Điều gì sẽ xảy ra nếu tương lai của trí tuệ nhân tạo không chỉ là xây dựng các hệ thống thông minh hơn mà là định nghĩa lại bản thân trí tuệ có nghĩa là gì? Trong bài hướng dẫn này, Pourya Kordi cho thấy những tiến bộ mới nhất trong nghiên cứu AI đang thách thức các giả định lâu nay và mở đường cho một kỷ nguyên đổi mới mới. Từ các kiến trúc mới như Joint Embedding Predictive Architecture (JEPA) của Meta đến mục tiêu theo đuổi "AGI tối thiểu" đầy tham vọng của DeepMind vào năm 2028, video khám phá những chiến lược táo bạo đang định hình chương tiếp theo của quá trình phát triển AI. Những sự thay đổi này không chỉ mang tính gia tăng, chúng đại diện cho một sự tưởng tượng lại sâu sắc về cách máy móc học hỏi, suy luận và tương tác với thế giới, làm dấy lên những cuộc tranh luận có thể định nghĩa lại quỹ đạo của lĩnh vực này.

Thông qua chuyên đề này, bạn sẽ hiểu sâu hơn về các cuộc tranh luận quan trọng xoay quanh trí tuệ nhân tạo tổng quát (AGI), những hạn chế của các mô hình ngôn ngữ lớn (LLM) và sự tập trung mới nổi vào các hệ thống chuyên biệt, hướng đến nhiệm vụ. Cho dù đó là nỗ lực thúc đẩy suy luận phản thực tế hay thúc đẩy việc tích hợp ngôn ngữ, thị giác và các mô hình thế giới vào các khung thống nhất, những hiểu biết được chia sẻ ở đây sẽ thách thức các giả định của bạn và mở rộng góc nhìn về những gì khả thi. Khi bạn xem xét các triết lý đa dạng thúc đẩy nghiên cứu AI ngày nay, một câu hỏi vẫn còn đó: liệu chúng ta đang ở ngưỡng cửa của một sự đột phá, hay chúng ta chỉ đơn giản là đang định nghĩa lại ranh giới của những gì máy móc có thể đạt được?

Tương lai của nghiên cứu AI

Tóm tắt các ý chính (TL;DR):

• Tính khả thi và định nghĩa về trí tuệ nhân tạo tổng quát (AGI) vẫn còn gây tranh cãi gay gắt, với các chuyên gia như Yann LeCun hoài nghi về khả năng đạt được của nó theo các mô hình hiện tại, trong khi những người khác như Demis Hassabis coi đó là một sự phát triển dần dần về khả năng.
• Các kiến trúc sáng tạo, chẳng hạn như Joint Embedding Predictive Architecture (JEPA) của Meta, đang xuất hiện để giải quyết các hạn chế của các mô hình ngôn ngữ lớn (LLM) bằng cách tập trung vào trừu tượng hóa, tư duy phản thực tế và suy luận vật lý.
• DeepMind đặt mục tiêu đạt được "AGI tối thiểu" vào năm 2028, tích hợp các tiến bộ trong mô hình ngôn ngữ, mô hình thế giới và hiểu biết hình ảnh để tạo ra các hệ thống có khả năng thực hiện các nhiệm vụ nhận thức điển hình của con người.
• Các lời chỉ trích về LLM làm nổi bật sự phụ thuộc của chúng vào việc ghi nhớ, dự đoán và đầu ra mang tính tạo sinh, làm dấy lên sự quan tâm đến các mô hình không tạo sinh, cụ thể cho từng nhiệm vụ, ưu tiên suy luận, lập kế hoạch và giải quyết vấn đề chuyên biệt.
• Các chiến lược khác nhau giữa các tổ chức AI, chẳng hạn như sự tập trung của Meta vào hiệu quả và tính trừu tượng so với việc theo đuổi AGI của OpenAI và DeepMind, phản ánh bản chất đa dạng và thử nghiệm của lĩnh vực này, định hình tương lai của các nghiên cứu và ứng dụng AI.

Khám phá tính khả thi và định nghĩa về AGI

Khái niệm về AGI, một hệ thống AI có khả năng thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người có thể làm, vẫn là một trong những chủ đề được tranh luận nhiều nhất trong lĩnh vực này. Các chuyên gia tiếp tục vật lộn với định nghĩa, tính khả thi và các tác động của nó, đưa ra những góc nhìn tương phản định hình quỹ đạo của nghiên cứu AI.

• Yann LeCun, nhà khoa học AI trưởng tại Meta, lập luận rằng AGI là một mục tiêu không thực tế theo các mô hình hiện tại. Ông nhấn mạnh những hạn chế của các hệ thống AI hiện nay trong các lĩnh vực như trừu tượng hóa, lập kế hoạch và suy luận vật lý, gợi ý rằng AGI có thể không đạt được trong tương lai gần.
• Demis Hassabis, CEO của DeepMind, có lập trường lạc quan hơn, coi AGI là một dải các khả năng thay vì một cột mốc nhị phân. Ông hình dung AGI là một sự tiến triển dần dần hướng tới các hệ thống có khả năng thực hiện các nhiệm vụ nhận thức ngày càng phức tạp.

Những quan điểm trái chiều này nhấn mạnh sự phức tạp của việc định nghĩa AGI và những thách thức vốn có trong việc theo đuổi nó. Khi các nhà nghiên cứu khám phá các cách tiếp cận thay thế, cuộc tranh luận đang diễn ra tiếp tục ảnh hưởng đến hướng phát triển của AI, khuyến khích sự kiểm tra sâu sắc hơn về những gì trí thông minh thực sự bao hàm.

Kiến trúc sáng tạo và các hướng nghiên cứu mới

Một sự thay đổi đáng kể trong nghiên cứu AI là việc phát triển các kiến trúc mới được thiết kế để giải quyết các hạn chế của LLM. Một ví dụ nổi bật là Joint Embedding Predictive Architecture (JEPA) của Meta, đại diện cho một sự tách biệt khỏi các mô hình tạo sinh truyền thống. JEPA tập trung vào:

• Tính trừu tượng và khả năng nhận diện các quy luật trong dữ liệu phức tạp.
• Tư duy phản thực tế, cho phép các hệ thống suy luận về các tình huống giả định.
• Suy luận vật lý, điều cần thiết để hiểu và tương tác với thế giới thực.

Cách tiếp cận này nhằm tạo ra các hệ thống AI được tối ưu hóa cho các nhiệm vụ đòi hỏi các chức năng nhận thức bậc cao, cung cấp một giải pháp thay thế hiệu quả và chuyên biệt hơn cho các mô hình hiện có.

Trong khi đó, DeepMind đã đặt mục tiêu đạt được cái mà họ gọi là "AGI tối thiểu" vào năm 2028. Mục tiêu đầy tham vọng này bao gồm việc phát triển các hệ thống AI có khả năng thực hiện các nhiệm vụ nhận thức điển hình của con người bằng cách tích hợp các tiến bộ trong:

• Các mô hình ngôn ngữ để giao tiếp và hiểu biết tự nhiên.
• Các mô hình thế giới để mô phỏng và dự đoán các động lực của thế giới thực.
• Hiểu biết hình ảnh để tăng cường nhận thức thị giác và suy luận.

Những nỗ lực này phản ánh sự chú trọng ngày càng tăng vào việc tích hợp hệ thống và nghiên cứu liên ngành như những con đường để tạo ra các hệ thống AI linh hoạt và có năng lực hơn.

Mục tiêu tối thiểu năm 2028 của DeepMind và Meta JEPA

Những lời chỉ trích và thách thức của các mô hình hiện tại

Sự thống trị của LLM trong nghiên cứu AI không phải là không có những lời chỉ trích. Nhiều chuyên gia lập luận rằng việc quá phụ thuộc vào các mô hình này đã kìm hãm sự đổi mới và hạn chế việc khám phá các phương pháp thay thế. Các LLM hiện tại thường ưu tiên:

• Việc ghi nhớ hơn là suy luận và hiểu biết thực sự.
• Việc dự đoán hơn là lập kế hoạch chiến lược và ra quyết định.
• Đầu ra mang tính tạo sinh hơn là các khả năng học máy vật lý và siêu học máy.

Những hạn chế này đã làm dấy lên sự quan tâm đến việc phát triển các mô hình không tạo sinh, cụ thể cho từng nhiệm vụ, cung cấp các giải pháp chuyên biệt và hiệu quả hơn cho các thách thức mục tiêu. Khi bạn tìm hiểu lĩnh vực đang phát triển này, rõ ràng là những lời chỉ trích này đang thúc đẩy một sự tái tư duy rộng lớn hơn về các nguyên tắc nền tảng của AI, khuyến khích các nhà nghiên cứu khám phá các phương pháp và khung làm việc mới.

Các triết lý và chiến lược khác nhau trong nghiên cứu AI

Sự đa dạng của các phương pháp tiếp cận giữa các tổ chức AI hàng đầu làm nổi bật tính phức tạp và đa diện của lĩnh vực này. Các tổ chức khác nhau đang theo đuổi các chiến lược riêng biệt, phản ánh các triết lý và ưu tiên độc đáo của họ:

• Meta nhấn mạnh vào hiệu quả và tính trừu tượng, bác bỏ khái niệm AGI như một trí tuệ phổ quát. Thay vào đó, họ tập trung vào các kiến trúc như JEPA để giải quyết các thách thức nhận thức cụ thể và tối ưu hóa hiệu suất cho các nhiệm vụ mục tiêu.
• OpenAI và DeepMind tiếp tục ưu tiên AGI, hướng tới các đột phá trong thuật toán học tập, tích hợp hệ thống và các mô hình thống nhất có khả năng thực hiện một loạt các nhiệm vụ trí tuệ.

Những triết lý khác nhau này minh họa cho các con đường đa dạng đang được khám phá trong nghiên cứu AI, mang lại nhiều hướng đi cho sự đổi mới và tiến bộ. Khi lĩnh vực này phát triển, các chiến lược này có thể sẽ hội tụ và phân kỳ theo những cách bất ngờ, định hình tương lai của AI theo những hướng sâu sắc và khó đoán trước.

Định nghĩa lại tương lai của AI

Tương lai của nghiên cứu AI hứa hẹn sẽ đa dạng, mang tính thử nghiệm và đầy tham vọng hơn bao giờ hết. Các nhà nghiên cứu ngày càng khám phá các phương pháp rủi ro cao, phần thưởng lớn, tìm cách phát triển các dạng trí tuệ mới vượt ra ngoài khả năng tạo sinh của LLM. Sự thay đổi này phản ánh một sự tái tư duy rộng lớn hơn về:

• Bản chất của trí tuệ và cách nó có thể được mô hình hóa và mô phỏng.
• Các cơ chế học tập và ứng dụng của chúng vào các thách thức trong thế giới thực.
• Vai trò của AI trong việc giải quyết các vấn đề xã hội và công nghệ phức tạp.

Khi bạn tiếp cận với những xu hướng mới nổi này, rõ ràng là lĩnh vực này đang bước vào một kỷ nguyên tuyệt vời, một kỷ nguyên thách thức các mô hình truyền thống và mở ra cánh cửa cho những khả năng mới. Những đổi mới và đột phá của ngày hôm nay có thể sẽ định nghĩa lại ranh giới về tiềm năng của AI, định hình các ứng dụng và tác động của nó trong nhiều năm tới.