Hơn cả Al của hôm nay

Các phương pháp thuật toán mới mô phỏng những tương tác của bộ não con người với thế giới.

Những chức năng mới xuất hiện trong lĩnh vực trí tuệ nhân tạo do Phòng thí nghiệm của Intel phát triển có nhiều điểm tương đồng với nhận thức của con người hơn là với lôgic máy tính thông thường.

Điện toán mô phỏng não người là gì
Thế hệ đầu tiên của AI hoạt động theo quy tắc và được mô phỏng theo logic cổ điển, nhằm đưa ra kết luận hợp lý trong một phạm vi vấn đề cụ thể và hẹp. Ví dụ: công nghệ này rất phù hợp để theo dõi các quy trình và cải thiện hiệu quả. Thế hệ thứ hai hiện nay chủ yếu liên quan đến cảm biến và nhận thức, chẳng hạn như sử dụng các mạng học sâu để phân tích nội dung của một khung hình video.

Thế hệ tiếp theo sẽ mở rộng AI sang các lĩnh vực tương ứng với nhận thức của con người, chẳng hạn như phiên dịch và tự thích ứng. Điều này nhất thiết phải vượt qua cái gọi là “tính dễ gãy” của các giải pháp AI hoạt động bằng đào tạo và suy luận của mạng nơ-ron, đây là những thứ phụ thuộc vào quan điểm mang tính quyết định và cụ thể đối với các sự kiện thiếu bối cảnh và hiểu biết thông thường. AI thế hệ mới phải có khả năng giải quyết các tình huống mới lạ và trừu tượng để tự động hóa các hoạt động thông thường của con người.

Phòng thí nghiệm của Intel đang đẩy mạnh công tác nghiên cứu khoa học máy tính nhằm đóng góp cho AI thế hệ thứ ba này. Các lĩnh vực trọng tâm bao gồm điện toán mô phỏng não người liên quan đến việc mô phỏng cấu trúc thần kinh và hoạt động của bộ não người, cũng như điện toán xác suất tạo ra các phương pháp thuật toán để xử lý vấn đề không chắc chắn, mơ hồ và mâu thuẫn trong thế giới tự nhiên.

Trọng tâm của nghiên cứu điện toán mô phỏng não người
Những thách thức chủ yếu trong việc nghiên cứu mô phỏng não người chính là tính linh hoạt của con người và khả năng học hỏi từ các tác nhân kích thích phi cấu trúc với hiệu suất năng lượng của não người. Các khối dựng tính toán trong các hệ thống điện toán mô phỏng não người tương tự như các nơ-ron về mặt logic. Mạng lưới nơ-ron đơn lẻ (SNN) là một mô hình mới có nhiệm vụ sắp xếp các yếu tố đó để mô phỏng các mạng lưới nơ-ron tự nhiên đang tồn tại trong bộ não sinh học.

Mỗi “nơ-ron” trong SNN có thể phát tín hiệu độc lập với nhau và như vậy, nó sẽ gửi tín hiệu xung động đến các nơ-ron khác trong mạng lưới với khả năng thay đổi trực tiếp trạng thái điện của các nơ-ron đó. Bằng cách tự mã hóa thông tin ngay trong các tín hiệu và khoảng thời gian của mình, các SNN mô phỏng quá trình học tự nhiên bằng cách tự động ánh xạ lại các kỳ tiếp hợp giữa các nơ-ron nhân tạo để phản hồi lại các tác nhân kích thích.

Cung cấp một nền tảng silicon cho việc tính toán xuất phát từ não bộ
Để cung cấp hệ thống chức năng cho các nhà nghiên cứu triển khai SNN, Phòng thí nghiệm của Intel đã thiết kế Loihi (chip thử nghiệm nghiên cứu mô phỏng não bộ tự học thế hệ thứ 5) và cho ra mắt chip này vào tháng 11 năm 2017. Chip có thiết kế 128 lõi, hoạt động bằng kiến trúc chuyên biệt được tối ưu cho các thuật toán SNN và được chế tạo bằng công nghệ xử lý 14nm. Ví dụ: Loihi hỗ trợ hoạt động của SNN, không đòi hỏi đào tạo theo cách thông thường như một mạng lưới nơ-ron tích hợp. Dần dần, các mạng này cũng có năng lực hơn (”thông minh hơn”).

Chip Loihi gồm có tổng cộng khoảng 130.000 nơ-ron, mỗi nơ-ron lại có thể giao tiếp với hàng ngàn nơ-ron khác. Các nhà phát triển có thể truy cập và tận dụng các tài nguyên trên chip theo quy trình bằng một công cụ học tập được nhúng trong toàn bộ 128 lõi. Do được tối ưu đặc biệt cho SNN, phần cứng hỗ trợ tăng tốc học đáng kể trong môi trường phi cấu trúc đối với các hệ thống yêu cầu tự vận hành và học liên tục, với mức tiêu thụ điện năng cực thấp cộng với hiệu năng và dung lượng cao.

Phòng thí nghiệm của Intel cam kết tạo điều kiện cho cộng đồng nghiên cứu trên quy mô rộng có quyền truy cập vào các hệ thống thử nghiệm hoạt động bằng Loihi. Công nghệ này vẫn đang trong giai đoạn nghiên cứu (trái ngược với sản xuất) nên chỉ có một số lượng hạn chế các hệ thống thử nghiệm hoạt động bằng Loihi; để mở rộng khả năng truy cập, Phòng thí nghiệm của Intel đã phát triển một nền tảng hoạt động trên đám mây để cộng đồng nghiên cứu có thể truy cập cơ sở hạ tầng hoạt động bằng Loihi có thể nâng cấp.

Chip nghiên cứu mô phỏng não người tự học của Intel Corporation có tên mã là "Loihi". (Bản quyền: Intel Corporation)

Cải thiện điện toán mô phỏng não người như một thách thức trong nhiều lĩnh vực
Điện toán mô phỏng não người phát triển khi các ngành nghiên cứu đa dạng có sự giao thoa, bao gồm khoa học thần kinh điện toán, học máy, vi điện tử, kiến trúc máy tính, v.v. Phòng thí nghiệm của Intel đã thành lập Cộng đồng nghiên cứu mô phỏng não người của Intel. Đây là một nỗ lực hợp tác nghiên cứu giữa các tổ chức học thuật, chính phủ và thực thể trong ngành để cùng nghiên cứu kiến trúc bổ sung, công cụ và phương pháp hỗ trợ chung cho điện toán mô phỏng não bộ.

Cộng đồng hoạt động theo các nguyên lý trừu tượng của khoa học não người và áp dụng chúng vào công nghệ tính toán thực tế. Ví dụ: lập các thuật toán SNN cao cấp hơn là lĩnh vực trọng tâm chính, bao gồm phát triển các mô hình và công cụ lập trình. Đặc biệt, nó thúc đẩy việc thử nghiệm và phát triển chip nghiên cứu Loihi, bao gồm các ứng dụng giải quyết các vấn đề và cơ chế thực tế để kết nối các hệ thống hoạt động bằng SNN với các dữ liệu bên ngoài và hệ thống điện toán.

Các thành viên cộng đồng thống nhất với phương pháp tiếp cận cởi mở và hợp tác để chia sẻ kết quả nghiên cứu của mình. Phòng thí nghiệp của Intel tạo điều kiện để tiến hành một số nỗ lực nghiên cứu trong cộng đồng bằng cách tài trợ và cấp quyền truy cập vào các hệ thống phát triển Loihi.

Trọng tâm của nghiên cứu điện toán xác suất
Tính bất định cơ bản và vấn đề nhiễu được điều chỉnh thành dữ liệu tự nhiên chính là một thách thức quan trọng đối với việc cải tiến của AI. Các thuật toán phải trở nên thuần thục với các nhiệm vụ được xử lý bằng dữ liệu tự nhiên, điều mà con người giải quyết bằng trực giác nhưng hệ thống máy tính lại gặp khó khăn.

Khả năng hiểu và tính toán với những điều bất định sẽ thúc đẩy các ứng dụng thông minh trong nhiều lĩnh vực AI đa dạng. Ví dụ: trong quang tuyến, dựa trên các biện pháp bất định, người ta có thể ưu tiên hình ảnh nào mà bác sĩ X quang cần quan sát và hiển thị lên các vùng hình ảnh được đánh dấu có tính bất định thấp. Trong trường hợp trợ lý thông minh tại nhà, thiết bị có thể tương tác với người dùng bằng cách đặt câu hỏi để làm rõ yêu cầu khi việc nhận biết ý định có tính không chắc chắn cao.

Trong lĩnh vực xe tự lái, các hệ thống điều khiển xe tự lái có nhiều nhiệm vụ rất phù hợp với điện toán thông thường, chẳng hạn như điều hướng theo định tuyến GPS và kiểm soát tốc độ. Khả năng của AI hiện nay cho phép các hệ thống nhận biết và phản ứng với môi trường xung quanh, như tránh va chạm với người đi bộ xuất hiện bất ngờ.

Tuy nhiên, nhằm cải tiến những chức năng đó trong lĩnh vực lái xe hoàn toàn tự động, các thuật toán phải tích hợp chuyên môn mà con người tích lũy được với tư cách tài xế giàu kinh nghiệm. Các cảm biến như GPS, máy ảnh, v.v. cho thấy tính bất định khi dự đoán vị trí. Ngoài ra, quả bóng mà bọn trẻ đang chơi trong sân gần đó có thể lăn ra đường và một đứa trẻ trong số đó có thể quyết định đuổi theo. Cần cảnh giác với một tài xế chạy ẩu ở làn đường bên cạnh. Trong các chu kỳ nhận thức và phản ứng này, cả dữ liệu đầu vào và đầu ra đều có một mức độ không chắc chắn. Việc đưa ra quyết định trong các tình huống như vậy phụ thuộc vào nhận thức và hiểu biết về môi trường để dự đoán các sự kiện tương lai, cũng như quyết định hướng hành động chính xác. Các nhiệm vụ nhận thức và hiểu biết cần nhận thức được tính bất định vốn có trong đó.

Quản lý và mô hình hóa tính bất định
Điện toán xác suất thường giải quyết được các vấn đề về xử lý tính bất định, vốn đã được xây dựng thành dữ liệu tự nhiên. Tính bất định đóng vai trò trong các hệ thống AI theo hai cách:

  • Tính bất định trong nhận thức và nhận diện dữ liệu tự nhiên. Các nguồn đóng góp bao gồm tính bất định của dữ liệu đầu vào phát sinh từ cảm biến phần cứng và môi trường, cũng như tính bất định của mô hình nhận diện do sự chênh lệch trong dữ liệu có điều kiện và dữ liệu đang được nhận diện.
  • Tính bất định trong việc hiểu và dự đoán các sự kiện động. Dự đoán chuyển động và ý định của con người là một ví dụ cho thấy tính bất định như vậy. Bất kỳ tác nhân nào cố gắng dự đoán các sự kiện động như vậy đều phải mô hình hóa ý định của con người và hiểu được tính bất định trong mô hình đó. Có thể sử dụng các kết quả quan sát sau đó để liên tục làm giảm tính bất định nhằm dự đoán ý định và mục đích chính xác hơn.

Vấn đề chính ở đây xoay quanh việc mô tả và định lượng một cách hiệu quả tính bất định, kết hợp tính bất định đó vào các tính toán và kết quả, rồi lưu trữ một mô hình của những điều bất định có tính tương tác đó với dữ liệu tương ứng.

Các dữ liệu đầu ra được thể hiện dưới dạng xác suất thay vì các giá trị xác định cho thấy tất cả các kết luận đều mang tính dự đoán và liên quan đến mức độ tin cậy cụ thể. Để mở rộng cho ví dụ xe tự lái ở trên, quả bóng của bọn trẻ biến mất khỏi tầm nhìn hoặc hành vi ngày càng bất ổn của người lái xe hung hăng kia có thể làm tăng mức độ tin cậy của hành động phản ứng trước mối nguy tiềm ẩn như vậy.

Ngoài việc cho phép trực giác và dự đoán trong AI, các phương pháp xác suất cũng có thể được dùng để truyền đạt một mức độ minh bạch cho các hệ thống nhận dạng AI hiện có đang với xu hướng hoạt động như một hộp đen. Ví dụ, các công cụ học sâu ngày nay đưa ra một kết quả không kèm theo thước đo tính bất định. Các phương pháp xác suất có thể gia tăng các công cụ như vậy để đưa ra ước tính về mức độ không đảm bảo trên lý thuyết cùng với kết quả sẽ giúp ứng dụng quyết định được độ tin cậy của dự đoán. Chỉ ra tính bất định góp phần thiết lập niềm tin vào độ tin cậy của hệ thống Al khi đưa ra quyết định.

Trong khi các quy trình mang tính quyết định có kết quả có thể dự đoán và lặp lại, thì các quy trình xác suất lại không như thế vì không thể biết hay đo lường được những ảnh hưởng ngẫu nhiên. Quá trình kết hợp sự nhiễu, tính bất định và mâu thuẫn của dữ liệu tự nhiên là một khía cạnh quan trọng khi thiết kế máy tính có khả năng hiểu biết, dự đoán và quyết định ở những cấp độ của con người (hoặc siêu việt hơn cả con người). Công việc này dựa trên các ứng dụng trước đây về tính ngẫu nhiên trong phân tích dữ liệu, chẳng hạn như việc sử dụng lâu dài các thuật toán Monte Carlo để lập mô hình xác suất.

Tạo ra hệ sinh thái điện toán xác suất
Ngoài sức ép của chính hệ sinh thái về xử lý dữ liệu không hoàn chỉnh và không chắc chắn, điện toán xác suất còn phụ thuộc vào sự thành công trong việc tích hợp một cách hợp tác và toàn diện vào vũ trụ công nghệ điện toán rộng lớn hơn. Phòng thí nghiệm của Intel đang hỗ trợ xây dựng những cầu nối cần thiết giữa các tổ chức trong giới học thuật và ngành chuyên môn qua Liên minh nghiên cứu chiến lược Intel về điện toán xác suất.

Sáng kiến nghiên cứu này nhằm cải tiến điện toán xác suất từ phòng thí nghiệm đến thực tế, bằng cách tích hợp xác suất và tính ngẫu nhiên vào các khối dựng phần cứng và phần mềm cơ bản. Cùng thu hút và khởi động nghiên cứu trong các lĩnh vực này, Liên minh hoạt động hướng đến việc thiết kế các chức năng nhận thức và phán đoán để tạo ra AI thế hệ mới.

Loihi: Bộ xử lý nhiều lõi mô phỏng não người kèm theo học trên chip

Chip Loihi tích hợp một loạt các tính năng mới lạ cho lĩnh vực này, bao gồm các quy tắc học tập tiếp hợp lập trình được.

Đọc báo cáo

Tin tức


Khám phá tin tức mới nhất về điện toán mô phỏng não người và Intel.

Tham gia Phòng thí nghiệm của Intel

Đưa niềm đam mê công nghệ và xử lý vấn đề của bạn đến với Phòng thí nghiệm của Intel và giúp tạo ra điều chưa từng tồn tại.

Khám phá các cơ hội

Xem thêm từ Phòng thí nghiệm của Intel

Giới thiệu về Phòng thí nghiệm của Intel

Hợp tác và tài trợ cho các nhà nghiên cứu hàng đầu trên thế giới để phát triển bước đột phá tiếp theo, làm thay đổi cách máy móc suy nghĩ, học hỏi và thích nghi.

Tìm hiểu thêm

Tính toán lượng tử

Khám phá cách thức Intel góp phần thúc đẩy phát triển bộ xử lý lượng tử.

Tìm hiểu thêm

Những đổi mới đang xuất hiện

Các công nghệ mới xuất hiện đang thúc đẩy và định hình tương lai của điện toán. Khám phá các lĩnh vực đổi mới chính ở tiền tuyến cuộc cách mạng kỹ thuật tiếp theo.

Tìm hiểu thêm