Nếu nó chỉ là sự dự đoán, thì sao lại gọi là “trí tuệ”?
Những tiến bộ gần đây trong máy tự học đã thay đổi cách chúng ta sử dụng
số liệu thống kê để dự đoán. Thật hấp dẫn khi xem những phát triển gần
đây nhất trong AI và máy tự học như là “số liệu thống kê truyền thống
được tiêm steroid
*
”. Theo một cách nào đó thì điều đó là sự thật, bởi vì
mục tiêu cuối cùng là tạo ra một sự dự đoán để điền thông tin còn thiếu.
Hơn nữa, quá trình máy tự học bao gồm sự tìm kiếm giải pháp có xu hướng
làm giảm thiểu sai sót.
*
Steroid là thuốc tăng cơ bắp, có ảnh hưởng rất lớn tới quá trình hóa học
của cơ thể, kích thích tăng trưởng và các chức năng sinh lý khác.
Vậy điều gì khiến máy tự học trở thành một công nghệ máy tính mang tính
chuyển đổi xứng đáng với cái tên “trí tuệ nhân tạo”? Trong một số trường
hợp, sự dự đoán tốt đến mức chúng ta có thể dùng sự dự đoán thay cho
logic dựa trên quy tắc.
Sự dự đoán hiệu quả thay đổi cách máy tính được lập trình. Những phương
pháp thống kê truyền thống hay thuật toán của mệnh đề nếu-thì đều không
hoạt động tốt trong những môi trường phức tạp. Bạn muốn nhận diện một
con mèo trong nhóm những bức ảnh? Cụ thể là những chú mèo đều có
nhiều màu sắc và tư thế khác nhau. Chúng có thể đứng, ngồi, nằm, nhảy
nhót, hoặc trông cau có. Chúng có thể ở trong hay ở ngoài. Điều này sẽ
nhanh chóng trở nên phức tạp. Do đó, ngay cả khi thực hiện một công việc
dễ dàng cũng đều đòi hỏi sự cẩn thận và đó chỉ là ví dụ với những chú mèo.
Vậy nếu chúng ta muốn một cách miêu tả tất cả những đối tượng trong một
bức ảnh thì sao? Chúng ta cần phải miêu tả riêng từng đối tượng.
Một công nghệ quan trọng, nền tảng cho những tiến bộ gần đây, được gọi là
“học sâu”, dựa vào cách tiếp cận gọi là “tuyên truyền ngược”. Nó tránh
được tất cả những điều phức tạp ở trên, giống như não bộ con người, bằng
cách học hỏi qua những ví dụ (liệu những nơ-ron nhân tạo bắt chước những
