Làm sao phân biệt một con người với một AI thông minh bậc nhất? 'AI thực sự" là gì?
'AI thực sự" là gì? Bất kỳ nỗ lực khái niệm hoá nào như vậy đều vô nghĩa, cũng như khái niệm “trí thông minh” là vô nghĩa trong sinh học. Chẳng hạn, con người có “thông minh hơn” loài dơi không? Có, nếu ta lấy khả năng chơi cờ làm thước đo cho mình. Không, nếu ta lấy khả năng bay vòng quanh với tốc độ cao hoàn toàn trong bóng tối hoặc khả năng đánh bắt côn trùng ngon lành vào lúc hoàng hôn để thực hiện các động tác nhào lộn trên không vượt xa những gì mà bất kỳ máy bay chiến đấu phản lực nào có thể làm làm thước đo.
Bỏ qua suy luận trên, thay vào đó ta thử đặt ra câu hỏi sau: Những tiến bộ trong AI có cho chúng ta biết điều gì về bộ não không? Đến thời điểm hiện tại, điều này khá rõ ràng, với những tiến bộ gần đây trong các lĩnh vực như deep reinforcement learning hoặc victory generated machine trong trò chơi điện tử Go hoặc Atari, những tiến bộ trong AI hoàn toàn không cho chúng ta biết gì về bộ não. Không có gì ngạc nhiên ở đây. Deep Blue của IBM đã đánh bại nhà vô địch cờ vua thế giới Gary Kasparov từ nhiều năm trước và ta hoàn toàn không học được gì từ kết quả về cách con người chơi cờ hoặc cách biểu diễn cờ vua mà các 'chuyên gia người' đã học được trong não họ.
Vì vậy, ít nhất về mặt thực nghiệm, có rất ít bằng chứng cho thấy việc thành thạo AI hơn nữa sẽ làm sáng tỏ cách thức hoạt động của bộ não. Điều này không có gì đáng ngạc nhiên vì ngay cả trong các lĩnh vực khác, những thành công về mặt kỹ thuật cũng không hàm ý có kiến thức sâu hơn về hành vi của động vật. Ví dụ, liệu những thành công của chúng ta trong việc chế tạo máy bay trong hơn 100 trăm năm qua sau khi anh em nhà Wright có hàm ý sự hiểu biết sâu sắc hơn về cách chim bay không? Không. Trên thực tế, chim bay theo cách hoàn toàn khác với cách bay của cá chuồn, chuồn chuồn bay hay sóc bay, v.v.
Nếu thấy điều này khó hiểu, ta có thể tiếp cận một cách rộng rãi ý nghĩa của việc “giải thích” trí thông minh hoặc “tái tạo” trí thông minh. Một trong những nhà tư tưởng vĩ đại nhất trong lĩnh vực AI, người đã chết trẻ một cách đáng buồn khi đang ở đỉnh cao năng lực sáng tạo, là nhà tâm lý học và nhà thần kinh học David Marr, người đã giảng dạy một thời gian tại Phòng thí nghiệm AI của MIT. Marr là một nhà sinh vật học được Marvin Minsky tuyển dụng vào MIT và đã đóng góp nhiều công sức trong việc thiết lập các nguyên tắc cơ bản về thị giác máy tính. Trong một vài năm ngắn ngủi, ông đã hướng dẫn một nhóm nghiên cứu sinh tiến sĩ xuất sắc về thị giác máy tính, đồng thời viết cuốn sách trứ dang có tên “Tầm nhìn: Một cuộc điều tra tính toán về sự biểu diễn và xử lý thông tin thị giác của con người”. ”
Trong cuốn sách này, Marr đã giải thích một cách rõ ràng về khuôn khổ ba lớp để hiểu các hệ thống xử lý thông tin phức tạp, chẳng hạn như não người hoặc động vật. Ông đã bác bỏ ý tưởng phổ biến hiện nay (và khá lố bịch) rằng người ta thực sự có thể hiểu được bộ não bằng cách mô phỏng tất cả 100 tỷ tế bào thần kinh và sự kích hoạt của chúng. Ngay cả khi kỳ tích như vậy có thể thực hiện được bằng cách khai thác một tỷ máy tính hỗ trợ GPU, Marr cho rằng nó sẽ chẳng cho chúng ta biết điều gì.
Đầu tiên, Marr lập luận, người ta cần phát triển một lý thuyết tính toán về vấn đề cụ thể mà bộ não đang giải quyết, ví dụ: trong nhận dạng khuôn mặt hoặc dịch ngôn ngữ tự nhiên. Đây là lớp trên cùng trong kiến trúc ba lớp của Marr. Lớp tính toán cho bạn biết mục tiêu của việc tính toán đang được thực hiện là gì và thường được mô tả bằng lý thuyết toán học hoàn toàn độc lập với hai lớp bên dưới.
Lớp thứ hai trong cấu trúc lý thuyết của Marr là lớp thuật toán: bất kỳ vấn đề tính toán nào cũng có thể được giải quyết bằng một số thuật toán và lớp thứ hai chỉ phụ thuộc một phần vào lớp trên cùng.
Cuối cùng, ở lớp thứ ba, Marr đã xác định nhu cầu về cơ chế triển khai các thuật toán ở lớp thứ hai, và ở đây, cuối cùng người ta sẽ phải nhận ra sự cần thiết của việc triển khai hợp lý về mặt thần kinh.
Marr gọi các bài toán có lý thuyết tính toán toán học tinh tế là các bài toán “Loại 1”, trong khi những bài toán thiếu phân tích toán học rõ ràng theo cách này là các bài toán “Loại 2”. Trong bài báo năm 1976, ông tiếp tục thừa nhận rằng có thể không có đủ cơ sở để cho rằng tất cả các vấn đề trong AI đều thuộc loại vấn đề lý thuyết “Loại 1”. Những điểm yếu mà ông đề cập đến trong lý thuyết Loại 2 nghe rất đúng về tất cả các vấn đề hiện tại mà chúng ta đang gặp phải với các mô hình deep learning: được viết cách đây 40 năm, David Marr đã dự đoán trước chính xác tình huống mà ta đang phải đối mặt, phát hiện ra một điểm yếu khác của deep learning, đơn cử như tính "dễ nhầm" trước một lượng nhỏ tiếng ồn ngẫu nhiên hay không có khả năng xử lý, những yếu tố gây nhiễu kỳ lạ (đặt một cây đàn guitar ngang thắt lưng trước hình ảnh một con khỉ khiến mạng lưới deep learning gắn nhãn chính xác con khỉ là con người):
Thế hệ các nhà nghiên cứu về thị giác máy tính và hiện nay phần lớn đã quên những lời nói khôn ngoan của David Marr, và nghiên cứu của ông về lý thuyết Loại 1 và Loại 2 vẫn còn phù hợp cho đến ngày nay như năm 1976.
Giả định rằng sẽ không có lời giải thích nào về khả năng của bộ não con người ngoài một số mô phỏng khổng lồ của bộ não nhân tạo sao chép hiệu suất của nó, dù kém đến đâu, là từ bỏ hy vọng rằng AI và ML sẽ trở thành một ngành khoa học. Nếu đúng như vậy thì thật đáng buồn là nhiều nhà nghiên cứu đã lãng phí hơn ba thập kỷ của cuộc đời mình, khoảng thời gian mà họ sẽ không bao giờ lấy lại được để theo đuổi một chủ đề nghiên cứu có ý nghĩa hơn nào đó.
Vì vậy, giống như David Marr, ta thử ngoan cố bám vào hy vọng rằng phải có một lời giải thích ở cấp độ cao hơn về hoạt động của bộ não, và khi ta tìm ra lời giải thích như vậy, đó sẽ là theo cách tiếp cận kiến trúc ba lớp mà David Marr đã đề xuất.
Bằng chứng tốt nhất cho hy vọng này đến từ một bước đột phá gần đây trong việc tìm hiểu cách thức bộ não mã hóa khuôn mặt. Trong một loạt thí nghiệm thú vị được thực hiện với khỉ, các nhà sinh học ở Caltech đã phát hiện ra rằng bộ não mã hóa khuôn mặt theo cách rất giống với phân tích các thành phần chính. Một nhóm nhỏ gồm 200 tế bào thần kinh ở vỏ não vô thời gian (IT) dường như đang mã hóa các khuôn mặt và mỗi tế bào thần kinh dường như phản ứng với một chiều mà các khuôn mặt khác nhau. Phát hiện này cho thấy rằng dù bộ não có phức tạp đến đâu thì vẫn có sự tinh tế và đơn giản trong việc mô tả các nhiệm vụ riêng lẻ mà nó thực hiện.
Sinh học đã trở thành một ngành khoa học dựa trên hai đột phá chính, mỗi đột phá là một ý tưởng cực kỳ đơn giản có thể được mô tả mà không cần đến toán học nâng cao: Khám phá của Darwin về chọn lọc tự nhiên là cơ chế tạo ra các loài và khám phá của Watson & Crick về cấu trúc xoắn kép của DNA, phân tử truyền thông tin di truyền từ bố mẹ sang con cái.
AI và ML có lẽ sẽ đòi hỏi những hiểu biết sâu sắc xuyên suốt như vậy, không phải ngẫu nhiên mà cái nhìn sâu sắc của Darwin không đến từ sinh học mà từ cuốn sách của Malthus về kinh tế. Tương tự, công trình của Watson và Crick dựa trên tinh thể tia X, một lĩnh vực của vật vật lý.
Sẽ là khôn ngoan khi ghi nhớ điều này khi phát triển các lý thuyết AI và ML, vì góc nhìn sâu sắc nhất về bộ não thực sự có thể đến từ một lĩnh vực khác xa với khoa học máy tính hoặc khoa học thần kinh.
Tắt một câu là, một con AI thông minh nhất vĩnh viễn không thể biết về não bộ sinh học của con người theo cách mà ta BIẾT về nó.
Cr: lửng mật