào lý thuyết trò chơi, ngành toán học thời thượng khi đó. Là một lý thuyết chủ yếu áp dụng vào kinh thế học, nó xảy ra trong trường hợp hai người chơi đều cố gắng giành lợi thế tối đa nhưng không để trò chơi kết thúc, ví dụ như các cuộc đàm phán hoặc đấu giá. Tối hôm đó, chàng trai không đồng ý với người bạn của mình. Anh trở về phòng trò và thử viết một vài dòng lệnh vào máy tính, mà không biết rằng mình đã vô tình tạo ra một nhánh mới hoàn toàn trong ngành trí tuệ nhân tạo. Đó là vào thời điểm năm 2014. Hai năm sau khi đội của Hinton tham gia cuộc thi ImageNet, mạng nơ-ron nhân tạo trở thành tiêu chuẩn vàng của các thuật toán tự học Machine Learning. Các nhà khoa học nhận ra là với nhiều lớp nơ-ron thì mô hình học sâu Deep Learning sẽ có đ...

Chương 5: Bài giảng cho mọi người Sau sự kiện Hinton và các học trò chiến thắng cuộc thi nhận dạng vật thể ImageNet vào năm 2012, việc ứng dụng trí tuệ nhân tạo đột nhiên trở nên thiết yếu với các doanh nghiệp để đạt lợi thế cạnh tranh. Nhu cầu nhân lực có hiểu biết về mạng nơ-ron và kỹ thuật Deep Learning bùng nổ. Theo một ước tính khiêm tốn vào lúc đó thì mỗi năm chỉ riêng nước Mỹ đã thiếu hụt ít nhất 20,000 người trong lĩnh vực này. Với số lượng giáo sư về trí tuệ nhân tạo quá ít ỏi (vì bị giảm tài trợ hoặc đã chuyển sang hướng khác trong mùa đông khốc liệt hơn 20 năm), các trường đại học không thể nào đáp ứng nổi việc đào tạo lượng sinh viên tăng đột biến này. Nhu cầu về một trường học “dành cho mọi người” trở nên cấp bách. Andrew Ng (phát âm: An-dờ-riu Ưng) lúc này đang là giáo sư về trí tuệ nhân tạo, đồng nghiệp của Fei-Fei Li tại đại học Stanford. Cũng trong năm 2012, ông lập ra nền tảng Coursera với mục tiêu cung cấp một nền giáo dục miễn phí, cạnh tranh trực diện với nền giáo ...

Chương 4: Cuộc thi nhận dạng vật thể Sau hơn 20 năm nghiên cứu trong bóng tối, ba thầy trò Hinton, LeCun và Bengio gặp nhau vào năm 2006. Lúc này Bengio cũng đã là một giáo sư độc lập. Cả ba quyết định sẽ phải vực dậy ngành trí tuệ nhân tạo vốn đang ngủ đông. Nhưng trong vài năm tiếp theo, những nỗ lực của họ vẫn chưa thành công. Fei-Fei Li là một giáo sư người Mỹ gốc Hoa. Sinh ra tại Trung Quốc nhưng theo gia đình di cư sang Mỹ từ năm 12 tuổi, Li đã thể hiện rõ thiên hướng nghiên cứu khoa học từ khi còn nhỏ. Tốt nghiệp viện Princeton danh giá, bà học tiếp chương trình tiến sĩ với đề tài nhận dạng hình ảnh và hoàn thành vào năm 2005. Năm tiếp theo, sau cuộc gặp gỡ với một giáo sư gạo cội, bà bước vào đại học Stanford và chọn ngành trí tuệ nhân tạo là sự nghiệp trọn đời của mình. Trái ngược với hầu hết các nhà nghiên cứu đương thời vốn tập trung vào cải tiến thuật toán và nền tảng lý thuyết của mạng nơ-ron nhân tạo, Fei-Fei Li theo đuổi một hướng đi riêng. Sau khi quan sát cậu con trai ...

Chương 3: Hình ảnh và ngôn ngữ Trong thời kì mùa xuân thứ hai của ngành trí tuệ nhân tạo vào những năm đầu 1980, các nhà khoa học về não bộ cũng có những khám phá quan trọng. Họ phát hiện thấy ở loài mèo, hình ảnh từ mắt đi vào não trải qua một vài bộ lọc, và dường như mỗi bộ lọc chỉ có tác dụng với một vài đặc trưng cơ bản nào đó. Một số nơ-ron nhất định sẽ được kích hoạt nếu bộ lọc phát hiện ra các đặc trưng này. Dần dần về sau, các nhà khoa học phát hiện thêm nhiều chi tiết hơn. Theo đó các bộ lọc trong lớp nơ-ron đầu tiên sẽ nhận dạng những đặc trưng cơ bản nhất, ví dụ như các đường thẳng và đường chéo cực ngắn, góc nhọn, góc vuông, v.v… Các bộ lọc ở lớp tiếp theo sử dụng đặc trưng cơ bản thu được ở lớp trước đó để tạo ra những đặc trưng phức tạp hơn: mắt, mũi, miệng. Lớp cuối cùng sẽ nhận dạng đặc trưng cao cấp nhất: khuôn mặt. Liệu ta có thể áp dụng điều này lên mạng nơ-ron nhân tạo? Mùa đông thứ hai của ngành trí tuệ nhân tạo bắt đầu vào cuối năm 1986. LeCun lúc này đang là nghi...