Các máy móc tự truyền đạt kiến thức cho nhau có thể là xu hướng lớn nhất trong AI

0

“Giao tiếp càng dễ dàng hơn, thì sự thay đổi sẽ xảy ra càng nhanh hơn” – James Burke, Nhà sử học khoa học

Trong cuộc họp báo vào tháng 10 năm 2015 để công bố tính năng Autopilot của Tesla Model S, giám đốc điều hành Tesla là Elon Musk cho biết mỗi người lái xe sẽ trở thành một “huấn luyện viên chuyên nghiệp” cho mỗi Model S. Mỗi xe có thể cải thiện các tính năng tự trị của riêng mình bằng cách học hỏi từ người lái xe, nhưng đáng kể hơn, khi một Tesla học được từ người lái xe của mình – thì kiến ​​thức đó có thể được chia sẻ với mọi chiếc Tesla khác.

Mỗi xe có thể cải thiện các tính năng tự trị của riêng mình bằng cách học hỏi từ người lái xe, có thể được chia sẻ với mọi chiếc Tesla khác.

Như Fred Lambert với Electrik đã báo cáo ngay sau đó, các chủ nhân của Model S đã chú ý đến tính năng lái xe nhanh như thế nào. Trong một ví dụ, Teslas đã rẽ vào lối ra không chính xác dọc theo đường cao tốc, buộc chủ sở hữu của họ tự lái xe lại trên con đường chính xác. Chỉ sau vài tuần, chủ xe cho biết những chiếc xe đã không rẽ vào lối ra sớm.

Một người chủ của Tesla cho biết: “Tôi nhận thấy điều đáng chú ý là nó đang tự cải thiện nhanh chóng.”

Các hệ thống thông minh, giống như những hệ thống được hỗ trợ bởi phần mềm máy học mới nhất, không chỉ thông minh hơn: chúng trở nên thông minh hơn một cách nhanh hơn. Hiểu được tốc độ phát triển của các hệ thống này có thể là một phần đặc biệt thách thức trong việc điều hướng sự thay đổi công nghệ.

Ray Kurzweil đã viết rất nhiều về những thiếu sót trong sự hiểu biết của con người giữa cái mà ông gọi là quan điểm “trực quan tuyến tính” về thay đổi công nghệ và tỷ lệ thay đổi “mũ” đang diễn ra. Gần hai thập kỷ sau khi viết bài luận có ảnh hưởng về cái mà ông gọi là ” Luật tăng tốc ” – một lý thuyết về sự thay đổi tiến hóa liên quan đến tốc độ cải thiện các hệ thống thông qua các thiết bị kết nối theo thời gian giờ đây chia sẻ kiến ​​thức giữa họ và tăng tốc độ họ cải tiến.

Một người chủ của Tesla cho biết: “Tôi nhận thấy điều đáng chú ý là nó đang tự cải thiện nhanh chóng.”

Hod Lipson, giáo sư ngành cơ khí và khoa học dữ liệu của Đại học Columbia, cho biết: “Tôi nghĩ rằng đây có lẽ là xu hướng mũ lớn nhất trong AI.”

“Tất cả các xu hướng công nghệ theo hàm mũ đều có” số mũ “khác nhau,” Lipson nói thêm. “Nhưng cái này có tiềm năng lớn nhất.”

Theo Lipson, cái mà chúng ta có thể gọi là “giảng dạy bằng máy” là khi các thiết bị truyền đạt kiến ​​thức cho nhau là một bước tiến nhanh chóng trong tốc độ mà các hệ thống này cải tiến.

ông nói: “Đôi khi nó là hợp tác, ví dụ như khi một máy học từ một người khác như một cái đầu óc. Nhưng đôi khi nó là thù địch, như trong một cuộc chạy đua vũ trang giữa hai hệ thống chơi cờ vua chống lại nhau, “.

“Giảng dạy bằng máy” là khi các thiết bị truyền đạt kiến ​​thức cho nhau là một bước tiến nhanh chóng trong tốc độ mà các hệ thống này cải tiến.

Lipson tin rằng cách phát triển AI này là một việc lớn vì nó có thể vượt qua được nhu cầu về dữ liệu huấn luyện.

“Dữ liệu là nhiên liệu của máy học, nhưng thậm chí đối với máy móc, một số dữ liệu rất khó nhận ra, nó có thể là rủi ro, chậm, hiếm hoặc đắt. Trong những trường hợp này, máy móc có thể chia sẻ kinh nghiệm hoặc tạo ra những trải nghiệm tổng hợp cho nhau để tăng thêm hoặc thay thế dữ liệu. Nó chỉ ra rằng đây không phải là một hiệu ứng nhỏ, nó thực sự là tự khuếch đại, và do đó hàm mũ. “

Lipson đã nhìn thấy bước đột phá gần đây từ DeepMind của Google, một dự án gọi là AlphaGo Zero, như một ví dụ tuyệt vời về việc học hỏi về AI mà không có dữ liệu đào tạo. Nhiều người đã quen thuộc với AlphaGo, máy học AI và trở thành người chơi tốt nhất trên thế giới sau khi nghiên cứu tập dữ liệu tập huấn lớn bao gồm hàng triệu hành động Go của con người. AlphaGo Zero đã có thể đánh bại thậm chí là AI chơi-cờ-Go khác, chỉ đơn giản bằng cách học các quy tắc của trò chơi và chơi một mình, không có dữ liệu đào tạo cần thiết. Sau đó nó đánh bại các phần mềm chơi cờ vua tốt nhất thế giới sau khi bắt đầu từ đầu và đào tạo chỉ trong tám giờ.

Bây giờ hãy tưởng tượng hàng ngàn hoặc hơn AlphaGo Zeroes ngay lập tức chia sẻ kiến ​​thức đã có của nó.

Bước đột phá gần đây từ DeepMind của Google, một dự án gọi là AlphaGo Zero

Đây không chỉ là trò chơi. Chúng ta đã chứng kiến ​​nó sẽ ảnh hưởng lớn đến tốc độ mà các doanh nghiệp có thể cải thiện hiệu suất của thiết bị của họ.

Một ví dụ là công nghệ kỹ thuật số công nghiệp mới của GE là mô phỏng phần mềm của một máy mô hình những gì đang xảy ra với thiết bị. Hãy nghĩ về nó như một cái máy với hình ảnh của chính nó mà nó cũng có thể chia sẻ với các kỹ thuật viên.

Ví dụ, một tuabin hơi với một cặp đôi kỹ thuật số có thể đo nhiệt độ hơi nước, tốc độ cánh quạt, khởi động lạnh, và các dữ liệu khác để dự đoán sự hư hỏng và cảnh báo các kỹ thuật viên để ngăn ngừa việc sửa chữa tốn kém. Các cặp song sinh kỹ thuật số tạo ra những dự đoán bằng cách tự nghiên cứu hiệu suất của mình, nhưng nó cũng dựa vào các mô hình các tuabin hơi khác đã phát triển.

Khi các máy móc bắt đầu học hỏi từ môi trường của chúng theo những cách mới và mạnh mẽ, sự phát triển của chúng được đẩy nhanh bằng cách truyền đạt những gì chúng học được với nhau. Trí tuệ tập thể của mọi tuabin GE lan rộng khắp hành tinh có thể đẩy nhanh khả năng tiên đoán của từng máy. Trường hợp một chiếc xe không người lái cần mất thời gian đáng kể để học cách điều hướng một thành phố cụ thể thì 100 chiếc xe không người lái cùng một thành phố có thể cải thiện thuật toán của nó trong thời gian ít tốn kém hơn bằng cách chia sẻ những gì nó đã học.

Khi các thiết bị hỗ trợ AI khác bắt đầu thúc đẩy việc chuyển giao kiến ​​thức chung này, chúng ta có thể thấy tốc độ phát triển nhanh hơn. Vì vậy, nếu bạn nghĩ rằng mọi thứ đang phát triển nhanh chóng ngày hôm nay, hãy nhớ rằng chúng ta chỉ mới bắt đầu.

Nguồn: timbimat.com

>>> Xem ngay: Liệu Báo cáo của trường đại học Stanford ở Mỹ về sự tiến triển của công nghệ A.I. là chính xác?

>>> Xem bài gốc tiếng Anh tại đây

>>> Xem bài gốc tiếng Việt tại đây

Share.

About Author