Giới thiệu về lĩnh vực AI thần kinh-ký hiệu mới nổi

Ngày nay, nhờ sự phát triển nhanh chóng của trí tuệ nhân tạo (AI) và năng lực điện toán ngày càng sẵn có, các model AI tiên tiến được phát hành nhanh hơn bao giờ hết. Thực tế, lĩnh vực AI đang thúc đẩy những đổi mới thiết thực trong nhiều ngành.

Ví dụ, trong lĩnh vực y tế, các hệ thống AI đang được dùng để hỗ trợ những tác vụ như phân tích hình ảnh y khoa nhằm chẩn đoán sớm. Tuy nhiên, giống như mọi công nghệ khác, AI cũng có những hạn chế.

Một mối lo ngại lớn là tính minh bạch. Ví dụ, model phát hiện đối tượng có thể xác định chính xác khối u trong ảnh MRI não, nhưng việc hiểu cách model đi đến kết luận đó có thể rất khó. Thiếu khả năng giải thích khiến bác sĩ và nhà nghiên cứu khó hoàn toàn tin tưởng hoặc xác thực kết quả AI.

Đó chính là lý do lĩnh vực AI thần kinh-ký hiệu mới nổi đang ngày càng được quan tâm. AI thần kinh-ký hiệu kết hợp thế mạnh nhận dạng mẫu của deep learning với khả năng suy luận có cấu trúc, dựa trên quy tắc của AI ký hiệu. Mục tiêu là tạo ra các hệ thống đưa ra dự đoán chính xác, đồng thời giải thích được lập luận theo cách con người có thể hiểu.

Trong bài viết này, chúng ta sẽ tìm hiểu cách trí tuệ nhân tạo thần kinh-ký hiệu hoạt động và cách phương pháp này kết hợp học với suy luận để xây dựng các hệ thống minh bạch hơn, có khả năng nhận biết ngữ cảnh. Hãy bắt đầu!

Hai khía cạnh của AI thần kinh-ký hiệu: Học và suy luận#

Trước khi đi sâu vào AI thần kinh-ký hiệu, hãy cùng tìm hiểu kỹ hơn về hai lĩnh vực con mà phương pháp này kết hợp: deep learning và AI ký hiệu.

Deep learning tập trung vào nhận dạng mẫu trong dữ liệu, trong khi AI ký hiệu sử dụng quy tắc, logic hoặc kiến thức thông thường để suy luận và giải quyết vấn đề. Mỗi phương pháp đều có thế mạnh nhưng cũng có hạn chế. Bằng cách kết hợp hai phương pháp, AI thần kinh-ký hiệu tạo ra các hệ thống vừa học từ dữ liệu vừa giải thích quyết định rõ ràng hơn.

Tổng quan về deep learning#

Deep learning là một nhánh của machine learning sử dụng mạng nơ-ron nhân tạo, lấy cảm hứng khái quát từ cách não bộ xử lý thông tin. Các mạng này học bằng cách phân tích lượng lớn dữ liệu và điều chỉnh những kết nối nội bộ để cải thiện hiệu suất.

Nhờ đó, mạng có thể nhận dạng mẫu trong hình ảnh, âm thanh và văn bản mà không cần xây dựng quy tắc thủ công cho từng tình huống. Vì vậy, deep learning rất hiệu quả với các tác vụ tập trung vào nhận thức như nhận dạng hình ảnh, xử lý giọng nói và dịch ngôn ngữ.

Một ví dụ điển hình là model thị giác máy tính được huấn luyện để phân đoạn đối tượng trong hình ảnh. Với đủ ví dụ đã gắn nhãn, model có thể học cách tách đường sá, phương tiện và người đi bộ trong video giao thông thời gian thực.

Tuy nhiên, dù có độ chính xác cao, model deep learning thường khó giải thích rõ cách đi đến một kết quả cụ thể. Thách thức này, thường được gọi là vấn đề hộp đen, khiến người dùng khó diễn giải hoặc xác minh quyết định của model, đặc biệt trong các lĩnh vực nhạy cảm như y tế hoặc tài chính. Đây là vấn đề đáng kể vì AI có trách nhiệm đòi hỏi tính minh bạch, sự tin cậy và khả năng hiểu lý do model đưa ra một dự đoán nhất định.

Tìm hiểu AI ký hiệu#

AI ký hiệu áp dụng cách tiếp cận có cấu trúc hơn đối với trí tuệ và việc ra quyết định. AI biểu diễn kiến thức bằng các ký hiệu và áp dụng quy tắc logic để xử lý kiến thức đó, tương tự cách chúng ta dùng suy luận và ngôn ngữ để giải quyết vấn đề. Mỗi bước trong quá trình suy luận đều được xác định rõ, nhờ đó các quyết định của AI ký hiệu trở nên minh bạch và dễ giải thích hơn.

Kiến thức ký hiệu đặc biệt phù hợp với các tác vụ tuân theo quy tắc rõ ràng, được xác định cụ thể, chẳng hạn như lập kế hoạch, lên lịch hoặc quản lý kiến thức có cấu trúc. Tuy nhiên, AI ký hiệu gặp khó khăn với dữ liệu phi cấu trúc hoặc những tình huống không phù hợp với các danh mục được xác định trước.

Một ví dụ phổ biến về việc áp dụng phương pháp ký hiệu là các chương trình chơi cờ vua đời đầu. Chúng tuân theo các quy tắc được xây dựng thủ công và chiến lược cố định thay vì học từ các ván đấu trước hoặc thích nghi với những đối thủ khác nhau. Vì vậy, lối chơi thường cứng nhắc và dễ đoán.

Hình 1. Cấu trúc của AI và các lĩnh vực con. (Hình ảnh của tác giả)

AI thần kinh-ký hiệu là gì?#

Trong thập niên 2010, khi deep learning được ứng dụng rộng rãi hơn, các nhà nghiên cứu bắt đầu tìm cách vượt ra ngoài việc nhận dạng mẫu đơn giản để tiến tới hiểu các mối quan hệ và ngữ cảnh. Sự chuyển dịch này giúp model AI không chỉ phát hiện các đối tượng trong một cảnh, chẳng hạn như con mèo và tấm thảm, mà còn diễn giải mối quan hệ giữa các đối tượng đó, chẳng hạn nhận biết con mèo đang ngồi trên tấm thảm.

Tuy nhiên, tiến bộ này cũng làm nổi bật một hạn chế cốt lõi. Model deep learning nhận dạng mẫu rất tốt, nhưng thường khó giải thích lập luận hoặc xử lý tình huống xa lạ. Sự quan tâm trở lại đối với khả năng suy luận đã đưa các nhà nghiên cứu quay về một lĩnh vực tồn tại từ thập niên 1980: AI thần kinh-ký hiệu.

AI thần kinh-ký hiệu tích hợp deep learning và AI ký hiệu. Phương pháp này cho phép model học từ ví dụ như deep learning, đồng thời áp dụng logic và suy luận như AI ký hiệu.

Nói đơn giản, AI thần kinh-ký hiệu có thể nhận dạng thông tin, hiểu ngữ cảnh và giải thích quyết định rõ ràng hơn. Phương pháp này đưa chúng ta đến gần hơn với việc phát triển các hệ thống AI hoạt động đáng tin cậy và giống con người hơn.

Hình 2. Tìm hiểu AI thần kinh-ký hiệu (Hình ảnh của tác giả)

Những kiến thức cơ bản về cách AI thần kinh-ký hiệu hoạt động#

Kiến trúc thần kinh-ký hiệu kết hợp việc học và suy luận trong một framework duy nhất. Kiến trúc này thường gồm ba phần chính: lớp nhận thức nơ-ron diễn giải dữ liệu thô, lớp suy luận ký hiệu áp dụng logic và lớp tích hợp kết nối hai lớp trên. Tiếp theo, chúng ta sẽ tìm hiểu kỹ hơn từng lớp.

Lớp nhận thức nơ-ron#

Thành phần nhận thức nơ-ron xử lý dữ liệu phi cấu trúc như hình ảnh, video, văn bản hoặc âm thanh, rồi chuyển dữ liệu thành các biểu diễn nội bộ mà hệ thống có thể xử lý. Thành phần này thường sử dụng model deep learning để phát hiện mẫu và nhận diện đối tượng hoặc đặc trưng trong dữ liệu đầu vào. Ở giai đoạn này, hệ thống nhận biết những gì hiện diện trong dữ liệu nhưng chưa suy luận về ý nghĩa, mối quan hệ hoặc ngữ cảnh.

Sau đây là một số loại model deep learning phổ biến được sử dụng trong lớp này:

• Mạng nơ-ron tích chập (CNNs): Đây là một loại mạng nơ-ron được thiết kế để xử lý dữ liệu dạng lưới như hình ảnh. CNNs sử dụng các bộ lọc tích chập để quét qua hình ảnh và phát hiện những mẫu như cạnh, kết cấu và hình dạng. Bằng cách xếp chồng các mẫu này, mạng học cách nhận dạng những đối tượng như ô tô, trái cây và con người.
• Transformers: Transformer là các model được thiết kế để hiểu mối liên hệ giữa những phần khác nhau của dữ liệu đầu vào. Thay vì đọc thông tin theo đúng thứ tự, Transformer có thể xem xét nhiều phần dữ liệu cùng lúc và xác định phần nào quan trọng nhất. Nhờ vậy, Transformer có thể hiểu ngữ cảnh trong văn bản, hình ảnh hoặc cả hai. Nhờ tính linh hoạt này, Transformer là kiến trúc cốt lõi đằng sau hầu hết model ngôn ngữ hiện đại và nhiều hệ thống thị giác-ngôn ngữ.
• Mạng nơ-ron hồi quy (RNNs): Loại model này được thiết kế để phân tích dữ liệu tuần tự, chẳng hạn như lời nói hoặc tín hiệu chuỗi thời gian. Model lưu giữ thông tin về các đầu vào trước đó, nhờ đó dự đoán có thể xét đến ngữ cảnh theo thời gian.

Cuối cùng, các model nơ-ron này trích xuất và biểu diễn những đặc trưng có ý nghĩa từ dữ liệu thô. Đầu ra này sau đó trở thành đầu vào cho lớp suy luận ký hiệu, nơi diễn giải và suy luận về những gì hệ thống đã phát hiện.

Lớp suy luận biểu tượng#

Lớp suy luận biểu tượng tiếp nhận thông tin do lớp tri giác nơ-ron tạo ra và diễn giải thông tin đó bằng logic. Thay vì chỉ dựa vào các mẫu, lớp này sử dụng những thành phần như quy tắc, đồ thị tri thức, cơ sở tri thức và ontology (mô tả có cấu trúc về các khái niệm và mối quan hệ giữa chúng). Những thành phần này giúp hệ thống hiểu các yếu tố khác nhau liên kết với nhau như thế nào và hành động nào phù hợp trong một tình huống nhất định.

Ví dụ, trong xe tự lái, lớp tri giác nơ-ron có thể nhận diện đèn giao thông màu đỏ trong hình ảnh từ camera. Sau đó, lớp suy luận biểu tượng có thể áp dụng quy tắc như: “Nếu đèn đỏ, xe phải dừng lại.” Vì quá trình suy luận dựa trên các quy tắc rõ ràng, quyết định của hệ thống dễ giải thích và kiểm chứng hơn; điều này đặc biệt quan trọng trong những tình huống cần đảm bảo an toàn và trách nhiệm giải trình.

Lớp tích hợp#

Lớp tích hợp kết nối lớp tri giác nơ-ron với lớp suy luận biểu tượng, đảm bảo quá trình học và suy luận phối hợp với nhau. Theo một chiều, lớp này chuyển đổi đầu ra từ các model nơ-ron (chẳng hạn như phát hiện người đi bộ) thành các biểu diễn biểu tượng mô tả đối tượng và thuộc tính của đối tượng.

Theo chiều ngược lại, lớp này tiếp nhận các quy tắc biểu tượng (ví dụ: “xe phải dừng nếu có người đi bộ trên vạch sang đường”) và chuyển chúng thành tín hiệu định hướng cho các model nơ-ron. Quá trình này có thể bao gồm việc làm nổi bật các vùng liên quan trong ảnh, điều chỉnh cơ chế chú ý hoặc định hình các nhánh quyết định của model.

Sự trao đổi hai chiều này tạo thành một vòng lặp phản hồi. Thành phần nơ-ron có được cấu trúc và khả năng diễn giải nhờ các quy tắc biểu tượng, trong khi thành phần biểu tượng có thể thích ứng hiệu quả hơn dựa trên dữ liệu thực tế. Các kỹ thuật như mạng nơ-ron logic (LNN) giúp hỗ trợ tương tác này bằng cách nhúng trực tiếp các ràng buộc logic vào kiến trúc nơ-ron.

Bằng cách kết nối tri giác và suy luận theo cách này, AI nơ-ron–biểu tượng có thể đưa ra các quyết định vừa chính xác vừa dễ diễn giải hơn. Nhiều nhà nghiên cứu xem phương pháp này là bước tiến đầy triển vọng hướng tới AI đáng tin cậy hơn và phù hợp hơn với con người, đồng thời có thể là nền tảng cho những tiến bộ trong tương lai hướng tới trí tuệ nhân tạo tổng quát (AGI).

Ứng dụng của AI nơ-ron–biểu tượng#

Giờ đây, khi đã hiểu rõ hơn AI nơ-ron–biểu tượng là gì và hoạt động như thế nào, hãy cùng xem một số trường hợp ứng dụng thực tế của công nghệ này.

Lái xe an toàn hơn: Từ nhận diện người đi bộ đến hiểu hành vi của họ#

Xe tự hành cần hiểu môi trường xung quanh để vận hành an toàn. Xe sử dụng các công nghệ như thị giác máy tính để phát hiện người đi bộ, phương tiện, vạch kẻ làn đường và biển báo giao thông.

Mặc dù các model học sâu có thể nhận diện chính xác những đối tượng này, chúng không phải lúc nào cũng hiểu ý nghĩa của đối tượng trong ngữ cảnh hoặc mối liên hệ giữa các đối tượng trong tình huống thực tế. Ví dụ, model nơ-ron có thể nhận diện người đi bộ trên vạch sang đường nhưng không thể xác định người đó sắp băng qua đường hay chỉ đang đứng chờ.

AI nơ-ron–biểu tượng tìm cách thu hẹp khoảng cách này bằng cách cho phép xe tự lái kết hợp nhận diện hình ảnh với suy luận logic, nhờ đó xe có thể diễn giải tình huống thay vì chỉ nhận diện đối tượng. Nghiên cứu AI gần đây cho thấy các hệ thống kết hợp tri giác nơ-ron với quy tắc biểu tượng có thể cải thiện khả năng dự đoán hành vi của người đi bộ.

Trong các hệ thống này, thành phần nơ-ron phân tích những dấu hiệu hình ảnh như tư thế, chuyển động và vị trí của người đi bộ. Sau đó, thành phần biểu tượng áp dụng các quy tắc logic, xem xét những yếu tố như người đó có ở gần vạch sang đường hay không hoặc tín hiệu giao thông hiện tại đang hiển thị gì.

Bằng cách kết hợp hai góc nhìn này, hệ thống nơ-ron–biểu tượng có thể làm được nhiều hơn việc chỉ phát hiện người đi bộ. Hệ thống có thể dự đoán hợp lý khả năng người đi bộ sẽ băng qua đường, đồng thời giải thích lý do đưa ra quyết định đó. Điều này giúp hành vi của xe tự hành an toàn và minh bạch hơn.

Hình 3. Dự đoán dựa trên hành vi quan sát được của người đi bộ bằng AI nơ-ron–biểu tượng. (Nguồn)

Diễn giải logic trong hỏi đáp bằng hình ảnh#

Một ứng dụng quan trọng khác của AI nơ-ron–biểu tượng là hỏi đáp bằng hình ảnh (VQA). Các hệ thống VQA được thiết kế để trả lời câu hỏi về hình ảnh.

Phương pháp này kết hợp các mô hình ngôn ngữ lớn (LLM) với model thị giác để thực hiện suy luận đa phương thức, kết hợp những gì hệ thống nhìn thấy với những gì hệ thống hiểu được. Ví dụ, nếu một hệ thống VQA được cung cấp hình ảnh và hỏi: “Chiếc cốc có ở trên bàn không?”, hệ thống phải nhận diện các đối tượng, đồng thời hiểu mối quan hệ giữa chúng. Hệ thống cần xác định xem chiếc cốc có thực sự nằm trên mặt bàn trong khung cảnh hay không.

Một nghiên cứu gần đây đã chứng minh cách AI nơ-ron–biểu tượng có thể cải thiện VQA bằng cách tích hợp tri giác nơ-ron với suy luận biểu tượng. Trong hệ thống được đề xuất, mạng nơ-ron trước tiên phân tích hình ảnh để nhận diện các đối tượng và thuộc tính của chúng, chẳng hạn như màu sắc, hình dạng hoặc kích thước.

Sau đó, thành phần suy luận biểu tượng áp dụng các quy tắc logic để diễn giải mối quan hệ giữa các đối tượng và trả lời câu hỏi. Nếu được hỏi “Có bao nhiêu hình trụ màu xám trong khung cảnh?”, thành phần nơ-ron sẽ nhận diện tất cả hình trụ và màu sắc của chúng, còn thành phần biểu tượng sẽ lọc các hình trụ theo tiêu chí rồi đếm số lượng phù hợp.

Hình 4. Ví dụ về các tình huống VQA cần đến kiến thức trừu tượng và logic. (Nguồn)

Nghiên cứu này cho thấy VQA nơ-ron–biểu tượng có thể vượt xa việc chỉ đưa ra câu trả lời. Vì model có thể trình bày các bước dẫn đến kết luận, phương pháp này hỗ trợ AI có thể giải thích, trong đó các hệ thống đưa ra dự đoán và giải thích quá trình suy luận theo cách con người có thể hiểu.

Ưu và nhược điểm của AI nơ-ron–biểu tượng#

Sau đây là một số lợi ích chính khi sử dụng AI nơ-ron–biểu tượng:

• Khả năng suy luận mạnh hơn: Khác với các model học sâu thuần túy, AI nơ-ron–biểu tượng có thể thực hiện các tác vụ đòi hỏi suy luận nhiều bước, lập kế hoạch, tuân theo quy tắc và xử lý các lĩnh vực tri thức có cấu trúc—những lĩnh vực mà AI biểu tượng vốn phát huy thế mạnh.
• Khả năng thích ứng: Các hệ thống này hoạt động tốt với những tác vụ mới hoặc chưa từng gặp vì có thể suy luận logic vượt ra ngoài những gì đã được huấn luyện. Thay vì chỉ ghi nhớ dữ liệu, hệ thống hiểu các mối quan hệ và mẫu.
• Khả năng chống chịu với nhiễu và sự mơ hồ: Các ràng buộc logic có thể giúp ngăn lỗi khi dữ liệu nhiễu, không đầy đủ hoặc mơ hồ. Lớp suy luận có thể áp dụng các quy tắc để định hướng hoặc hiệu chỉnh dự đoán của mạng nơ-ron.

Dù có nhiều tiềm năng, AI nơ-ron–biểu tượng vẫn đang phát triển và đi kèm một số thách thức thực tiễn. Sau đây là một số hạn chế chính:

• Tích hợp phức tạp: Dù framework kết hợp này có khả năng diễn giải tốt, việc thiết kế các thuật toán kết hợp tri giác và suy luận vẫn là một thách thức.
• Khả năng mở rộng: Suy luận biểu tượng có thể trở nên chậm hoặc tốn nhiều tài nguyên tính toán khi xử lý các đồ thị tri thức lớn hoặc tập hợp quy tắc phức tạp. Điều này có thể khiến việc triển khai hiệu quả các ứng dụng thời gian thực như lái xe tự hành, xử lý video hoặc suy luận tri thức quy mô lớn trở nên khó khăn hơn.
• Độ vững chắc của suy luận: Nếu các quy tắc biểu tượng quá cứng nhắc, hệ thống có thể gặp khó khăn trong những tình huống thực tế mơ hồ hoặc khó dự đoán. Cân bằng giữa khả năng học linh hoạt và suy luận đáng tin cậy vẫn là một thách thức cần tiếp tục giải quyết.

Điểm chính cần ghi nhớ#

AI nơ-ron–biểu tượng là bước tiến quan trọng hướng tới việc xây dựng các hệ thống AI không chỉ có thể tri giác thế giới mà còn suy luận về thế giới và giải thích các quyết định của mình. Khác với các hệ thống học sâu truyền thống, vốn chủ yếu dựa vào những mẫu học được từ dữ liệu, AI nơ-ron–biểu tượng kết hợp học thống kê với logic và tri thức có cấu trúc. Thay vì thay thế học sâu, phương pháp này được xây dựng trên nền tảng học sâu, đưa chúng ta tiến gần hơn một bước đến việc phát triển AI có thể hiểu và suy luận theo cách giống con người hơn.

Tham gia cộng đồng của chúng tôi và khám phá repository GitHub. Truy cập các trang giải pháp để tìm hiểu nhiều ứng dụng khác nhau của AI trong nông nghiệp và thị giác máy tính trong chăm sóc sức khỏe. Khám phá các tùy chọn cấp phép và bắt đầu xây dựng dự án AI thị giác của bạn!