AI Của Google Có Thể Tự Tạo Ra AI

Khoảng giữa tháng 10/2017, trong một dự án có tên gọi AutoML, các nhà nghiên cứu của Google đã dạy phần mềm máy học để xây dựng một phần mềm máy học khác. Trong một số trường hợp, kết quả sẽ tạo ra các hệ thống mạnh mẽ hơn và hiệu quả hơn những gì bản thân các nhà nghiên cứu có thể thiết kế.

Google cho biết, gần đây hệ thống mới đã đạt điểm số 82% cho khả năng phân loại hình ảnh theo nội dung. Với những nhiệm vụ khó khăn khác, như xác định vị trí của hàng loạt đối tượng trong một hình ảnh, một nhiệm vụ quan trọng cho thực tế tăng cường và các robot tự động hóa, hệ thống tự động này đạt điểm số 43%. Trong khi đó, điểm số tốt nhất mà hệ thống do con người làm được là 39%.

Các kết quả là rất quan trọng, vì các chuyên gia cần thiết để có thể cắt giảm thời gian xây dựng các hệ thống AI đang rất khan hiếm. Sundar Pichai, CEO Google cho biết: “Những công việc này hiện đang do các nhà khoa học máy học thực hiện thủ công, và chỉ có vài nghìn nhà khoa học trên toàn thế giới có thể làm được. Chúng tôi muốn giúp hàng trăm nghìn nhà phát triển cũng có thể làm được điều này.”

Hiện AutoML vẫn mới là một dự án nghiên cứu. Dù dự án có thể sẽ lấy đi công việc của chính các chuyên gia AI đang cố gắng tạo ra nó. Nhưng không chỉ riêng Google, ngày càng nhiều các nhà nghiên cứu cũng mong muốn tạo ra loại công nghệ tương tự. Nếu công nghệ AI tạo ra AI trở thành hiện thực, kỹ thuật máy học có thể lan rộng nhanh hơn ra bên ngoài phạm vi của ngành công nghiệp, như trong lĩnh vực chăm sóc sức khỏe và tài chính.

Tại Google, AutoML có thể tăng tốc chiến lược “AI trên hết” của CEO Sundar Pichai, thông qua việc giúp công ty sử dụng máy học để vận hành hiệu quả hơn và tạo ra các sản phẩm mới.

Các nhà nghiên cứu từ nhóm nghiên cứu Google Brain hay phòng thí nghiệm DeepMind tại London, do Google mua lại vào năm 2014, đã giúp cắt giảm hóa đơn điện năng cho những trung tâm dữ liệu của công ty, và tăng tốc khả năng của Google trong việc lập bản đồ các thành phố mới. AutoML có thể làm các chuyên gia có năng suất cao hơn, và giúp các kỹ sư ít kỹ năng xây dựng các hệ thống AI mạnh mẽ hơn.

Google chỉ lên danh sách của hơn 1,300 người trên website nghiên cứu của hãng, không phải tất cả đều chuyên về AI. Hãng vẫn còn hàng nghìn kỹ sư phần mềm khác. Theo hồ sơ tài chính hàng năm, công ty mẹ của Google, Alphabet cũng có 27,169 nhân viên tham gia vào việc nghiên cứu và phát triển.

Google từ chối thảo luận với mọi người về AutoML. Các nhà nghiên cứu bên ngoài công ty cho biết, ý tưởng về việc tự động hóa công việc của một số chuyên gia AI đã trở thành một lĩnh vực nghiên cứu nóng bỏng, và trở nên ngày càng cần thiết trong bối cảnh những hệ thống AI trở nên phức tạp hơn.

Phần nhiều các nghiên cứu mới, bao gồm cả Google, được gọi là metalearning hay học để học (learning to learn), nhắm đến việc tăng tốc quá trình triển khai các mạng lưới thần kinh nhân tạo. Kỹ thuật liên quan đến việc cung cấp dữ liệu thông qua các mạng lưới của những phép tính toán học được lấy cảm hứng từ hoạt động nghiên cứu nơ ron thần kinh của bộ não. Việc tạo ra các mạng lưới thần kinh nhân tạo có thể thực hiện các tác vụ hữu ích như xử lý âm thanh, sẽ giúp thay thế nhiều công việc được trả lương cao. Các chuyên gia phải sử dụng bản năng và phép thử sai để khám phá ra kiến trúc đúng cho một mạng lưới thần kinh nhân tạo.

Roberto Calandra, nhà nghiên cứu tại Đại học California Berkeley, cho biết: “Về cơ bản, phần lớn công việc của các kỹ sư là nhiệm vụ rất nhàm chán, khi phải thử hàng loạt cấu hình khác nhau để xem cái nào sẽ hoạt động tốt hơn.” Thách thức đang ngày càng trở nên khó khăn hơn, vì các nhà nghiên cứu đang xây dựng các mạng lưới lớn hơn để giải quyết các vấn đề khó khăn hơn.

Roberto Calandra bắt đầu nghiên cứu metalearning vào năm 2013, sau khi mất đến 2 tuần để cố gắng tạo ra một robot học cách đi bộ trong khi làm nghiên cứu tiến sĩ. Anh đã thử một kỹ thuật thực nghiệm để tự động hóa tinh chỉnh phần mềm, dựa trên một kỹ thuật máy học ít phức tạp hơn một mạng lưới thần kinh. Kết quả, con robot phức tạp đã đi được chỉ trong vòng một ngày.

Tạo ra một thiết kế mạng lưới thần kinh nhân tạo từ đầu khó khăn hơn nhiều so với tinh chỉnh một bộ thiết lập có sẵn. Nhưng theo Mehryar Mohri, giáo sư tại Đại học New York, kết quả các nghiên cứu mới cho thấy rằng nó đang dần trở nên thực tế hơn.

Mehryar Mohri đang làm việc trên hệ thống AdaNet, khi hợp tác với các nhà nghiên cứu tại văn phòng Google ở New York. Khi thu thập một bộ dữ liệu được gắn nhãn, họ xây dựng nên từng lớp một cho mạng lưới thần kinh nhân tạo đó, thử nghiệm từng lớp bổ sung vào thiết kế của mạng lưới, để đảm bảo rằng nó sẽ cải thiện hiệu suất hệ thống.

Hệ thống AdaNet cho thấy khả năng tạo ra các mạng lưới thần kinh nhân tạo có thể thực hiện một tác vụ tương tự như một mạng lưới tiêu chuẩn có quy mô lớn gấp đôi, do con người dựng lên một cách thủ công. Theo Mehryar Mohri, điều này sẽ rất hứa hẹn, vì nhiều công ty đang cố gắng nhồi nhét một phần mềm AI mạnh hơn vào các thiết bị di động vốn có lượng tài nguyên rất giới hạn.

Tuy nhiên, việc làm nó dễ dàng tạo ra và triển khai các hệ thống AI phức tạp cũng có những hạn chế. Các nghiên cứu mới cho thấy việc thực hiện quá dễ dàng sẽ vô tình tạo ra các hệ thống AI có cái nhìn thiên kiến về thế giới, chẳng hạn như một hệ thống tự động học tập ngôn ngữ từ web đã xem từ Mexican là từ có ý nghĩa xấu, hay một hệ thống máy học khác có xu hướng liên tưởng phụ nữ với các công việc vặt trong nhà. Theo lập luận của Mehryar Mohri, chính việc giảm các công việc nhập dữ liệu thủ công khi xây dựng các mạng lưới thần kinh nhân tạo có thể giúp phát hiện và ngăn chặn những vấn đề tương tự dễ dàng hơn.

CEO Sundar Pichai đã gợi ý muốn đưa công cụ ra bên ngoài Google: “Chúng tôi muốn phổ biến nó rộng rãi hơn”. Nếu Google thật sự đưa hệ thống AutoML của hãng hoạt động đủ tốt để trở thành một công cụ hữu ích cho các lập trình viên, ảnh hưởng của nó có thể sẽ vượt ra ngoài khuôn khổ của công ty.