Trong quá trình tìm kiếm trí tuệ nhân tạo (AGI), loạt ứng dụng AI ngày nay cho thấy rất ít năng khiếu trong nhiều thứ mà bất kỳ đứa trẻ ba tuổi nào cũng có thể nắm bắt – hiểu nguyên nhân và kết quả, lực hấp dẫn và các mối quan hệ không gian cũng như thời gian trôi qua.
Phần lớn, điều này có thể là do trong khi chúng ta có một ví dụ tuyệt vời về trí thông minh nói chung trong não người, mạng lưới thần kinh của AI hoạt động theo những cách hoàn toàn khác với cách thức hoạt động của bộ não. Chắc chắn, cả hai đều có những thứ được gọi là tế bào thần kinh được kết nối với nhau bằng các khớp thần kinh có trọng số và trạng thái của tế bào thần kinh tác động đến trạng thái của các tế bào thần kinh mà nó được kết nối với nhau.
Tìm kiếm trí tuệ nhân tạo nói chung so với trí thông minh chung của con người
Tuy nhiên, từ đó, sự tương đồng dừng lại. Các tế bào thần kinh sinh học không xuất hiện trong các lớp có trật tự với các kết nối có trật tự giữa lớp này và lớp tiếp theo giống như cách mà các mạng thần kinh của tìm kiếm trí tuệ nhân tạo AI làm.
Thay vào đó, bộ não có một mớ kết nối mà chúng ta vẫn chưa thể làm sáng tỏ. Tế bào thần kinh sinh học tích lũy điện tích từ các khớp thần kinh đến và phát ra một sự đột biến khi đạt đến một ngưỡng. Hơn nữa, các giá trị của tế bào thần kinh sinh học là nhị phân: hoặc có một tăng đột biến hoặc không.
Các chuyên gia AI thường chống lại sự khác biệt đó bằng cách đặt kích hoạt mạng nơ-ron của AI thành một hàm bước để đầu ra sẽ là 1 hoặc 0. Tuy nhiên, vấn đề với cách tiếp cận đó là nó bỏ qua phí tích lũy từ chu kỳ này sang chu kỳ tiếp theo . Để tạo nên sự khác biệt, chúng ta cũng cần thêm bộ nhớ trong, bộ nhớ này không được phản ánh trong hầu hết các mạng nơ-ron.
Nhiều chuyên gia tìm kiếm trí tuệ nhân tạo AI cũng gợi ý rằng thay vì tăng đột biến riêng lẻ, đầu ra của các tế bào thần kinh nhân tạo đại diện cho tốc độ tăng đột biến của tế bào thần kinh và tốc độ đó có thể thay đổi liên tục. Tuy nhiên, trong thực tế, tốc độ tăng đột biến không thể thay đổi liên tục vì các tế bào thần kinh sinh học có tốc độ tăng đột biến tối đa khoảng 250 Hz và các tín hiệu thần kinh không thể hữu ích dưới khoảng 20 Hz.
Ở giữa, mức độ tiếng ồn cao trong não giới hạn số lượng các tỷ lệ khác nhau có thể được biểu thị một cách đáng tin cậy. Hơn nữa, việc phát hiện nhiều tỷ lệ tăng đột biến độc đáo hóa ra lại vượt quá khả năng của các tế bào thần kinh riêng lẻ, và việc phát hiện chúng theo cách đơn giản là cực kỳ chậm.
Cũng có một số vấn đề khi bạn xem xét cách hai tín hiệu đầu vào tăng đột biến ở cùng một tốc độ có thể tạo ra các tỷ lệ tăng đột biến đầu ra khác nhau tùy thuộc vào giai đoạn hoặc thời gian tương đối của chúng – cả hai đều bị thiếu trong tìm kiếm trí tuệ nhân tạo AI – tạo cho tế bào thần kinh sinh học cả một vũ trụ chức năng tiềm năng thiếu Mạng nơ-ron AI.
Tìm kiếm trí tuệ nhân tạo Synapses
Tất cả điều đó đưa chúng ta đến khớp thần kinh. Vấn đề cơ bản ở đây là trong bối cảnh sinh học, không có cách nào để não tiếp cận chính xác trọng lượng của khớp thần kinh.
Nếu bạn nhìn vào một tế bào thần kinh kích hoạt với tốc độ cố định được kết nối với một tế bào thần kinh khác có khớp thần kinh không xác định và nhận thấy rằng nơ-ron đầu ra đang kích hoạt với một nửa tốc độ của đầu vào, điều đó không có nghĩa là khớp thần kinh có trọng lượng 0,5. Thay vào đó, nó có nghĩa là trọng lượng khớp thần kinh nằm trong khoảng từ 0,5 đến 1,0.
Trong bộ mô phỏng não nhân tạo, có thể chỉ cần nhấp vào khớp thần kinh và đọc trọng lượng của nó hoặc nhấp vào tế bào thần kinh và xem khớp thần kinh đóng góp bao nhiêu vào điện thế màng.
Tuy nhiên, trong bộ não sinh học, chúng ta không biết cách đo trọng lượng của khớp thần kinh và cách duy nhất để đo điện thế màng tế bào thần kinh là sử dụng điện cực kim – không phải là một triển vọng đặc biệt dễ chịu hoặc hiệu quả.
Vì vậy, điều đó có nghĩa là trọng lượng khớp thần kinh là vô dụng? Cách xa nó. Chúng chỉ vô dụng trong việc lưu trữ các giá trị chính xác mà bạn có thể muốn đọc lại. Một cách tốt hơn để tiếp cận điều này là một khớp thần kinh biểu thị một bit thông tin trong khi giá trị trọng số thể hiện sự tin cậy rằng bit đó là đúng. Trọng lượng càng gần 0,0 hoặc 1,0 thì độ tin cậy càng cao vì sẽ cần nhiều gai hơn để thay đổi trọng lượng sang trạng thái khác.
Lan truyền ngược
Cuối cùng, có sự lan truyền ngược, không thể đại diện cho cách học của các tế bào thần kinh vì hai lý do cơ bản. Chắc chắn có một vấn đề với lượng dữ liệu đào tạo khổng lồ cần thiết để tạo ra một chức năng mạng học sâu, điều này hiển nhiên cho thấy mạng nơ-ron đang học theo một cơ chế khác với cơ chế con.
Nhưng ở cấp độ cơ bản hơn nữa, việc xem xét nhanh tìm kiếm trí tuệ nhân tạo công thức lan truyền ngược cho thấy nó dựa vào việc biết trọng lượng khớp thần kinh hiện tại là bao nhiêu và có thể trực tiếp sửa đổi trọng lượng của bất kỳ khớp thần kinh nào trong mạng với độ chính xác cao. Điều này đơn giản là không thể xảy ra trong một thế giới hợp lý về mặt sinh học.
Ngoài ra, phương pháp tính toán các thay đổi trọng lượng trong quá trình lan truyền ngược sẽ không hoạt động nếu trường gradient không liên tục trơn tru, đó không phải là do bản chất rời rạc của các tế bào thần kinh và trọng lượng khớp thần kinh trong não người.
Tất cả những điều này không có nghĩa là các phương pháp tiếp cận tìm kiếm trí tuệ nhân tạo ngày nay là sai hoặc không hoạt động. Ngược lại, nhiều hệ thống AI hoạt động rất tốt. Nhưng các thuật toán của AI ngày nay khác với cách bộ não con người hoàn thành các nhiệm vụ tương tự.
Điều này là do các thuật toán trong mạng nơ-ron nhân tạo không thể thực hiện trong các nơ-ron. Sau bốn thập kỷ thử nghiệm trong AI mà không có sự xuất hiện của trí thông minh nói chung, đã đến lúc nhận ra rằng cần có những cách tiếp cận mới nếu AGI xuất hiện.
Lớn hơn = tốt hơn?
Nhiều chuyên gia về tìm kiếm trí tuệ nhân tạo AI giả định rằng mặc dù các hệ thống AI ngày nay rõ ràng là thiếu sót nếu chúng ta có thể xây dựng chúng đủ lớn và đưa vào đủ dữ liệu đào tạo, thì trí thông minh chung sẽ xuất hiện.
Ngay cả khi điều này là có thể, trí thông minh được tạo ra sẽ khác với trí thông minh nói chung của con người vì các cách tiếp cận cơ bản khác nhau được mô tả ở trên.
Điều này rất giống với suy nghĩ ban đầu trong quá trình phát triển hệ thống của chuyên gia — nếu chúng ta có thể lập trình đủ các trường hợp sử dụng, một hệ thống sẽ dường như “hiểu”. Nhưng trí thông minh của con người lại đi theo hướng khác – sự phức tạp của hành vi con người, nhiều “trường hợp sử dụng” của nó là kết quả của sự hiểu biết.
Chúng tôi sẽ được phục vụ tốt hơn nếu coi học sâu như một công cụ thống kê mạnh mẽ và tinh vi. Với nó, chúng ta có thể tìm thấy các mối quan hệ trong bộ dữ liệu mà không trí óc con người nào có thể phát hiện được, nhưng nó không thể tạo ra sự hiểu biết một cách tự nhiên.
Thay vào đó, chúng ta cần tập trung vào khả năng của một đứa trẻ ba tuổi. Mặc dù những thứ này không mang lại nhiều khả năng ứng dụng thương mại ngay lập tức, nhưng điều quan trọng là bất kỳ đứa trẻ ba tuổi nào cũng có khả năng phát triển lên một đứa trẻ bốn tuổi và tương tự như khả năng tư duy ở cấp độ người lớn.
Nhìn vào cách bất kỳ đứa trẻ nào học về môi trường và các mối quan hệ giữa chúng và thế giới thực là chìa khóa để có được sự hiểu biết thực sự, là nền tảng cho bất kỳ sự phát triển tìm kiếm trí tuệ nhân tạo AGI nào trong tương lai.
Từ khóa:
- Các thuật toán tìm kiếm trong trí tuệ nhân tạo
- Tìm kiếm theo chiều rộng trí tuệ nhân tạo
- Thuật toán leo đồi trí tuệ nhân tạo
- Tìm kiếm A
- Thuật toán IDS
- Tìm kiếm sâu dần
- Iterative deepening search
- Bài toán đong nước trí tuệ nhân tạo
Nội dung liên quan:
- Top 6 cách đánh bại đối thủ cạnh tranh về nội dung của bạn
- Cách sử dụng Social Data để vượt lên đối thủ cạnh tranh
- Whip Up một bài đăng trên blog trêu ngươi với 9 thành phần này
