Trí tuệ nhân tạo đại quy mô (large-scale AI models) đang dần định hình lại hình thức tương tác giữa công nghệ và xã hội trong tương lai. Với sự tiến bộ nhanh chóng của công nghệ AI, những đại quy mô này được kỳ vọng sẽ hoạt động một cách linh hoạt trong môi trường mở, đầy biến đổi và không chắc chắn. Từ việc đề xuất cá nhân hóa đến hợp tác nâng cao giữa con người và máy móc, triển vọng ứng dụng của chúng là vô tận. Tuy nhiên, để hiện thực hóa viễn cảnh này, cần vượt qua nhiều rào cản kỹ thuật và lý thuyết, bao gồm việc học liên tục trong môi trường thay đổi, thích ứng hiệu quả với hậu quả môi trường, cân nhắc chính xác giữa nhiều mục tiêu khác nhau, cũng như nhận biết và phản ứng thông minh với thông tin môi trường.

Phỏng vấn với Nghiên cứu viên Trưởng cấp cao Li Peng về Thử thách và Giải pháp

Nhằm chuẩn bị cho Hội nghị Toàn cầu AICon về Phát triển và Ứng dụng AI, chúng tôi đã có cuộc phỏng vấn độc quyền với Nghiên cứu viên Trưởng cấp cao Li Peng từ Viện Trí tuệ Nhân tạo của Đại học Thanh Hoa. Ông chỉ ra rằng, các đại quy mô trí tuệ nhân tạo hiện đang đối mặt với thách thức chính khi xử lý sự không chắc chắn và thay đổi động trong môi trường mở, bao gồm cơ chế học tập tại thời điểm suy luận, mô hình hóa và sử dụng hiệu quả hậu quả môi trường, khả năng tổng quát hóa qua môi trường, độ phức tạp của tối ưu hóa đa mục tiêu, và nhu cầu cấp bách của công nghệ nhận biết chủ động.

Các Thử thách và Giải pháp

Li Peng nhấn mạnh năm thách thức chính mà các đại quy mô trí tuệ nhân tạo đang phải đối mặt:

• Học tập tại thời điểm suy luận (Inference-time Learning): Cần phát triển mô hình có khả năng học hỏi liên tục sau khi đã được huấn luyện ban đầu, đồng thời bảo tồn kiến thức cũ.
• Mô hình hóa và sử dụng hiệu quả hậu quả môi trường (Environmental Aftereffect): Thiết kế mô hình cần dự đoán và tận dụng những thay đổi trong môi trường để tối ưu hóa hành động tiếp theo.
• Tổng quát hóa qua môi trường (Cross-environment Generalization): Cần đào tạo mô hình để có thể áp dụng kiến thức và kỹ năng đã học được từ một số môi trường đại diện vào môi trường mới.
• Tối ưu hóa đa mục tiêu (Multi-objective Optimization): Cần tìm cách cân nhắc và tối ưu hóa nhiều mục tiêu có thể mâu thuẫn nhau, nhằm đảm bảo hiệu suất cao nhất.
• Nhận biết chủ động (Active Perception): Cần phát triển hệ thống có khả năng tự quyết định thu thập thông tin dựa trên nhu cầu và tiến trình thực thi nhiệm vụ.

Hiện nay, các giải pháp toàn diện để giải quyết những thách thức này vẫn đang trong giai đoạn phát triển. Mặc dù đã có nhiều nghiên cứu tích cực, bao gồm sự tiến bộ trong thuật toán học tập tại thời điểm suy luận, chiến lược đào tạo dựa trên tương tác môi trường, và các nghiên cứu đang diễn ra của nhóm nghiên cứu của ông, nhưng vẫn chưa có khung giải pháp toàn diện nào.

Để giải quyết các vấn đề này, Li Peng nhấn mạnh tầm quan trọng của việc thiết lập nguyên tắc thống nhất giữa trí tuệ nhân tạo, con người và môi trường.

Trong bài giảng sắp tới, ông sẽ chia sẻ về một phương pháp mới nhằm tối ưu quá trình học tập khi ngân sách học tập của trí tuệ nhân tạo bị giới hạn. Phương pháp này kết hợp với kế hoạch trước để cải thiện hiệu suất học tập, và đã ghi nhận kết quả tích cực.

Triển vọng Tương lai

Li Peng nhấn mạnh rằng, việc kết hợp trí tuệ nhân tạo đại quy mô với kiến thức cụ thể trong lĩnh vực đã trở thành xu hướng không thể thiếu. Điều này giúp mở rộng ứng dụng của trí tuệ nhân tạo vào các lĩnh vực mở, và thúc đẩy sự phát triển của hệ thống trí tuệ nhân tạo trong môi trường thực tế.