Mục lục:
- AI chưa sẵn sàng cho các vấn đề rộng
- Một mục tiêu không thể đạt được?
- Là một AI mùa đông khác hiện ra?
Video: Lần thứ hai Bá» VÄn hóa bác Äá» xuất bán vé há»i chá»i trâu Äá» SÆ¡n (Tháng Chín 2024)
"Andrew Ingram" là một trợ lý kỹ thuật số quét email của bạn, đưa ra ý tưởng lên lịch cho các cuộc họp và cuộc hẹn mà bạn thảo luận với đồng nghiệp, thiết lập nhiệm vụ và gửi lời mời đến các bên liên quan với rất ít sự trợ giúp. Nó sử dụng các khả năng trí tuệ nhân tạo tiên tiến của X.ai, một cái mới
Mặc dù ý tưởng rằng email của bạn đang được quét bởi những người thực sự nghe có vẻ đáng sợ, nhưng nó đã trở thành một thông lệ phổ biến trong số nhiều công ty cung cấp dịch vụ AI cho khách hàng của họ. Một bài báo gần đây trên Tạp chí Phố Wall đã tiết lộ một số công ty cho phép nhân viên của họ truy cập và đọc email của khách hàng để xây dựng các tính năng mới và đào tạo AI của họ về các trường hợp chưa từng thấy trước đây.
Được gọi là kỹ thuật "Phù thủy xứ Oz" hay giả AI, việc thực hành âm thầm sử dụng con người để bù đắp những thiếu sót của thuật toán AI làm sáng tỏ một số thách thức sâu sắc nhất mà ngành công nghiệp AI phải đối mặt.
AI chưa sẵn sàng cho các vấn đề rộng
Đằng sau hầu hết các đổi mới AI trong những năm gần đây là các thuật toán học sâu và mạng lưới thần kinh. Mạng lưới thần kinh sâu rất hiệu quả trong việc phân loại thông tin. Trong nhiều trường hợp, chẳng hạn như nhận dạng giọng nói và khuôn mặt hoặc xác định ung thư trong quét MRI và CT, chúng có thể vượt trội hơn con người.
Nhưng điều đó không có nghĩa là học tập sâu và mạng lưới thần kinh có thể hoàn thành bất kỳ nhiệm vụ nào mà con người có thể.
"Học sâu là cho phép chúng tôi giải quyết vấn đề về nhận thức. Đây là một vấn đề lớn vì nhận thức đã hạn chế AI kể từ khi thành lập hơn 60 năm trước", Jonathan Mugan, đồng sáng lập và CEO của DeepGrammar nói. "Giải quyết vấn đề về nhận thức cuối cùng đã giúp AI trở nên hữu ích cho những thứ như nhận dạng giọng nói và robot."
Tuy nhiên, Mugan lưu ý, nhận thức không phải là vấn đề duy nhất. Học tập sâu đấu tranh trong đó có lý luận và hiểu biết có liên quan.
"Học sâu không giúp chúng ta giải quyết vấn đề này", ông nói. "Chúng tôi đã đạt được một số tiến bộ trong NLP (xử lý ngôn ngữ tự nhiên) bằng cách coi ngôn ngữ là vấn đề về nhận thức; nghĩa là chuyển đổi từ và câu thành vectơ. Điều này cho phép chúng tôi trình bày văn bản tốt hơn để phân loại và dịch máy (khi có nhiều dữ liệu), nhưng nó không giúp ích gì cho lý luận hợp lý. Đây là lý do tại sao các chatbot phần lớn thất bại. "
Một trong những vấn đề chính mà tất cả các ứng dụng học sâu phải đối mặt là việc thu thập dữ liệu phù hợp để đào tạo các mô hình AI của họ. Nỗ lực và dữ liệu đi vào đào tạo một mạng lưới thần kinh để thực hiện một nhiệm vụ phụ thuộc vào mức độ không gian của vấn đề và mức độ chính xác được yêu cầu.
Chẳng hạn, một ứng dụng phân loại hình ảnh như ứng dụng Not Hotdog từ Thung lũng Silicon của HBO thực hiện một nhiệm vụ rất hẹp và cụ thể: Nó cho bạn biết liệu camera của điện thoại thông minh của bạn có hiển thị hotdog hay không. Với đủ hình ảnh hotdog, AI của ứng dụng có thể thực hiện chức năng rất quan trọng của nó với độ chính xác cao. Và ngay cả khi thỉnh thoảng nó cũng mắc lỗi, nó sẽ không làm tổn thương bất cứ ai.
Nhưng các ứng dụng AI khác, chẳng hạn như một X.ai đang xây dựng, đang giải quyết các vấn đề rộng lớn hơn nhiều, có nghĩa là chúng đòi hỏi rất nhiều ví dụ chất lượng. Ngoài ra, khả năng chịu lỗi của họ thấp hơn nhiều. Có một sự khác biệt rõ ràng giữa việc nhầm một quả dưa chuột với một hotdog và lên lịch một cuộc họp kinh doanh quan trọng không đúng lúc.
Thật không may, dữ liệu chất lượng không phải là hàng hóa mà tất cả các công ty sở hữu.
Tiến sĩ Steve Marsh nói: "Nguyên tắc chung là AI đang cố gắng giải quyết vấn đề chung chung hơn, các trường hợp cạnh hoặc hành vi bất thường có thể xảy ra. Điều này chắc chắn có nghĩa là bạn cần nhiều ví dụ đào tạo hơn để bao quát mọi thứ". CTO tại Geospock. "Các công ty khởi nghiệp thường không có quyền truy cập vào một lượng lớn dữ liệu đào tạo, vì vậy các mô hình mà họ có thể xây dựng một cách khả thi sẽ rất phù hợp và dễ vỡ, thường không theo mong đợi của họ."
Sự giàu có của thông tin này chỉ thuộc sở hữu của các công ty lớn như Facebook và Google, những công ty đã thu thập dữ liệu của hàng tỷ người dùng trong nhiều năm. Các công ty nhỏ hơn phải trả một khoản tiền lớn để có được hoặc tạo dữ liệu đào tạo và điều đó làm trì hoãn việc khởi chạy ứng dụng của họ. Cách khác là khởi động bằng mọi cách và bắt đầu đào tạo AI của họ một cách nhanh chóng, sử dụng các huấn luyện viên của con người và dữ liệu khách hàng trực tiếp và hy vọng rằng cuối cùng, AI sẽ trở nên ít phụ thuộc hơn vào con người.
Chẳng hạn, Edison Software, một công ty có trụ sở tại California chuyên phát triển ứng dụng quản lý email, đã cho nhân viên của mình đọc email của khách hàng để phát triển tính năng "trả lời thông minh" vì họ không có đủ dữ liệu để đào tạo thuật toán, công ty CEO nói với Tạp chí Phố Wall. Tạo trả lời thông minh là một nhiệm vụ rộng lớn và đầy thách thức. Ngay cả Google, nơi có quyền truy cập vào email của hàng tỷ người dùng, cung cấp phản hồi thông minh cho các trường hợp rất hẹp.
Nhưng việc sử dụng con người để đào tạo AI với dữ liệu người dùng trực tiếp không chỉ giới hạn ở các công ty nhỏ hơn.
Vào năm 2015, Facebook đã ra mắt M, một chatbot AI có thể hiểu và đáp ứng các sắc thái khác nhau của các cuộc hội thoại và hoàn thành nhiều nhiệm vụ. Facebook đã cung cấp M cho một số lượng người dùng hạn chế ở California và thiết lập một đội ngũ nhân viên vận hành con người sẽ theo dõi hiệu suất của AI và can thiệp để sửa lỗi khi không thể hiểu yêu cầu của người dùng. Kế hoạch ban đầu là để các nhà khai thác con người giúp dạy trợ lý trả lời các trường hợp cạnh mà nó chưa từng thấy trước đây. Theo thời gian, M sẽ có thể hoạt động mà không cần sự giúp đỡ của con người.
Một mục tiêu không thể đạt được?
Không rõ sẽ mất bao lâu cho Edison Software, X.ai và các công ty khác đã đưa ra các hệ thống vòng lặp con người để làm cho AI của họ hoàn toàn tự động. Cũng có nghi ngờ nếu xu hướng hiện tại của AI có thể đạt đến điểm tham gia vào các lĩnh vực rộng lớn hơn.
Năm 2018, Facebook đã đóng cửa M mà không cần triển khai chính thức. Công ty đã không chia sẻ chi tiết, nhưng rõ ràng việc tạo một chatbot có thể tham gia vào các cuộc hội thoại rộng là rất khó. Và làm cho M có sẵn cho tất cả hai tỷ người dùng của Facebook mà không làm cho nó hoàn toàn có khả năng tự động trả lời tất cả các loại cuộc hội thoại sẽ yêu cầu gã khổng lồ truyền thông xã hội thuê một đội ngũ nhân sự khổng lồ để lấp đầy khoảng trống của M.
Mugan của DeepGrammar tin rằng cuối cùng chúng ta sẽ có thể tạo ra AI có thể giải quyết lý do hợp lý, những gì người khác phân loại là AI nói chung. Nhưng nó sẽ không xảy ra bất cứ lúc nào sớm. "Hiện tại không có phương pháp nào cho phép máy tính hiểu được những gì một đứa trẻ nhỏ biết", Mugan nói. "Nếu không có sự hiểu biết cơ bản này, máy tính sẽ không thể thực hiện tốt nhiều nhiệm vụ 100% thời gian."
Để đưa điều đó vào viễn cảnh, các chuyên gia tại OpenAI gần đây đã phát triển Dactyl, một bàn tay robot có thể xử lý các vật thể. Đây là một nhiệm vụ mà bất kỳ đứa trẻ nào của con người học để thực hiện tiềm thức ngay từ khi còn nhỏ. Nhưng phải mất Dactyl 6.144 CPU và 8 GPU và kinh nghiệm khoảng một trăm năm để phát triển các kỹ năng tương tự. Mặc dù là một thành tựu hấp dẫn, nó cũng làm nổi bật sự khác biệt rõ rệt giữa AI hẹp và cách thức hoạt động của bộ não con người.
"Chúng tôi còn rất lâu mới có Trí tuệ tổng hợp nhân tạo và rất có thể, AGI sẽ là sự kết hợp và phối hợp của nhiều loại AI hẹp cụ thể hoặc dành riêng cho ứng dụng", Marsh nói. "Tôi nghĩ rằng có xu hướng vượt qua các khả năng của AI vào lúc này, nhưng tôi cũng thấy có giá trị to lớn khi chỉ thực hiện những bước đầu tiên ban đầu và thực hiện các mô hình Machine Learning truyền thống."
Là một AI mùa đông khác hiện ra?
Năm 1984, Hiệp hội Trí tuệ nhân tạo Hoa Kỳ (sau đổi tên thành Hiệp hội vì sự tiến bộ của trí tuệ nhân tạo) đã cảnh báo cộng đồng doanh nghiệp rằng sự cường điệu và nhiệt tình xung quanh AI cuối cùng sẽ dẫn đến sự thất vọng. Ngay sau đó, đầu tư và quan tâm đến AI đã sụp đổ, dẫn đến một kỷ nguyên được gọi là "mùa đông AI".
Kể từ đầu những năm 2010, tiền lãi và đầu tư vào lĩnh vực này đã tăng trở lại. Một số chuyên gia lo ngại rằng nếu các ứng dụng AI hoạt động kém và không đáp ứng được kỳ vọng, một mùa đông AI khác sẽ xảy ra. Nhưng các chuyên gia mà chúng tôi đã nói để tin rằng AI đã trở nên quá tích hợp trong cuộc sống của chúng tôi để lấy lại các bước của nó.
"Tôi không nghĩ rằng chúng ta đang gặp nguy hiểm về một mùa đông AI như trước đây vì AI hiện đang mang lại giá trị thực sự, không chỉ là giá trị giả định", Mugan nói. "Tuy nhiên, nếu chúng ta tiếp tục nói với công chúng rằng máy tính thông minh như con người, chúng ta có nguy cơ bị phản ứng dữ dội. Chúng ta sẽ không quay lại việc không học sâu để nhận thức, nhưng thuật ngữ 'AI' có thể bị nguyền rủa, và chúng ta sẽ phải gọi nó là cái gì khác. "
Điều chắc chắn là ít nhất, một kỷ nguyên vỡ mộng đang đứng trước chúng ta. Chúng ta sắp tìm hiểu mức độ mà chúng ta có thể tin tưởng vào sự pha trộn hiện tại của AI trong các lĩnh vực khác nhau.
"Điều tôi mong đợi là một số công ty ngạc nhiên khi thấy họ có thể cung cấp AI nhanh chóng cho một dịch vụ thủ công và đắt tiền trước đó và các công ty khác sẽ thấy rằng phải mất nhiều thời gian hơn họ dự kiến sẽ thu thập đủ dữ liệu để trở thành Khả năng tài chính, "James Bergstra, đồng sáng lập và người đứng đầu nghiên cứu tại Kindred.ai nói. "Nếu có quá nhiều cái sau và không đủ cái trước, nó có thể kích hoạt một mùa đông AI khác giữa các nhà đầu tư."
- Trí tuệ nhân tạo có vấn đề về thiên vị và đó là lỗi của chúng tôi Trí thông minh nhân tạo có vấn đề về thiên vị và đó là lỗi của chúng tôi
- Tại sao việc dạy AI chơi trò chơi lại quan trọng Tại sao việc dạy AI chơi trò chơi lại quan trọng
- AI mang đến tiềm năng rất lớn, nhưng nó sẽ không xảy ra qua đêm AI cung cấp tiềm năng rất lớn, nhưng nó sẽ không xảy ra qua đêm
Geospock 'Marsh dự đoán rằng trong khi tài trợ sẽ không giảm, sẽ có một số điều chỉnh đối với động lực học của nó. Khi các nhà đầu tư nhận ra rằng chuyên môn thực sự là rất hiếm và chỉ những người có quyền truy cập dữ liệu để đào tạo các mô hình sẽ khác biệt trong ngành, sẽ có một sự hợp nhất lớn trên thị trường và các công ty khởi nghiệp sẽ nhận được ít tiền hơn.
"Đối với nhiều công ty khởi nghiệp AI không có ứng dụng thị trường thích hợp hoặc lượng dữ liệu khổng lồ: mùa đông đang đến", Marsh kết luận.
