Trí tuệ nhân tạo tổng quát là gì?
Trí tuệ nhân tạo tổng quát (AGI) là một lĩnh vực nghiên cứu AI lý thuyết nhằm cố gắng tạo ra phần mềm có trí thông minh giống con người và có khả năng tự học. Mục đích là để phần mềm có thể thực hiện các nhiệm vụ mà nó không nhất thiết phải được đào tạo hoặc phát triển.
Các công nghệ trí tuệ nhân tạo (AI) hiện tại đều hoạt động trong một tập hợp các thông số đã xác định trước. Ví dụ: các mô hình AI được đào tạo về nhận dạng và tạo hình ảnh không thể xây dựng trang web. AGI là một mục tiêu theo đuổi lý thuyết để phát triển các hệ thống AI có khả năng tự kiểm soát tự chủ, mức độ hiểu biết hợp lý về bản thân và khả năng học các kỹ năng mới. Nó có thể giải quyết các vấn đề phức tạp trong các hoàn cảnh và bối cảnh không được dạy cho nó tại thời điểm được tạo. AGI với khả năng của con người vẫn là một khái niệm lý thuyết và mục tiêu nghiên cứu.
Sự khác biệt giữa trí tuệ nhân tạo và trí tuệ nhân tạo tổng quát là gì?
Trong nhiều thập kỷ, các nhà nghiên cứu AI đã lập ra một số cột mốc giúp nâng cao đáng kể trí tuệ máy móc - thậm chí đến mức độ bắt chước trí thông minh của con người trong các nhiệm vụ cụ thể. Ví dụ: các trình tóm tắt AI sử dụng mô hình máy học (ML) để trích xuất các điểm quan trọng từ tài liệu và tạo ra một bản tóm tắt dễ hiểu. Do đó, AI là một ngành khoa học máy tính cho phép phần mềm giải quyết các nhiệm vụ mới lạ và khó khăn với hiệu suất ở cấp độ con người.
Ngược lại, một hệ thống AGI có thể giải quyết các vấn đề trong các miền khác nhau, giống như con người, mà không cần can thiệp thủ công. Thay vì bị giới hạn trong một phạm vi cụ thể, AGI có thể tự học và giải quyết các vấn đề mà nó chưa bao giờ được đào tạo. Do đó, AGI là một đại diện lý thuyết của một trí tuệ nhân tạo hoàn chỉnh giải quyết các nhiệm vụ phức tạp với khả năng nhận thức tổng quát của con người.
Một số nhà khoa học máy tính tin rằng AGI là một chương trình máy tính giả định có khả năng hiểu và nhận thức của con người. Các hệ thống AI có thể học cách xử lý những nhiệm vụ không quen thuộc mà không cần đào tạo thêm về các lý thuyết như vậy. Ngoài ra, các hệ thống AI mà chúng ta sử dụng ngày nay yêu cầu đào tạo đáng kể trước khi chúng có thể xử lý các nhiệm vụ liên quan trong cùng một miền. Ví dụ: bạn phải tinh chỉnh mô hình ngôn ngữ lớn (LLM) được đào tạo trước với các tập dữ liệu y tế trước khi nó có thể hoạt động nhất quán như một chatbot y tế.
AI mạnh so với AI yếu
AI mạnh là trí tuệ nhân tạo đầy đủ, hay AGI, có khả năng thực hiện các nhiệm vụ với mức độ nhận thức của con người mặc dù có ít kiến thức nền tảng. Khoa học viễn tưởng thường mô tả AI mạnh như một cỗ máy tư duy với sự hiểu biết của con người không giới hạn trong giới hạn miền.
Ngược lại, AI yếu hoặc AI hẹp là các hệ thống AI bị giới hạn trong các thông số kỹ thuật tính toán, thuật toán và các nhiệm vụ cụ thể mà chúng được thiết kế. Ví dụ: các mô hình AI trước đây có bộ nhớ hạn chế và chỉ dựa vào dữ liệu thời gian thực để ra quyết định. Ngay cả các ứng dụng AI tạo sinh mới nổi với khả năng lưu giữ bộ nhớ tốt hơn cũng được coi là AI yếu vì chúng không thể được tái sử dụng cho các miền khác.
Các giải pháp lý thuyết cho Trí tuệ nhân tạo tổng hợp là gì?
Để chinh phục được AGI, cần phải có công nghệ, dữ liệu và khả năng kết nối ở phạm vi rộng hơn so với những gì cần cho mô hình AI ngày nay. Tính sáng tạo, nhận thức, khả năng học tập và trí nhớ là những yếu tố cần thiết để tạo ra AI có thể bắt chước hành vi phức tạp của con người. Các chuyên gia AI đã đề xuất một số phương pháp để thúc đẩy hoạt động nghiên cứu về AGI.
Biểu tượng
Giải pháp mang tính biểu tượng giả định rằng hệ thống máy tính có thể phát triển AGI bằng cách đại diện cho suy nghĩ của con người thông qua các mạng logic mở rộng. Mạng logic tượng trưng cho các đối tượng vật lý với logic if-else, cho phép hệ thống AI diễn giải các ý tưởng ở cấp độ tư duy cao hơn. Tuy nhiên, sự đại diện mang tính biểu tượng không thể tái tạo các khả năng nhận thức tinh tế ở cấp độ thấp hơn, chẳng hạn như nhận thức.
Kết nối
Giải pháp kết nối (hoặc tân tiến) tập trung vào việc tái tạo cấu trúc não người vào kiến trúc mạng nơ-ron. Các tế bào thần kinh não có thể thay đổi đường dẫn truyền khi con người tương tác với các yếu tố kích thích bên ngoài. Các nhà khoa học hy vọng mô hình AI áp dụng giải pháp biểu tượng phụ này có thể tái tạo trí thông minh giống con người và thể hiện khả năng nhận thức ở cấp độ thấp. Mô hình ngôn ngữ quy mô lớn là một ví dụ về AI sử dụng phương pháp kết nối để hiểu ngôn ngữ tự nhiên.
Phổ quát
Các nhà nghiên cứu áp dụng giải pháp phổ quát tập trung vào việc giải quyết sự phức tạp của AGI ở cấp độ tính toán. Họ cố gắng xây dựng các giải pháp lý thuyết để tái sử dụng thành các hệ thống AGI thực tế.
Kiến trúc toàn bộ cơ thể
Giải pháp kiến trúc toàn bộ cơ thể liên quan đến việc tích hợp các mô hình AI với một đại diện vật lý của cơ thể người. Những nhà khoa học ủng hộ lý thuyết này tin rằng chỉ có thể chinh phục được AGI khi hệ thống học hỏi từ các tương tác vật lý.
Lai
Giải pháp kết hợp nghiên cứu các phương pháp biểu tượng và biểu tượng phụ để thể hiện suy nghĩ của con người nhằm đạt được kết quả vượt xa những gì thu được khi chỉ dùng một phương pháp. Các nhà nghiên cứu AI có thể cố gắng đồng hóa nhiều nguyên tắc và phương pháp đã biết để phát triển AGI.
Các công nghệ thúc đẩy nghiên cứu trí tuệ nhân tạo tổng hợp là gì?
AGI vẫn là một mục tiêu xa vời đối với các nhà nghiên cứu. Họ vẫn đang nỗ lực xây dựng hệ thống AGI và có thêm động lực nhờ những bước phát triển mới đạt được. Các phần sau đây mô tả các công nghệ mới nổi.
Học sâu
Học sâu là một phân ngành của AI, tập trung vào việc đào tạo mạng nơ-ron với nhiều lớp ẩn để trích xuất và hiểu các mối quan hệ phức tạp từ dữ liệu thô. Các chuyên gia AI sử dụng công nghệ học sâu để xây dựng những hệ thống có khả năng hiểu văn bản, âm thanh, hình ảnh, video và các loại thông tin khác. Ví dụ: các nhà phát triển sử dụng Amazon SageMaker để xây dựng mô hình học sâu gọn nhẹ cho Internet vạn vật (IoT) và thiết bị di động.
AI tạo sinh
Trí tuệ nhân tạo tạo sinh (AI tạo sinh) là một phần của công nghệ học sâu, trong đó hệ thống AI có thể tạo ra nội dung độc đáo và thực tế từ kiến thức đã học. Mô hình AI tạo sinh được đào tạo nhờ các tập dữ liệu khổng lồ, giúp công nghệ này có thể trả lời các truy vấn của con người bằng văn bản, âm thanh hoặc hình ảnh giống với tác phẩm của con người một cách tự nhiên. Ví dụ: LLM của AI21 Labs, Anthropic, Cohere và Meta là các thuật toán AI tạo sinh mà các tổ chức có thể sử dụng để giải quyết những nhiệm vụ phức tạp. Các nhóm phần mềm dùng Amazon Bedrock để triển khai các mô hình này trên đám mây một cách nhanh chóng mà không cần phải có máy chủ.
NLP
Xử lý ngôn ngữ tự nhiên (NLP) là một nhánh của AI giúp hệ thống máy tính hiểu và tạo ra ngôn ngữ của con người. Hệ thống NLP sử dụng ngôn ngữ học tính toán và công nghệ máy học để biến dữ liệu ngôn ngữ thành cách biểu diễn đơn giản là mã thông báo và hiểu mối quan hệ theo ngữ cảnh của chúng. Ví dụ: Amazon Lex là công cụ NLP giúp các tổ chức xây dựng chatbot đàm thoại.
Thị giác máy tính
Thị giác máy tính là công nghệ giúp các hệ thống trích xuất, phân tích và hiểu thông tin không gian từ dữ liệu trực quan. Xe tự lái sử dụng mô hình thị giác máy tính để phân tích nguồn cấp dữ liệu theo thời gian thực từ camera và di chuyển an toàn tránh xa chướng ngại vật. Công nghệ học sâu giúp hệ thống thị giác máy tính có thể tự động hóa quy trình nhận dạng đối tượng trên quy mô lớn, phân loại, giám sát và các tác vụ xử lý hình ảnh khác. Ví dụ: các kỹ sư sử dụng Amazon Rekognition để tự động hóa quy trình phân tích hình ảnh cho các ứng dụng thị giác máy tính khác nhau.
Khoa học robot
Robot là một phân ngành kỹ thuật, trong đó các tổ chức có thể xây dựng những hệ thống cơ khí tự động thực hiện các thao tác vật lý. Trong AGI, hệ thống robot giúp thể hiện trí tuệ nhân tạo về mặt vật lý. Đây là yếu tố then chốt để thể hiện khả năng về nhận thức giác quan và thao tác vật lý mà các hệ thống AGI yêu cầu. Ví dụ: cánh tay robot nhúng AGI có thể cảm nhận, cầm nắm và gọt vỏ cam như con người. Khi nghiên cứu AGI, các nhóm kỹ sư dùng AWS RoboMaker để mô phỏng các hệ thống robot ảo trước khi lắp ráp.
Những thách thức trong nghiên cứu trí tuệ nhân tạo tổng quát là gì?
Sau đây là một số thách thức mà các nhà khoa học máy tính phải đối mặt trong quá trình phát triển AGI.
Tạo kết nối
Các mô hình AI hiện tại bị giới hạn trong miền cụ thể của chúng và không thể tạo kết nối giữa các miền. Tuy nhiên, con người có thể áp dụng kiến thức và kinh nghiệm từ miền này sang miền khác. Ví dụ: các lý thuyết giáo dục được áp dụng trong thiết kế trò chơi để tạo ra trải nghiệm học tập hấp dẫn. Con người cũng có thể điều chỉnh những gì họ tìm hiểu được từ giáo dục lý thuyết cho các tình huống thực tế. Tuy nhiên, các mô hình học sâu đòi hỏi đào tạo đáng kể với các tập dữ liệu cụ thể để làm việc với dữ liệu không quen thuộc một cách đáng tin.
Trí tuệ cảm xúc
Các mô hình học sâu gợi ý về khả năng của AGI, nhưng vẫn chưa chứng minh được sự sáng tạo đích thực mà con người sở hữu. Sáng tạo đòi hỏi tư duy cảm xúc, mà kiến trúc mạng nơ-ron chưa thể sao chép được. Ví dụ: con người phản ứng với một cuộc trò chuyện dựa trên những gì họ cảm nhận được thông qua cảm xúc. Tuy nhiên, nhưng các mô hình NLP tạo ra đầu ra văn bản dựa trên tập dữ liệu ngôn ngữ và các mẫu mà họ đào tạo.
Nhận thức giác quan
AGI đòi hỏi các hệ thống AI tương tác vật lý với môi trường bên ngoài. Ngoài khả năng robot, hệ thống phải nhận thức thế giới như con người. Các công nghệ máy tính hiện có cần cải tiến hơn nữa trước khi có thể phân biệt hình dạng, màu sắc, vị giác, mùi và âm thanh chính xác như con người.
AWS có thể hỗ trợ các hoạt động về AI và AGI của bạn như thế nào?
AWS cung cấp dịch vụ trí tuệ nhân tạo được quản lý giúp bạn đào tạo, triển khai và điều chỉnh quy mô các ứng dụng AI tạo sinh. Các tổ chức sử dụng công cụ AI và mô hình nền tảng của chúng tôi để đổi mới hệ thống AI bằng dữ liệu của riêng họ cho các trường hợp sử dụng dành riêng.
- Amazon Bedrock là dịch vụ được quản lý hoàn toàn, trong đó các nhà phát triển có thể dùng lệnh gọi API để truy cập vào các mô hình AI tạo sinh mà họ triển khai. Bạn có thể chọn, tùy chỉnh, đào tạo và triển khai các mô hình nền tảng hàng đầu trong ngành trên Bedrock để sử dụng dữ liệu độc quyền.
- Amazon SageMaker Jumpstart giúp các nhóm phần mềm đẩy nhanh quá trình phát triển AI bằng cách xây dựng, đào tạo và triển khai các mô hình nền tảng trong trung tâm máy học.
- Sử dụng Amazon Elastic Compute Cloud UltraClusters để hỗ trợ thực hiện khối lượng công việc AI tạo sinh bằng GPU siêu máy tính giúp xử lý các tập dữ liệu khổng lồ với độ trễ thấp.
Bắt đầu sử dụng AGI bằng cách đăng ký tài khoản AWS ngay hôm nay
Các bước tiếp theo trên AWS
