Artificial General Intelligence (AGI)

Trí tuệ nhân tạo tổng quát (AGI) đại diện cho một cột mốc lý thuyết trong khoa học máy tính, trong đó một machine sở hữu khả năng nhận thức linh hoạt để hiểu, học và áp dụng kiến thức vào nhiều loại tác vụ khác nhau, đạt hoặc vượt qua năng lực của con người. Không giống các hệ thống AI hiện tại được thiết kế cho những chức năng cụ thể, một AGI có khả năng suy luận tự chủ, giải quyết vấn đề trong các môi trường xa lạ và khái quát hóa kinh nghiệm từ lĩnh vực này sang lĩnh vực khác. Mặc dù AGI vẫn là chủ đề được nghiên cứu và tranh luận sâu rộng, đây là mục tiêu tối thượng của các tổ chức nghiên cứu lớn như OpenAI và Google DeepMind, hứa hẹn định hình lại cách chúng ta tương tác với công nghệ.

Phân biệt AGI với AI hẹp#

Để hiểu được bước tiến cần thiết để đạt tới AGI, điều quan trọng là phải phân biệt AGI với Trí tuệ nhân tạo (AI) mà chúng ta tương tác ngày nay.

• Trí tuệ nhân tạo hẹp (ANI): Còn được gọi là AI yếu, danh mục này bao gồm tất cả các ứng dụng AI hiện có. Các hệ thống này hoạt động xuất sắc trong những tác vụ cụ thể, được xác định trước. Ví dụ, Ultralytics YOLO26 là một model ANI tiên tiến, được tối ưu hóa cao cho phát hiện đối tượng và phân đoạn ảnh. Mặc dù YOLO26 có thể nhận diện đối tượng nhanh và chính xác hơn con người, model này không thể chơi cờ hoặc viết thơ nếu không được retrain cụ thể cho các tác vụ đó.
• AGI (AI mạnh): Thường được gọi là AI mạnh, một hệ thống AGI sẽ không bị giới hạn trong một modality duy nhất. Hệ thống này sẽ thể hiện khả năng transfer learning thực sự, cho phép áp dụng logic học được trong một mô phỏng vật lý vào các thị trường tài chính. Mức độ linh hoạt này mô phỏng các khả năng điện toán nhận thức rộng lớn của bộ não con người.

Đặc điểm cốt lõi và thách thức#

Phát triển AGI đòi hỏi phải vượt qua những trở ngại kỹ thuật đáng kể, không chỉ đơn giản là bổ sung thêm dữ liệu vào một mạng nơ-ron (NN). Điều này bao gồm việc tạo ra các kiến trúc hỗ trợ:

• Suy luận trừu tượng: Khả năng phân tích các tình huống phức tạp, mới lạ và đưa ra kết luận logic mà không cần dữ liệu training cụ thể từ trước.
• Hiểu biết thông thường: Sự hiểu biết trực giác về quan hệ nhân quả và các định luật vật lý, một đặc điểm mà các model deep learning (DL) hiện tại vẫn khó nắm bắt đầy đủ.
• Ý thức: Một thách thức về triết học và kỹ thuật xoay quanh việc liệu một machine có thể sở hữu khả năng cảm nhận hay không, thường được thảo luận trong các thí nghiệm tư duy như Lập luận Phòng Trung Quốc.

Để đạt được những đặc điểm này, nhiều khả năng cần đến nguồn lực tính toán khổng lồ, dựa vào phần cứng tiên tiến từ các nhà đổi mới như NVIDIA và các kỹ thuật tối ưu hóa model hiệu quả.

Các ứng dụng giả định trong thực tế#

Vì AGI vẫn chưa tồn tại, các ứng dụng của nó còn mang tính suy đoán nhưng có khả năng tạo ra chuyển biến lớn. Các chuyên gia tại những tổ chức như Stanford HAI cho rằng AGI có thể cách mạng hóa các ngành bằng cách hoạt động như một agent hoàn toàn tự chủ.

1. Nghiên cứu khoa học tự chủ: Không giống AI trong lĩnh vực chăm sóc sức khỏe hiện tại, vốn hỗ trợ bác sĩ bằng cách làm nổi bật các dấu hiệu bất thường trong ảnh chụp, AGI có thể độc lập rà soát các tài liệu y khoa, xây dựng giả thuyết và thiết kế các thí nghiệm để chữa bệnh.

2. Robotics đa dụng: Trong lĩnh vực robotics, AGI sẽ cho phép các machine di chuyển trong những môi trường không có cấu trúc. Một robot được hỗ trợ bởi AGI có thể làm việc nhà, nấu ăn và chăm sóc người cao tuổi, thích ứng với bố cục và nhu cầu riêng của bất kỳ ngôi nhà nào mà không cần lập trình lại. Điều này mở ra những khả năng mới cho AI trong robotics.

Hình dung giới hạn của AI hiện tại#

Mặc dù hiện chưa thể lập trình AGI, chúng ta có thể minh họa các khả năng của AI hẹp tiên tiến. Đoạn mã sau sử dụng package ultralytics để chạy một tác vụ inference. Đây là ANI vì model bị giới hạn trong việc phát hiện các đối tượng mà nó đã được training cụ thể, thiếu khả năng hiểu biết tổng quát của AGI.

from ultralytics import YOLO

# Load the YOLO26 model (Artificial Narrow Intelligence)
# This model excels at vision tasks but is limited to its training domain
model = YOLO("yolo26n.pt")

# Perform object detection on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")

# The model identifies patterns, but does not 'understand' the scene context
results[0].show()

Con đường phía trước: Từ ANI đến AGI#

Nghiên cứu hiện tại đang thu hẹp khoảng cách giữa các ứng dụng hẹp và trí tuệ tổng quát thông qua học đa phương thức. Các model như GPT-4 và các model ngôn ngữ lớn (LLMs) bắt đầu cho thấy những dấu hiệu ban đầu của khả năng suy luận tổng quát bằng cách xử lý đồng thời văn bản, code và hình ảnh. Các công cụ như Ultralytics Platform trao quyền cho developer trong việc training các model ngày càng tinh vi, đóng góp vào nghiên cứu nền tảng có thể một ngày nào đó dẫn đến AGI thực sự. Hiện tại, việc làm chủ học có giám sát và tối ưu hóa các tác vụ cụ thể vẫn là cách hiệu quả nhất để khai thác giá trị của AI.