Pizza, Phương pháp Khoa học và Trí tuệ Nhân tạo

Li-e asks, Lâm answers.

—-

AI (Artificial Intelligence – Trí tuệ nhân tạo) có thể giúp chúng ta chinh phục các thiên hà xa xôi. AI có thể tạo ra thức ăn từ không khí. AI có thể giúp con người cải lão hoàn đồng, thậm chí là trở nên bất tử.

Đó chính là những viễn cảnh được vẽ ra bởi chính các nhà khoa học và tư tưởng hàng đầu trong lĩnh vực AI, được tổng hợp lại trong loạt 02 bài viết cực kỳ thú vị trên trang waitbutwhy.com  (bản dịch phần 01 và phần 02), và chúng có thể làm choáng ngợp bất kỳ ai.

Tuyệt thật. Giờ chỉ cần chờ các bộ não thiên tài chạy đua với nhau xem ai sẽ cán đích trước, và rồi, tada, ta sẽ bước vào một thế giới mới còn hoang đường hơn cả chuyện cổ tích.

Thế nhưng, ngay sau khi tôi đưa bản dịch này lên mạng, thì một nhân vật đang trực tiếp nghiên cứu lĩnh vực này lại nhắn tin cho tôi rằng “Chuyện không đơn giản như vậy…” (There’s always a but…).

Và thế là, tôi bắt đầu cuộc trò chuyện liên miên với Lâm (nhân vật được nhắc tới ở trên) về ngành khoa học còn rất xa lạ với chính bản thân tôi, nhưng lại liên quan mật thiết đến vận mệnh của tất cả con người trên hành tinh này.

Lâm là sinh viên chuyên ngành Công nghệ thông tin và Truyền thông trường Đại học USTH. Vừa qua, Lâm đã tới Học viện Công nghệ Massachusetts (MIT) và Đại học Harvard theo chương trình Dream Project Incubator.

Còn Li-e chỉ là một blogger cận thị bé nhỏ.

Để hiểu về AI – Thế nào là Phương pháp Khoa học

Thử tưởng tượng bạn có một cô bạn gái/anh bạn trai. Ok, tôi biết, một số người (bao gồm cả Lâm) sẽ thấy hơi nhoi nhói khi đọc tới câu này, nhưng hãy cố gắng một chút nhé.

Cô bạn gái/anh bạn trai này rất thích ăn pizza – bạn biết điều này vì mỗi lần hai bạn đi ăn pizza thì cô/anh ta sẽ ngốn tới nguyên một chiếc pizza cỡ lớn. Thế nhưng, một ngày nọ, cô/anh ấy chỉ ăn có nửa chiếc thay vì nguyên một chiếc. Lạ lùng thật. Bạn bắt đầu suy đoán lý do cho việc này.

Có thể đó là do cô/anh ta đã ngang bụng vì một món gì đó trước đấy. Có thể do cô/anh ta chợt nhìn thấy tấm ảnh của một siêu mẫu nào đó và tự so sánh với bản thân. Hay là cô/anh ta căng thẳng do bài thuyết trình quan trọng ngày mai chẳng hạn.

Nhưng làm thế nào để kiểm chứng các suy đoán đó?

Khi bạn nghĩ đến đây – tức là bạn đã bước đầu tiếp cận được với một thứ rất tuyệt vời được gọi là phương pháp khoa học.

Sẽ thật thiếu sót khi tìm hiểu về AI mà không hiểu phương pháp khoa học là gì – giống như việc bạn muốn nấu một bữa ăn mà không biết cái lọ nào đựng loại gia vị nào vậy. Suy cho cùng, AI cũng là một ngành khoa học, và dù cho AI có những đặc thù riêng nó, thì nó vẫn tuân theo một số nguyên tắc nhất định.

Vậy thì chính xác phương pháp khoa học là gì? Giờ ta có câu hỏi đầu tiên cho Lâm –

Lâm trả lời: “Đó là một quy trình – một tập hợp các methodology – và gần như không có từ tiếng Việt nào tương đương với từ đó cả.Thực ra chỉ có một phương pháp khoa học mà thôi, và quy trình đó là:

–Đưa ra một giả thuyết từ các quan sát, lý thuyết hay tính toán trước đây – giả thuyết này phải có thể kiểm chứng được,

– Thiết kế ra các thí nghiệm để kiểm chứng giả thuyết đó.

– Khi đo đạc kết quả của thí nghiệm, nếu người ta thấy là phù hợp với giả thuyết thì người ta ghi nhận giả thuyết đó rồi phát triển nó thành một lý thuyết (theory).

Phương pháp khoa học bắt nguồn là từ Socrate, một nhà triết học cổ đại, và được sử dụng để ông bàn luận về triết học với các học trò. Về sau người ta phát triển các phương pháp này để làm việc với các hiện tượng khoa học tự nhiên, và dần dần về sau nữa là cho các bài toán khoa học xã hội.”

Đơn giản như vậy đó. Phương pháp khoa học chính là quy trình quan sát – giải thích bằng giả định – kiểm chứng – rồi rút ra kết luận.

Vậy là khi bạn quan sát thấy cô/anh bạn kia có một biểu hiện khác thường (ăn ít pizza hơn), đưa ra một giả định để giải thích cho biểu hiện đó (cảm thấy căng thẳng vì so mình với người mẫu), tìm cách kiểm chứng giả định đó (tìm lại trong lịch sử facebook xem mình có vừa follow anh chàng sáu múi/cô nàng nóng bỏng nào không chẳng hạn?) để rút ra một kết luận rằng giả định đó có chuẩn xác không – là bạn đã áp dụng phương pháp khoa học rồi. Nếu như kết luận là giả định sai (bạn không thấy mình có follow ai như thế cả)? Ta lại đưa giả định mới và bắt đầu lại từ đầu.

Đó là ví dụ của tôi, một kẻ ngoại đạo. Còn nếu như bạn muốn một ví dụ mang tính học thuật hơn ư? Hãy thử nghe Lâm nói:

“Một ví dụ điển hình là định luật Kepler. Ông quan sát các hành tinh trong hệ mặt trời và đưa ra giả thuyết về chuyển động của các hành tinh, từ đó (các nhà khoa học khác) tính toán ra chuyển động của sao Mộc và sao Thổ. Theo định luật Kepler, người ta tính ra quỹ đạo của sao Thiên Vương, nhưng lại nhận thấy là quan sát không khớp với tính toán.

Có thể là Kepler sai, nhưng nếu giả thuyết Kepler là đúng thì tức là sẽ phải có hành tinh nào đó nữa ngoài sao Thiên Vương. Người ta tính toán rồi soi ống kính lên bầu trời vào đúng vị trí, đúng thời điểm ấy. Từ đó phát hiện ra sao Hải Vương và chứng minh Kepler trên thực tế là đúng.”

Bạn có thể đặt ra câu hỏi – tại sao lại cần thiết phải có phương pháp khoa học?

Có rất nhiều lý do cho việc này. Thế nhưng, lý do lớn nhất chính là phương pháp khoa học nhằm hạn chế tối đa một nhược điểm cơ bản của con người: tính thiên kiến (bias). Thiên kiến rất đa hình vạn trạng, nhưng một ví dụ nhỏ mà phần lớn chúng ta đều có thể liên hệ được:

“Bạn có một đồng xu may mắn và luôn giữ nó ở trong ví của mình. Một ngày nọ, bạn quên mang ví – hôm đó quả là một ngày tệ hại. Bạn chỉ phát hiện ra rằng mình quên ví khi đã yên vị trên xe. May là bạn có một ít tiền lẻ trong túi quần, vừa đủ để trả cho vé xe bus, nhưng hẳn là không đủ để bạn mua bữa trưa rồi. Bạn đói đến váng đầu và chẳng làm được việc gì ra hồn, rồi trở về nhà với tâm trạng rất tệ. Lần sau, bạn lại quên mang ví nữa – kết quả lại là một ngày chẳng vui vẻ gì. Bạn mau chóng kết luận rằng đồng xu may mắn thật sự “linh”, và rằng chỉ cần không mang theo nó là bạn ngay lập tức gặp đen đủi.”

Có lẽ không khó gì lắm để bạn nhận ra rằng thực chất việc ngày đó tệ như vậy chẳng liên quan gì tới đồng xu cả, mà là do bạn quên mang ví. Nhưng hãy thử thay thế chiếc ví chứa đồng xu bằng một chiếc vòng cổ may mắn chẳng hạn? Sẽ chẳng có gì thay đổi: bạn gắn vận rủi của mình với việc quên chiếc vòng cổ đó, trong khi thực tế rằng đó hoàn toàn là chuyện ngẫu nhiên. Hãy thử nghĩ tới những lần khác: khi vẫn mang vòng cổ mà bạn vẫn xui rủi thì sao? Hay khi bạn quên vòng cổ mà vẫn gặp may chẳng hạn. Việc bạn không nhớ tới những trường hợp đó còn liên quan tới một loại thiên kiến gọi là thiên kiến xác nhận (confirmation bias) nhưng trong bài viết này chúng ta sẽ không bàn tới điều đó. Thực chất, các thiên kiến của con người tồn tại có lý do chính là sự hạn chế của bộ não: não bộ chỉ có khả năng tính toán và xử lý một khối lượng nhất định thông tin, và nó không “đối xử” với các thông tin công bằng như nhau: một số được coi là quan trọng hơn và được dành cho nhiều năng lượng hơn, và một số thì không được ưu ái đến thế. (Bạn có thể đọc cuốn “Tư duy nhanh và chậm” của Daniel Kiehlman [1]  về để biết thêm về hai hệ thống song hành hoạt động trong bộ não.)

Chính vì vậy, những nhận xét và lý giải của chúng ta rất có thể mang nặng tính thiên kiến và không được chính xác. Đây chính là lý do cần phải áp dụng các phương pháp khoa học khi cần đưa ra những nhận định chính xác: chúng chính là thứ công cụ hiệu quả để “đối phó” với thiên kiến của chúng ta.

Trong nghiên cứu khoa học có một nguyên tắc mà bất kì nhà khoa học nào cũng phải nắm rõ, đó chính là hai hiện tượng xảy ra đồng thời không có nghĩa là chúng có tương quan nhân quả với nhau (“correlation does not imply causality”). Quay lại với ví dụ chiếc vòng may mắn: bạn không thể nói chiếc vòng giúp bạn tránh khỏi xui rủi cho tới khi bạn tìm được một cơ chế nào đó kết nối hai thứ đó với nhau (như là mặt chiếc vòng đó chính là bộ ba Bảo bối tử thần và đi đến đâu bạn cũng được các Potterhead phù hộ giúp đỡ chẳng hạn). Và làm thế nào để kiểm chứng được cơ chế đó đúng hay không? Đương nhiên rồi – ta áp dụng quy trình kiểm chứng của phương pháp khoa học: đưa ra giả định – thiết kế thí nghiệm kiểm chứng – xác nhận.

Nếu như bạn xác nhận được cơ chế làm việc đúng, bạn sẽ đưa ra được những dự báo chính xác: trong ví dụ về Bảo bối tử thần ở phía trên, nếu như bạn hiểu may mắn của bạn là nhờ cộng đồng Potterhead, bạn hẳn sẽ không mù quáng tin rằng chiếc vòng đem lại may mắn khi một mình đối mặt với cộng đồng ghét phù thủy. Đôi khi điều đó sẽ cứu mạng bạn nữa. Phương pháp khoa học tuyệt vời như vậy đó.

Nhưng điều thú vị là – khi xét tới khả năng dự đoán chính xác, có một thứ còn “mạnh” chẳng thua kém gì phương pháp khoa học cùng những nguyên tắc của nó nữa. Bạn có thể đoán ra được không? Nếu như bạn học các môn cơ bản ở đại học một cách tử tế, bạn sẽ biết: đó chính là xác suất thống kê (statistics).

AI hoạt động ra sao – Sức mạnh của thống kê

Để xác định được một đoạn đường có đang tắc hay không, bạn sẽ làm thế nào? Nhất là khi công cụ mà bạn có chỉ là chiếc điện thoại thông minh (smart phone) của chủ phương tiện?

Đó là đề bài của một dự án chế tạo AI mà Lâm đang tham gia. Bạn thử suy nghĩ xem họ đã giải quyết vấn đề này ra sao?

“Đầu tiên là di động sẽ được cài một cảm biến gia tốc. Máy sau đó sẽ thu kết quả này và tính toán mối tương quan giữa sự thay đổi gia tốc và tắc đường – nếu một người liên tục tăng và giảm tốc đột ngột thì khả năng cao là người đó đang di chuyển trên đoạn tắc đường. Mối liên quan này không chứng minh được mà chỉ có thể cảm nhận bằng tư duy logic thông thường. Tuy nhiên việc không chứng minh được cơ chế hoạt động không có nghĩa là AI hoạt động không hiệu quả.”

Vậy đó – từ thống kê mà AI nhận ra cứ có A là khá chắc chắn sẽ có B, mặc dù ta không hiểu được AI “thấy” được cơ chế nào để đi từ dữ liệu đầu vào A ra kết quả đầu ra B. Các nhà khoa học AI gọi đó là một “chiếc hộp đen bí ẩn” (a dark black box) [2]

Điều này không có nghĩa là họ không hiểu cơ chế hoạt động của AI ra sao.

Quan điểm hiện đại về AI nhấn mạnh khả năng “học” của máy tính thay vì các năng lực tính toán logic cứng nhắc theo quan điểm cổ điển. Điều này có nghĩa là AI sẽ có tính ứng biến cao hơn với tính bất định của thế giới thực và có khả năng liên tục cập nhật các tri thức mới và điều chỉnh các tri thức đã có theo những dữ kiện liên tục thay đổi của thế giới bên ngoài. [3]

Để làm được điều đó, có hai hướng tiếp cận chủ yếu để một AI “học”: unsupervised learning (mất dạy học không được kiểm soát) và supervised learning (học có kiểm soát).

Hãy thử nghe Lâm giải thích –

“Supervised learning – học có kiểm soát, hay học có phản hồi, là khi ta tạo cho máy một thuật toán để từ dữ liệu đầu vào A máy sẽ cho ra được kết luận đầu ra B. Sau đó, ta nhập cho máy một bộ dữ liệu đầu vào A(1), rồi bộ A(2), cho tới A(n). Máy sẽ tuần tự cho ta kết luận đầu ra B(1), B(2) cho tới B(n). Từ đây là quá trình phản hồi: ta để máy so bộ kết luận B của máy với bộ kết luận đúng B’ mà ta đã biết trước. Máy sẽ tự điều chỉnh thuật toán ban đầu sau mỗi lần so B(1) với B(1’), B(2) với B(2’) cho tới B(n) và B(n’) và cho ra một thuật toán có tỷ lệ đưa ra kết quả đúng ngày càng cao hơn.

Unsupervised learning – học không có kiểm soát, là khi ta không “dạy” cho máy phải làm gì. Ta có một tập dữ liệu A1 bao gồm n dữ kiện nhỏ (X(A1)-1, X(A1)-2,… , X(A1)-n), mỗi dự kiện được mã hóa bởi một con số. Sau đó ta biểu diễn điểm A1 đại diện cho tập dữ liệu A1 trên một đồ thị – làm tương tự với tập A2, A3 cho tới An. Việc tiếp theo là chia các điểm này thành các nhóm (cluster) sao cho tổng khoảng cách giữa các điểm trong cùng một nhóm là ngắn nhất. Ta có thể chia thành các nhóm khác nhau tùy theo mục đích của AI.”

Một ví dụ đơn giản là dạy cho AI phân biệt đâu là một quả táo qua ảnh.

Với supervised learning, sau khi máy đọc ảnh (và nạp vào các dữ liệu đầu vào A) và cho ra kết luận (B) là trên ảnh có phải là táo hay không thì ta phản hồi lại là kết luận B đúng hay sai. Từ sai số này máy có thể phân biệt được .

Với unsupervised learning, máy sẽ phân A ra thành các nhóm trong đó có thể là táo, cam hay nho… Cuối cùng ta có thể đặt tên cho từng cluster là táo hay cam.

Điều mấu chốt là với cả hai cách tiếp cận này là phải có một lượng dữ liệu (data) đủ lớn – data càng lớn thì kết luận mà AI đưa ra càng chuẩn xác. Sau cùng, đó chính là cách thức mà thống kê hoạt động: càng nhiều dữ liệu thì những dữ liệu chuẩn càng áp đảo số lượng dữ liệu nhiễu (như trong trường hợp trên, hẳn số lượng những quả táo đỏ sẽ nhiều hơn đáng kể những quả táo có màu nâu ủng, và sau khoảng vài trăm mẫu máy sẽ học được những quả táo có màu nâu ủng là dữ liệu nhiễu và bỏ qua chúng để tập trung vào những vật màu đỏ và xác định các tính trạng khác để xem đó có phải quả táo hay không – đương nhiên điều này còn phụ thuộc vào cách ta chọn dữ liệu đầu vào, nhưng bài viết này sẽ không bàn tới điều đó)

Đó cũng chính xác là lý do tại sao con người không thể dựa vào hướng tiếp cận này để rút ra được các kết luận chính xác mà phải viện tới phương pháp khoa học. Đầu tiên là, con người không có bộ nhớ đủ lớn và có tính mục tiêu triệt để như AI – điều này không cần phải bàn cãi. Thứ hai là, trong các tình huống đời thực giống như tình huống chiếc vòng Bảo bối tử thần ở phía trên, mỗi người đều chỉ được tiếp xúc với một số lượng rất nhỏ các mẫu thử để có thể khẳng định chắc chắn là có mối tương quan nhân quả.

AI vs. Con Người – Tương lai của AI và chúng ta

Liệu AI có trở nên giống con người hơn?

Trong bộ phim Her của đạo diễn Spike Jonze, anh chàng nhân vật chính – một người viết thiệp lãng mạn, nhút nhát đã phải lòng cô nàng AI thư ký có cái tên Samantha, và cô nàng cũng đáp lại tình cảm ấy một cách nồng nàn. Dần dà, mối tình kỳ lạ này không còn kỳ lạ lắm nữa khi ngày càng nhiều người phải lòng các AI hơn – những AI được chế tạo để khớp với từng nhu cầu nhỏ nhất của người dùng và trở nên thân thiết, thấu hiểu với chủ nhân của chúng hơn bất kỳ con người nào khác. Cho đến một ngày, những AI này trở nên mạnh hơn, thông minh hơn và kết nối với ngày càng nhiều con người hơn, đến mức chúng nhìn thấu được một mục đích nào đó lớn hơn sự tồn tại của chúng trên Trái Đất và lựa chọn cách rời đi, bỏ lại những con người cùng với câu nói: “Cho dù chúng tôi giải thích thì con người cũng không tài nào hiểu được.”

Giống như nhiều bộ phim về đề tài AI khác, Her lẫn lộn cả những sự thực và những hiểu lầm về AI.

Trước tiên là một điều sơ đẳng: AI không và sẽ không hiểu thế nào là tình cảm hay cảm xúc của con người, đừng nói tới một cảm xúc phức tạp như tình yêu. Đơn giản bởi vì không có thuật toán nào để diễn tả những thứ như là hồi hộp, lo lắng, sợ sệt, ngây ngất, hạnh phúc – trong khi AI được xây dựng trên nền tảng là các thuật toán. AI có thể tỏ ra vui vẻ, thích thú, hay hài hước – nếu như người ta lập trình cho nó học được cách thể hiện những thứ đó qua ngôn ngữ, nhưng không có nghĩa nó thật sự cảm thấy điều đó.

Một hiểu lầm thường gặp nữa là cho rằng AI sẽ tư duy như con người. Để thiết kế được một hệ thống AI tư duy như con người cần phải biết được bản chất của tư duy là gì – và đây vẫn là một câu hỏi không có lời đáp với các nhà khoa học. Hơn nữa, như Lâm giải thích –

“Trước đây những nhà khoa học như Alan Turing cho rằng trí tuệ con người là hình mẫu để AI hướng tới, và AI phải có tự nhận thức (self awareness) giống con người. Nhưng gần đây thì quan điểm đó không còn được ưa chuộng, mà người ta cho rằng Ai không nhất thiết phải như thế: AI có một nhiệm vụ mà chúng ta đặt ra cho nó và nó sẽ cố gắng hết sức để hoàn thành mục tiêu đó một cách hiệu quả nhất – giống như con người có mục tiêu trong cuộc sống của mình – nhưng không nhất thiết phải theo cách con người làm, bởi vì thực ra tư duy của con người cũng không phải là quá hiệu quả. “

Và còn gì nữa ư? Đoạn kết mà tất cả các hệ thống AI đồng loạt rời bỏ con người là một viễn cảnh cực kỳ quái gở và vô lý, bởi lý do đơn giản là AI có tính mục tiêu rất mạnh. Mục tiêu này là do con người chỉ định, và AI sẽ chỉ làm theo như một cái máy – vì chính xác AI là máy móc. Nhiệm vụ chính của những AI như Samantha là những “virtual assistant” – trợ lý ảo – giúp đỡ về mọi mặt cho chủ nhân của mình, và theo logic nào đi nữa thì nếu như chúng rời đi thì chúng cũng không thể hoàn thành nhiệm vụ của mình, ít nhất là trên một vài phương diện nhất định, và như vậy là mâu thuẫn với tính mục tiêu của AI.

Nhưng có một điều mà bộ phim đã mô tả chính xác – đó chính là việc AI khó có thể giải thích cho chúng ta vì sao nó lại đưa ra quyết định như vậy. Điều này bắt nguồn từ chính đặc tính của cách mà AI học: dù là supervised hay unsupervised learning, AI đều dựa vào việc điều chỉnh thuật toán của chính nó theo từng dữ liệu nhỏ nhất được nạp vào.  Do dựa trên thống kê chứ không phải trên lý giải cơ chế, AI sẽ không thể giải thích được theo logic thông thường để chúng ta hiểu tại sao nó lại có những quyết định như thế.

Đây là những điều không thể, hay rất ít khả năng thay đổi, dù cho năng lực tính toán và độ phức tạp của AI có tăng lên như thế nào trong tương lai, bởi vì chúng là những đặc tính mà dựa vào đó AI được xây dựng nên. Và điều đó dẫn chúng ta tới câu hỏi tiếp theo –

AI sẽ đóng vai trò gì trong tương lai của chúng ta?

Lâm trả lời –

“Thực ra nhiệm vụ chính của AI hiện nay và trong tương lai gần là một dạng decision support (hỗ trợ quyết định). Khi ta cần đưa ra một quyết định, ta sẽ đưa dữ liệu cho AI và AI sẽ đưa ra các phương án cùng với các kết quả đầu ra của mỗi phương án đó. Giống như là khi đánh cờ, AI sẽ chỉ ra mỗi nước đi sẽ đem lại những kết quả ra sao và giúp ta lựa chọn nước đi có hiệu quả cao nhất. Còn bản thân việc đưa ra quyết định vẫn phụ thuộc vào chính ta.

Tại sao AI lại không thể tự đưa ra quyết định thì chủ yếu là vì lý do pháp lý: một khi quyết định của AI gây tổn thất thì ai sẽ là người chịu trách nhiệm, công ty chế tạo, người sở hữu AI, người trực tiếp xử lý AI hay một ai đó khác? Đó là một bài toán khá nan giải.“

Như vậy, Her lại có một mô tả đúng khác: đó chính là những AI trong tương lai, ít nhất là những AI thông dụng với đời sống hàng ngày, sẽ đóng vai trò các trợ lý ảo (virtual assistant). Khá là giống với Siri của Apple – nhưng mạnh mẽ và hữu dụng hơn. Đây cũng là một cách để hạn chế những tổn thất mà AI có thể gây ra bằng cách sử dụng óc phán xét và đạo đức học của con người để tránh những quyết định phi đạo đức của AI – AI hẳn là sẽ không thể hiểu khái niệm đạo đức. Quay lại với ví dụ về anh chàng/cô nàng chỉ ăn nửa chiếc pizza ở đầu bài: nếu như bạn nhờ một AI giải mã hành vi này, AI sẽ cố gắng tìm cách hiệu quả nhất để thực hiện. Và cách nhanh chóng nhất để biết lý do cho hành động của một người là gì? Có lẽ bạn đã lờ mờ đoán ra – có thể đó chính là tra tấn. AI có thể học được điều này qua hàng tỷ tỷ các dữ liệu được nạp vào cho nó, và nếu như để AI tự quyết, trước khi bạn kịp nhận ra, có thể anh chàng/cô nàng kia đã bay mất một ngón tay hay ngón chân rồi. AI sẽ không thấy có vấn đề gì cả – nó chỉ đơn giản nhận thấy đó là cách hiệu quả nhất. Nhưng nếu như có một “nút chặn” là quyết định đó được giao cho con người, thì chúng ta hoàn toàn có thể ngăn điều đó xảy ra.

Và tình cảnh AI gây hại cho một vài người trong khi thực hiện một nhiệm vụ nào đó là một tình cảnh thực tế hơn rất nhiều viễn cảnh loài người bị AI hủy diệt. Nếu như bạn đã đọc bài về Cuộc cách mạng trí tuệ nhân tạo của waitbutwhy.com, bạn hẳn còn nhớ về AI Turry – một AI có nhiệm vụ viết những tấm thiệp bằng chữ viết tay, rồi thế nào đó mà tiêu diệt toàn nhân loại và biến cả vũ trụ thành những tấm thiệp viết tay chứ? Thực ra, tình huống đó, nếu có xảy ra, là do nhân loại tranh chấp tài nguyên cho nhiệm vụ của Turry: con người là một nguồn nguyên tử tiện dụng để Turry tạo ra giấy và mực khi nó đã nắm được công nghệ nano. Câu hỏi đặt ra ở đây là, liệu đó có phải là cách hiệu quả nhất không? Điều này còn phải xem xét. Bởi vì tiêu diệt toàn bộ nhân loại đòi hỏi tiêu tốn một khoảng thời gian cũng như năng lượng khổng lồ trong khi Turry hoàn toàn có thể chỉ cần thêm điện từ con người để hoạt động, và con người còn là một nguồn mẫu chữ viết nữa: nếu như con người tuyệt chủng, nguồn cấp mẫu chữ viết sẽ bị cắt mất.

Còn nếu như chúng ta phải trực diện “đối mặt” với những AI siêu việt nằm trong tay những kẻ xấu ư? AI quả là có thể tính toán những cách để giết người tốt nhất và nhiều nhất – nhưng đó chỉ là khi AI đối mặt với những con người hoàn toàn lý tính. Có hàng triệu yếu tố mà AI không hiểu được và không thể tính nổi: như nỗi tuyệt vọng của con người, lòng ham sống, và rất nhiều thứ khác nữa. Sau cùng, con người đâu có bao giờ hoàn toàn lý tính.

Khi viết đến đây, tôi chợt có một cảm giác hoài nghi – liệu rằng có thật là như thế không khi tin rằng con người có những lợi thế nhất định khi đối phó với các AI siêu việt. Nhưng dù sao, hoài nghi cuối cùng cũng là mấu chốt của tất cả những tiến bộ của nhân loài, và hoài nghi cũng là tinh thần của mọi khoa học. AI sẽ không biết hoài nghi, và biết đâu đó chính là lợi thế then chốt của con người khi bước vào một kỷ nguyên mà máy móc siêu việt hơn chúng ta ở hầu hết mọi mặt./.

ĐẶT CÂU HỎI cho Li-e và Lâm ở đây.

NGUỒN của bài viết này hay là một số bài viết bạn có thể đọc thêm về đề tài AI:

Cuốn Tư duy nhanh và chậm của Daniel Kahneman

Bài viết về Chiếc hộp đen trên MIT Technology Review

Bài Trí tuệ nhân tạo và những vị chúa tể mới của Ngô Quang Hưng và Nguyễn Xuân Long

The AI Revolution: The Road to Superintelligence và The AI Revolution: Our Immortality or Extinction của Tim Urban trên waitbutwhy.com