nơ-ron thật hay không là một sự phân tâm thú vị khỏi tính ứng dụng của
loại công nghệ này).
Nếu bạn muốn một đứa trẻ biết từ “con mèo”, thì mỗi khi bạn thấy con
mèo, hãy nói từ này. Điều đó cũng tương tự với máy tự học. Bạn cho nó
một số bức ảnh của mèo với nhãn dán “mèo” và một số bức ảnh không có
mèo mà không có nhãn dán “mèo”. Máy sẽ học cách nhận diện những mẫu
pixel liên quan đến nhãn dán “mèo”. Nếu bạn có những hình ảnh về cả mèo
và chó thì mối liên hệ giữa mèo và đối tượng bốn chân sẽ được củng cố.
Không cần phải cụ thể hoá hơn, một khi bạn cho máy vô số triệu hình ảnh
với nhiều biến khác nhau (bao gồm những hình ảnh không có chó) và dán
nhãn vào máy, nó sẽ phát triển nhiều hơn những mối liên hệ và học hỏi để
phân biệt giữa mèo và chó. Nhiều vấn đề đã chuyển từ vấn đề thuật toán
(“con mèo có những đặc điểm gì?”) sang vấn đề dự đoán (“liệu hình ảnh
không có nhãn dán này có đặc điểm giống với những con mèo mà tôi đã
thấy trước đây?”). Máy tự học sử dụng những mô hình xác suất để giải
quyết vấn đề.
Vậy tại sao nhiều chuyên gia công nghệ gọi máy tự học là “trí tuệ nhân
tạo”? Bởi vì thông tin đầu ra của máy tự học – sự dự đoán – là thành phần
quan trọng của trí tuệ, độ chính xác của sự dự đoán cải thiện qua sự học
hỏi, và độ chính xác cao của sự dự đoán cho phép máy thực hiện những
công việc mà cho đến giờ, thường gắn liền với trí tuệ con người, ví dụ như
nhận diện đối tượng.
Trong cuốn sách On Intelligence (tạm dịch: Bàn về trí tuệ), Jeff Hawkins là
một trong những người đầu tiên cho rằng sự dự đoán là cơ sở cho trí tuệ
con người. Bản chất lý thuyết của ông là trí tuệ con người, cốt lõi của sự
sáng tạo và gia tăng năng suất, là do cách não bộ của chúng ta sử dụng ký
ức để đưa ra sự dự đoán: “Chúng ta đang liên tục đưa ra những sự dự đoán
song song ở mức độ thấp trong khắp các giác quan. Nhưng đó không phải
là tất cả. Tôi cho rằng nó có một vai trò mạnh mẽ hơn nhiều. Sự dự đoán
