trí tuệ nhân tạo và những vị chúa tể mới

By NQH | Published: 19/04/2011 | Bản để in

Trí tuệ nhân tạo và những vị chúa tể mới

Bài đăng ở Tia Sáng, số kỷ niệm 20 năm.

Ngô Quang Hưng — Nguyễn Xuân Long

Cảm ơn em họ biên tập!

Năm 1950, Alan Turing, cha đẻ ngành khoa học máy tính, đặt ra một câu hỏi đồng

nghĩa với thách thức cho nhân loại: “Làm thế nào để biết được một chiếc máy tính

có suy nghĩ hay không?”. Năm 1997, khi siêu máy tính Deep Blue hạ gục huyền

thoại cờ vua Gary Kasparov trong trận đấu được coi là kỳ vĩ nhất của lịch sử cờ

vua, cựu quán quân thế giới thừa nhận: “Tôi cảm thấy sự hiện hữu của trí thông

minh ở phía bên kia bàn cờ!”. Ngày 16/2 năm nay, thêm hai bộ óc siêu việt khác

của loài người đối mặt – và thua cuộc – một “bộ óc” mới trong ngành máy tính

mang tên Watson. Với thành tựu mới nhất này, liệu chúng ta có thể nói gì về tư duy

của máy, và hy vọng gì ở ngành trí tuệ nhân tạo trong tương lai?

1. Sự lên ngôi của vị chúa tể mới

Hỏi: Rõ là “Thời buổi gian khó”! Một cơn động đất lớn tấn công New Madrid,

Missouri, vào ngày 7 tháng 2 năm 1812, cùng ngày mà tác giả này tấn công Anh

Quốc. (“Hard times,” indeed! A giant quake struck New Madrid, Missouri, on Feb. 7,

1812, the day this author struck England.)

Đáp: Ai là Charles Dickens? (Who is Charles Dickens?)

Đây là một ví dụ điển hình của trò chơi truyền hình nổi tiếng tại Mỹ mang tên

Jeopardy!. Khác với các loại trò chơi đố vui có thưởng theo kiểu “Ai muốn làm triệu

phú”, Jeopardy! đòi hỏi kiến thức sâu rộng của người chơi vì các câu hỏi chứa đầy

cạm bẫy (chơi chữ, đảo ngữ nghĩa, gợi ý mang tính lừa phỉnh, vân vân) đòi hỏi phải

xử lý thông tin cực kỳ phức tạp trong một thời gian cực ngắn. Một điểm đặc biệt nữa

là câu hỏi và câu trả lời của Jeopardy! đảo vị trí cho nhau: câu hỏi là câu trả lời mang

tính xác định về một đối tượng nào đó, còn câu trả lời là một câu hỏi về đối tượng

này. Trong ví dụ kể trên, cụm từ “Thời buổi gian khó” (hard times) nhắc đến một tác

phẩm nổi tiếng của Charles Dickens. “Thời buổi gian khó” cũng được dùng với ngụ ý

về sự gian khó gây ra bởi cơn động đất. Từ “tấn công” (struck) được dùng với hai

nghĩa, nghĩa đen nói về tác động của trận động đất, còn nghĩa bóng nói về ngày chào

đời của Charles Dickens (ngày động đất là ngày sinh của Dickens). Các nhà vô địch

Jeopardy! vì thế thường được xem là đại diện cho trí thông minh và sự uyên bác.

Luật chơi của Jeopardy! đại khái như sau. Mỗi

trận đấu gồm ba vòng, với ba đấu thủ. Hai

vòng đầu mỗi vòng có 30 câu hỏi, chia làm 6

Hưng on Mật mã khóa công khai: hành trình

35 năm

Nông Dân on Từ đại số đến bitcoin

BlackViva on Từ đại số đến bitcoin

khôi on Làm an toàn thông tin thì học gì?

Vu Hoc on PM 1: Thuật toán Knuth-

Morris-Pratt

Minh Ngọc Lê on Một bài toán thú vị

Hoàng Minh Đông on Bayes và tần suất trong

suy diễn thống kê (1)

truyện cười on Tập làm bánh chưng (và nghĩ về

Hiến pháp)

LTD on From our window!

Hoàng Minh Đông on Bayes chọi tần suất (4):

ngẫu nhiên hay không ngẫu nhiên

so dien thoai taxi n on Mickey Mouse ở Việt

Nam

NHD on Kích thước tối đa của mảng 1 chiều

dùng C/C++

truyện cười on Phân tích khảo sát góp ý dự thảo

Hiến Pháp bằng Bổ Đề Johnson-Lindenstrauss

truyện cười on Thời con nít đã xa.

Hạnh on Học Anh văn thế nào?

Từ đại số đến bitcoin

Bài báo có một cái hình thú vị

Một bài toán thú vị

Trận cờ thế kỷ

Thời con nít đã xa.

Đọc sách “nhanh”

Mickey Mouse ở Việt Nam

Định lý Gale-Ryser

Học Thế Nào

“Không quản lý được về an ninh”

Âm Nhạc (61)

Ảnh hưởng của CNTT (6)

Ảo giác (3)

Bảo mật và mật mã học (82)

Biển Đông (7)

Blog cầu (5)

Bơi (7)

C++ (6)

Các hệ thống máy tính (9)

Các hội nghị KHMT (12)

Công nghệ phần mềm (6)

Cấu trúc dữ liệu (6)

Chính trị trong ngành (30)

Chưa phân loại (53)

CNTT các nước và VN (47)

Combinatorics (26)

Tầm nhìn ta thật ngắn mà đã thấy bao thứ để làm — Alan Turing

Trang chủ Gỡ rối tơ lòng Bản Quyền Nhóm bloggers Tuyển Tập Gõ ký hiệu Toán Đăng nhập Đăng ký

Trí tuệ nhân tạo và những vị chúa tể mới http://www.procul.org/blog/2011/04/19/tri-tuệ-nhan-tạo-va-những-vị-chu...

1 of 19 1/8/2014 11:30 AM

Bản quyền của Blog Khoa Học Máy Tính, © 2005-2014. Thiết kế với WordPress. Theme con của theme Thematic Theme Framework.

phạm trù, mỗi phạm trù 5 câu hỏi. Mỗi câu hỏi

ở 2 vòng đầu có giá trị tiền nhất định. Sau khi

nghe đọc câu hỏi các đấu thủ bấm nút tranh

quyền trả lời. Trả lời đúng thì thắng số tiền của

câu hỏi đó, trả lời sai thì bị mất số tiền này và còn bị trừ vào khoản tiền đã thắng. Mỗi

đấu thủ thường chỉ có khoảng 1, 2 giây để bấm nút nếu không muốn bị giành mất

quyền trả lời. Vòng thi cuối cùng chỉ có một câu hỏi duy nhất, thí sinh dùng tiền đã

thắng để “đặt cược” ngay cả trước khi biết được câu hỏi. Thắng thì thắng thêm số tiền

cược đó, còn thua thì bị trừ đi. Phạm vi đề tài thi rất “bao la”: lịch sử, sự kiện đương

đại, văn học, nghệ thuật, khoa học, ngôn ngữ, chơi chữ, vân vân.

Hai huyền thoại hiện nay của trò chơi này là Ken Jennings (người thắng kỷ lục 74

trận liên tục trong năm 2004 với tổng số tiền thắng cuộc hơn 3 triệu đô la) và Brad

Rutter (người thắng “cúp C1″ – cúp các nhà vô địch Jeopardy! – với tổng số tiền

thắng nhiều nhất trong lịch sử Jeopardy!: hơn 3 triệu rưỡi đô la). Từ 14 đến 16 tháng

2/2011 vừa qua, cả hai bộ óc siêu phàm này đã trải qua ba trận “đại chiến” lịch sử với

một đối thủ mới tò te tên là Watson – một hệ thống máy tính của hãng IBM, được đặt

tên để tưởng nhớ chủ tịch đầu tiên của hãng này là Thomas Watson.

Watson “nghiền nát” Ken và Brad – như Deep Blue đã từng hạ gục Kasparov gần 14

năm trước.

Ở câu hỏi cuối cùng của vòng thi đấu cuối cùng, bên cạnh câu trả lời (đúng) của

mình, Ken Jennings tuyên bố nửa đùa nửa thật (trước khi biết rằng Watson cũng trả

lời đúng câu hỏi này): “Cá nhân tôi hoan nghênh các vị chúa tể mới“.

2. Trí tuệ nhân tạo, từ logic cổ điển đến thống kê tính toán

Trước khi phủi tay xuề xòa về sự không cân sức của trận đấu David tí hon chọi

Goliath khổng lồ này, ta phải cẩn thận xem lại xem … ai là David và ai là Goliath.

Không thể chối cãi được rằng, dù là lính mới, Watson là một đối thủ khổng lồ, kích

thước tương đương … 10 cái tủ lạnh, chứa khoảng 200 triệu trang tài liệu (bằng

khoảng 1 triệu quyển sách), 16 Terabytes (16 nghìn tỉ bytes) bộ nhớ, và có khả năng

xử lý 80 Teraflops một giây.

Tuy nhiên, kích thước và số lượng không nhất thiết tỉ lệ thuận với sự thông minh.

Một triệu con khỉ không gõ được vở kịch Hamlet. Vả lại, dù có tính về số lượng thì sự

mất cân xứng cũng không rõ ràng lắm là ngả về phía nào. Ken và Brad mỗi người có

khoảng 100 tỉ neurons thần kinh, và có hơn 30 năm tuổi đời để học số kiến thức mà

họ có, cộng với cả chục năm “kinh nghiệm chiến trường”: xử lý sự lắt léo của

Jeopardy!. Watson ra đời khoảng 2004, có tổng cộng 2880 bộ vi xử lý POWER7 mới

Cơ sở dữ liệu (9)

Danh ngôn (13)

Dành cho du học sinh (111)

Games (2)

Giáo dục (88)

Giới thiệu sách (38)

KHMT và Kinh Tế (1)

KHMT và luật pháp (6)

KHMT và sinh học (6)

KHMT và triết học (3)

Lập trình (22)

Lịch Sử (2)

Lịch sử Việt Nam (3)

Lý thuyết mã hóa (6)

Lý thuyết tính toán (57)

Lý thuyết thông tin (17)

Logic (2)

Mạng máy tính (36)

Mỹ quốc (12)

Nghiên cứu nghiên kiếc (50)

Nhân vật và sự kiện (133)

Python (3)

Quả đất của ta (1)

Siêu Nhiên (1)

Thông báo (31)

Thần kinh học (1)

Thầy bói nói mò (1)

Thuật ngữ chuyên ngành (8)

Thuật Toán (70)

Thơ (7)

Tin tức đó đây (106)

Toán Ứng Dụng (13)

Toán tối ưu (5)

Trang web hay (31)

Trí tuệ nhân tạo (52)

Vui – Giải Trí (279)

Vượt định kiến (26)

Xác suất & thống kê (71)

Xuất bản (14)

Y Học (2)

Select Month

Harvard Magazine

MIT Technology Review

Tạp Chí Tia Sáng

The Chronicle of Higher Education

Tuổi Trẻ

Blog Bảo Mật Thông Tin

Brian Krebs

Schneier on Security

Security | News.blog | CNET News.com

Spam Kings Blog

worm blog

Bùi Nguyên Cẩm Ly


2 of 19 1/8/2014 11:30 AM

của IBM. Mỗi bộ vi xử lý gồm bốn lõi song song với tổng cộng khoảng 1,2 tỉ

transitors, vị chi là gần 3 nghìn rưỡi tỉ transitors, gấp 35 lần số neuron thần kinh một

người có. Thế nhưng, mỗi neuron thần kinh lại có sức mạnh tính toán mạnh gấp

nhiều lần một transitor, vì mỗi neuron thần kinh là một bộ vi xử lý sinh học, cho dù

thuộc loại sơ khai.

Những thành tựu khoa học và công nghệ nào đã mang lại thành công của Watson?

Chiến thắng của Watson là thành tựu tổng hợp của nhiều phân ngành khoa học máy

tính: thuật toán, các bộ vi xử lý, hệ xử lý song song, mạng máy tính, trí tuệ nhân tạo,

cơ sở dữ liệu, vân vân. Trong khuôn khổ bài này chúng ta sẽ chỉ đề cập đến mảng trí

tuệ nhân tạo (TTNT).

Ngay từ thời kỳ đầu của TTNT, người ta đã biết rằng một trong những yếu tố cần thiết

làm nên một máy tính thông minh là khả năng biểu diễn và xử lý tri thức. Tri thức

phải được mã hóa bằng một thứ ngôn ngữ mà máy tính có thể hiểu được. Logic đã là

sự lựa chọn hiển nhiên, vì đó cũng là ngôn ngữ của bộ vi xử lý. Với một kho tri thức

bằng ngôn ngữ logic, các vấn đề suy diễn biến thành các bài toán suy luận logic thuần

túy, một địa hạt mà máy tính sẽ dễ dàng thống trị.

Cho đến tận những năm 80 của thế kỷ trước, người ta tập trung phần lớn sức lực vào

vấn đề tự động hóa và cải thiện hiệu quả của suy diễn logic. Làm thế nào để tìm kiếm

ra câu trả lời thật nhanh từ những quy luật định sẵn. Deep Blue chính là một ví dụ

điển hình của sự thành công ngoạn mục trong công nghệ tìm kiếm trong một môi

trường có quy luật chặt chẽ. Máy tính có thể chơi rất tốt các trò chơi loại này, khi mà

các quy luật của cuộc chơi và mọi thông tin đã được cho trước rõ ràng.

Nhưng làm thế nào để thiết lập được kho tri thức định sẵn cho máy tính? Làm thế

nào để kho tri thức ấy không ngừng được thu lượm, cập nhật và chắt lọc từ sự tiếp xúc

của máy tính với thế giới bên ngoài? Máy tính có thể chơi cờ rất giỏi, nhưng khả năng

thu lượm thông tin và thích ứng với bên ngoài còn thua xa một con chuột bạch. Và,

dạng giao tiếp đặc biệt quan trọng chính là giao tiếp với con người. Làm thế nào để

máy tính có thể giao tiếp được với con người, qua đó hấp thụ được kho tri thức của

loài người thành của chúng, giả sử rằng chúng cũng được lập trình để có một nguyện

vọng như vậy?

Trong thập niên đầu thế kỷ 21, sự phổ dụng của các công nghệ và kết quả khoa học

ngành Học Máy (machine learning) đánh dấu một bước ngoặt thay đổi nền tảng

quan trọng trong quá trình phát triển của ngành TTNT. Các công nghệ TTNT đã len

lỏi vào tất cả các ngóc ngách của cuộc sống con người. Chúng ta dùng các công cụ tìm

kiếm như Google hàng ngày, các bộ lọc thư rác từng phút (200 tỉ thư rác mỗi ngày).

Các điện thoại cầm tay tí hon đời mới có thể nhận dạng tiếng nói tốt, và có cả phần

mềm dịch nhanh giữa các thứ tiếng khác nhau. Chưa hoàn hảo nhưng hoàn toàn hữu

dụng. Đã có xe tự lái được trong thành phố và rô-bô thám hiểm Hỏa Tinh. Các thuật

toán TTNT theo dõi tình trạng nhiễm trùng của trẻ sơ sinh, nhận diện nhân dạng và

hình ảnh tế bào, nhận dạng chữ viết tay và vân tay. Các thuật toán Học Máy còn dùng

để khám phá xâm nhập mạng và bảo vệ tấn công cơ sở dữ liệu từ bên trong. Các giao

dịch tài chính từ chứng khoán đến thẻ tín dụng đều được các thuật toán học máy

“theo dõi” gắt gao ở tốc độ nano-giây.

Những thành tựu này đạt được là do các nhà nghiên cứu TTNT nhận ra rằng “học”

quan trọng hơn “biết”, khả năng đối chọi với tính bất định của thế giới thực quan

trọng hơn khả năng tư duy theo một hệ thống logic làm sẵn. Nền tảng của TTNT hiện

Giáp Văn Dương

Hoàng Hoài Minh

Huy Đức

Lê Hồng Giang

Minh Biện

Ngô Bảo Châu

Nguyễn Ngọc Tư

Nguyễn Tiến Dũng

Nguyễn Đình Đăng

Nhiệt Huyết

Phạm Thị Hoài

Quỹ Trí Tuệ Việt Nam

Talawas

Tin Khó Tin

Toe Loe

Trang Hạ

Trần Hữu Dũng

Trần Vinh Dự

Vũ Hà Văn

Vũ Hoàng Linh

Đàm Thanh Sơn

Đông A

Đỗ Quốc Anh

Đoàn Kết

smashingtelly

ACM: Education

Diễn đàn giáo dục

Internet Archive

Quỹ Trí Tuệ Việt Nam

ACM Tech Policy

Beautiful Code

Boing Boing

Cộng đồng mã nguồn mở VN

Developing for Developers

Diễn đàn tin học

Freedom to Tinker

GeekPress

Gustavo Duarte

Luis von Blog

Marc Andreessen

Matt Might

News.com’s Blog

Official Google Blog

Reinventing the Internet

Volatile and Decentralized

Cold War Files

fragments of consciousness

Musings

Overcoming Bias

RealClimate

ScienceBlogs

Susan Polgar Chess Blog

Talk.Origins


3 of 19 1/8/2014 11:30 AM

đại từ đó đã được chuyển từ logic cổ điển, chặt chẽ nhưng cứng nhắc, sang tính toán

thống kê, lỏng lẻo hơn về mặt logic nhưng mềm dẻo, có tính ứng biến cao. Vấn đề học

tập, cập nhật và chắt lọc tri thức từ dữ liệu thô, gọi vắn tắt là vấn đề Học Máy, đang

trở thành lĩnh vực trung tâm của TTNT. Ngành học máy được phát triển trên nền

tảng của xác suất thống kê và khoa học máy tính, với mục tiêu là tạo ra các thuật toán

tự học giúp cho máy tính định hình được khái niệm, liên hệ các ý nghĩa, tìm kiếm ra

các quy luật trên cơ sở các nguồn dữ liệu thô và nhiễu.

Một trong những nguồn dữ liệu quan trọng bậc nhất cho máy tính, đồng thời cũng là

dạng dữ liệu phức tạp và nhiều nhiễu bậc nhất, chính là ngôn ngữ tự nhiên của loài

người. Khác với ngôn ngữ logic của máy, ngôn ngữ của người rất linh hoạt và giàu có,

thường không tuân theo các quy luật logic cứng nhắc. Các từ vựng trong ngôn ngữ

của chúng ta thường là đa nghĩa. Các từ được kếp hợp với nhau qua các cấu trúc câu

đa dạng, làm tăng nên khả năng biểu cảm gấp bội. Các câu lại được kết hợp với nhau

tạo ra các ngữ cảnh có thể làm tăng sự mơ hồ hoặc thay đổi hẳn nội dung.

Trong Jeopardy!, giải mã cho được cách chơi chữ trúc trắc và các gợi ý đầy cạm bẫy

để “hiểu” được câu hỏi mới chỉ là trở ngại đầu tiên cho Watson. Để tìm ra câu trả lời,

các kỹ sư của IBM còn phải tìm cách giúp Watson tìm kiếm và đánh giá sự tin cậy của

các câu trả lời có thể, từ kho dữ liệu khổng lồ được nạp sẵn gồm có các loại từ điển,

thư viện Wikipedia, và các tác phẩm văn học. Watson phải tận dụng tất cả khả năng

tính toán của mình để tìm ra câu trả lời nhanh và chính xác, vượt qua kinh nghiệm

dày dặn và kho tri thức sâu rộng của hai địch thủ sừng sỏ bằng da thịt.

Các kỹ sư của IBM đã phải sử dụng hơn 100 phương pháp trong lĩnh vực học máy và

xử lý ngôn ngữ để phân tích câu hỏi, tìm tòi nguồn ý của câu hỏi, tìm kiếm và đánh

giá độ tin cậy các câu trả lời trong qua các kỹ thuật thống kê và học máy hiện đại.

3. Tương lai TTNT: Từ phép thử Turing đến quan điểm Dijkstra

Năm 1965, Herbert Simon dự đoán “trong vòng 20 năm nữa máy sẽ làm được bất kỳ

việc gì người làm được”; năm 1967, Marvin Minsky cho rằng “trong vòng một thế hệ

nữa, bài toán xây dựng ‘trí tuệ nhân tạo’ sẽ được xem như là giải quyết xong”. Ở thời

điểm 2011 này, chúng ta biết các vị tiền bối ngành máy tính đã quá lạc quan. Vậy thì,

từ những bài học gặt hái được qua chiến thắng lịch sử của Watson năm nay, chúng ta

có thể nói gì về tương lai của ngành TTNT? Để thảo luận câu hỏi này, ta quay lại một

chút với một câu hỏi cơ bản mà Alan Turing đặt ra năm 1950: làm thế nào để biết

máy có “nghĩ” không?

Tư duy là một khái niệm khó nắm bắt, là thách thức quan trọng không chỉ đối với

ngành khoa học máy tính mà còn thần kinh học và các ngành khoa học xã hội. Vì thế,

để trả lời câu hỏi về tư duy của máy, Turing đã đề cử một phép thử mà ngày nay được

gọi là phép thử Turing: cho một ban giám khảo ngồi trong một không gian tách biệt,

nói chuyện với máy đồng thời với số người thật. Nếu ban giám khảo không phân biệt

được ai là máy ai là người thật thì kết luận là máy có “tư duy”. Ta phải tưởng tượng

mình sống ở năm 1950 để cảm nhận sự khó khăn của việc xây dựng một cái “máy”

vượt qua được phép thử Turing này.

Vậy mà đến năm 1965, chương trình máy tính Eliza của Joseph Weizenbaum trường

MIT đã có khả năng thuyết phục rất nhiều người là nó là người thật, dùng một cái

mẹo đơn giản của các nhà tâm lý học trong hội thoại với bệnh nhân: khi nào không

hiểu thì lấy một từ khóa trong câu của bệnh nhân và bảo họ giải thích thêm. Ví dụ,

Tangled Bank

The Panda’s Thumb

The Scientific Activist

This Week Finds

A Tiny Revolution

Andrew Sullivan.com

Chicago’s Law Faculty

Computing Chris

Creative Capitalism

Crooked Timber

Daily Kos

Freakonomics

Free exchange

Furdlog

Instapundit

Marginal Revolution

Social Science Statistics

Structured Procrastination

The Becker-Posner Blog

The Volokh Conspiracy

Vietnam Quant. Society

Đỗ Quốc Anh

Algorithmic Game Theory

Combinatorics and More

Comp. Complexity Blog

CS Theory Overflow

ECCC

Ernie’s 3D Pancakes

Glob of Thoughts

Godel's Lost Letter

In Theory

Luca Trevisan

Machine Learning (Theory)

My Biased Coin

My slice of pizza

Rudy’s Blog

Sariel’s Blog

Shtetl-Optimized

tcs math

The Geomblog

The Quantum Pontiff

Theory Matters

Renesys

Mind Hack

Neuro Philosophy

Ars Mathematica

Diễn đàn toán học

Good Math, Bad Math

Mathematics and Computation

Mathematics Weblog


4 of 19 1/8/2014 11:30 AM

Nguồn ảnh: http://xkcd.com/329/

bệnh nhân nói “hôm nay tớ buồn

quá”, máy tính trả lời: “bạn nói thêm

cho tớ về nỗi buồn của bạn đi!”. Chỉ

đơn giản như thế, nhưng rất nhiều

người đã không tin rằng Eliza là

chương trình máy tính. Nhiều người

thậm chí đã “nói chuyện” nhiều giờ

liền với Eliza, và khi xong thì báo cáo

kết quả là “nhà điều trị tâm lý” Eliza

đã có tác động tích cực đến tâm lý của

họ. Hiện nay hàng năm vẫn có các kỳ

thi dạng phép thử Turing cho các

chương trình máy tính (Giải thưởng

Loebner là một ví dụ), và nhiều

chương trình đã rất cận kề với điểm

vượt qua phép thử Turing. Thậm chí,

gần đây có cả chương trình tự động

“kết bạn” trên các mạng xã hội, hội

thoại với con người kiểu Eliza. Các nhà nghiên cứu đã thử cho bọn “bot” này thâm

nhập vào trung tâm của một nhóm lớn các bạn bè trong một mạng xã hội kiểu

Twitter bằng cách này. Cho nên ai kết bạn linh tinh trên Facebook hay Twitter thì

nên cẩn thận xem lại bạn mình có phải là … người không.

Vậy giờ đây, liệu đã có thể kết luận từ sự kiện Watson, con người đã có thể tạo ra

những bộ máy thực sự có trí tuệ hay không? Noam Chomsky, một nhà ngôn ngữ học

nổi tiếng, thẳng thừng tuyên bố: “Với tôi, Watson chẳng hiểu gì cả. Nó chỉ là một cái

máy ủi rất to thôi”. Marvin Minsky, một trong những người sáng lập nên ngành trí

tuệ nhân tạo sau Turing, cũng có thái độ tương tự: “Nếu như Watson chỉ là một dạng

máy tính tìm kiếm và so trùng mẫu (pattern matching) … thì chẳng có gì ấn tượng cả.

Với tôi, vẫn chưa máy tính nào có thể có cách cư xử theo lẽ thường tình như một đứa

trẻ con 4, 5 tuổi”.

Thoạt nghe, những nhận xét như của Chomsky hay Minsky không phải không có cơ

sở. Quả là ở chừng mực nào đó, cũng giống như Deep Blue, Watson vẫn chỉ là một

máy tính làm rất tốt một việc: đó là việc tìm kiếm câu trả lời, một dạng câu trả lời chỉ

thích hợp cho một cuộc chơi, cho dù là một cuộc chơi lắt léo như Jeopardy!. Watson

vẫn phải dựa vào kho tri thức khổng lồ đã được tải xuống và sắp xếp vào hệ thống bộ

nhớ rất “máy ủi” của mình bởi các kỹ sư bằng da bằng thịt của IBM. Nếu cái kho tri

thức ấy được Watson tự thu lượm và học hỏi được thì có thể sự đánh giá của chúng ta

với trí thông minh của nó sẽ khác đi chăng? Nhưng nhìn nhận công bằng hơn,

Watson thực sự là bước tiến vượt bậc so với Deep Blue. Trước khi có Watson, chúng

ta đã không biết chắc có thể tạo ra được máy tính có khả năng xử lý ngôn ngữ tự

nhiên của con người và thắng được con người trong một cuộc chơi như Jeopardy!.

Có ai đó từng nói: hễ cứ khi máy tính đã làm được cái gì thì cái đó không được coi là

thông minh nữa. Định kiến này sẽ luôn luôn đi kèm theo bất kỳ thành tựu công nghệ

nào của loài người, cho dù chúng có kỳ vĩ đến đâu. Các tác giả bài này chọn cách nhìn

cùng hướng với cố giáo sư Edsger Dijkstra, người thắng giải Turing năm 1972.

Dijkstra từng nói: “hỏi máy tính có biết nghĩ hay không thì cũng chẳng hay ho gì

hơn hỏi tàu ngầm có biết bơi không”. Quan điểm của Dijkstra cũng chính là xu

hướng phát triển của khoa học và công nghệ TTNT hiện nay mà đại diện mới nhất là

Notices of the AMS

Richard Borcherds

Terry Tao

The n-Category Cafe

Tim Gowers

Tim Gowers

VNMATH

Cosmic Variance

John Baez’s Weekly Finds

Not Even Wrong

PhysOrg.com

ScienceBlogs

The n-Category Cafe

Three-Toed Sloth

Usenet Physics FAQ

Vật Lý Việt Nam

Đàm Thanh Sơn


5 of 19 1/8/2014 11:30 AM

Tweet 5 120LikeLike

Chủ đề : Ảnh hưởng của CNTT, Trí tuệ nhân tạo and tagged học máy, Jeopardy, Phép thử Turing, Trí tuệ nhân

tạo, Watson. Bookmark the permalink. Trackbacks are closed, but you can post a comment.

« Mật mã khóa công khai: hành trình 35năm

Lạy ông đi qua, lạy bà đi lại [3]

Watson: hướng chức năng. Khi công nghệ Q&A (hỏi đáp) của Watson có thể dùng để

giúp bệnh nhân và bác sĩ chẩn đoán bệnh bằng cách tìm và trả lời các câu hỏi lâm

sàng hóc búa, khi công nghệ Q&A phát triển đến mức các trung tâm giải đáp thắc

mắc kỹ thuật chỉ còn toàn máy, khi công nghệ Q&A phát triển đến mức ta có thể đặt

câu hỏi trực tiếp cho Google mà không cần nghĩ xem từ khóa đúng là gì … thì việc

Watson có biết “nghĩ” thật hay không có lẽ không còn là câu hỏi cần thiết nữa.

Khoa học gia ngành Tâm Lý Daniel Gilbert từng nói rằng, mỗi nhà tâm lý học sẽ phải

một lần trong đời viết cái câu sau:

“Con người là loài duy nhất có khả năng _________”

Cho đến gần cuối thế kỷ 20, điền “chơi cờ vua” vào khoảng trống hẳn là đa số nhân

loại đồng ý. Đến nay điền “làm Toán” vào được không? Không! Hệ thống phần mềm

WolframAlpha có khả năng làm Toán tốt hơn tuyệt đại đa số nhân loại: nó có thể

tính tích phân bất định và xác định, tính tổng các chuỗi hình thức, và mật độ dân số

Việt Nam, trong vòng tích tắc, với câu hỏi là ngôn ngữ tự nhiên.

Watson vừa mới loại bỏ thêm một việc nữa mà chỉ con người mới có thể làm được. Xu

hướng chức năng theo quan điểm của Dijkstra sẽ là xu hướng thượng phong cho

tương lai ngành TTNT.

Có thể đến một lúc nào đó chúng ta sẽ phải quay lại với vấn đề mà Turing đã lẩn

tránh khi ông đưa ra phép thử Turing. Trí thông minh là gì? Cụ thể hơn: thế nào là

trí thông minh của máy? Tương tự, thế nào là tình cảm của máy? Thế nào là lẽ

thường? Còn, nếu bạn không đồng ý với quan điểm Dijkstra và muốn “hạ gục”

Watson thì chỉ cần hỏi: “Này, Watson, tại sao vợ tớ giận tớ?”

9 Votes

58 Comments

Long Lê

Posted 19/04/2011 at 10:39 am | Permalink

Bài viết hay! Em chỉ có một góp ý thôi, đó là cụm “huyền thoại đương đại” nên được thay bằng

“huyền thoại hiện thời.”

0 0 Rate This

Reply

1.

NQH


Cảm ơn Long! Sửa lại thành huyền thoại đương … thời nhé

0 0 Rate This


6 of 19 1/8/2014 11:30 AM

Reply

Long Lê

Posted 19/04/2011 at 12:18 pm | Permalink

Để cho giống “Người đương thời” của VTV3 phải không anh Hưng ?

Em nhớ là chữ “đương thời,” “đương đại”… là để chỉ cái thời hồi đó, chứ không phải là

thời bây giờ. Người ta đánh đồng chữ “đương” với chữ “đang” trong một thời gian dài,

nên bây giờ mới xài hơi lẫn lộn.

0 0 Rate This

Reply

NQH


Hi Long, đã sửa thành “hiện nay”. Thanks again!

0 0 Rate This

HàThuý Anh


Đọc đoạn này “Con người là loài duy nhất có khả năng _________”

lại nhớ đến Thầy giáo cũ, thầy Vương Cộng, dạy tôi hồi 1993 ở ĐHBK Hanoi. Khi đó cả thầy và bọn

tôi đều không biết machine learning, trí tuệ nhân tạo là gì, nhưng thầy Vương Cộng đã bảo là “khác

biệt duy nhất của con người so với động vật và máy móc là có tôn giáo”

Xin lỗi Admin nếu câu nhắc lại này không được đặt đúng chỗ, đúng lúc.

0 0 Rate This

Reply

2.

NQH


Có chi đâu anh Hà. “Tôn giáo” là một chọn lựa tốt cho khoảng trống.

0 0 Rate This

Reply

Dũng


Cám ơn anh Hưng, bài viết rất hay và hấp dẫn. Có một câu hỏi mà em không biết Watson có trả lời

được không: Số nguyên lớn nhất từ 1 đến 20.5 ?

0 0 Rate This

Reply

3.

NQH


@Dũng. Tôi không biết Watson có trả lời được câu đó không. Chắc là không, nhưng với công

nghệ hiện có thì làm cho Watson trả lời được mấy câu kiểu Toán sơ cấp không khó.

0 0 Rate This

Reply

Dũng



7 of 19 1/8/2014 11:30 AM

Em cũng nghĩ là Watson không trả lời được. Ý em chỉ là muốn bổ sung một ý trong

bài viết về sự tương phản giữa suy luận logic và suy luận dựa trên xác suất. Một câu

hỏi như vậy hoàn toàn dựa trên suy luận logic, điều mà một hệ thống dựa hoàn toàn

trên xác suất như Watson có thể không làm được. Đồng ý là việc hiện thực một hệ

thống trả lời các câu Toán sơ cấp có thể không khó, nhưng vấn đề là người thiết kế

phải nghĩ ra mọi dạng câu hỏi có thể và hiện thực giải thuật cho từng dạng câu hỏi đó.

Trong khi đó, một hệ thống xác suất chỉ cần một framework tốt trước khi bổ sung thật

nhiều dữ liệu. Tuy vậy dù chứa thật nhiều dữ liệu, hệ thống xác suất vẫn có thể ko trả

lời được những câu hỏi logic rất bình thường.

0 0 Rate This

Reply

Nguyễn Xuân Long


Hệ thống logic có thể coi chỉ là một hệ thống xác suất đặc biệt (với xác suất 0

hoặc 1). Hệ thống XS do đó giàu có hơn vì nó còn nói về một hàm phân bố cho

một không gian của giải pháp. SAT hay CSP có thể biểu diễn dưới dạng một

probablistic graphical model.

Trên thực tế thì những vấn đề như bạn Dũng đề cập đã là quá dễ so với máy

tính từ vài thập niên rồi, và chúng có được kết hợp với hệ thống suy diễn bằng

XSTK nếu muốn. Nếu con người muốn đọ với Watson cả trong đija hạt này thì

thua từ vòng gửi xe.

Không phải đơn giản cứ có nhiều dữ liệu là hệ thống xác suất sẽ làm tốt đâu, vì

trong đó một vấn đề cốt lõi của chuyện học máy vẫn là một bài toán search,

giống như search trong logic vậy thôi.

0 0 Rate This

Dũng


Cám ơn anh Long. Có thể kiến thức của em còn có chỗ thiếu sót, nhưng em

vẫn chưa hình dung được làm thế nào để thiết kế một hệ thống máy tính trả lời

tất cả những câu hỏi sau mà ko phải viết giải thuật cho từng dạng câu hỏi:

- Tìm số lớn nhất / nhỏ nhất / trung vị (median) của một khoảng.

- Tìm số mà khoảng cách từ nó đến đầu khoảng bằng 2/3 khoảng cách từ nó

đến cuối khoảng.

- Tìm số chia một khoảng thành 2 đoạn mà trung vị của khoảng đầu bằng một

nửa trung vị của đoạn sau.

Ít nhất máy tính phải hiểu được các khái niệm theo một dạng biểu diễn nào

đó. Nếu ai đó định nghĩa ra một khái niệm mới, làm thế nào máy tính hiểu

được nó mà không cần người lập trình can thiệp? Với XSTK, máy tính sẽ học

một khái niệm thông qua các khái niệm khác đã biết đi cùng với nó, nhưng

liệu như vậy có thể cho máy tính biết chính xác cách tính khái niệm đó không?

0 0 Rate This

Nguyễn Xuân Long


Chào Dũng. Những câu hỏi bạn đặt ra rất xác đáng. Làm sao để học được khái

niệm và biểu diễn vẫn mãi là holy grail của TTNT. Nhưng để giải quyết được

vấn đề học khái niệm này thì logic không giúp gì — vẫn phải cần nền tảng của

XSTK. (Còn nếu phải dùng một biểu diễn có sẵn thì không có gì để nói. Dùng

hệ thống XSTK không có nghĩa là không biết tính theo boolean algebra!).

Lý thuyết TK (và learning theory) chính là lĩnh vực nghiên cứu trong hoàn

cảnh nào thì có thể khẳng định được là máy tính sẽ học được “chính xác” các

khái niệm. Mời bạn đọc lại loạt bài về learning theory rất hay của bác Hưng

trong blog nàỵ.

http://www.procul.org/blog/2008/07/09/h%E1%BB%8Dc-may-t%E1%BB

%AB-goc-nhin-c%E1%BB%A7a-ly-thuy%E1%BA%BFt-tinh-toan-1/


8 of 19 1/8/2014 11:30 AM

Cũng nên hiểu là không ai học từ số 0. Vẫn phải có sự hỗ trợ nhất định từ

trước, hoặc từ bên ngoài. Đó chính là các khái niệm prior information và

regularization trong thống kê.

0 0 Rate This

Nguyễn Xuân Long


Nếu bạn đánh thử vào google

how many inches in a foot

hoặc 1+1/2 =

thì sẽ được câu trả lời xác đáng.

Kỹ thuật đáng nói ở đây chính là cách xử lý ngôn ngữ tự nhiên, bây giờ đều

dùng các phương pháp thống kê, để hiểu được câu hỏi và chuyển sang một

cách biểu diễn thích hợp.

1 0 Rate This

Dũng


Cám ơn anh Long vì câu trả lời nhiều thông tin hữu ích. Với Google, nếu em đánh vào

“100 USD to VND” thì nó tự động hiểu và đổi được. Nhưng nếu em đánh vào “USD

100 to VND” thì nó không hiểu. Liệu có phải Google hard code cho từng dạng

pattern, hay hệ thống suy diễn của nó thiếu sót chỗ nào đó?

0 0 Rate This

Reply

Nguyễn Xuân Long


Cũng giống như khi bạn nhìn thấy người ta viết 1+1. Tại sao bạn biết được đây

là phép cộng tính toán, mà lại không phải là một sản phẩm trừu tượng của một

họa sĩ? Và, cứ cho là phép toán đi, chưa chắc chúng ta đã “hiểu” 1+1 = 2 hay

đó chỉ là một quy ước nào đó có một ý nghĩa nhất định nào đó thôi. Jon von

Neumann từng nói: chúng ta không thực sự hiểu toán, chỉ là trở nên quen

thuộc với nó mà thôi. Cho nên phạm trù nào đó, sự hiểu và sự học (làm quen)

không xa với nhau như ta nghĩ.

Quay về Google, theo tôi hiểu thì Google phải lọc các search query qua một hệ

thống nhận dạng. Sau khi đã classify được pattern của câu hỏi rồi, ví dụ như

đây là query tính số học đơn giản hay tính một tích phân chẳng hạn, thì nó sẽ

gọi một chương trình kiểu như mathematica của Wolfram.

Có thể thấy là những gì Google đã làm (hay Watson), là bước tiến đáng kể so

với 10 năm trước đây.

1 0 Rate This

Phan


Hi anh Long & Dũng,

Câu hỏi của Dũng cũng hay, tham vọng của TTNT vẫn là đến một lúc nào đó

có thể tự học hiểu khái niệm mới và biểu diễn được chúng.

Một ví dụ gần hơn với câu hỏi của Dũng chính là computational knowledge

engine (http://www.wolframalpha.com/) của Wolfram. Tất nhiên cái

WolframAlpha này vẫn còn xa lắm để đạt đến được mức yêu cầu của Dũng.


9 of 19 1/8/2014 11:30 AM

Theo em nghĩ là để làm được điều đó (hiểu và biểu diễn được khái niệm mới)

thì chúng ta cần một cái gì đó xa hơn là sự kết hợp đơn thuần giữa natural

language understanding + statistical learning + logical inference.

Về sự kết hợp giữa logic + statistical graphical models, bác Pedro Domingos

có giới thiệu mô hình Markov Logic Networks. Anh Long thấy mô hình này

thế nào, có triển vọng không? Em lâu rồi không theo dõi mấy cái này.

Thanks,

0 0 Rate This

Nguyễn Xuân Long


MLN với tôi giống như cách nghe nhạc bằng cách bạn lấy cái iphone (có trữ một thư viện nhạc của

mình) vào một cái amplifier hoặc booster ở trong living room để nghe nhạc. Nghĩa là một giải pháp

khả dĩ trong một số tình huống cụ thể, nhưng không phải là một giải pháp công nghệ mới mẻ.

0 0 Rate This

Reply

4.

RongChoi


Anh Hưng anh Long có thể giới thiệu sơ qua các dấu mốc trong quá trình phát triển TTNT từ

20,30 năm qua được không? những ý tưởng, giải pháp mới mẻ tạo nên các bước đột phá

chẳng hạn.

Giả sử cách đây 10 năm nếu ta có lực lượng máy đủ mạnh như bây giờ thì có làm được

Watson không? Nếu không thể thì tức là có bước đột phá về “cách học” hiện ta có so với 10

năm trước trong trái tim Watson, anh mô tả đôi chút về nó? Tò mò quá

0 0 Rate This

Reply

Nguyễn Xuân Long


RC hỏi khó thế. Thử ngó qua chương 22, 23, 24, 25 của quyển sách này

, về các vấn để xử lý ngôn ngữ, vision và robotics. (Nguyên đâu nhỉ, rỗi làm một bài điểm qua về

NLP đi).

http://aima.cs.berkeley.edu/contents.html

Quyển này viết nông thôi, nhưng third edition (2009) có lẽ là up-to-date (tôi cũng chưa đọc edition

này).

Một trong những nền tảng của mấy thứ này là các giải thuật học máy, mà như project lead của

Watson nói đâu đó, lots of algorithms and statistics.

0 0 Rate This

Reply

5.

RongChoi


Ồ, chỉ là RongChoi cho bài anh Hưng, anh Long vào máy Watson và nó đưa ra câu hỏi đó đó

0 0 Rate This

Reply


10 of 19 1/8/2014 11:30 AM

Bach Hung Nguyen


Em sẽ cố gắng bác Long.

Năm ngoái em ở IBM TJ Watson, chiều thứ 6 nào cũng được xem Watson đấu tập trong hội

trường. Đội Watson luyện model qua hơn 100 trận đấu tập, xem vui ra phết. Watson thực sự

là rất “trâu” và là được thiết kế để oánh thắng trong Jeopardy. Trong 2 người chơi với

Watson ở TV thì Ken là người tập huấn với Watson thường xuyên. Ken như kiểu tuning set,

còn Brad là unseen set.

0 0 Rate This

Reply

Vạn Duy Thanh Long


Đọc bài này xong em bổng nãy ra ý định mô phỏng được một hệ máy biết làm thơ. Đại loại kiểu như

nhập vào một chủ đề, một ngữ cảnh cần thiết (gọi là “tức cảnh”), loại thơ (lục bát, thất ngôn …) nó sẽ

kết xuất 1 bài thơ (gọi là “làm thơ”).

0 0 Rate This

Reply

6.

Phuoc


Trước đây Tinh Vân có cung cấp phần mềm “Em tập làm thơ”, đây là một vài đoạn thơ mẫu:

Ngồi buồn đốt một đống rơm

Khói bay vào mũi chẳng thơm tí nào

Khói bay thẳng đến Nam Tào

Nam Tào bèn hỏi thằng nào đốt rơm?

Bạn không thích thơ lục bát mà chọn thể loại Đường thi đượm màu hoài cổ? Hay ngang tàng

khí phách như nữ sĩ họ Hồ? Vậy ai bảo đây không phải là khẩu khí của nàng Xuân Hương?

Phúc đức thân em đã dãi dầu

Bể ái thân hình nặng càng mau

Hỏi thăm mấy thế ngồi quân tử

Phong nguyệt sao mày chưa thôi chau?

http://www.vnntu.com/forum/viewtopic.php?f=11&t=2502

1 0 Rate This

Reply

Vạn Duy Thanh Long


Hình như không còn cung cấp nữa thì phải, link tới ứng dụng của Tinh Vân lỗi rồi

0 0 Rate This

Reply

Lê Hồng Phương


Cảm ơn anh Hưng và anh Long. Bài viết của các anh rất hay.

Theo em, thuật ngữ “machine learning” nên được dịch là “máy học”, thay vì “học máy”. Nếu nói học

máy thì có lẽ phải nói rõ là “học bằng máy”, nhưng ngay cả như thế cũng có vẻ không rõ nghĩa lắm.

“Máy học” thì rõ là biểu hiện ngụ ý là cho máy đi học, giống quá trình như người đi học. Gọi là

“máy học” thì những người mặc dù không có chuyên môn cũng sẽ hiểu ngay là mục tiêu của các nhà

7.


11 of 19 1/8/2014 11:30 AM

khoa học trong ngành này là làm cho máy biết học và giải quyết vấn đề.

Em nghĩ việc các nhà khoa học dịch thuật ngữ từ tiếng Anh ra các tiếng nước khác cũng quan trọng,

nhất là để phổ biến kiến thức trong các bài viết hướng tới cộng đồng. Theo em biết, cộng đồng

Machine Learning ở Pháp còn làm cuộc trưng cầu ý kiến dịch “Machine Learning” ra tiếng Pháp

như thế nào là tốt nhất. Có nhiều đề xuất, nhưng có hai thuật ngữ được lựa chọn là “apprentissage

artificiel” (học nhân tạo) và “apprentissage automatique” (học tự động). Họ cũng không dùng tự

“học máy”.

Về các cột mốc phát triển của ngành máy học từ năm 1950 tới nay mà bạn RongChoi hỏi ở trên,

mình thấy câu trả lời của GS Antoine Cornuéjols và GS Laurent Miclet đăng trên bản tin của Hội

Những người Giảng dạy và Nghiên cứu Tin học Pháp (CPECIF) số tháng 12/2010 chứa nhiều thông

tin hữu ích. Mục hỏi đáp ở trang 37 của tài liệu này (bằng tiếng Pháp):

http://www.specif.org/bulletins/specif064.pdf

0 0 Rate This

Reply

NQH


@Phương,

Cảm ơn! Đúng là “máy học” thì đỡ gây hiểu lầm hơn “học máy”, mặc dù nó có thê gây hiểu

lầm theo hướng khác. “Máy học” người ta có thể hiểu như trong “Số học”, “hình học”, “Hóa

học”.

0 0 Rate This

Reply

Lê Hồng Phương


Hi anh Hưng,

Em thì lại nghĩ đơn giản “học” ở trong “máy học” như một động từ thôi, giống kiểu rất

nhiều máy mà người Việt mình quen dùng ấy: máy kéo, máy gặt, máy khâu…

Còn nếu hiểu “máy học” giống như “số học”, “hình học” như anh nói thì cũng bị nhầm

sang ngành “nghiên cứu chế tạo máy” mất nhỉ! Tiếng Việt quả thật rất phong phú, “áo

ấm” thì cũng đồng nghĩa với “áo rét” được cơ mà.

0 0 Rate This

Reply

NQH


Hi Phương, đúng là khó dịch. Thật ra nếu mình hiểu học như một động từ thì

cũng chưa chính xác lắm. “Máy kéo” là nói về một cái máy có khả năng kéo;

nhưng “machine learning” là nói về sự học của máy chứ không phải nói về

một cái máy có khả năng học. Nếu nói cái máy có khả năng học thì tiếng Anh

gọi là learning machine.

0 0 Rate This

Nguyễn Xuân Long


Dịch kiểu Pháp thành “học nhân tạo” –> học giả (vờ) thì e cũng không ổn lắm

nhỉ.

Hôm nọ đọc bài phỏng vấn của Chomsky có đoạn nói về một bác làm về sinh

học muốn thay trí tuệ nhân tạo (artificial intelligence) bằng natural stupidity,

hóm thật.


12 of 19 1/8/2014 11:30 AM

0 0 Rate This

RongChoi


Lấy ứng cử viên thứ 2 của các bạn Pháp là “Học tự động”? Ko cần chữ máy vì

hiển nhiên chỉ có máy mới học tự động được nó ẩn chứa luôn một phép suy

diễn rất AI

0 0 Rate This

Kan


Xin cảm ơn bác Hưng và bác Long về 1 bài viết hay, và rất sáng sủa, dễ hiểu với 1 người đọc phổ

thông như tôi.

Câu kết “Này Watson…giận tớ.” thật dí dỏm! Hai bác nghĩ thế nào về triển vọng của từng máy

tính hay từng robot 1 ngày nào đó có thể có cảm xúc riêng ạ?

0 0 Rate This

Reply

8.

SpringerCV


Xin mạn phép trả lời bác Kan, câu hỏi này rất hay nhưng theo tôi thì chưa thể có điều đó

trong tương lai gần. Máy tính hiện nay vẫn thực hiện các thao tác được coi là thông minh

dựa trên các thuật toán kiểu thống kê với những bộ dữ liệu lớn. Trong khi đó cảm xúc là thứ

rất “tinh tế và xa xỉ” ngay cả với con người, bản chất tâm sinh lý và cơ chế hoạt động của nó

trong não bộ là một quá trình hết sức phức tạp và hiện vẫn còn là một bí ẩn đối với giới

nghiên cứu.

0 0 Rate This

Reply

Kan


Thưa bác SpringerCV,

Xin cảm ơn bác đã trả lời. Tôi cũng xin mạn phép bàn thêm vài ý.

1. Rõ ràng là như bác Hưng đã viết, con người hoàn toàn ko có cửa đọ với máy trong

bất kì chương trình nào tuân theo logic hình thức. Người ta ngạc nhiên khi Kasparov

thua Deep Blue chắc cũng chỉ vì công nghệ tiến nhanh quá! Nếu tôi nhớ ko lầm thì

Bill Gates từng bảo bộ nhớ máy tính ko cần quá mấy chục Kb!!

2. Máy tính xây dựng trên nền tảng XSTK đương nhiên phải ưu việt hơn logic hình

thức nhiều lần. Nếu phụ nữ mà chỉ được chia thành 2 loại “đẹp” – “xấu” thì thế giới

này sẽ chán ngắt so với 1 thế giới mà ta có phụ nữ “lộng lẫy”, “có duyên”, “vô hồn”,

“thanh thoát”, “bốc lửa”, “ma chê quỷ hờn” v.v.

3. Tôi nghĩ rằng 1 trở ngại đáng kể khiến việc “dạy” máy biết được cảm xúc là do cảm

xúc và những thứ liên quan (như xấu – đẹp chẳng hạn) thì ko thể có tiêu chuẩn cố

định. Tôi hình dung, Watson có thể dễ dàng học cách phân biệt thời tiết cực nóng –

nóng – ấm – âm ấm – mát – lạnh – lạnh ngắt v.v. dựa trên nhiệt độ và áp dụng XSTK

dễ dàng. Nhưng còn những khái niệm kiểu xấu – đẹp, thiện – ác, dân chủ – độc tài

(cho nó thời thượng! ) thì có lẽ ông Watson người nếu còn sống cũng mệt nữa là

Watson máy!

Vậy nên, nếu bác Hưng định hỏi máy Watson câu “Này Watson, tại sao vợ tớ giận

tớ?” mà nó trả lời “Ai là Kim Lân?” thì bác đừng cười nó nhe bác, hehe!

0 0 Rate This


13 of 19 1/8/2014 11:30 AM

Reply

Dũng


Thực ra có một môn cờ mà máy tính vẫn còn thua rất xa con người. Chương

trình máy tính mạnh nhất hiện nay chỉ bằng một người chơi nghiệp dư trung

bình. Đó là cờ vây, mặc dù luật chơi của cờ vây cực kỳ đơn giản. AI có lẽ vẫn

cần một bước tiến rất dài để đánh thắng con người trong lĩnh vực này.

0 0 Rate This

SpringerCV


Cái mà bác Kan nhắc đến trong phần 3 là việc học khái niệm, chuyện này thì

bác NXL đã nói từ comment trước rồi. Đây luôn là vấn đề khó nhưng không

phải không thể trong thời điểm hiện tại. AI hiện đã có những khả năng đó,

mặc dù trong nhiều tình huống thì độ chính xác chưa cao và đòi hỏi bộ dữ liệu

rất lớn nhưng đấy chỉ là khó khăn có tính… cơ học thôi. Còn cảm xúc là một

tập các khái niệm tinh xảo và phức tạp hơn rất nhiều. Chúng ta hoàn toàn có

thể đồng ý trên một vài quan niệm chung nào đó về cái đẹp, thiện – ác. dân

chủ,… vì những thứ đó dù sao cũng đã có rất nhiều cách định nghĩa rõ ràng.

Trong khi đó cảm giúc là thứ chưa thể hiểu được ngay bởi chính chủ thể tạo ra

nó là con người. Cái kiểu “tôi buồn không hiểu vì sao tôi buồn” thì mới đúng là

… bó tay. Đến cụ của Watson đang sống cũng phải thua thôi.

0 0 Rate This

Nguyễn Xuân Long


@SpringerCV: Đã là máy thì các cơ chế đều có tính … cơ học rồi. Những cái

chúng ta chưa hiểu lắm, có vẻ phức tạp thì chúng ta cho nó vào phạm trù khác,

nhưng theo tôi điều này có tính tạm thời.

Cho nên, tôi cho là khó khăn mang tính cơ học như bạn nói, chính là khó

khăn chính, chứ không phải khó khăn nào khác.

0 0 Rate This

SpringerCV


@NXL: Em muốn giải thích với bác Kan về chuyện phân biệt 2 vấn đề kỹ thuật

và nhận thức thôi ạ. Những khó khăn về kỹ thuật thì ít nhiều ta cũng cảm được

và có thể tìm hướng giải quyết. Còn những thứ thuộc về nhận thức thì khác, ta

không thể chạm tới nó ngay mà còn phải phụ thuộc vào những nghiên cứu

khác nữa. Ở đây, ta còn cần kết quả của bio, neuro science, psychology,… hay

bất cứ thứ ngành nào khác nữa thế để hiểu rõ thế nào là cảm xúc. Những thứ

này thì còn khá xa vời nên em nghĩ đấy chính là lí do khiến cho chuyện máy

tính có cảm xúc mà bác Kan hỏi khó có thể trở thành hiện thực trong tương lai

gần.

1 0 Rate This

Do Cong Thanh


Trong một bài phỏng vấn đăng trên Nature, Roger Penrose có nói “computer

will not achieve any conscious understanding” vì “understanding is not a

computational process”.

Đây là link đến bài báo http://www.jaschahoffman.com/NaturePenrose.pdf

0 0 Rate This


14 of 19 1/8/2014 11:30 AM

SpringerCV


Cám ơn cá DCT nhưng bài báo trên có lẽ không liên quan tới nội dung mà mọi

người vừa comment. Mọi người nói về khả năng học và cảm xúc của máy chứ

không nói đến conscious understanding. Tôi không thấy sự liên quan giữa các

khái niệm này. Còn trong bài viết thì ông ta còn dự đoán:

“Something else is going on. I have reason to believe it may involve the limits

of quantum mechanics. Microtubules [tiny structures in cells] are the

best candidate in the brain for where this might happen, as they are

so small, but quantum mechanics would have to work on a huge scale to

operate there.”

Tức là hiện không có conscious understanding nhưng sẽ có thể có những cái

tương tự. Đến đây thì ta có thể trở về với câu nói của Dijstra đã được trích dẫn

trong bài này: “hỏi máy tính có biết nghĩ hay không thì cũng chẳng hay ho gì

hơn hỏi tàu ngầm có biết bơi không”.

0 0 Rate This

Do Cong Thanh


Nếu có thể xếp cảm xúc vào dạng nhận thức (consciousness) của con người thì

theo Penrose, máy tính sẽ không thể có cảm xúc (“computer will not achieve

ANY conscious understanding”). Tuy nhiên, tôi cũng không rõ

(self-)consciousness và (self-)awareness như mọi người đang bàn ở đây có thể

được hiểu giống nhau hay không nữa? Có thể consciousness là nhận thức ở

mức độ trừu tượng cao hơn awareness chăng?

Có một phát hiện mới về self-consciousness của các tác giả cùng trường về

self-consciousness mà tôi mới thấy. Tôi chưa đọc kỹ lắm nhưng nhìn qua thấy

có vẻ thú vị, gửi link vào đây nếu mọi người quan tâm và muốn đọc, có lẽ hơi

xa với chủ đề của bài viết trên blog.

http://www.eurekalert.org/pub_releases/2011-04/cp-nrb042511.php

0 0 Rate This

NQH


Tôi có đọc 2 quyển sách của Penrose, cả chục năm trước rồi. Lúc đầu thấy rất

thú vị. Sau đó thấy nhập nhằng. Nói chung chỉ có speculation mà không có

bằng chứng KH thật sự. Xem thêm bài giảng của Scott Aaronson về đề tài này.

Ở thời điểm này, self-awareness/self-consciousness là một đề tài cực kỳ sâu

sắc mà tôi nghĩ là chưa thể khẳng định bất kỳ chiều nào.

0 0 Rate This

NQH


Bác Kan, tôi đồng ý với tóm tắt của bác SpringerCV.

0 0 Rate This

Reply

Kan


Thưa bác Hưng,

Có 1 vấn đề của AI mà tôi rất tò mò là, máy tính có thể tự suy nghĩ về chính nó

không? Chẳng hạn, 1 máy tính AI nhãn Lenovo có cảm thấy tự ti vì thua kém mấy


15 of 19 1/8/2014 11:30 AM

“thằng” Dell hay HP? Hay nó có thở dài đau khổ vì ông cha IBM đã đem bán nó cho

nước lạ?

Tôi thì tôi ko lo 1 ngày kia máy sẽ biến thành người mà chỉ sợ ngược lại thôi bác ạ!

Như trên TV, thỉnh thoảng lại thấy xuất hiện vài cái “máy người”!

2 0 Rate This

Reply

NQH


Self-awareness rất khó bác ạ. Không ai biết làm thế nào. Hôm nào bác đi

nhậu, nhìn quanh xem bọn họ có self-aware không?

0 0 Rate This

Nguyễn Xuân Long


Hà hà. Thú thực, tôi cũng không biết có mấy người trong chúng ta thức sự là

có cái self-awareness, kể cả khi tôi ngồi viết dòng này (và không có nhậu nhé).

0 0 Rate This

chuoi


@NQH: Nên hiểu thế nào là Self-awareness nhỉ?

Giả sử tối qua bác đi nhậu, có thằng bạn đểu đổ rượu vào bia của bác trong khi

bác không nhìn thấy. Tuy nhiên khi bác uống thì phát hiện ra là bia có độ cồn

hơi bị cao, vậy tức là có thằng bạn đểu, bác tức vì nó chơi mình, và vì thế bác

đứng dậy đi về luôn. Theo bác, chuỗi hành động như vậy có thể được gọi là

self-awareness không?

0 0 Rate This

Kan


@ bác Dũng: cảm ơn bác đã cho tôi biết thêm. Qua wiki, tôi thấy vấn đề có tính chất kĩ thuật

1 chút, vì bàn cờ vây 19×19 thật khác xa với bàn cờ vua 8×8. Và do đó tôi lại càng thấy thú vị

và ngạc nhiên về hoạt động của bộ não chúng ta, nhớ thì rất ít nhưng biến hóa thì khôn cùng,

thật hay!

@ bác SpringerCV: vâng, tôi cũng nghĩ như bác, những khó khăn của việc học khái niệm

dường như phần nhiều có tính cơ học. Ví như máy Watson được thừa hưởng 1 tri thức đồ sộ

về nghiên cứu ngôn ngữ, nhất là tiếng Anh. Mà ngôn ngữ học thì cũng phụ thuộc phần lớn

vào khái niệm, mặc dù đôi khi tôi thấy chúng rất rách việc!

1 0 Rate This

Reply

Nguyễn Xuân Long


@bác Kan: Theo tôi thì thực ra thì ngược lại. Chúng ta nhớ rất giỏi. Cái này máy tính

làm chưa được tốt lắm, nó chỉ nhớ cứng nhắc thôi. Chúng ta suy diễn logic rất tồi. Cái

này máy tính làm rất tốt.

0 0 Rate This

Reply


16 of 19 1/8/2014 11:30 AM

Nam


Anh Long, ở đoạn “Chúng ta nhớ rất giỏi”, ý anh là trí nhớ liên tưởng? Còn

nếu nhớ “cơ học” thì khả năng nhớ của máy mạnh hơn nhiều chứ? Mà nhớ

liên tưởng thì dường như có liên quan đến suy diễn?

0 0 Rate This

Nguyễn Xuân Long


Vâng, ý tôi nói là nhớ “liên tưởng” đấy. Nhớ liên tưởng cũng liên quan đến suy

diễn, và suy diễn thì cũng liên quan đến nhớ cơ học. Mọi thứ của Watson đều

là cơ học cả.

0 0 Rate This

RongChoi


Merci bạn Lê Hồng Phương.

Mình chép lại đây để tiện theo dõi phần trả lời câu hỏi về các dấu mốc trong ngành “học nhân

tạo”(nếu dịch từ “Apprentissage Artificielle”)

Interview d’Antoine Cornuéjols (professeur à AgroParisTech) et Laurent Miclet (professeur à

l’ENSSAT)

SPECIF – Quelles sont les grandes étapes de l’histoire de la discipline ?

Les auteurs – Si l’on omet la préhistoire, c’est-à-dire les travaux de Fisher en statistiques

inférentielles et les premières réflexions sur l’Intelligence Artificielle menées par Turing par

exemple, chaque décennie a ses tendances.

Pendant les années 50, les pionniers cherchaient à programmer des machines qui mimaient le

comportement des humains, et qui intégraient souvent des fonctions d’apprentissage. Il est

étonnant, lorsqu’on relit les articles de l’époque, de constater que de nombreuses questions très

contemporaines en Apprentissage ont été soulevées dès cette période.

Les années 60 ont été marquées par les travaux sur les réseaux de neurones à une couche

(perceptron), et les outils conceptuels sur la reconnaissance des formes. Mais en 1969, un livre de

Minsky et Papert établit les limites du perceptron, et les recherches sur les réseaux de neurones

s’arrêtent du jour au lendemain, pour près de 15 ans.

Les années 70 sont la grande période de l’IA symbolique et des systèmes experts. Mais leur

complexité, la difficulté de les étudier de façon formelle, et le fait que le développement d’un tel

système dépasse souvent la durée d’une thèse (qu’on peut considérer comme le quantum en

matière de Recherche) montre les limites de l’approche. Du côté de la reconnaissance des formes,

ce sont les méthodes statistiques qui règnent, influencées par le livre de Duda et Hart paru en

1973, et les méthodes dites structurelles, qui se développent pendant cette période (voir par

exemple les livres de K. S. Fu).

Les années 80 sont en rupture complète avec les précédentes. D’une part, le perceptron

multicouche apparaît en 1985 et relance toutes les recherches sur les réseaux de neurones ; sur le

plan théorique, cette approche repose sur des mathématiques du continu (recherche d’une

solution dans un espace de fonctions) et permet d’étudier l’Apprentissage de façon analytique. Par

ailleurs, les premiers travaux de Vapnik, décrivant des conditions suffisantes pour qu’une fonction

puisse être apprise à partir de données aléatoires paraissent en 1982. La rupture fut suffisamment

grande pour que l’importance de ces travaux n’apparaisse pas immédiatement aux praticiens de

l’Apprentissage ; c’est à cette période qu’ils s’intéressèrent aux arbres de décisions, aux

algorithmes génétiques, à l’induction de programme logique.

C’est au début des années 90 que l’approche de Vapnik et des statisticiens s’imposa définitivement

: le cadre qu’ils proposaient répondait à de nombreuses questions que se posaient les praticiens.

De plus, l’invention des Séparateurs à Vaste Marge (SVM), qui découle directement des travaux de

Vapnik, et le grand nombre de problèmes réels qu’ils permirent de résoudre avec succès, fut un

9.


17 of 19 1/8/2014 11:30 AM

argument très convaincant.

Enfin, dans les années 2000, c’est le développement de l’économie numérique qui a conduit à un

nombre croissant de travaux et de recherche en Apprentissage Artificiel. Quelle grande université

américaine n’a pas d’équipe en Apprentissage aujourd’hui ? Ce n’est pas un hasard si les revues

phares en Apprentissage comme Machine Learning ou Journal of Machine Learning Research ont

des impact factor souvent forts.

0 0 Rate This

Reply

Lê Minh Duy


Xin cám ơn tác giả một bài viết tuyệt vời!

0 0 Rate This

Reply

10.

fRzzy


Nghe nói đầu tháng 5 này Watson sẽ đến VN.

0 0 Rate This

Reply

11.

ngoclan


“Con người là loài duy nhất có khả năng _________”

Theo em ta có thể điền “đặt câu hỏi về những điều chưa biết” vào chỗ trống

0 0 Rate This

Reply

12.

HongDiep


bài này hay quá, mở ra một chân trời và hi vọng mới cho trí tuê nhân tạo

0 0 Rate This

Reply

13.

Le Trieu


Theo em hiện nay máy tính không biết làm gì khi bị mất điện

2 0 Rate This

Reply

14.

Trần Quang Hiếu


Trí tuệ nhân tạo tựa như khỉ nói tiếng người và thực tế khỉ dần dần đã tiến hóa thành người. Tương

lai chưa nói trước điều gì nhưng qua những thành tựu mà hiện nay con người đã đạt được thì chắc

chắn trí tuệ nhân tạo sẽ còn có những ấn tượng khác nữa trong những năm sắp tới. Nếu bạn chưa

chat với EccEliza thì bạn chưa biết sự tài tình của một chương trình trên dos chỉ vài trăm kilobytes.

Nếu giỏi tiếng anh thì bạn sẽ thấy trí tuệ nhân tạo đã đi một quảng đường xa như thế nào! Tôi tin về

ngày mai, biết đâu đã có người yêu phải một cô chatbot trên yahoo hay facebook. Và điều băn

khoăn liệu máy tính với trí thông minh tuyệt vời thì “Máy” có yêu một cô gái hay một chàng trai khi

“Máy” có đầy đủ thông tin về người ấy?

0 0 Rate This

15.


18 of 19 1/8/2014 11:30 AM

Reply

Hoang Vuong


Cảm ơn các tác giả, bài viết quá hay.

0 0 Rate This

Reply

16.

Post a Comment

Your email is never published nor shared. Required fields are marked *

Name *

Email *

Website

Comment

You may use these HTML tags and attributes <a href="" title=""> <abbr title=""> <acronym title=""> <b>

<blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>

Click nút "Xem thử" để xem lại lời bình trước khi gửi


19 of 19 1/8/2014 11:30 AM

trí tuệ nhân tạo và những vị chúa tể mới

Documents