Cha đẻ AI lo cho AI

Cùng với Geoff Hinton và Yan LeCun, Yoshua Bengio nổi tiếng là người đã khởi xướng nên học sâu (deep learning), vốn xuất phát từ một sự tò mò nay đã trở thành một trong những công nghệ quyền lực nhất hành tinh. Học sâu cung cấp dữ liệu cho các mạng nơ-ron khổng lồ được mô phỏng giống như bộ não người. Công nghệ này đã cho thấy sức mạnh kinh người và mang lại hiệu quả cao cho tất cả các nhiệm vụ từ nhận diện giọng nói và phân loại hình ảnh cho đến kiểm soát xe không người lái và tự động hóa các quyết định kinh doanh.

Sức mạnh của học sâu đã lôi cuốn những tập đoàn công nghệ lớn và Hinton, LeCun, Bengio đã trở thành đối tượng mời gọi của họ. Trong khi Hinton và LeCun lần lượt đầu quân cho Google và Facebook, thì Bengio vẫn là Giáo sư toàn thời gian tại Đại học Montreal. Ông đã đồng sáng lập Element AI vào năm 2016, phát triển một mảng kinh doanh rất thành công giúp các doanh nghiệp lớn khám phá những ứng dụng thương mại của trí tuệ nhân tạo (AI).

Will Knight, biên tập viên cấp cao về AI của MIT Technology Review, đã có cuộc trao đổi với Giáo sư Bengio, một trong những cha đẻ của AI, tại một sự kiện MIT mới đây.

Đang có cuộc đua AI giữa các nước trên thế giới. Ông nghĩ gì về điều đó?
Tôi không hề thích điều này và tôi cũng không nghĩ tranh đua là điều nên làm. Chúng ta có thể cùng tham gia vào một cuộc đua, nhưng ở vai trò là một nhà khoa học và một người nghĩ đến lợi ích chung, tôi cho rằng chúng ta nên nghĩ cách làm sao tạo ra những máy móc thông minh hơn và đảm bảo AI được sử dụng vì mục đích lợi lạc cho càng nhiều người càng tốt.

Liệu có những cách nào để tăng cường sự hợp tác giữa các quốc gia?

Chúng ta có thể tạo điều kiện để những người ở các nước đang phát triển đến đây dễ dàng hơn. Đó là một vấn đề lớn ngay thời điểm hiện tại. Ở châu Âu, hay Mỹ, hay Canada, rất khó để một nhà nghiên cứu châu Phi lấy được visa. Đó là một trò chơi xổ số và thường là các nhà chức trách sẽ viện cớ để từ chối cấp visa. Điều này hoàn toàn không công bằng. Vốn dĩ rất khó để họ làm nghiên cứu mà trong tay gần như không có nguồn lực gì, nhưng nếu họ lại không thể tiếp cận được cộng đồng nghiên cứu thì tôi nghĩ không công bằng. Một cách để giải quyết việc này là sắp tới chúng ta sẽ có hội nghị ICLR, một hội nghị lớn về AI, vào năm 2020 ở châu Phi.

Đưa những nhà nghiên cứu ở các quốc gia đang phát triển gia nhập cộng đồng nghiên cứu quốc tế là việc rất tuyệt vời. Nhưng tiềm năng để AI trở nên hữu ích ở các quốc gia đang phát triển thậm chí còn tuyệt vời hơn nữa. Nhu cầu cải thiện công nghệ của họ còn hơn cả chúng ta và họ có nhiều nhu cầu khác nhau.

Ông đang lo lắng chỉ có một vài công ty AI ở phương Tây và có lẽ ở Trung Quốc đang thống lĩnh sân chơi AI?

Đúng vậy. Đó là một lý do khác tại sao chúng ta cần phải dân chủ hơn trong nghiên cứu AI. Bản thân nghiên cứu AI sẽ dẫn đến việc tập trung quyền lực, tiền bạc và các nhà nghiên cứu. Những sinh viên ưu tú nhất đều muốn làm việc cho những công ty xuất sắc nhất vì họ có nhiều tiền hơn và nhiều dữ liệu hơn. Đây không phải là điều hay. Thậm chí trong một chế độ dân chủ, tập trung quá nhiều nguồn lực trong tay một vài người là chuyện rất nguy hiểm.

Điều gì khiến ông hào hứng nhất khi nghiên cứu AI?

Tôi nghĩ chúng ta cần xem xét những thách thức mà AI đang đối mặt và đừng thỏa mãn với những tiến bộ trước mắt. Tôi không nói rằng tôi muốn quên học sâu. Ngược lại, tôi muốn phát triển hơn nữa dựa trên học sâu. Nhưng chúng ta cần có khả năng mở rộng nó để làm những thứ như lập luận, nghiên cứu quan hệ nhân quả và khám phá thế giới để có thể học hỏi và thu thập thông tin. Chúng ta cần đầu tư dài hạn và tôi nghĩ giới học giả là những người phù hợp nhất giơ cao ngọn đuốc ấy.

Ông nói đến quan hệ nhân quả. Tức là chúng ta không chỉ thu thập những mô hình dữ liệu mà còn tìm hiểu tại sao điều gì đó lại xảy ra. Tại sao việc này lại quan trọng và vì sao lại không dễ dàng?

Nếu có một mô hình quan hệ nhân quả tốt về thế giới mà chúng ta đang sống, chúng ta có thể khái quát hóa thậm chí trong những tình huống lạ lẫm với chúng ta. Điều đó rất quan trọng. Con người có thể đưa chính mình vào những tình huống rất khác so với trải nghiệm hằng ngày. Máy tính thì lại không có khả năng đó vì chúng không có những mô hình quan hệ nhân quả này.

Chúng ta có thể lập trình chúng, nhưng điều đó không đủ. Chúng ta cần máy móc có thể khám phá những mô hình quan hệ nhân quả. Ở một mức độ nào đó, điều đó sẽ chẳng bao giờ là hoàn hảo. Chúng ta không có một mô hình nhân quả hoàn hảo của thực tế. Đó là lý do vì sao chúng ta phạm rất nhiều sai lầm. Nhưng chắc chắn chúng ta làm điều này tốt hơn nhiều so với những loài khác.
Hiện tại chúng ta không có những thuật toán tốt để làm điều đó. Nhưng tôi nghĩ nếu có đủ người cùng nghiên cứu và đặt trọng tâm vào nó, chúng ta sẽ đạt được những tiến bộ quan trọng.

Văn Quốc