Tuần này đánh dấu một khoảnh khắc lịch sử cho Trí tuệ Nhân tạo (AI) với hai Giải Nobel được trao trong lĩnh vực Vật lý và Hóa học. Cựu nhà nghiên cứu của Google, Geoffrey Hinton, cùng nhà khoa học Mỹ John Hopfield, đã nhận Giải Nobel Vật lý cho công trình nền tảng của họ trong lĩnh vực Học Máy. Demis Hassabis – người đồng sáng lập đơn vị AI của Google, DeepMind – và đồng nghiệp John Jumper đã giành Giải Nobel Hóa học cho dự án AlphaFold, đã cách mạng hóa việc dự đoán cấu trúc protein.
Điều quan trọng nhất, một trong những giải thưởng này đánh dấu lần đầu tiên một phương pháp AI Nơron biểu tượng – một mô hình kết hợp mạng Nơron với lý luận biểu tượng của AI cổ điển – được công nhận rõ ràng ở cấp độ Nobel. Những giải thưởng này báo hiệu một sự chuyển mình trong cách suy nghĩ về AI và có thể đánh dấu hướng đi tương lai cho lĩnh vực này. Hãy cùng xem xét lý do tại sao.
Tại sao có giải Nobel trong lĩnh vực Vật lý và Hóa học?
Chỉ đơn giản vì danh sách các hạng mục Nobel hiện tại không bao gồm Khoa học Máy tính hoặc AI. Tuy nhiên, ủy ban đã tìm ra cách để công nhận tác động của nó. Các hạng mục Nobel, được thành lập vào năm 1895, chủ yếu bao gồm các lĩnh vực truyền thống như Vật lý, Hóa học, Sinh lý học hoặc Y học, Văn học và Hòa bình. Ngay cả Giải Nobel Kinh tế cũng là một bổ sung muộn vào năm 1968 với sự hỗ trợ của ngân hàng trung ương Thụy Điển.
Tốc độ phát triển siêu nhanh trong Khoa học Máy tính và AI khiến việc công nhận những tiến bộ trong các lĩnh vực đang liên tục phát triển như vậy trở nên khó khăn. Tuy nhiên, sẽ không lâu nữa trước khi Khoa học Máy tính hoặc AI có hạng mục và giải thưởng Nobel riêng của chúng.
Cuộc tranh cãi xung quanh giải thưởng cho Geoffrey Hinton
Trong lĩnh vực vật lý, Geoffrey Hinton, cùng với John Hopfield, đã được công nhận vì công trình nền tảng của họ trong Học Máy. Ủy ban Nobel hiểu rằng đóng góp của họ trong các mô hình Mạng Nơron đã đặt nền tảng cho nhiều phần của cuộc cách mạng Học Sâu mà chúng ta đang chứng kiến ngày nay.
Mặc dù những đóng góp của Hinton được tôn trọng và ông đã ở vị trí tiên phong trong lĩnh vực Học Máy trong nhiều năm, ngay cả khi không ai tin rằng nó có thể mang lại tiến bộ đáng kể, thì trích dẫn từ Nobel đã gây ra nhiều ý kiến trái chiều. Nói tóm lại, nó đã ghi nhận ông với việc phát triển phương pháp lan truyền ngược (backpropagation), một phương pháp đào tạo Mạng Nơron. Tuy nhiên, phương pháp này đã được Paul Werbos tiên phong, người đã phát triển lan truyền ngược thành hình thức hiện đại của nó, cung cấp các ví dụ rõ ràng trong luận án tiến sĩ năm 1974 của mình, một chi tiết mà cộng đồng AI nhanh chóng chỉ ra.
Mặc dù Hinton không thể phủ nhận đã có những đóng góp đáng kể cho Học Máy, những điều cụ thể mà ông giành giải thưởng và mối quan hệ của nó với những tiến bộ trong vật lý vẫn chưa rõ ràng. Sự mơ hồ này có thể dẫn đến những cuộc thảo luận và câu hỏi về tính hợp pháp của giải thưởng này trong nhiều năm tới.
Giải Nobel đầu tiên cho AI Nơ ron biểu tượng
Giải Hóa học đã được trao cho Demis Hassabis và John Jumper của DeepMind, cũng như nhà sinh hóa học David Baker, vì những đóng góp của họ cho AlphaFold – một hệ thống AI dự đoán gập protein, một quá trình sinh học quan trọng. AlphaFold nổi bật với thiết kế lai, kết hợp Mạng Nơron với lý luận Tượng trưng, khiến nó trở thành một ví dụ điển hình của AI Nơron biểu tượng.
Công việc của Hassabis và Jumper trên AlphaFold không chỉ dựa vào Học Sâu để dự đoán cấu trúc của các protein. Thay vào đó, nó sử dụng sự kết hợp của các Mạng Nơron được xây dựng tùy chỉnh bên trong một khung AI biểu tượng. Việc kết hợp hai phương pháp này đã dẫn đến một công cụ được các nhà sinh học sử dụng rộng rãi, giúp giải quyết một trong những vấn đề khó khăn nhất trong khoa học sự sống.
Sự công nhận này phản ánh sự nhận thức ngày càng tăng rằng việc kết hợp sức mạnh tính toán thô của Học Máy với khả năng giải thích và logic của AI cổ điển có thể là con đường tốt nhất để giải quyết những vấn đề phức tạp.
Tại sao AI Nơ ron biểu tượng quan trọng?
AI Nơ ron biểu tượng đại diện cho một cách tiếp cận có cấu trúc hơn đối với việc giải quyết vấn đề so với các phương pháp hoàn toàn dựa vào dữ liệu như Mạng Nơron, phần của tất cả các hệ thống GenAI. Trong khi Mạng Nơron đã thành công trong nhận diện mẫu, sản xuất ngôn ngữ ngữ pháp chính xác và xử lý hình ảnh, chúng gặp khó khăn với lý luận, tính minh bạch và độ tin cậy – các phẩm chất mà AI biểu tượng truyền thống xuất sắc. Sự thành công của AlphaFold cho thấy sức mạnh của việc kết hợp cả hai phương pháp.
AI Nơ ron biểu tượng cung cấp một con đường dẫn đến các hệ thống AI mạnh mẽ hơn, có thể giải thích và tiết kiệm năng lượng hơn. Điều này đặc biệt quan trọng vào thời điểm mà các Mô hình Ngôn ngữ Lớn (LLMs) đang bị chỉ trích vì tính không minh bạch, độ tin cậy thấp và tiêu thụ tài nguyên khổng lồ như điện và dữ liệu.
Tương lai của AI: Bài học từ các giải Nobel
Sự tương phản giữa cách tiếp cận AI của Hinton và Hassabis phản ánh một cuộc tranh luận rộng hơn trong lĩnh vực. Hinton đã từ lâu ủng hộ và trở nên cứng nhắc về Mạng Nơron, tin rằng Học Sâu có thể giải quyết bất kỳ nhiệm vụ nào nếu có đủ dữ liệu. Đến nay, ông đã bị chứng minh là sai.
Những mô hình như vậy thường gặp khó khăn với lý luận và tổng quát, như thấy trong các vấn đề với Mô hình Ngôn ngữ Lớn (LLMs) như ChatGPT, có thể tạo ra văn bản nhưng cũng “ảo giác” thông tin không chính xác, vì nó thiếu các phương tiện để đại diện cho kiến thức hoặc lý luận về nó.
Cách tiếp cận cởi mở hơn của Hassabis đối với AI gợi ý rằng tương lai của AI có thể nằm ở các hệ thống lai kết hợp những điều tốt nhất của cả Mạng Nơron và lý luận Tượng trưng. Một số viện nghiên cứu trên khắp châu Âu (ví dụ: Na Uy, Tây Ban Nha, Scotland hoặc Áo), nơi SymAI chủ yếu được nghiên cứu và phát triển thành các ứng dụng thương mại vào đầu những năm 2000, đã bắt đầu đầu tư vào việc thúc đẩy lĩnh vực AI Tượng trưng Thần kinh.
Sự công nhận này từ ủy ban Nobel là một sự ủng hộ to lớn báo hiệu rằng AI Tượng trưng Thần kinh đang được chấp nhận chính thống và có thể là chìa khóa để giải quyết không chỉ các vấn đề trong sinh học mà còn trong nhiều lĩnh vực khoa học khác, chẳng hạn như Dầu khí, Y học hoặc Kinh tế.
Kết luận: Một kỷ nguyên mới cho AI
Các Giải Nobel 2023 đã làm rõ một điều: AI đang bước vào một kỷ nguyên mới. Trong khi GenAI, Học Sâu và Mạng Nơron đã thống trị lĩnh vực này trong những năm gần đây, việc công nhận AI Tượng trưng Thần kinh mở ra cánh cửa cho những cách tiếp cận tích hợp và toàn diện hơn đối với AI. Khi lĩnh vực này tiếp tục phát triển, các mô hình lai như AlphaFold có thể chỉ ra con đường hướng tới các hệ thống thông minh hơn, hiệu quả hơn và có thể giải thích hơn. Khoảnh khắc Nobel này có thể là khởi đầu của một sự chuyển mình rộng lớn hơn hướng tới AI Tượng trưng Thần kinh và tiềm năng của nó để cách mạng hóa không chỉ khoa học mà cả xã hội nói chung.
Nguồn tham khảo: Sinuhe.ai