Trí tuệ nhân tạo (AI) là gì?

AI xuất hiện ở khắp mọi nơi - trên điện thoại, trong hộp thư đến, trên bản đồ, soạn thảo email mà bạn định viết dở dang. Nhưng AI là gì ? Nói ngắn gọn: đó là một tập hợp các kỹ thuật cho phép máy tính thực hiện các tác vụ mà chúng ta liên tưởng đến trí thông minh của con người, chẳng hạn như nhận dạng các mẫu hình, đưa ra dự đoán và tạo ra ngôn ngữ hoặc hình ảnh. Đây không phải là tiếp thị suông. Nó là một lĩnh vực thực tế với toán học, dữ liệu và rất nhiều thử nghiệm. Các tài liệu tham khảo có thẩm quyền định nghĩa AI là những hệ thống có thể học hỏi, lý luận và hành động hướng tới mục tiêu theo những cách mà chúng ta cho là thông minh. [1]

Những bài viết bạn có thể muốn đọc sau bài này:

🔗 AI nguồn mở là gì?
Hiểu về AI nguồn mở, lợi ích, mô hình cấp phép và sự hợp tác của cộng đồng.

🔗 Mạng nơ-ron trong AI là gì?
Tìm hiểu những kiến ​​thức cơ bản về mạng nơ-ron, các loại kiến ​​trúc, đào tạo và cách sử dụng phổ biến.

🔗 Thị giác máy tính trong AI là gì?
Xem cách máy móc diễn giải hình ảnh, tác vụ chính, tập dữ liệu và ứng dụng.

🔗 AI biểu tượng là gì?
Khám phá lý luận tượng trưng, ​​biểu đồ kiến ​​thức, quy tắc và hệ thống thần kinh tượng trưng lai.

AI là gì: phiên bản nhanh 🧠➡️💻

AI là một tập hợp các phương pháp cho phép phần mềm ước lượng hành vi thông minh. Thay vì mã hóa mọi quy tắc, chúng ta thường huấn luyện các mô hình dựa trên các ví dụ để chúng có thể khái quát hóa thành các tình huống mới - nhận dạng hình ảnh, chuyển giọng nói thành văn bản, lập kế hoạch lộ trình, trợ lý mã, dự đoán cấu trúc protein, v.v. Nếu bạn muốn một định nghĩa rõ ràng cho ghi chú của mình: hãy nghĩ đến các hệ thống máy tính thực hiện các tác vụ liên quan đến các quá trình trí tuệ của con người như suy luận, khám phá ý nghĩa và học hỏi từ dữ liệu. [1]

Một mô hình tinh thần hữu ích từ lĩnh vực này là coi AI như những hệ thống hướng đến mục tiêu , nhận thức môi trường xung quanh và lựa chọn hành động - hữu ích khi bạn bắt đầu suy nghĩ về các vòng lặp đánh giá và kiểm soát. [1]

Điều gì khiến AI thực sự hữu ích✅

Tại sao lại sử dụng AI thay vì các quy tắc truyền thống?

• Sức mạnh của mô hình - các mô hình phát hiện ra mối tương quan tinh tế trên các tập dữ liệu khổng lồ mà con người sẽ bỏ lỡ trước bữa trưa.

• Thích ứng - với nhiều dữ liệu hơn, hiệu suất có thể được cải thiện mà không cần phải viết lại toàn bộ mã.

• Tốc độ theo quy mô - một khi được đào tạo, các mô hình sẽ chạy nhanh và ổn định, ngay cả ở khối lượng công việc lớn.

• Khả năng sáng tạo - các hệ thống hiện đại có thể tạo ra văn bản, hình ảnh, mã, thậm chí cả các phân tử ứng viên, không chỉ phân loại mọi thứ.

• Tư duy xác suất - chúng xử lý sự không chắc chắn một cách khéo léo hơn so với kiểu tư duy if-else dễ vỡ.

• Công cụ sử dụng công cụ - bạn có thể kết nối các mô hình với máy tính, cơ sở dữ liệu hoặc tìm kiếm để tăng độ tin cậy.

• Khi không tốt - thiên vị, ảo giác, dữ liệu đào tạo cũ, rủi ro về quyền riêng tư. Chúng ta sẽ giải quyết.

Thành thật mà nói: đôi khi AI giống như một chiếc xe đạp cho trí óc, và đôi khi nó giống như một chiếc xe đạp một bánh trên đường sỏi. Cả hai đều đúng.

AI hoạt động như thế nào, với tốc độ của con người 🔧

Hầu hết các hệ thống AI hiện đại đều kết hợp:

1. Dữ liệu - ví dụ về ngôn ngữ, hình ảnh, nhấp chuột, số liệu cảm biến.

2. Mục tiêu - một hàm mất mát cho biết thế nào là “tốt”.

3. Thuật toán - quy trình đào tạo thúc đẩy mô hình giảm thiểu tổn thất đó.

4. Đánh giá - bộ kiểm tra, số liệu, kiểm tra tính hợp lý.

5. Triển khai - cung cấp cho mô hình khả năng giám sát, an toàn và lan can.

Hai truyền thống rộng lớn:

• AI dựa trên biểu tượng hoặc logic - quy tắc rõ ràng, biểu đồ kiến ​​thức, tìm kiếm. Tuyệt vời cho lập luận hình thức và các ràng buộc.

• AI dựa trên thống kê hoặc học tập - các mô hình học hỏi từ dữ liệu. Đây chính là nơi học sâu tồn tại và là nơi xuất phát của hầu hết những thành tựu gần đây; một bài đánh giá được trích dẫn rộng rãi đã vạch ra ranh giới từ biểu diễn phân lớp đến tối ưu hóa và khái quát hóa. [2]

Trong AI dựa trên khả năng học tập, có một số trụ cột quan trọng sau:

• Học có giám sát - học từ các ví dụ có gắn nhãn.

• Không giám sát và tự giám sát - học cấu trúc từ dữ liệu chưa được gắn nhãn.

• Học tăng cường - học bằng cách thử nghiệm và phản hồi.

• Mô hình sáng tạo - học cách tạo ra các mẫu mới trông giống thật.

Hai gia đình sinh sản mà bạn sẽ nghe nói đến hàng ngày:

• Transformers - kiến ​​trúc đằng sau hầu hết các mô hình ngôn ngữ lớn. Nó sử dụng sự chú ý để liên kết từng token với các token khác, cho phép đào tạo song song và cho ra kết quả đầu ra trôi chảy đáng ngạc nhiên. Nếu bạn đã từng nghe đến “tự chú ý”, thì đó chính là thủ thuật cốt lõi. [3]

• Các mô hình khuếch tán - chúng học cách đảo ngược quá trình nhiễu, chuyển từ nhiễu ngẫu nhiên sang hình ảnh hoặc âm thanh rõ nét. Nó giống như việc xáo trộn một bộ bài, chậm rãi và cẩn thận, nhưng có tính toán; công trình cơ bản đã chỉ ra cách huấn luyện và lấy mẫu hiệu quả. [5]

Nếu những ẩn dụ này nghe có vẻ gượng ép thì cũng đúng thôi - AI là một mục tiêu di động. Chúng ta đều đang học nhảy trong khi nhạc đổi giữa chừng.

Nơi bạn đã gặp AI mỗi ngày 📱🗺️📧

• Tìm kiếm & đề xuất - kết quả xếp hạng, nguồn cấp dữ liệu, video.

• Email & tài liệu - tự động hoàn thành, tóm tắt, kiểm tra chất lượng.

• Camera và âm thanh - khử nhiễu, HDR, phiên âm.

• Điều hướng - dự báo giao thông, lập kế hoạch tuyến đường.

• Hỗ trợ & dịch vụ - nhân viên trò chuyện phân loại và soạn thảo câu trả lời.

• Mã hóa - gợi ý, cải tiến, thử nghiệm.

• Sức khỏe & khoa học - phân loại, hỗ trợ hình ảnh, dự đoán cấu trúc. (Xử lý bối cảnh lâm sàng theo hướng an toàn quan trọng; sử dụng sự giám sát của con người và các hạn chế được ghi nhận.) [2]

Một giai thoại nhỏ: một nhóm sản phẩm có thể kiểm tra A/B một bước truy xuất trước một mô hình ngôn ngữ; tỷ lệ lỗi thường giảm vì mô hình suy luận dựa trên ngữ cảnh mới hơn, cụ thể cho từng tác vụ thay vì đoán mò. (Phương pháp: xác định các số liệu ngay từ đầu, giữ một tập hợp chờ và so sánh các lời nhắc tương tự.)

Điểm mạnh, giới hạn và sự hỗn loạn nhẹ ở giữa ⚖️

Điểm mạnh

• Xử lý các tập dữ liệu lớn và phức tạp một cách dễ dàng.

• Có thể áp dụng cho nhiều tác vụ có cùng một bộ máy cốt lõi.

• Học cấu trúc tiềm ẩn mà chúng ta không tự tay thiết kế. [2]

Giới hạn

• Ảo giác - các mô hình có thể tạo ra những kết quả nghe có vẻ hợp lý nhưng không chính xác.

• Độ lệch - dữ liệu đào tạo có thể mã hóa độ lệch xã hội mà hệ thống sau đó tái tạo.

• Tính mạnh mẽ - các trường hợp ngoại lệ, đầu vào đối nghịch và sự thay đổi phân phối có thể phá vỡ mọi thứ.

• Quyền riêng tư và bảo mật - dữ liệu nhạy cảm có thể bị rò rỉ nếu bạn không cẩn thận.

• Khả năng giải thích - tại sao lại nói như vậy? Đôi khi không rõ ràng, gây khó khăn cho việc kiểm toán.

Quản lý rủi ro tồn tại để bạn không gây ra sự hỗn loạn: Khung quản lý rủi ro AI của NIST cung cấp hướng dẫn thực tế, tự nguyện để cải thiện độ tin cậy trong suốt quá trình thiết kế, phát triển và triển khai - hãy nghĩ đến việc lập bản đồ rủi ro, đo lường chúng và quản lý việc sử dụng từ đầu đến cuối. [4]

Quy tắc giao thông: an toàn, quản trị và trách nhiệm giải trình 🛡️

Quy định và hướng dẫn đang dần bắt kịp thực tiễn:

• Các phương pháp tiếp cận dựa trên rủi ro - việc sử dụng rủi ro cao hơn phải đối mặt với các yêu cầu nghiêm ngặt hơn; tài liệu, quản trị dữ liệu và xử lý sự cố là những vấn đề quan trọng. Các khuôn khổ công cộng nhấn mạnh tính minh bạch, giám sát của con người và giám sát liên tục. [4]

• Sắc thái của ngành - các lĩnh vực quan trọng về an toàn (như sức khỏe) đòi hỏi sự tham gia của con người và đánh giá cẩn thận; công cụ đa năng vẫn được hưởng lợi từ các tài liệu rõ ràng về mục đích sử dụng và hạn chế. [2]

Vấn đề không phải là kìm hãm sự đổi mới; mà là không biến sản phẩm của bạn thành máy làm bỏng ngô trong thư viện… nghe có vẻ thú vị cho đến khi không phải vậy.

Các loại AI trong thực tế, kèm ví dụ 🧰

• Nhận thức - thị giác, lời nói, sự kết hợp của các giác quan.

• Ngôn ngữ - trò chuyện, dịch thuật, tóm tắt, trích xuất.

• Dự đoán - dự báo nhu cầu, chấm điểm rủi ro, phát hiện bất thường.

• Lập kế hoạch và kiểm soát - robot, hậu cần.

• Tạo - hình ảnh, âm thanh, video, mã, dữ liệu có cấu trúc.

Về cơ bản, toán học dựa trên đại số tuyến tính, xác suất, tối ưu hóa và các ngăn xếp tính toán giúp mọi thứ vận hành trơn tru. Để tìm hiểu sâu hơn về nền tảng của học sâu, hãy xem bài đánh giá chính thống. [2]

Bảng so sánh: tổng quan về các công cụ AI phổ biến 🧪

(Có chút không hoàn hảo là cố ý. Giá cả thay đổi. Quãng đường bạn đi sẽ khác nhau.)

Cách đánh giá hệ thống AI như một chuyên gia 🧪🔍

1. Xác định công việc - tuyên bố nhiệm vụ bằng một câu.

2. Chọn số liệu - độ chính xác, độ trễ, chi phí, yếu tố kích hoạt an toàn.

3. Tạo một bộ thử nghiệm có tính đại diện, đa dạng và được giữ lại.

4. Kiểm tra chế độ lỗi - các đầu vào mà hệ thống nên từ chối hoặc nâng cấp.

5. Kiểm tra độ thiên vị - phân tích nhân khẩu học và các thuộc tính nhạy cảm nếu có.

6. Con người trong vòng lặp - chỉ định thời điểm một người phải xem xét.

7. Ghi nhật ký và giám sát - phát hiện sự trôi dạt, phản hồi sự cố, khôi phục.

8. Tài liệu - nguồn dữ liệu, hạn chế, mục đích sử dụng, cảnh báo. NIST AI RMF cung cấp cho bạn ngôn ngữ và quy trình chung cho việc này. [4]

Những quan niệm sai lầm phổ biến mà tôi thường nghe thấy 🙃

• “Đó chỉ là sao chép.” Đào tạo học cấu trúc thống kê; thế hệ tạo ra những kết quả mới phù hợp với cấu trúc đó. Điều đó có thể sáng tạo - hoặc sai - nhưng không phải là sao chép-dán. [2]

• “AI hiểu như con người.” Nó mẫu . Đôi khi trông giống như sự hiểu biết; đôi khi lại là một sự mờ nhạt đầy tự tin. [2]

• “Lớn hơn luôn tốt hơn.” Quy mô hữu ích, nhưng chất lượng dữ liệu, sự liên kết và khả năng truy xuất thường quan trọng hơn. [2][3]

• “Một AI để thống trị tất cả.” Các ngăn xếp thực tế là nhiều mô hình: truy xuất thông tin, tạo ra văn bản, các mô hình nhỏ nhanh trên thiết bị, cùng với tìm kiếm cổ điển.

Một cái nhìn sâu hơn một chút: Máy biến áp và sự khuếch tán, trong một phút ⏱️

• Bộ chuyển đổi tính toán điểm chú ý giữa các mã thông báo để quyết định tập trung vào nội dung nào. Các lớp xếp chồng nắm bắt các phụ thuộc tầm xa mà không cần lặp lại rõ ràng, cho phép tính song song cao và hiệu suất mạnh mẽ trên các tác vụ ngôn ngữ. Kiến trúc này hỗ trợ hầu hết các hệ thống ngôn ngữ hiện đại. [3]

• Các mô hình khuếch tán học cách khử nhiễu từng bước một, giống như việc đánh bóng một tấm gương mờ cho đến khi khuôn mặt hiện ra. Các ý tưởng cốt lõi về đào tạo và lấy mẫu đã mở ra sự bùng nổ trong lĩnh vực tạo hình ảnh và giờ đây mở rộng sang âm thanh và video. [5]

Từ điển nhỏ bạn có thể giữ lại 📚

• Mô hình - một hàm tham số mà chúng ta đào tạo để ánh xạ đầu vào thành đầu ra.

• Đào tạo - tối ưu hóa các tham số để giảm thiểu tổn thất trên các ví dụ.

• Quá phù hợp - hoạt động tốt trên dữ liệu đào tạo, nhưng không tốt ở những nơi khác.

• Ảo giác - đầu ra trôi chảy nhưng sai về mặt thực tế.

• RAG - thế hệ tăng cường khả năng truy xuất thông tin bằng cách tham khảo các nguồn mới.

• Sự liên kết - định hình hành vi để tuân theo hướng dẫn và chuẩn mực.

• An toàn - ngăn ngừa đầu ra có hại và quản lý rủi ro trong suốt vòng đời.

• Suy luận - sử dụng mô hình đã được đào tạo để đưa ra dự đoán.

• Độ trễ - thời gian từ khi nhập đến khi trả lời.

• Lan can - chính sách, bộ lọc và điều khiển xung quanh mô hình.

Quá dài, tôi chưa đọc hết - Lời kết 🌯

AI là gì? Một tập hợp các kỹ thuật cho phép máy tính học hỏi từ dữ liệu và hành động thông minh hướng tới các mục tiêu. Làn sóng hiện đại dựa trên học sâu - đặc biệt là các bộ biến đổi cho ngôn ngữ và truyền bá cho phương tiện truyền thông. Được sử dụng một cách chu đáo, AI mở rộng khả năng nhận dạng mẫu, tăng tốc công việc sáng tạo và phân tích, đồng thời mở ra những cánh cửa khoa học mới. Nếu sử dụng một cách bất cẩn, nó có thể gây hiểu lầm, loại trừ hoặc làm xói mòn niềm tin. Con đường hạnh phúc là sự kết hợp giữa kỹ thuật mạnh mẽ với quản trị, đo lường và một chút khiêm tốn. Sự cân bằng đó không chỉ khả thi - mà còn có thể dạy được, kiểm tra được và duy trì được với các khuôn khổ và quy tắc phù hợp. [2][3][4][5]

Tài liệu tham khảo

[1] Encyclopedia Britannica - Trí tuệ nhân tạo (AI) : đọc thêm
[2] Nature - “Học sâu” (LeCun, Bengio, Hinton) : đọc thêm
[3] arXiv - “Chú ý là tất cả những gì bạn cần” (Vaswani và cộng sự) : đọc thêm
[4] NIST - Khung quản lý rủi ro AI : đọc thêm
[5] arXiv - “Mô hình xác suất khuếch tán khử nhiễu” (Ho và cộng sự) : đọc thêm

Tìm kiếm những công nghệ AI mới nhất tại Cửa hàng Trợ lý AI chính thức

Về chúng tôi