mục tiêu đó. Ví dụ, các chuyên gia nghiên cứu của Google cho một AI gửi
tin nhắn tới một AI khác thông qua một quá trình mã hóa. Hai AI dùng
chung một khóa để mã hóa và giải mã thông điệp, AI thứ ba (đối thủ) có
thông điệp nhưng không có chìa khóa và cố gắng giải mã chúng. Với nhiều
sự mô phỏng, đối thủ đào tạo AI chính giao tiếp bằng nhiều cách khác nhau
mà khó có thể giải mã được nếu không có chìa khóa.
10
Những tiếp cận học mô phỏng như vậy không thể xảy ra trên mặt đất;
chúng đòi hỏi một thứ gì đó giống như cách tiếp cận ở một phòng thí
nghiệm sản xuất ra một thuật toán máy tự học mới, có thể được sao chép và
ứng dụng. Ưu điểm là máy không được đào tạo trong thực tế, vậy nên rủi ro
với trải nghiệm người dùng hoặc thậm chí với bản thân người dùng, được
giảm thiểu. Điểm bất lợi là những mô phỏng có thể không cung cấp dữ liệu
phản hồi đủ phong phú, làm suy giảm chứ không loại bỏ nhu cầu phát hành
AI sớm. Cuối cùng, bạn vẫn sẽ phải đưa AI vào thế giới thật.
Học trên mây hay học trên mặt đất
Học trong thực tế cải thiện AI. Công ty có thể sử dụng những kết quả mà
máy dự đoán trải nghiệm trong thực tế để cải thiện những dự đoán sau.
Thông thường, một công ty thu thập dữ liệu trong thế giới thực, những dữ
liệu định nghĩa lại máy trước khi công ty đưa ra bản cập nhật mô hình dự
đoán.
Autopilot của Tesla chưa từng học hỏi với người tiêu dùng thực tế. Khi nó
ở ngoài thực địa, nó sẽ gửi dữ liệu về đám mây máy tính của Tesla. Tesla
sau đó tổng hợp và sử dụng dữ liệu đó để nâng cấp Autopilot. Chỉ khi đó nó
mới tung ra một phiên bản mới của Autopilot. Việc học diễn ra trên đám
mây. Cách tiếp cận tiêu chuẩn này có lợi thế là bảo vệ người dùng khỏi
những phiên bản không được đào tạo đầy đủ. Tuy nhiên, nhược điểm là AI
phổ biến nằm trong các thiết bị không thể tính toán đến việc thay đổi điều
kiện môi trường nhanh chóng hoặc, ít nhất, chỉ có thể làm như vậy khi dữ
