Trí tuệ nhân tạo (AI) là từ thông dụng nhất hiện nay và hầu hết mọi công ty lớn đều đang bổ sung một số loại tính năng AI vào sản phẩm hoặc dịch vụ của mình. Thật không may, mặc dù thuật ngữ này nghe có vẻ như nên có một định nghĩa dễ hiểu và rõ ràng, nhưng thực tế lại không phải như vậy. Cái mà các nhà nghiên cứu gọi là một bước tiến nhỏ trong học máy (chúng ta sẽ nói đến thuật ngữ đó), một số bộ phận tiếp thị đang quảng cáo là một bước tiến lớn đối với trí tuệ nhân tạo nói chung (chúng ta cũng sẽ nói đến điều đó).

Xem ngay: 

Vì vậy, hãy khám phá trí tuệ nhân tạo là gì, tại sao lại khó định nghĩa rõ ràng như vậy, làm thế nào chúng ta đạt được điểm này và những gì nó có thể làm. Tôi sẽ cố gắng trình bày mọi thứ tôi đã học được trong vài năm qua một cách đơn giản nhất có thể để bạn cũng có thể cảm thấy thất vọng vì quá khó để tóm tắt mọi thứ.

AI là gì?

Trí tuệ nhân tạo là một cỗ máy có thể học hỏi, đưa ra quyết định và hành động, ngay cả khi nó gặp phải một tình huống mà nó chưa từng gặp phải trước đây.

Đối với những gì cấu thành nên trí thông minh ở con người , AI khó có thể sắp xếp gọn gàng một chiếc hộp xung quanh.

Theo nghĩa rộng nhất có thể, trí tuệ nhân tạo là một cỗ máy có khả năng học hỏi, đưa ra quyết định và hành động—ngay cả khi gặp phải tình huống mà nó chưa từng gặp phải trước đây.

Theo nghĩa khoa học viễn tưởng hẹp nhất có thể, nhiều người trực giác cảm thấy rằng AI dùng để chỉ người máy và máy tính có trí thông minh ở mức độ con người hoặc siêu phàm và đủ cá tính để đóng vai một nhân vật chứ không chỉ là một thiết bị cốt truyện. Trong Star Trek , Dữ liệu là AI, nhưng máy tính chỉ là phiên bản nâng cấp của Microsoft Clippy. Không có AI hiện đại nào đến gần với định nghĩa này.

Nói một cách đơn giản, một chương trình máy tính không phải AI được lập trình để lặp lại cùng một nhiệm vụ theo cùng một cách mỗi lần. Hãy tưởng tượng một con rô-bốt được thiết kế để làm kẹp giấy bằng cách uốn cong một dải dây nhỏ. Phải mất vài inch dây và thực hiện chính xác ba lần uốn cong giống nhau mỗi lần. Miễn là nó tiếp tục được đưa cho dây, nó sẽ tiếp tục uốn nó thành kẹp giấy. Tuy nhiên, hãy cho nó một miếng mì spaghetti khô, và nó sẽ cắn nó. Nó không có khả năng làm bất cứ điều gì ngoại trừ uốn cong một dải dây. Nó có thể được lập trình lại, nhưng nó không thể tự thích ứng với một tình huống mới.

Mặt khác, AI có thể học và giải quyết các vấn đề năng động và phức tạp hơn, bao gồm cả những vấn đề mà chúng chưa từng gặp phải trước đây. Trong cuộc đua chế tạo ô tô không người lái, không có công ty nào cố gắng dạy máy tính cách điều hướng mọi giao lộ trên mọi con đường ở Hoa Kỳ. Thay vào đó, họ đang cố gắng tạo ra các chương trình máy tính có khả năng sử dụng nhiều loại cảm biến khác nhau để đánh giá những gì đang diễn ra xung quanh họ và phản ứng chính xác với các tình huống trong thế giới thực, bất kể họ đã từng gặp phải nó trước đây hay chưa. Chúng ta vẫn còn một chặng đường dài để tạo ra một chiếc ô tô không người lái thực sự, nhưng rõ ràng là chúng không thể được tạo ra theo cách giống như các chương trình máy tính thông thường. Các lập trình viên không thể giải thích cho từng trường hợp riêng lẻ,

Tất nhiên, bạn có thể đặt câu hỏi liệu một chiếc xe không người lái có thực sự thông minh hay không. Câu trả lời có thể là rất lớn, nhưng nó chắc chắn thông minh hơn robot hút bụi đối với hầu hết các định nghĩa về trí thông minh. Chiến thắng thực sự trong AI sẽ là xây dựng một trí tuệ tổng quát nhân tạo (AGI) hoặc AI mạnh: về cơ bản, một AI có trí thông minh giống con người, có khả năng học các nhiệm vụ mới, trò chuyện và hiểu các hướng dẫn dưới nhiều hình thức khác nhau và đáp ứng mọi yêu cầu khoa học của chúng ta. những giấc mơ. Một lần nữa, đây là một cái gì đó còn lâu mới đạt được .

Những gì chúng ta có bây giờ đôi khi được gọi là AI yếu, AI hẹp hoặc trí tuệ nhân tạo hẹp (ANI): AI được đào tạo để thực hiện các nhiệm vụ cụ thể nhưng không thể làm mọi thứ. Điều này vẫn cho phép một số sử dụng khá ấn tượng. Siri của Apple và Alexa của Amazon đều là những ANI khá đơn giản, nhưng chúng vẫn có thể đáp ứng một số lượng lớn các yêu cầu.

Với việc AI rất phổ biến hiện nay, chúng ta có thể thấy thuật ngữ này được sử dụng rất nhiều cho những thứ mà nó không thực sự áp dụng. Vì vậy, hãy cẩn thận khi bạn thấy một thương hiệu tự tiếp thị bằng khái niệm này hãy tìm hiểu kỹ để chắc chắn rằng đó thực sự là AI, không chỉ là một bộ quy tắc. Điều này đưa tôi đến điểm tiếp theo.

AI hoạt động như thế nào?

Hiện tại, hầu hết các AI đều dựa vào một quy trình gọi là học máy để phát triển các thuật toán phức tạp giúp chúng có khả năng hành động thông minh. Có những lĩnh vực nghiên cứu AI khác như rô-bốt, thị giác máy tính và xử lý ngôn ngữ tự nhiên cũng đóng vai trò chính trong nhiều triển khai thực tế của AI, nhưng quá trình đào tạo và phát triển cơ bản vẫn bắt đầu bằng học máy.

Với máy học, một chương trình máy tính được cung cấp một tập dữ liệu huấn luyện lớn càng lớn càng tốt. Giả sử bạn muốn huấn luyện máy tính nhận biết các loài động vật khác nhau. Tập dữ liệu của bạn có thể là hàng nghìn bức ảnh về động vật được ghép nối với nhãn văn bản mô tả chúng. Bằng cách làm cho chương trình máy tính xử lý toàn bộ tập dữ liệu huấn luyện, nó có thể tạo ra một thuật toán thực ra là một loạt các quy tắc để xác định các sinh vật khác nhau. Thay vì con người phải lập trình một danh sách các tiêu chí, chương trình máy tính sẽ tạo ra danh sách tiêu chí của riêng mình.

Điều này có nghĩa là các doanh nghiệp sẽ thành công nhất khi áp dụng AI nếu họ có sẵn dữ liệu chẳng hạn như các truy vấn của khách hàng để đào tạo dữ liệu đó.

Mặc dù các chi tiết cụ thể trở nên phức tạp hơn rất nhiều, nhưng đào tạo có cấu trúc bằng cách sử dụng máy học là cốt lõi của cách phát triển cả GPT-3 và GPT-4 (Generative Pre-training Transformer 3/4) và Stable Diffusion . GPT-3 GPT trong ChatGPT được đào tạo trên gần 500 tỷ "mã thông báo" ( khoảng bốn ký tự văn bản ) từ sách, bài báo và trang web trên internet. Mặt khác, Stable Diffusion đã sử dụng bộ dữ liệu LAOIN-5B , một bộ dữ liệu có 5,85 tỷ cặp văn bản-hình ảnh.

Từ các bộ dữ liệu đào tạo này, cả mô hình GPT và Khuếch tán ổn định đã phát triển các mạng thần kinh thuật toán phức tạp, nhiều lớp, có trọng số được mô phỏng theo bộ não con người cho phép chúng dự đoán và tạo nội dung mới dựa trên những gì chúng học được từ dữ liệu đào tạo của mình. Khi bạn hỏi ChatGPT một câu hỏi, ChatGPT sẽ trả lời bằng cách sử dụng mạng thần kinh của mình để dự đoán mã thông báo nào sẽ xuất hiện tiếp theo. Khi bạn đưa ra lời nhắc cho Stable Diffusion, nó sẽ sử dụng mạng thần kinh của mình để sửa đổi một tập hợp nhiễu ngẫu nhiên thành một hình ảnh phù hợp với văn bản.

Cả hai mạng thần kinh này đều là "thuật toán học sâu" về mặt kỹ thuật. Mặc dù các từ này thường được sử dụng thay thế cho nhau, nhưng về mặt lý thuyết, mạng nơ-ron có thể khá đơn giản, trong khi các AI hiện đại dựa vào mạng nơ-ron sâu thường tính đến hàng triệu hoặc hàng tỷ tham số. Điều này làm cho hoạt động của họ trở nên mơ hồ đối với người dùng cuối vì các chi tiết cụ thể về những gì họ đang làm không thể dễ dàng giải mã được. Các AI này thường là các hộp đen nhận đầu vào và trả về đầu ra điều này có thể gây ra sự cố khi nói đến nội dung thiên vị hoặc phản cảm.

Có nhiều cách khác mà AI cũng có thể được đào tạo. AlphaZero đã tự học chơi cờ vua bằng cách chơi hàng triệu ván đấu với chính nó. Tất cả những gì nó biết khi bắt đầu là các quy tắc cơ bản của trò chơi và điều kiện thắng. Khi thử các chiến lược khác nhau, nó học được điều gì hiệu quả và điều gì không và thậm chí còn đưa ra một số chiến lược mà con người chưa từng cân nhắc trước đây.

Nguyên tắc cơ bản về AI: thuật ngữ và định nghĩa

Hiện tại, AI có thể thực hiện nhiều nhiệm vụ kỹ thuật ấn tượng, thường bằng cách kết hợp các chức năng khác nhau. Dưới đây là một số trong những điều quan trọng nó có thể làm.

Học máy

Học máy là khi máy tính (máy móc) lấy thông tin từ dữ liệu mà chúng đã được đào tạo và sau đó bắt đầu phát triển thông tin mới (học) dựa trên dữ liệu đó. Máy tính được cung cấp một tập dữ liệu khổng lồ, được con người đào tạo về nó theo nhiều cách khác nhau và sau đó học cách thích ứng dựa trên quá trình đào tạo đó.

Học kĩ càng

Học sâu là một phần của học máy một phần "sâu", trong đó máy tính thậm chí có thể thực hiện một cách tự chủ hơn mà không cần sự trợ giúp của con người. Tập dữ liệu khổng lồ mà máy tính đào tạo được sử dụng để tạo thành một mạng thần kinh học sâu: một thuật toán phức tạp, nhiều lớp, có trọng số được mô phỏng theo bộ não con người. Điều đó có nghĩa là các thuật toán học sâu có thể xử lý thông tin (và nhiều loại dữ liệu khác) theo cách cực kỳ tiên tiến, giống con người.

Trí tuệ nhân tạo

Các AI sáng tạo như GPT và DALL·E 2 có thể tạo nội dung mới từ thông tin đầu vào của bạn dựa trên dữ liệu đào tạo của chúng.

Ví dụ, GPT-3 và GPT-4 đã được đào tạo về số lượng công việc viết lách không thể tin được. Về cơ bản, nó tương đương với toàn bộ Internet công cộng , cộng với hàng trăm nghìn cuốn sách, bài báo và các tài liệu khác. Đây là lý do tại sao họ có thể hiểu lời nhắc bằng văn bản của bạn và nói nhiều về Shakespeare, dấu phẩy Oxford và biểu tượng cảm xúc nào không phù hợp với công việc Slack. Họ đã đọc tất cả về chúng trong dữ liệu đào tạo của họ .

Tương tự, các trình tạo hình ảnh được đào tạo trên bộ dữ liệu khổng lồ gồm các cặp văn bản-hình ảnh. Đó là lý do tại sao họ hiểu rằng chó và mèo khác nhau, mặc dù chúng vẫn gặp khó khăn với những khái niệm trừu tượng hơn như con số và màu sắc.

Xử lý ngôn ngữ tự nhiên

Tạo văn bản chỉ là một phần nhỏ trong những gì AI có thể làm với từ ngữ. Xử lý ngôn ngữ tự nhiên (NLP) là cách AI có thể hiểu, phân loại, phân tích, trả lời và thậm chí dịch giao tiếp thông thường của con người.

Ví dụ: nếu bạn yêu cầu ai đó bật đèn trong phòng, bạn có thể sắp xếp hoặc diễn đạt điều đó theo nhiều cách. Với sự hiểu biết đơn giản về ngôn ngữ, máy tính có thể trả lời các từ khóa cụ thể. (Ví dụ: "Alexa, bật đèn.") Nhưng NLP là thứ cho phép AI phân tích các công thức phức tạp hơn mà mọi người sử dụng như một phần của giao tiếp tự nhiên.

NLP là một phần quan trọng trong cách GPT và các mô hình ngôn ngữ lớn khác có thể hiểu và trả lời lời nhắc, nhưng nó cũng có thể được sử dụng để phân tích tình cảm, phân loại văn bản, dịch máy, lọc tự động và các tác vụ ngôn ngữ AI khác.

Tầm nhìn máy tính

Thị giác máy tính là quá trình AI nhìn và giải thích thế giới vật lý, thông qua hình ảnh và video hoặc trực tiếp thông qua cảm biến của chúng.

Thị giác máy tính rõ ràng là một phần quan trọng trong việc tạo ra ô tô tự lái, nhưng nó cũng có nhiều ứng dụng tức thời hơn. Ví dụ: AI có thể được huấn luyện để phân biệt giữa các tình trạng da phổ biến , phát hiện vũ khí hoặc chỉ cần thêm văn bản mô tả để những người sử dụng trình đọc màn hình có trải nghiệm trực tuyến tốt hơn.

Tự động hóa quy trình bằng robot

Tự động hóa quy trình bằng robot (RPA) là một phương pháp tối ưu hóa sử dụng trí tuệ nhân tạo, máy học hoặc bot ảo để thực hiện các tác vụ cơ bản mà con người sẽ xử lý theo cách khác. Ví dụ: một chatbot có thể được lập trình để trả lời các câu hỏi phổ biến và hướng dẫn khách hàng liên hệ với đúng người hỗ trợ hoặc tự động gửi email cho nhà cung cấp hóa đơn cập nhật vào cuối mỗi tháng.

Trong khi RPA có thể vượt qua ranh giới giữa tự động hóa thông thường và trí tuệ nhân tạo, thì tự động hóa thông minh (IA) sẽ đưa nó vững chắc vào lãnh thổ AI. Nó liên quan đến việc tạo ra các quy trình làm việc không chỉ hoạt động tự động mà còn có thể suy nghĩ, học hỏi và cải thiện mà không cần sự can thiệp của con người. Ví dụ: IA có thể chạy thử nghiệm A/B trên trang web của bạn và tự động cập nhật bản sao với phiên bản hoạt động tốt nhất sau đó chạy thử nghiệm A/B khác với phiên bản mới do AI tạo.

Học máy so với AI: Sự khác biệt là gì?

AI và học máy là hai thuật ngữ được sử dụng rất nhiều cùng nhau. Mặc dù chúng có liên quan với nhau nhưng có một số điểm khác biệt chính. Một cách để suy nghĩ về trí tuệ nhân tạo so với học máy: học máy là một phần của AI.

AI là thuật ngữ chung bao gồm bất kỳ kiểu suy nghĩ hoặc lý luận nào được thực hiện bởi máy móc (đó là nguyên nhân khiến việc xác định chính xác ranh giới giữa cái gì là và cái gì không phải là AI trở nên rất khó khăn). Tuy nhiên, một trong những thứ mà nó chắc chắn bao gồm là học máy, tức là nơi các chương trình máy tính có thể " trích xuất kiến ​​thức từ dữ liệu và học hỏi từ dữ liệu đó một cách tự động ".

Nhiều ứng dụng hiện tại của AI hoàn toàn dựa trên học máy hoặc phụ thuộc nhiều vào nó trong giai đoạn đào tạo. Chẳng hạn, tại hội nghị WWDC gần đây, Apple đã cố tình tránh mô tả bất kỳ tính năng mới nào mà hãng công bố là trí tuệ nhân tạo, thay vào đó gọi chúng là máy học. Nó ít mơ hồ hơn và chính xác hơn về mặt kỹ thuật, mặc dù nó không có tính chất khoa học viễn tưởng tương tự.

Ngoài học máy, AI còn bao gồm một số lĩnh vực con khác, bao gồm lập trình ngôn ngữ tự nhiên, người máy, thị giác máy tính và mạng lưới thần kinh. Thêm vào đó trong một chút.

AGI so với AI: Sự khác biệt là gì?

Khi mọi người nói về AI, họ thường nói về AI hẹp hoặc AI yếu (trừ khi họ đã xem quá nhiều MCU). Đây là sự khác biệt giữa AI hẹp và mục tiêu cao cả hơn của trí tuệ nhân tạo tổng hợp (AGI).

Trí tuệ nhân tạo tổng hợp (AGI) là thế hệ nâng cấp từ Trí tuệ nhân tạo (AI), nó có khả năng học cách thực hiện các nhiệm vụ như con người

AGI là gì?

Trí tuệ tổng quát nhân tạo (AGI) còn được gọi là AI mạnh là mục tiêu cuối cùng của nghiên cứu AI.

AGI là khái niệm về một máy tính (hoặc rô-bốt) thực sự thông minh có thể suy luận, giao tiếp, học hỏi và hành động giống như con người. Thay vì bị giới hạn trong một tập hợp con các nhiệm vụ, nó sẽ có thể thích ứng và có khả năng thực hiện nhiều loại nhiệm vụ khác nhau. (Mặc dù, như với tất cả mọi thứ về AI, không có định nghĩa nào được chấp nhận hoặc thống nhất trên toàn cầu.)

Nói cách khác, một AGI sẽ có thể trò chuyện về giá trị văn học của Ted Chiang và đưa bạn đến tận nhà.

"Bài kiểm tra" yêu thích của tôi để xem thứ gì đó có phải là AGI hay không được đề xuất bởi Steve Wozniak, người đồng sáng lập Apple. Trong Thử nghiệm cà phê , "cần có một chiếc máy để bước vào một ngôi nhà bình thường của người Mỹ và tìm ra cách pha cà phê: tìm máy pha cà phê, tìm cà phê, thêm nước, tìm cốc và pha cà phê bằng cách nhấn các nút thích hợp. "

Thật ngớ ngẩn, nhưng nó gói gọn mức độ linh hoạt mà một AGI thực sự có thể cần. Và như bạn có thể tưởng tượng, chúng ta vẫn còn một chặng đường dài mới đạt được điều đó.

: Nguyễn Công PC – Đơn vị uy tín chuyên tư vấn giải pháp, lắp đặt PC AI Trí tuệ nhân tạo tại Việt Nam

Ứng dụng của AI: AI có thể làm gì?

AI hiện đã đạt đến mức hữu ích cho những người làm việc trong nhiều lĩnh vực khác nhau. Dưới đây là một số cách mà bạn—một người bình thường, đọc bài viết này do một người bình thường viết—có thể sử dụng AI.

Sử dụng AI theo vai trò

Một số vai trò, như những vai trò dưới đây, đặc biệt phù hợp với AI:

AI trong dịch vụ khách hàng: Trả lời các câu hỏi phổ biến, hướng khách hàng đến đúng tài nguyên, thực hiện khảo sát và hỗ trợ bản địa hóa.

AI trong tiếp thị: Tạo nội dung, tối ưu hóa quảng cáo, dịch chiến dịch sang các ngôn ngữ khác và thực hiện phân tích bổ sung.

AI trong hoạt động CNTT: Thu thập dữ liệu, tăng tốc độ phân giải, tự động hóa các tác vụ thông thường và hợp lý hóa việc cung cấp dịch vụ CNTT.

AI trong an ninh mạng: Phát hiện các vi phạm dữ liệu, hack và các rủi ro bảo mật máy tính khác trước khi chúng trở thành vấn đề lớn.

Ưu và nhược điểm của việc sử dụng AI

Nhược điểm của AI

• Nó vẫn đang ở giai đoạn đầu nên có thể không tích hợp hoàn hảo với tất cả quy trình công việc hiện có của bạn.
• Không phải ai cũng sẵn sàng đón nhận AI , vì vậy rất khó để thuyết phục con người áp dụng nó. Tương tự, khách hàng có thể lo ngại nếu họ thấy bạn đang sử dụng AI vì họ cũng có thể chưa bị thuyết phục về tiện ích của nó.
• Nó đòi hỏi rất nhiều dữ liệu chất lượng cao. Bạn có thể sử dụng các công cụ AI tổng hợp được xây dựng sẵn để hỗ trợ bạn trong công việc hàng ngày, nhưng nếu muốn AI có tác động sâu sắc đến công việc của mình, bạn sẽ cần rất nhiều dữ liệu để nó học hỏi.

Ưu điểm của AI

• Nó giúp tiết kiệm thời gian và năng lượng, giúp bạn có thể tập trung vào công việc đòi hỏi trí tuệ con người.
• Nó có thể làm tăng sự hài lòng của khách hàng vì bạn đang tung ra nhiều tính năng hơn, tạo nhiều nội dung hơn và tăng tốc thời gian phản hồi.
• Nó thúc đẩy sự sáng tạo bằng cách giải phóng bạn để tập trung vào các nhiệm vụ sáng tạo hơn.
• Nó cho phép chúng ta làm những điều mà chúng ta chưa bao giờ có thể tưởng tượng được (hãy nghĩ đến: ô tô không người lái, trợ lý AI cá nhân).

Lịch sử của AI: Chúng ta đến đây bằng cách nào?

Những năm 1940

Những chiếc máy tính đầu tiên được chế tạo vào những năm 1940. Mặc dù rất nhiều ý tưởng đã tồn tại từ lâu nhưng nhu cầu của Thế chiến thứ hai đã buộc phải đầu tư một lượng lớn tiến bộ công nghệ và chi tiêu cho nghiên cứu. Các thiết bị để thực hiện các phép tính cụ thể như bàn tính đã xuất hiện hàng thiên niên kỷ, nhưng những chiếc máy tính có kích thước bằng căn phòng đầu tiên này là những thiết bị điện toán có mục đích thực sự đa năng đầu tiên.

Ngay từ đầu, các học giả đã suy đoán về khả năng bắt chước bộ não con người bằng máy móc. Mạng lưới thần kinh một trong những mô hình được sử dụng trong AI hiện tại được đưa ra giả thuyết lần đầu tiên vào những năm 1940.

Những năm 1950 và 60

Alan Turing đã xuất bản Bài kiểm tra Turing nổi tiếng của mình rằng một máy tính có thể trò chuyện bằng văn bản với con người có thể được mô tả là “suy nghĩ” vào năm 1950. Nhưng bản thân thuật ngữ “trí tuệ nhân tạo” mãi đến năm 1956 mới được đặt ra tại một hội nghị ở Dartmouth .

Kể từ đó, AI đã đi trên con đường tàu lượn siêu tốc cho đến thời điểm hiện tại. Những năm 1950 và 60 là thời kỳ lạc quan tuyệt vời. Vào khoảng thời gian đó, nhà khoa học chính trị HA Simon đã viết một câu nổi tiếng rằng “Trong vòng hai mươi năm, máy móc sẽ có khả năng thực hiện bất kỳ công việc nào mà con người có thể làm”.

những năm 1970

Điều đó không thành công lắm, tiến độ chậm, khó khăn kỹ thuật và những trở ngại khác đã dẫn đến cái gọi là Mùa đông AI đầu tiên. Sự quan tâm nghiên cứu và nguồn tài trợ của chính phủ đã cạn kiệt, trong khi một số vấn đề vẫn khó giải quyết vì máy tính không đủ mạnh.

Đầu những năm 1980

AI đã trải qua một đợt bùng nổ khác vào những năm 1980, lần này phần lớn được thúc đẩy bởi lợi ích thương mại. Một số "hệ thống chuyên gia" ban đầu (các AI đơn giản có khả năng đưa ra quyết định dựa trên dữ liệu đầu vào) thực sự hữu ích và khi được sử dụng đúng cách, có thể tiết kiệm tiền cho công ty.

Cuối những năm 1980 đến đầu những năm 1990

Tuy nhiên, cũng như nhiều công nghệ mới được thổi phồng quá mức, bong bóng hình thành rồi vỡ tung. Giai đoạn từ 1987 đến 1993 hiện được gọi là Mùa đông AI thứ hai.

Cuối thập niên 1990 – nay

Kể từ đó, AI đã ngày càng phát triển. Deep Blue đánh bại Garry Kasparov tại cờ vua năm 1997 và Watson của IBM đánh bại Brad Rutter và Ken Jennings tại Jeopardy! năm 2011 là hai trong số những cột mốc văn hóa quan trọng nhất, nhưng việc nghiên cứu và phát triển dần dần ở hậu trường còn quan trọng hơn.

Máy tính hiện đủ nhanh và mạnh để xử lý lượng dữ liệu khổng lồ nhằm giúp những thứ như mạng lưới thần kinh, xử lý ngôn ngữ tự nhiên và thị giác máy tính hoạt động. Không phải các nhà nghiên cứu ban đầu không thể hình dung ra thứ gì đó giống như ChatGPT mà là họ không có công cụ để xây dựng nó.

AI cũng đã được tích hợp một cách chậm rãi và khó nhận thấy vào nhiều sản phẩm mà chúng ta sử dụng hàng ngày. Hãy Google. Trong hai thập kỷ qua, cách nó quyết định trang web nào sẽ nổi bật, quảng cáo nào sẽ phân phát và điều gì được coi là email spam đã phát triển đến mức nó chỉ có thể thực sự được gọi là trí tuệ nhân tạo. Nó đã phát triển kiến ​​trúc biến áp làm nền tảng cho GPT và các mô hình ngôn ngữ lớn khác vào năm 2017, nhưng phải mất 5 năm để nó thực sự thành hiện thực.

Tương lai của AI

Có thể cảm giác như mọi người đột nhiên nói về AI và cụ thể là các AI tổng quát cuối cùng đã đạt đến điểm mà chúng trở nên hữu ích nhưng thực sự, thời điểm hiện tại đã được xây dựng trong nhiều thập kỷ. Bây giờ chúng ta đã đạt đến điểm mà lý thuyết và phần cứng máy tính có thể phối hợp với nhau để làm nên những điều tuyệt vời.

Dưới đây là một vài dự đoán về nơi mà mọi thứ đang hướng tới.

Chúng ta có thể sẽ thấy con người chuyển sang vai trò xây dựng mối quan hệ và chiến lược hơn, trong khi AI tự động hóa phần còn lại.

Có lẽ chúng ta sẽ bắt đầu thấy nhiều AI tương tác với AI hơn, loại bỏ hoàn toàn con người khỏi một số quy trình.

Chúng ta sẽ thấy nhiều vai trò công việc mở ra tập trung vào AI.

Chúng ta sẽ tiếp tục thấy các ứng dụng AI mới mọc lên mỗi ngày, nhưng AI cũng sẽ bắt đầu trở thành một phần của tất cả các ứng dụng mà chúng ta đã biết và yêu thích.

Bài đọc liên quan: