Michael I. Jordan, nhà nghiên cứu hàng đầu về AI và học máy và là giáo sư trong khoa Kỹ thuật điện và khoa học máy tính và khoa thống kê, tại Đại học California, Berkeley giải thích tại sao các hệ thống trí tuệ nhân tạo ngày nay không thực sự thông minh như chúng ta vẫn lầm tưởng.
Theo ông, các hệ thống trí tuệ nhân tạo (Artificial-intelligence – AI) chưa đủ tiên tiến để thay thế con người trong nhiều nhiệm vụ liên quan đến lý luận, kiến thức trong thế giới thực và tương tác xã hội. AI đang thể hiện năng lực cấp độ con người về kỹ năng nhận dạng mẫu ở cấp độ thấp, nhưng ở cấp độ nhận thức, chúng chỉ bắt chước trí thông minh của con người chứ không tham gia sâu và sáng tạo.
Ông lưu ý rằng việc bắt chước tư duy của con người không phải là mục tiêu duy nhất của học máy – lĩnh vực kỹ thuật tạo nền tảng cho tiến bộ gần đây của AI – hay thậm chí là mục tiêu cao nhất. Thay vào đó, học máy có thể hỗ trợ giúp tăng cường trí thông minh của con người, thông qua việc phân tích các tập dữ liệu lớn theo cách mà một công cụ tìm kiếm nâng cao kiến thức của con người tổ chức Web. Máy học cũng có thể cung cấp các dịch vụ cho con người trong các lĩnh vực như chăm sóc sức khỏe, thương mại và giao thông, bằng cách tập hợp thông tin được tìm thấy trong nhiều tập dữ liệu, tìm kiếm các mẫu và đề xuất các hướng hành động mới.
Ông nói: “Mọi người đang bối rối về ý nghĩa của AI trong các cuộc thảo luận về xu hướng công nghệ – rằng có một số loại suy nghĩ thông minh trong máy tính chịu trách nhiệm cho sự tiến bộ và đang cạnh tranh với con người. Không có chuyện đó, nhưng mọi người đang nói chuyện như thể đang xảy ra vậy.“
Trên tất cả, Jordan là người hiểu rõ về trí tuệ nhân tạo. Năm 2016, ông được xếp hạng là nhà khoa học máy tính có ảnh hưởng nhất thông qua một chương trình nghiên cứu khoa học và được tạp chí Science loan tin. Jordan đã giúp chuyển đổi việc học máy không giám sát (unsupervised machine learning), có thể tìm thấy cấu trúc trong dữ liệu không dán nhãn, từ một tập hợp các thuật toán không liên quan sang một lĩnh vực trí tuệ mạch lạc. Học không giám sát đóng một vai trò quan trọng trong các ứng dụng khoa học nơi thiếu vắng lý thuyết nền tảng và máy phải tự học hỏi và tìm ra một mô hình hay cấu trúc nào đó ẩn trong một bộ dữ liệu không được gắn nhãn trước.
Những đóng góp của Jordan đã mang lại cho ông nhiều giải thưởng, bao gồm cả Giải thưởng Ulf Grenander về Lý thuyết và Mô hình Stochastic của Hiệp hội Toán học Hoa Kỳ. Ông cũng đã nhận được Huân chương IEEE John von Neumann vì những đóng góp của mình trong lĩnh vực máy học và khoa học dữ liệu.
Trong những năm gần đây, ông đã thực hiện sứ mệnh giúp các nhà khoa học, kỹ sư và những người khác hiểu toàn bộ phạm vi của học máy. Ông tin rằng sự phát triển trong học máy phản ánh sự xuất hiện của một lĩnh vực kỹ thuật mới. Ông đưa ra những điểm tương đồng với sự xuất hiện của kỹ thuật hóa học vào đầu những năm 1900 từ nền tảng của hóa học và cơ học chất lỏng, lưu ý rằng học máy được xây dựng dựa trên nhiều thập kỷ tiến bộ trong khoa học máy tính, thống kê và lý thuyết điều khiển. Hơn nữa, ông nói, đây là lĩnh vực kỹ thuật đầu tiên lấy con người làm trọng tâm, tập trung vào giao diện giữa con người và công nghệ.
Ông nói: “Trong khi các cuộc thảo luận khoa học viễn tưởng về AI và trí thông minh siêu phàm rất thú vị, thì chúng lại gây mất tập trung. Chưa có đủ tập trung vào vấn đề thực sự, đó là xây dựng các hệ thống dựa trên máy học quy mô hành tinh thực sự hoạt động, mang lại giá trị cho con người và không làm tăng sự bất bình đẳng.”
Con đường nghiên cứu của Jodan
Khi còn là một đứa trẻ vào những năm 60, Jordan đã quan tâm đến các quan điểm triết học và văn hóa về cách trí óc hoạt động. Ông được truyền cảm hứng để nghiên cứu tâm lý học và thống kê sau khi đọc cuốn tự truyện của nhà logic học người Anh Bertrand Russell. Russell khám phá tư tưởng như một quá trình toán học logic.
Jordan nói: “Nghĩ về suy nghĩ như một quá trình logic và nhận ra rằng máy tính hình thành từ việc triển khai logic phần mềm và phần cứng, tôi thấy sự tương đồng giữa tâm trí và bộ não. Có vẻ như triết học có thể chuyển từ những cuộc thảo luận mơ hồ về tâm trí và bộ não sang một thứ gì đó cụ thể hơn, mang tính thuật toán và logic hơn. Điều đó đã thu hút tôi ”.
Jordan học tâm lý học tại Đại học Bang Louisiana, ở Baton Rouge, nơi ông lấy bằng cử nhân năm 1978 về chuyên ngành này. Ông lấy bằng thạc sĩ toán học năm 1980 tại Đại học Bang Arizona, ở Tempe, và vào năm 1985, bằng tiến sĩ khoa học nhận thức tại Đại học California, San Diego.
Khi ông vào đại học, lĩnh vực máy học không tồn tại. Nó chỉ bắt đầu xuất hiện khi ông tốt nghiệp.
“Trong khi tôi bị hấp dẫn bởi học máy,” ông nói, “Vào thời điểm đó, tôi đã cảm thấy rằng các nguyên tắc sâu hơn cần thiết để hiểu về việc học được tìm thấy trong thống kê, lý thuyết thông tin và lý thuyết điều khiển, vì vậy tôi không tự dán nhãn mình là một nhà nghiên cứu học máy. Nhưng cuối cùng tôi đã chấp nhận học máy vì có những người thú vị trong đó và công việc sáng tạo đang được thực hiện ”.
Năm 2003, ông và các sinh viên của mình đã phát triển phân bổ Dirichlet tiềm ẩn (latent Dirichlet allocation), một khung xác suất để tìm hiểu về cấu trúc chủ đề của tài liệu và các bộ sưu tập dữ liệu khác một cách không giám sát. Kỹ thuật này cho phép máy tính, không phải người dùng, tự khám phá các mẫu và thông tin từ các tài liệu. Framwork này là một trong những phương pháp mô hình hóa chủ đề phổ biến nhất được sử dụng để khám phá các chủ đề ẩn và phân loại tài liệu thành các danh mục.
Các dự án hiện tại của Jordan kết hợp các ý tưởng từ kinh tế học trong sự pha trộn giữa khoa học máy tính và thống kê trước đó của ông. Ông lập luận rằng mục tiêu của hệ thống học tập là đưa ra quyết định, hoặc hỗ trợ việc ra quyết định của con người, và những người ra quyết định hiếm khi hoạt động một cách cô lập. Họ tương tác với những người ra quyết định khác, mỗi người trong số họ có thể có những nhu cầu và giá trị khác nhau, và sự tương tác tổng thể cần được thông báo bởi các nguyên tắc kinh tế. Jordan đang phát triển “một chương trình nghiên cứu trong đó các đại lý tìm hiểu về sở thích của họ từ thử nghiệm trong thế giới thực, nơi họ kết hợp khám phá và khai thác khi họ thu thập dữ liệu để học hỏi và nơi các cơ chế thị trường có thể cấu trúc quá trình học tập — cung cấp động lực cho người học thu thập một số loại dữ liệu nhất định và đưa ra các loại quyết định phối hợp nhất định. Người hưởng lợi từ nghiên cứu như vậy sẽ là các hệ thống trong thế giới thực mang người sản xuất và người tiêu dùng đến với nhau trong các thị trường dựa trên học tập chú ý đến phúc lợi xã hội ”.
Làm rõ khái niệm trí tuệ nhân tạo
Vào năm 2019, Jordan đã viết Trí tuệ nhân tạo — Cuộc cách mạng vẫn chưa xảy ra (Artificial Intelligence—The Revolution Hasn’t Happened Yet) được xuất bản trên Tạp chí Khoa học Dữ liệu Harvard (Harvard Data Science Review). Ông giải thích trong bài báo rằng thuật ngữ AI không chỉ bị hiểu lầm bởi công chúng mà còn cả các nhà công nghệ. Quay trở lại những năm 1950, khi thuật ngữ này được đặt ra, mọi người khao khát chế tạo những cỗ máy tính toán sở hữu trí thông minh cấp độ con người. Khát vọng đó vẫn tồn tại, nhưng những gì đã xảy ra trong những thập kỷ qua là một điều gì đó khác biệt. Máy tính đã không trở nên thông minh, nhưng chúng đã cung cấp các khả năng nâng cao trí thông minh của con người. Hơn nữa, chúng đã vượt trội về khả năng nhận dạng mẫu ở mức độ thấp mà về nguyên tắc con người có thể thực hiện được nhưng với chi phí lớn. Ví dụ, các hệ thống dựa trên máy học có thể phát hiện gian lận trong các giao dịch tài chính ở quy mô lớn, nhờ đó đẩy mạnh thương mại điện tử. Chúng rất cần thiết trong việc mô hình hóa và kiểm soát chuỗi cung ứng trong sản xuất và chăm sóc sức khỏe. Chúng cũng giúp các đại lý bảo hiểm, bác sĩ, nhà giáo dục và nhà làm phim.
Mặc dù những phát triển như vậy được gọi là “công nghệ AI”, ông viết, các hệ thống cơ bản không liên quan đến suy luận hoặc suy nghĩ cấp cao. Các hệ thống không hình thành các loại biểu diễn và suy luận ngữ nghĩa mà con người có thể thực hiện được. Chúng không tạo ra và theo đuổi các mục tiêu dài hạn.
Ông viết: “Trong tương lai gần, máy tính vẫn chưa thể sánh được với con người về khả năng suy luận trừu tượng về các tình huống trong thế giới thực. Chúng ta sẽ cần những tương tác được cân nhắc kỹ lưỡng giữa con người và máy tính để giải quyết những vấn đề cấp bách nhất. Chúng ta cần hiểu rằng hành vi thông minh của các hệ thống quy mô lớn phát sinh từ sự tương tác giữa các tác nhân cũng như từ trí thông minh của các tác nhân riêng lẻ ”.
Hơn nữa, ông nhấn mạnh, hạnh phúc của con người không nên là suy nghĩ sau khi phát triển công nghệ. Theo ông , chúng ta có một cơ hội thực sự để hình thành một thứ mới trong lịch sử: một ngành kỹ thuật lấy con người làm trọng tâm.
Quan điểm của Jordan bao gồm một cuộc thảo luận hồi sinh về vai trò của kỹ thuật trong chính sách công và nghiên cứu học thuật. Ông chỉ ra rằng khi mọi người nói về khoa học xã hội (social science) , nó nghe có vẻ hấp dẫn, nhưng thuật ngữ kỹ thuật xã hội (social engineering) nghe có vẻ không hấp dẫn. Điều này cũng đúng đối với khoa học bộ gen (genome science) so với kỹ thuật bộ gen (genome engineering).
“Tôi nghĩ rằng chúng tôi đã cho phép thuật ngữ kỹ thuật giảm dần trong lĩnh vực trí tuệ,” ông nói. Thuật ngữ khoa học được sử dụng thay vì kỹ thuật khi mọi người muốn đề cập đến nghiên cứu có tầm nhìn xa. Các cụm từ như chỉ kỹ thuật không hữu ích.
“Tôi nghĩ rằng điều quan trọng cần nhắc lại là đối với tất cả những điều tuyệt vời mà khoa học đã làm cho loài người, thì đó thực sự là kỹ thuật — dân dụng, điện, hóa chất và các lĩnh vực kỹ thuật khác — đã làm tăng mức độ hạnh phúc của con người một cách trực tiếp và sâu sắc nhất”.
Theo: https://spectrum.ieee.org/the-institute/ieee-member-news/stop-calling-everything-ai-machinelearning-pioneer-says
Image by Gerd Altmann from Pixabay