Đột phá AI bí ẩn (Q*) trí tuệ nhân tạo tổng hợp (AGI)

Trong chuyên mục hôm nay, tôi sẽ giới thiệu cho bạn một bí ẩn nổi bật về AI đã gây xôn xao dư luận, dẫn đến tiếng vang không ngừng trên hầu hết các phương tiện truyền thông xã hội và thu hút các tiêu đề lớn trên các phương tiện truyền thông đại chúng. Đây sẽ là một cuộc phiêu lưu khá thú vị của Sherlock Holmes và một cuộc hành trình lấy ví dụ về thám tử trinh thám mà tôi sẽ đưa bạn tham gia.

Hãy đội chiếc mũ suy nghĩ của bạn và thưởng thức cho mình một ly rượu nhẹ nhàng.

Nguồn gốc của tình huống này liên quan đến những thay đổi trong tổ chức gần đây và kịch tính khủng hoảng kinh doanh đáng chú ý liên quan đến nhà sản xuất AI OpenAI, bao gồm cả việc sa thải liên tục và sau đó thuê lại Giám đốc điều hành Sam Altman, cùng với rất nhiều công việc liên quan. Trọng tâm của tôi sẽ không đặc biệt là việc đến và đi của các bên liên quan. Thay vào đó, tôi tìm cách tận dụng những sự thật được báo cáo đó chủ yếu làm manh mối liên quan đến bí ẩn AI mà một số người tin rằng nằm ở cốt lõi của trận động đất tổ chức.

Chúng ta sẽ bắt đầu với mục tiêu được ca ngợi là đạt đến AI hàng đầu.

Bối cảnh của bí ẩn AI

Một số ý kiến ​​​​cho rằng OpenAI đã tìm ra một cách tiếp cận mới đối với AI đã đạt được AI thực sự, ngày nay được cho là Trí tuệ nhân tạo tổng hợp (AGI) hoặc có thể tồn tại rõ ràng hoặc ít nhất là chỉ ra con đường hướng tới AGI. Là một công cụ nền tảng nhanh cho bạn, AI ngày nay được coi là chưa ở mức ngang bằng với trí thông minh của con người. Mục tiêu đầy tham vọng của phần lớn lĩnh vực AI là đạt đến thứ gì đó thể hiện đầy đủ trí thông minh của con người, sau đó được coi là AGI, hoặc thậm chí có thể tiến xa hơn đến siêu trí tuệ (theo phân tích của tôi về khía cạnh “siêu nhân” AI này có thể bao gồm những gì của, xem liên kết tại đây ).

Vẫn chưa có ai có thể tìm hiểu và báo cáo cụ thể về bước đột phá AI bí ẩn này bao gồm những gì (nếu thực sự một bước đột phá AI như vậy đã được nghĩ ra hoặc phát minh ra). Tình huống này có thể giống như một trong những trường hợp mà sự việc thực tế xảy ra khác xa với những tin đồn lan truyền trên các phương tiện truyền thông. Có thể thực tế là một số tiến bộ khiêm tốn về AI đã được phát hiện nhưng không đáng phải chịu sự huyên náo sau đó. Hiện tại, tin đồn tràn ngập những câu chuyện hoang đường rằng đây là sự thật và được cho là sẽ mở ra cánh cửa tiếp cận AGI.

Thời gian sẽ trả lời.

Về vấn đề liệu AI đã đạt được AGI hay chưa, hãy cùng suy ngẫm về quan điểm đó. Có vẻ khó có thể tưởng tượng rằng nếu AI trở thành AGI thực sự thì chúng ta sẽ không biết nó là gì và nó có thể làm gì. Đó sẽ là một biên niên sử có tầm quan trọng to lớn. Liệu các nhà phát triển AI có liên quan có thể kiểm soát được việc đạt được mục tiêu cuộc sống đến mức họ đã tìm ra nguồn của sông Nile một cách kỳ diệu hay về cơ bản họ đã biến đá thành vàng?

Có vẻ khó tin rằng số lượng người có thể biết kết quả kỳ diệu này lại hoàn toàn bí mật và im lặng trong một khoảng thời gian đáng kể.

Quan điểm có vẻ hợp lý hơn là họ đã đạt được một loại AI hứa hẹn một ngày nào đó sẽ có được AGI. Bạn có thể giữ bí mật đó trong một thời gian. Câu hỏi lớn mặc dù lờ mờ về vấn đề này sẽ là cơ sở được khẳng định để khẳng định rằng AI trên thực tế đang trên con đường hướng tới AGI. Người ta hy vọng rằng cơ sở như vậy có thể bắt nguồn từ logic sắt thép thực chất. Mặt khác, có lẽ lời khẳng định chắc chắn về con đường hướng tới AGI không gì khác hơn là một linh cảm của giới công nghệ.

Những loại linh cảm đó đôi khi rất dễ xảy ra.

Bạn thấy đấy, đây chính là con đường mà những linh cảm đặc biệt đó thường xuyên xảy ra. Bạn nghĩ rằng mình đã đi đúng đường nhưng thực ra bạn lại một lần nữa quay trở lại khu rừng. Hoặc bạn đang đi đúng đường nhưng đỉnh núi vẫn còn cách xa hàng dặm. Đơn giản chỉ cần nói hoặc tin rằng bạn đang đi trên con đường đến AGI không nhất thiết giống như đang đi trên con đường đã nói. Ngay cả khi bạn đang đi trên con đường AGI, có lẽ sự tiến bộ chỉ là một inch trong khi khoảng cách phía trước vẫn còn rất xa. Người ta chắc chắn có thể vui mừng khi tiến được một inch, đừng hiểu sai ý tôi về điều đó. Vấn đề là mỗi inch được miêu tả một cách cố ý hay vô tình như thế nào để đưa chúng ta đến ngưỡng cửa ngay lập tức của AGI.

Những manh mối đã được gợi ý

Bây giờ bạn đã biết bối cảnh bao quát của bí ẩn AI, chúng ta đã sẵn sàng đi sâu vào những gợi ý hoặc manh mối đã được báo cáo về vấn đề này cho đến nay. Chúng ta sẽ tìm hiểu kỹ những manh mối đó. Điều này sẽ đòi hỏi một số hiểu biết sâu sắc về Sherlock Holmes được AI xem xét.

Một số lưu ý cần được đề cập ngay từ đầu.

Một thám tử sắc sảo nhận ra rằng một số manh mối có thể là những dấu vết mơ hồ chắc chắn, trong khi một số manh mối lại mơ hồ hoặc hoàn toàn sai lệch. Khi bạn đang trong cuộc chiến tranh giải quyết một bí ẩn, luôn có khả năng là bạn không có đủ manh mối. Sau này, khi bí ẩn đã được giải đáp và tiết lộ hoàn toàn, chỉ khi đó bạn mới có thể nhìn lại và nhận ra manh mối nào đã được nhắm đến và manh mối nào ít được sử dụng. Thật thú vị, những manh mối cũng có thể khiến bạn mất tập trung và đưa bạn đi theo hướng không giải quyết được bí ẩn. Và như thế.

Với những sự phức tạp đó, chúng ta hãy tiếp tục và cố gắng làm tốt nhất có thể với những manh mối dường như đã có sẵn vào thời điểm này (chắc chắn sẽ có nhiều manh mối hơn bị rò rỉ trong vài ngày và tuần tới; tôi sẽ cung cấp thêm thông tin chi tiết trong bài đăng chuyên mục của tôi khi điều đó mở ra).

Tôi sẽ rút ra ba manh mối tương đối không có căn cứ sau đây:

• a) Tên của AI được cho là Q*.
• b) AI được cho là có khả năng giải các bài toán cấp lớp khá tốt.
• c) AI có thể đã tận dụng một kỹ thuật AI được gọi là tính toán thời gian thử nghiệm (TTC).

Bạn có thể tìm thấy rất nhiều suy đoán tràn lan trên mạng chỉ sử dụng manh mối đầu tiên trong số những manh mối trên, đó là tên của Q*. Một số người tin rằng bí ẩn có thể được làm sáng tỏ chỉ dựa trên manh mối đó. Họ có thể không biết về hai manh mối còn lại ở trên. Hoặc họ có thể không tin rằng hai manh mối còn lại là xác đáng.

Tôi sẽ chọn sử dụng cả ba manh mối và ghép chúng lại với nhau thành một bức tranh khảm có thể mang đến một góc nhìn khác với những góc nhìn khác mà những người khác đã tán thành trên mạng về bí ẩn. Tôi chỉ muốn cho bạn biết rằng tác phẩm trinh thám của tôi có thể hơi khác so với những câu chuyện khác mà bạn có thể đọc ở đâu đó trên mạng.

Manh mối đầu tiên là tên được cho là của AI

Có thông tin rộng rãi rằng nhà sản xuất AI được cho là đã chọn đặt tên cho phần mềm AI theo ký hiệu chữ Q viết hoa và sau đó là dấu hoa thị.

Tên hoặc ký hiệu là: Q*.

Dù bạn có tin hay không, chỉ bằng cái tên được tuyên bố này, bạn có thể rơi vào vực thẳm suy đoán sâu rộng về AI là gì.

Tôi sẽ vui lòng làm như vậy.

Tôi cho rằng nó hơi giống với từ “Rosebud” trong bộ phim kinh điển nổi tiếng Citizen Kane. Tôi sẽ không làm hỏng bộ phim ngoài việc nhấn mạnh rằng toàn bộ bộ phim cố gắng hiểu ý nghĩa của từ có vẻ vô thưởng vô phạt của Rosebud. Nếu bạn có thời gian, tôi thực sự khuyên bạn nên xem phim vì nó được coi là một trong những bộ phim hay nhất mọi thời đại. Không có bất kỳ AI nào trong đó, vì vậy hãy nhận ra rằng bạn sẽ xem bộ phim vì cốt truyện đáng kinh ngạc, diễn xuất tuyệt vời, kỹ thuật quay phim mãn nhãn, v.v., và thích thú với bí ẩn sâu sắc được hăng hái theo đuổi xuyên suốt bộ phim.

Quay lại với bí ẩn của chúng ta trong tay.

Chúng ta có thể đoán được điều gì từ cái tên Q*?

Những ai chưa quen với các công thức toán học hàng ngày có thể nhận ra rằng người ta thường cho rằng dấu hoa thị đại diện cho cái gọi là biểu tượng ngôi sao. Do đó, cái tên có vẻ như là “Q-dấu hoa thị” thông thường sẽ được phát âm to là “Q-star” chứ không phải là Q-dấu hoa thị. Không có gì đặc biệt khác thường trong các ký hiệu toán học khi chọn sử dụng dấu hoa thị làm ký hiệu ngôi sao. Việc này được thực hiện khá thường xuyên và tôi sẽ giải thích ngắn gọn tại sao lại như vậy.

Nhìn chung, việc sử dụng cụ thể chữ Q kết hợp với biểu tượng ngôi sao không đặc biệt biểu thị bất cứ điều gì đã phổ biến trong lĩnh vực AI. Vì vậy, tôi đang nói rằng Q* không có nghĩa là kỹ thuật AI cụ thể này hoặc công nghệ AI cụ thể đó. Nó chỉ đơn giản là chữ Q được theo sau bởi một dấu hoa thị (mà theo quy ước chúng ta thường coi là biểu tượng ngôi sao).

Aha, mũ tư duy của chúng ta bây giờ đã phát huy tác dụng.

Chúng tôi sẽ tách chữ Q khỏi dấu hoa thị đi kèm của nó. Làm như vậy có vẻ hiệu quả. Đây là lý do tại sao. Chữ in hoa Q có ý nghĩa trong lĩnh vực AI. Hơn nữa, việc sử dụng dấu hoa thị làm biểu tượng ngôi sao có ý nghĩa quan trọng trong lĩnh vực toán học và khoa học máy tính. Bằng cách xem xét ý nghĩa của từng ý nghĩa một cách rõ ràng, sau đó chúng ta có thể thực hiện một bước nhảy vọt hợp lý về mặt logic nhờ xem xét ý nghĩa liên quan khi chúng được kết hợp trong sự thống nhất.

Tôi sẽ bắt đầu bằng việc giải thích cách sử dụng dấu hoa thị.

Dấu hoa thị hoặc biểu tượng ngôi sao biểu thị điều gì

Một trong những cách sử dụng dấu hoa thị nổi tiếng nhất trong lịch sử trong bối cảnh có thể tương tự là việc nhà toán học Stephen Kleene sử dụng khi ông định nghĩa một thứ được gọi là V*. Bạn có thể khéo léo nhận thấy rằng ký hiệu này bao gồm chữ V in hoa theo sau là dấu hoa thị. Nó được phát âm là ngôi sao V.

Trong bài báo xuất bản vào những năm 1950, ông mô tả rằng giả sử bạn có một bộ đồ vật được đặt tên bằng chữ V in hoa, và sau đó bạn quyết định tạo một bộ đồ khác bao gồm nhiều cách kết hợp khác nhau liên quan đến các đồ vật trong bộ đồ đó. V. Tập hợp mới này theo định nghĩa sẽ chứa tất cả các phần tử của tập hợp V và sẽ hiển thị chúng theo nhiều cách nối mà chúng ta có thể nghĩ ra. Tập hợp mới thu được sẽ được ký hiệu là V* (có những quy tắc phức tạp khác về công thức này, nhưng tôi chỉ muốn trình bày ngắn gọn ở đây).

Để làm ví dụ về vấn đề này, giả sử rằng tôi có một bộ gồm ba chữ cái viết thường đầu tiên của bảng chữ cái: {“a”, ”b”, ”c”}. Tôi sẽ tiếp tục và gọi tập hợp đó là tập hợp V. Chúng ta có tập hợp V bao gồm {“a”, ”b”, ”c”}.

Sau đó, bạn phải nghĩ ra V* bằng cách tạo ra nhiều tổ hợp các phần tử trong V. Bạn được phép lặp lại các phần tử bao nhiêu tùy thích. Do đó, V* sẽ chứa các phần tử như thế này: {“a”, “b”, “c”, “ab”, “ac”, “ba”, “bc”, “aa”, “bb”, “cc ”, “aaa”, “aab”, “aac”, …}.

Tôi tin rằng bạn thấy rằng V* là sự kết hợp của các yếu tố của V. V* này thật tuyệt vời ở chỗ nó có đủ loại kết hợp tiện lợi. Tôi sẽ không đi sâu vào chi tiết lý do tại sao điều này hữu ích và sẽ chỉ khiến bạn chú ý đến thực tế là dấu hoa thị hoặc biểu tượng ngôi sao gợi ý rằng bất kỳ tập V nào bạn có đều có một tập V* khác phong phú và đầy đủ hơn nhiều. Tôi khuyên những ai quan tâm sâu sắc đến toán học và khoa học máy tính có thể muốn xem một bài báo kinh điển đáng chú ý của Stephen Kleene có tựa đề “Biểu diễn các sự kiện trong mạng thần kinh và máy tự động hữu hạn” do Nhà xuất bản Đại học Princeton xuất bản năm 1956. Bạn cũng có thể dễ dàng tìm thấy rất nhiều lời giải thích trực tuyến về V*.

Điều rút ra được ở đây là khi bạn sử dụng chữ in hoa và nối nó với dấu hoa thị, hàm ý thông thường trong toán học và khoa học máy tính là bạn đang nói rằng chữ in hoa về cơ bản là lớn hơn. Bạn đang phóng đại bất kể thứ ban đầu là gì. Ở một mức độ nào đó, bạn được cho là đang tối đa hóa nó đến mức độ thứ n.

Bạn có ở bên tôi về điều này cho đến nay không?

Tôi cũng mong là như vậy.

Hãy tiếp tục và ghi nhớ nội dung về dấu hoa thị và ngôi sao này.

Việc sử dụng dấu hoa thị hoặc ngôi sao trong trường hợp viết hoa A

Bạn sẽ yêu thích công việc thám tử tiếp theo này.

Tôi đã cung cấp cho bạn thông tin cập nhật về dấu hoa thị và cho bạn xem một ví dụ dễ hiểu liên quan đến chữ in hoa V. Trong lĩnh vực AI, có một ví dụ nổi tiếng liên quan đến chữ in hoa A. Chúng ta đã trúng số độc đắc tiềm năng một số người tin rằng bí ẩn cơ bản đang được giải đáp.

Hãy để tôi giải thích.

Ví dụ nổi tiếng về chữ in hoa “A” đi kèm với dấu hoa thị trong lĩnh vực AI được hiển thị theo cách này: A*. Nó được phát âm là A-star.

Ngoài ra, khi còn là giáo sư đại học, tôi luôn dạy A* trong các lớp đại học về AI cho sinh viên đại học và sinh viên tốt nghiệp. Bất kỳ sinh viên khoa học máy tính nào mới bắt đầu học về AI ít nhất cũng phải biết về điểm A* và ý nghĩa của nó. Đây là nền tảng cơ bản cho AI.

Tóm lại, một bài nghiên cứu vào những năm 1960 đã đề xuất một cách tiếp cận nền tảng AI cho một vấn đề toán học khó, chẳng hạn như cố gắng tìm con đường ngắn nhất để đi từ thành phố này sang thành phố khác. Nếu bạn đang lái xe từ Los Angeles đến New York và giả sử bạn có thể đi qua ba mươi thành phố để đến đích, bạn sẽ chọn thành phố nào để giảm thiểu thời gian hoặc khoảng cách cho chuyến đi theo kế hoạch của mình?

Bạn chắc chắn sẽ muốn sử dụng một thuật toán toán học có thể hỗ trợ tính toán con đường tốt nhất hoặc ít nhất là một con đường thực sự tốt để đi. Điều này cũng liên quan đến việc sử dụng máy tính. Nếu bạn định sử dụng máy tính để tìm ra đường đi, bạn cần có một thuật toán toán học có thể được lập trình để làm việc đó. Bạn muốn thuật toán toán học đó có thể triển khai được trên máy tính và chạy nhanh nhất có thể hoặc sử dụng ít tài nguyên máy tính nhất có thể.

Bài báo kinh điển hình thành nên A* có tựa đề “Cơ sở chính thức cho việc xác định theo kinh nghiệm về đường dẫn chi phí tối thiểu” của Peter Hart, Nils Nilsson và Bertram Raphael, được xuất bản trong IEEE Transactions on Systems Science and Cybernetics , 1968. Các nhà nghiên cứu cho biết điều này:

“Hãy tưởng tượng một tập hợp các thành phố với những con đường nối một số cặp trong số đó. Giả sử chúng ta mong muốn một kỹ thuật khám phá một chuỗi các thành phố trên con đường ngắn nhất từ ​​một điểm xuất phát cụ thể đến một thành phố mục tiêu cụ thể. Thuật toán của chúng tôi quy định cách sử dụng kiến ​​thức đặc biệt – ví dụ: kiến ​​thức rằng tuyến đường ngắn nhất giữa bất kỳ cặp thành phố nào không thể nhỏ hơn khoảng cách hàng không giữa chúng – để giảm tổng số thành phố cần được xem xét.”

Bài báo tiến hành xác định thuật toán mà họ đặt tên là A*. Bạn có thể dễ dàng tìm thấy rất nhiều mô tả trực tuyến về cách hoạt động của A*. Đó là một thủ tục hoặc kỹ thuật từng bước. Bên cạnh việc hữu ích trong việc giải quyết các vấn đề liên quan đến du lịch, A* còn được sử dụng cho mọi vấn đề liên quan đến tìm kiếm. Ví dụ: khi chơi cờ, bạn có thể nghĩ việc tìm nước cờ tiếp theo là một bài toán liên quan đến tìm kiếm. Bạn có thể sử dụng A* và mã hóa nó thành một phần của chương trình chơi cờ.

Bạn có thể thắc mắc liệu A* có một bản sao tương ứng có thể được gọi đơn giản là A hay không. Nói cách khác, tôi đã đề cập trước đó rằng chúng ta có V* là một biến thể hoặc thay thế của V. Bạn sẽ rất vui khi biết rằng một số người tin rằng A * phần nào dựa trên một thuật toán đôi khi được gọi là A.

Hãy nói đi, bạn có thể đang suy nghĩ.

Vào những năm 1950, nhà toán học và nhà khoa học máy tính nổi tiếng Edsger Dijkstra đã đưa ra một thuật toán được coi là một trong những kỹ thuật khớp nối đầu tiên để tìm ra đường đi ngắn nhất giữa các nút khác nhau trong biểu đồ có trọng số (một lần nữa, giống như bài toán di chuyển trong thành phố và hơn).

Điều thú vị là ông đã tìm ra thuật toán này vào năm 1956 khi đang ngồi trong một quán cà phê ở Amsterdam và theo lời kể của ông về cách mọi thứ phát sinh, ông chỉ mất khoảng 20 phút để nghĩ ra kỹ thuật này. Kỹ thuật này đã trở thành một phần cốt lõi trong di sản cả đời của ông trong lĩnh vực toán học và khoa học máy tính. Anh ấy đã dành thời gian để viết nó lên. Ông đã xuất bản một bài báo về nó ba năm sau đó, và đó là một bài báo rất dễ đọc và hấp dẫn, xem EW Dijkstra, “A Note on Two Issues in Connection with Graphs”, xuất bản trên Numerische Mathematik, 1959 .

Một số người cho rằng chữ A* được nghĩ ra sau này về cơ bản dựa trên chữ A trong các tác phẩm của ông. Có một cuộc tranh luận lịch sử về điều đó. Điều có thể nói một cách nhạy cảm tương đối là A* là một thuật toán mạnh mẽ và mở rộng hơn nhiều để thực hiện các loại tìm kiếm tương tự. Tôi sẽ để mọi thứ ở đó và không sa lầy vào những tranh chấp lịch sử.

Tôi muốn thêm hai nhận xét nhanh nữa về việc sử dụng ký hiệu dấu hoa thị trong lĩnh vực máy tính.

Đầu tiên, những ai trong số các bạn biết về mã hóa, lập trình hoặc sử dụng các lệnh máy tính có lẽ đều biết rằng việc sử dụng dấu hoa thị từ lâu đã là ký tự đại diện. Điều này khá phổ biến. Giả sử tôi muốn thông báo cho bạn rằng bạn phải xác định tất cả các từ có thể bắt nguồn từ từ gốc hoặc các chữ cái “dog”. Ví dụ: bạn có thể nghĩ ra từ “doggie” hoặc từ “giáo điều”. Tôi có thể cho bạn biết một cách ngắn gọn những gì bạn có thể làm bằng cách đặt dấu hoa thị ở cuối từ gốc, như sau: “dog*”. Dấu hoa thị một lần nữa được coi là biểu tượng ngôi sao và ngụ ý rằng bạn có thể đặt bất kỳ chữ cái nào bạn muốn sau bộ ba chữ cái cố định đầu tiên của “con chó”.

Thứ hai, một góc nhìn khác về dấu hoa thị khi được sử dụng với chữ in hoa là nó là lần lặp hoặc phiên bản cuối cùng hoặc xa nhất có thể có của một thứ gì đó. Hãy cùng khám phá điều này. Giả sử tôi tạo ra một phần mềm và quyết định gọi nó bằng chữ in hoa B. Phiên bản đầu tiên của tôi có thể được gọi là B1. Phiên bản thứ hai của tôi có thể được gọi là B2. Cứ tiếp tục như vậy. Sau này tôi có thể có B26, phiên bản thứ 26, và muộn hơn nữa có thể là B8245, có lẽ là phiên bản thứ 8245.

Một cách hấp dẫn hoặc dễ thương để đề cập đến phần cuối của tất cả các phiên bản có thể là nói B*. Dấu hoa thị hoặc biểu tượng ngôi sao trong trường hợp này cho chúng ta biết rằng bất kỳ phiên bản nào được đặt tên là “B*” đều là phiên bản cao nhất hoặc cuối cùng trong số tất cả các phiên bản mà chúng tôi có thể nghĩ ra.

Tôi sẽ sớm xem lại những điểm này và cho bạn thấy lý do tại sao chúng là một phần của công việc thám tử.

Chữ viết hoa Q được coi là manh mối lớn

Bây giờ bạn đã biết về dấu hoa thị hoặc biểu tượng ngôi sao. Chúc mừng!

Chúng ta cần đi sâu vào chữ in hoa Q.

Tham chiếu dường như có nhiều khả năng nhất đến chữ in hoa Q tồn tại trong lĩnh vực AI chắc chắn sẽ được gọi là Q-learning. Một số người đã suy đoán rằng thay vào đó, Q có thể là một tham chiếu đến công trình của nhà toán học nổi tiếng Richard Bellman và hàm giá trị tối ưu của ông trong phương trình Bellman. Chắc chắn, tôi hiểu điều đó. Chúng tôi không biết liệu đó có phải là tài liệu tham khảo được thực hiện hay không. Tôi sẽ đưa ra lựa chọn mang tính thám tử theo bản năng và hướng tới Q có trong Q-learning.

Tôi đang sử dụng bảng Ouija của mình để giúp đỡ.

Đôi khi nó đúng, đôi khi nó sai.

Q-learning là một kỹ thuật AI quan trọng. Một lần nữa, đây là chủ đề mà tôi luôn đề cập đến trong các lớp học AI của mình và tôi mong đợi học sinh của mình thuộc lòng. Kỹ thuật này sử dụng học tăng cường. Nhìn chung, bạn đã nhận thức được “học tập tăng cường” thông qua những trải nghiệm sống có thể có của mình.

Hãy đảm bảo rằng bạn cảm thấy thoải mái với cụm từ lạ mắt đến đáng sợ “học tập tăng cường”.

Giả sử bạn đang huấn luyện một con chó thực hiện động tác bắt tay hoặc chúng ta sẽ nói là lắc chân. Bạn ra lệnh bằng lời cho chó, chẳng hạn như bảo chú chó con dễ thương bắt tay. Con chó nhấc bàn chân nhỏ bé của nó lên để chạm vào bàn tay vươn ra của bạn. Để thưởng cho hành vi này, bạn hãy thưởng cho chú chó một món ăn ngon.

Bạn tiếp tục làm điều này nhiều lần. Chú chó sẽ được thưởng phần thưởng mỗi lần thực hiện được hành động cảm động đó. Nếu con chó không thực hiện trò lừa khi được lệnh, bạn sẽ không đưa ra phần thưởng. Theo một nghĩa nào đó, việc từ chối đãi ngộ cũng gần như là một hình phạt. Bạn có thể đưa ra hình phạt rõ ràng hơn, chẳng hạn như cau có với con chó, nhưng thông thường, cách hành động phù hợp hơn là tập trung vào phần thưởng thay vì bao gồm cả hình phạt rõ ràng.

Nhìn chung, con chó đang được dạy bằng phương pháp học tăng cường. Bạn đang củng cố hành vi mà bạn mong muốn bằng cách trao phần thưởng. Người ta hy vọng rằng bằng cách nào đó, trong bộ não chó đáng yêu của nó, con chó sẽ hiểu được rằng bắt tay là một điều tốt. Các quy tắc tinh thần bên trong mà con chó có lẽ đang nghĩ ra là khi ra lệnh bắt tay, cách tốt nhất là nhấc chân thuận tiện của nó lên vì làm như vậy sẽ được khen thưởng xứng đáng.

Q-learning là một kỹ thuật AI nhằm mục đích thúc đẩy việc học tăng cường trong máy tính hoặc được cho là được triển khai bằng máy tính.

Thuật toán bao gồm việc kiểm tra về mặt toán học và tính toán một trạng thái hoặc bước hiện tại và cố gắng tìm ra trạng thái hoặc bước tiếp theo nào là tốt nhất để thực hiện. Một phần của việc này bao gồm việc dự đoán các trạng thái hoặc bước đi tiềm năng trong tương lai. Ý tưởng là để xem liệu phần thưởng liên quan đến các trạng thái tương lai đó có thể được cộng lại và mang lại phần thưởng tối đa có thể đạt được hay không.

Bạn có lẽ làm điều gì đó tương tự như thế này trong cuộc sống thực.

Xem xét điều này. Nếu tôi chọn học đại học, tôi có thể kiếm được một công việc được trả lương cao hơn so với việc tôi không học đại học. Tôi cũng có thể mua được một căn nhà tốt hơn nếu tôi không học đại học. Có rất nhiều phần thưởng có thể có nên tôi có thể cộng tất cả chúng lại để xem số tiền đó có thể là bao nhiêu. Đó là một lộ trình hoặc một chuỗi các bước và có thể nó tốt cho tôi hoặc có thể có điều gì đó tốt hơn.

Nếu không học đại học, tôi có thể bắt đầu làm việc trong lĩnh vực mình đã chọn ngay lập tức. Tôi sẽ có thêm bốn năm kinh nghiệm làm việc trước khi vào đại học. Có thể bốn năm kinh nghiệm đó sẽ mang lại cho tôi lợi thế lâu dài so với việc sử dụng những năm kinh nghiệm đó để học đại học. Tôi xem xét những phần thưởng cuối cùng gắn liền với con đường đó.

Khi cộng phần thưởng cho từng con đường trong số hai con đường tương ứng đó, tôi có thể quyết định rằng con đường nào có phần thưởng được tính toán tối đa sẽ là con đường tốt hơn để tôi chọn. Bạn có thể nói rằng tôi đang cộng các giá trị mong đợi. Để làm cho mọi thứ trở nên mạnh mẽ hơn, tôi có thể quyết định cân nhắc phần thưởng. Ví dụ, tôi đã đề cập rằng tôi đang cân nhắc xem mình sẽ kiếm được bao nhiêu tiền. Có thể là tôi cũng đang cân nhắc về lối sống và công việc mà mình sẽ làm. Tôi có thể chú trọng nhiều hơn đến lối sống và công việc trong khi chú trọng ít hơn một chút đến khía cạnh tiền bạc.

Cách chính thức để thể hiện tất cả những điều này là một tác nhân, trong ví dụ là tôi, sẽ thực hiện một loạt các bước mà chúng ta sẽ biểu thị là trạng thái và thực hiện các hành động chuyển tác nhân từ trạng thái này sang trạng thái tiếp theo. Mục tiêu của đại lý đòi hỏi phải tối đa hóa tổng phần thưởng. Sau mỗi trạng thái hoặc bước được thực hiện, việc đánh giá lại sẽ diễn ra để tính toán lại bước hoặc trạng thái tiếp theo nào có vẻ là tốt nhất nên thực hiện.

Lưu ý rằng trước đó tôi không biết chắc chắn đâu sẽ là bước tốt nhất hoặc đúng đắn cần thực hiện. Tôi sẽ ước tính ở mỗi trạng thái hoặc bước. Tôi sẽ tìm ra mọi thứ khi tôi đi cùng. Tôi sẽ sử dụng mỗi phần thưởng mà tôi gặp được như một phương tiện bổ sung để xác định trạng thái hoặc bước tiếp theo cần thực hiện.

Với mô tả đó, tôi hy vọng bạn có thể nhận ra rằng có lẽ con chó đang học cách bắt tay đang làm điều gì đó tương tự như thế này (chúng ta không thể biết chắc chắn). Con chó phải quyết định ở mỗi lần thử lặp lại xem có nên bắt tay hay không. Nó đang phản ứng trong thời điểm hiện tại nhưng có lẽ cũng đang dự đoán tiềm năng nhận được phần thưởng trong tương lai. Chúng ta chưa có phương tiện để con chó nói cho chúng ta biết nó đang nghĩ gì nên chúng ta không biết chắc điều gì đang xảy ra trong tâm trí con chó tinh nghịch đó.

Tôi muốn cung cấp thêm một số thông tin chi tiết về Q-learning và sau đó chúng ta sẽ tổng hợp mọi thứ mà tôi đã trình bày cho đến nay. Chúng ta cần phải kiên định ghi nhớ rằng chúng ta đang thực hiện một nhiệm vụ. Nhiệm vụ liên quan đến việc giải quyết bí ẩn về AI được cho là có thể hướng chúng ta tới AGI.

Q-learning thường được mô tả là sử dụng cách tiếp cận không có mô hình và phi chính sách để học tăng cường. Đó là một câu nói hay. Chúng ta có thể giải nén nó.

Dưới đây là một số định nghĩa ngẫu hứng của tôi được thừa nhận là lỏng lẻo nhưng tôi tin rằng chúng thể hiện một cách hợp lý các khía cạnh mô hình và chính sách liên quan đến Q-learning (Tôi xin sự tha thứ từ những người theo chủ nghĩa hình thức nghiêm khắc có thể coi điều này hơi nhạt nhẽo). xuống):

• Dựa trên mô hình : Được cung cấp một cách tiếp cận được quy định trước hoặc một mô hình được nghĩ ra mà từ đó sẽ được sử dụng để quyết định những bước tiếp theo cần thực hiện.
• Không có mô hình : Tiến hành trên cơ sở thử và sai được cân nhắc (nghĩa là xác định từng bước tiếp theo khi bạn thực hiện), điều này trái ngược với cách tiếp cận dựa trên mô hình .
• Chính sách theo chính sách: Được cung cấp một bộ quy tắc đã xác định cho biết cách chọn từng bước tiếp theo và sau đó sử dụng các quy tắc đó khi bạn tiếp tục.
• Chính sách ngoại lệ: Tìm ra nhanh chóng một bộ quy tắc tự rút ra trong khi tiến về phía trước, điều này trái ngược với cách tiếp cận chính sách bao gồm việc đưa ra trước một bộ quy tắc được phân định rõ ràng.

Hãy xem những định nghĩa đó. Tôi đã lưu ý bằng chữ in nghiêng về việc không có mô hình và không có chính sách. Tôi cũng đã cung cấp cho bạn những cách tiếp cận đối lập, cụ thể là cách tiếp cận dựa trên mô hình và cách tiếp cận chính sách vì mỗi cách đó đều có khả năng tương phản nhau trong cách thực hiện công việc. Q-learning đi theo con đường không có mô hình và không có chính sách.

Điều quan trọng là Q-learning tiến hành trên cơ sở thử và sai (được coi là không có mô hình) và cố gắng đưa ra các quy tắc trong khi tiếp tục tiến hành (được coi là ngoài chính sách). Đây là một điểm cộng rất lớn đối với chúng tôi. Bạn có thể sử dụng Q-learning mà không cần phải đưa ra trước một mô hình quy định trước về cách thực hiện mọi việc. Tương tự như vậy, bạn không cần phải đưa ra trước một loạt các quy tắc. Thuật toán tổng thể tiến hành về cơ bản hoàn thành công việc một cách nhanh chóng khi hoạt động diễn ra và tự rút ra các quy tắc. Điều đáng chú ý liên quan là phương pháp Q-learning sử dụng các bảng dữ liệu và giá trị dữ liệu được gọi là bảng Q và giá trị Q (tức là chữ Q in hoa được sử dụng nhiều trong Q-learning).

Được rồi, tôi đánh giá cao việc bạn đã miệt mài tìm hiểu chủ đề có lẽ khó hiểu hoặc phức tạp này.

Phần thưởng của bạn là tiếp theo.

Bí ẩn của Q* dưới ánh sáng của Q và dấu hoa thị

Bây giờ bạn đã hiểu được ý nghĩa của dấu hoa thị khi sử dụng với chữ in hoa. Hơn nữa, tôi nghiêng về việc bạn giả định rằng chữ in hoa Q ám chỉ Q-learning.

Hãy ghép Q và dấu hoa thị lại với nhau và xem điều gì sẽ xảy ra, cụ thể là: Q*.

Sự kết hợp có thể có nghĩa này. Bước đột phá tiềm năng của AI được gắn nhãn là Q vì nó liên quan đến kỹ thuật Q-learning và có thể dấu hoa thị hoặc biểu tượng ngôi sao đang cho chúng ta manh mối rằng Q-learning bằng cách nào đó đã được nâng cấp lên phiên bản hoặc biến thể tốt hơn đáng kể. Dấu hoa thị có thể gợi ý rằng đây là khả năng Q-learning cao nhất hoặc vượt trội nhất mà bất kỳ ai từng thấy hoặc hình dung ra.

Wow, thật là một khả năng thú vị.

Điều này có nghĩa là việc sử dụng học tăng cường như một cách tiếp cận dựa trên AI và không có mô hình và không chính sách có thể nhảy vọt các tòa nhà cao tầng và đi nhanh hơn một chuyến tàu siêu tốc (theo nghĩa ẩn dụ) để có thể đẩy AI đến gần hơn với AGI. Nếu bạn đặt điều này vào bối cảnh của AI tổng quát như ChatGPT của OpenAI và GPT-4 của OpenAI, có lẽ những ứng dụng AI tổng quát đó có thể trôi chảy hơn nhiều và dường như truyền tải “lý luận” nếu chúng có Q* này được đưa vào (hoặc điều này có thể được đưa vào GPT-5 được đồn đại là đang được phát triển).

Giá như OpenAI có được bước đột phá Q* này (nếu có một điều như vậy) và nếu Q* thực sự mang lại lợi thế bom tấn, thì có lẽ điều này sẽ mang lại cho OpenAI một lợi thế đáng kể so với đối thủ cạnh tranh của họ. Điều này đưa chúng ta đến một câu hỏi đạo đức AI hấp dẫn và đang diễn ra. Để biết thông tin bao quát và liên tục của tôi về đạo đức AI và luật AI, hãy xem liên kết tại đây và liên kết tại đây , chỉ để nêu tên một số.

Một số người sẽ lập luận rằng thật sai lầm khi một công ty “tích trữ” hoặc sở hữu một bước đột phá về AI có thể đưa chúng ta đến gần hơn hoặc thực sự đạt được AGI. Công ty nên chia sẻ nó với mọi người khác. Thế giới nói chung có thể sẽ tốt hơn theo đó. Có lẽ điều này sẽ cho phép chúng ta chữa khỏi bệnh ung thư bằng cách có AGI có thể giúp làm điều đó, hãy xem phân tích của tôi tại liên kết tại đây . Mặt khác của vấn đề là có thể tiến gần hơn đến AGI là một mối nguy hiểm và tất cả chúng ta đều phải đối mặt với nguy cơ tử vong hoặc hủy diệt hiện hữu, hãy xem cuộc thảo luận của tôi tại liên kết tại đây . Trong trường hợp đó, việc có một công ty nắm giữ chìa khóa vận mệnh của thế giới có vẻ rất căng thẳng.

Hãy dành chút thời gian để cân nhắc những câu hỏi sắc bén này:

• Các công ty AI có nên được yêu cầu tiết lộ những đột phá về AI của họ không?
• Nếu họ làm như vậy, liệu điều này có vô tình tạo điều kiện cho kẻ ác sử dụng những đột phá AI đó vào mục đích xấu không?
• Có công bằng không khi một công ty đã dành nguồn lực của mình để tạo ra một bước đột phá về AI mà không thể thu được lợi nhuận từ nó và chỉ phải cung cấp nó cho công chúng nói chung?
• Ai nên sở hữu và kiểm soát những đột phá về AI đưa chúng ta vào vương quốc AGI?
• Chúng ta có cần các luật mới hoặc bổ sung liên quan đến AI để điều chỉnh và chi phối những gì đang xảy ra với AI không?
• Vân vân.

Tôi đã giải quyết những câu hỏi này và nhiều câu hỏi khác tương tự trong hàng trăm bài đăng chuyên mục về đạo đức AI và luật AI, hãy xem liên kết tại đây . Đó là những câu hỏi nghiêm túc và nghiêm túc. Xã hội cần phải tìm ra những gì chúng ta muốn làm. Một điều đáng lo ngại là nếu những vấn đề này không được giải quyết kịp thời, có thể con ngựa sẽ ra khỏi chuồng và chúng ta sẽ không sẵn sàng đón nhận kết quả.

Dù sao đi nữa, ở đây, tôi sẽ tiếp tục theo đuổi bí ẩn trong khi bạn đưa ra một số suy ngẫm sâu sắc về những mối quan tâm ghê gớm đó.

Một lý thuyết khác về Q*

Tôi muốn đưa ra một lý thuyết khác về ý nghĩa của Q*.

Hãy nhớ rằng trước đó tôi đã đề cập đến việc có điểm A*. Tôi cũng đã đề cập rằng Q-learning có thể là Q viết hoa trong Q* kết hợp.

Dấu hoa thị trong Q* có thể là một tham chiếu tiếp tuyến với A*. Do đó, người ta tin rằng Q* thực sự là sự kết hợp giữa Q-learning và A*. Bạn sử dụng thuật toán A* bao gồm tìm kiếm đường dẫn và truyền tải đồ thị, đồng thời bạn kết hợp và kết hợp thuật toán này với thuật toán học tăng cường Q-learning.

Đó là một khả năng hợp lý. Chúng ta không thể loại bỏ theo mệnh giá rằng đây có thể là trường hợp. Có lẽ vậy, có thể không.

Đối với tôi, chỉ để cho bạn biết, tôi không chọn đặt cược vào con đường đó. Bây giờ tôi sẽ tiếp tục giữ quan điểm rằng dấu hoa thị ở chữ Q viết hoa mang tính chỉ dẫn chung hơn. Điều đó có nghĩa là Q-learning đã được cải tiến hoàn toàn. Liệu sự tiến bộ này có dựa trên sự nhầm lẫn với A* hay không, có thể, nhưng tôi có xu hướng tin rằng sự bao gồm A* không phải là thứ khiến mọi thứ trở nên ngoạn mục (sau này tôi có thể sẽ cảm thấy hơi thất vọng nếu đó là một sự hợp nhất). của A* với Q-learning, nhưng điều đó không sao và tôi sẽ đồng ý nâng cốc chúc mừng cặp đôi).

Người ta cho rằng bạn cũng có thể cân nhắc rằng nếu đây thực sự là sự kết hợp giữa Q-learning và A*, thì có lẽ nó sẽ được đặt tên phù hợp hơn là QA* hoặc có lẽ là QA*. Câu trả lời là những người trong lĩnh vực công nghệ muốn giữ truyền thống chỉ sử dụng một chữ cái viết hoa và do đó sẽ không phù hợp nếu bao gồm chữ A viết hoa. Theo quy ước, logic này diễn ra, bạn sẽ mượn dấu hoa thị từ chữ A* và cắm nó vào chữ Q. Chấm câu, kết thúc câu chuyện.

Chúng ta đi vòng và vòng.

Chúng ta hãy đưa vào hình ảnh hai manh mối khác mà tôi đã đề cập ở phần đầu. Cho đến nay, chúng ta mới chỉ tập trung vào manh mối duy nhất của cái tên Q*. Tôi đã nói với bạn rằng quá trình giải nén sẽ kéo dài và nó gây được tiếng vang giống như bài “Rosebud” khét tiếng. Tôi cho rằng bây giờ bạn có thể thấy rõ ràng rằng đây là trường hợp.

Giải Toán Cấp Lớp

Chúng ta sẵn sàng xem xét hai manh mối còn lại.

Tôi sẽ bắt đầu với manh mối được báo cáo rằng bước đột phá về AI có mục đích là công cụ giúp giải các bài toán cấp lớp. Bạn sẽ sớm thấy rằng điều này đưa chúng ta thẳng vào lĩnh vực AI tổng quát và bản chất của các mô hình ngôn ngữ lớn (LLM).

Trước đây, trong chuyên mục của mình, tôi đã đề cập đến khía cạnh có vẻ khó chịu mà AI tổng quát ngày nay thường thiếu khi giải quyết ngay cả những vấn đề toán học đơn giản nhất mà một học sinh cấp lớp có thể dễ dàng trả lời, hãy xem phần giải thích chuyên sâu của tôi tại liên kết tại đây . Mọi người khá ngạc nhiên khi phát hiện ra rằng AI đặc biệt không có khả năng giải các bài toán trực tiếp. Giả định quan trọng nhất là vì AI có thể tạo ra các bài luận trôi chảy về mọi chủ đề và có thể trả lời các câu hỏi hóc búa thuộc nhiều chủ đề lịch sử, triết học và đời sống nên chắc chắn những bài toán kiểu trẻ em hoặc thiếu niên đó sẽ dễ dàng giải quyết. .

Không phải vậy.

Để bạn hiểu được điều tôi đang đề cập đến, hãy xem xét những loại bài toán mà bạn từng phải đau đầu giải quyết liên quan đến việc tìm ra khi nào hai mặt phẳng sẽ cắt nhau. Bạn được biết rằng một chiếc máy bay đang khởi hành từ Miami và hướng đến San Francisco với tốc độ 550 mph và sẽ bay ở độ cao 40.000 feet. Chiếc máy bay thứ hai đi từ San Francisco đến Miami sẽ khởi hành sau chuyến bay đầu tiên một giờ. Chiếc máy bay thứ hai sẽ bay với tốc độ 600 dặm/giờ và ở độ cao 32.000 feet. Giả sử cả hai máy bay đều bay cùng một lộ trình, sẽ mất bao lâu trước khi hai máy bay cắt đường đi của nhau?

Tôi chắc chắn rằng bạn đã học được nhiều phương pháp khác nhau ở trường có thể sử dụng để tính toán và trả lời những bài toán hóc búa này. Các vấn đề ban đầu rất khó để tìm ra, nhưng dần dần bạn sẽ học được các quy tắc hoặc các bước cần thiết để có được câu trả lời đúng. Bằng cách liên tục giải quyết các vấn đề như vậy theo từng bước một, quá trình này gần như trở thành thông lệ. Tôi dám nói rằng bạn có thể đã quên cách giải những câu đố toán học kiểu đó và có thể thấy mình hôm nay bị một học sinh lớp năm đánh bại trong một cuộc thi đối đầu.

Đây là lý do tại sao đó là những vấn đề khó giải quyết đối với AI sáng tạo.

AI sáng tạo về cơ bản dựa trên một mô hình ngôn ngữ lớn. LLM được tạo ra bằng cách quét số lượng lớn văn bản trực tuyến từ Internet và các nguồn liên quan. Trong quá trình quét, thuật toán cơ bản của LLM đang thực hiện khớp mẫu toán học và tính toán trên văn bản gặp phải. Khớp mẫu tập trung vào cách sử dụng ngôn ngữ tự nhiên như tiếng Anh. Con người thể hiện mọi thứ thông qua văn bản và LLM là mô hình về cách chúng ta nói mọi thứ. Nó được coi là một mô hình ngôn ngữ lớn vì nó sử dụng cấu trúc dữ liệu rất lớn để đóng gói khuôn mẫu, thường là mạng thần kinh nhân tạo (ANN) và nó liên quan đến việc quét một lượng lớn văn bản hoặc dữ liệu để làm như vậy.

Giả sử trong quá trình quét ban đầu, có một vấn đề về từ được đăng về một chiếc máy bay bay theo một hướng và một chiếc máy bay khác bay theo hướng khác. Giả sử một chiếc máy bay đang đi từ New York đến Los Angeles, trong khi chiếc máy bay thứ hai đang đi từ Los Angeles đến New York. Vấn đề cũng nêu rõ tốc độ của họ và thời điểm mỗi người rời khỏi sân bay khởi hành. Giả sử để thảo luận rằng câu trả lời là họ sẽ mất bốn giờ để đi qua các con đường.

Đây là những gì có thể xảy ra liên quan đến LLM và AI tổng quát có liên quan (một sự đơn giản hóa mang tính minh họa).

Mô hình ngôn ngữ lớn có thể mô phỏng bản chất của vấn đề dựa trên các từ được sử dụng. Một số từ chỉ ra có hai mặt phẳng. Một số từ chỉ ra rằng hai chiếc máy bay đang hướng về nhau. Và như thế. Bài toán của New York và Los Angeles rất giống bài toán của San Francisco và Miami ở điểm giống nhau chỉ dựa trên cách diễn đạt.

Do đó, nếu bạn nhập bài toán về San Francisco và Miami vào AI tổng quát, có thể hình dung rằng việc so khớp mẫu tính toán sẽ tìm ra bản chất của các bài toán ở New York và Los Angeles đã gặp phải trong quá trình đào tạo dữ liệu ban đầu. Lời của hai vấn đề sẽ có vẻ khá giống nhau. Và, vì đáp án của bài toán New York và Los Angeles là bốn giờ, nên việc so khớp mẫu có thể chỉ đưa ra hoặc tạo ra câu trả lời cho bạn rằng đáp án của bài toán San Francisco và Miami cũng là bốn giờ.

Không có tính toán hoặc công thức trực tiếp nào được đưa ra.

Bạn có thể gợi ý rằng đây là một kiểu câu trả lời kiểu khỉ-thấy khỉ-làm của AI sáng tạo (tuy nhiên, hãy nhận ra rằng khỉ có tri giác trong khi AI ngày nay thì không). Sự giống nhau giữa hai bài toán này rất giống nhau về mặt cách diễn đạt. Chỉ là cách diễn đạt. Dựa trên tỷ lệ từ ngữ cao và sự tương ứng từng từ của chúng, câu trả lời được đưa ra là bốn giờ. Đáng buồn thay, đây không phải là câu trả lời đúng cho vấn đề từ San Francisco đến Miami.

Hãy ăn mì trên đó.

Bất kỳ ai say mê sử dụng AI có thể tạo ra đều có thể đã nghe nói hoặc gặp phải cái gọi là ảo giác AI. Tôi không thích thuật ngữ đề cập đến “ảo giác” vì cách diễn đạt như vậy nhân cách hóa AI quá mức, hãy xem phần thảo luận của tôi tại liên kết tại đây . Dù thế nào đi nữa, mọi người vẫn tập trung vào việc đề cập đến bất cứ khi nào AI sáng tạo tạo ra mọi thứ một cách bất ngờ rằng đó là một ví dụ về ảo giác AI.

Bạn có thể cũng nghĩ như vậy nếu bạn nhập bài toán từ San Francisco đến Miami vào một ứng dụng AI tổng quát và nhận được câu trả lời là bốn giờ. Khi tự tay kiểm tra lại câu trả lời, bạn phát hiện ra rằng câu trả lời trong bốn giờ là sai. Bốn giờ chắc chắn có vẻ là một câu trả lời không có thật và bạn sẽ bối rối không biết tại sao câu trả lời đó lại được AI đưa ra một cách sai lầm. Chúng tôi sẽ cho rằng bạn không biết rằng quá trình đào tạo dữ liệu ban đầu của AI tổng hợp bao gồm một vấn đề với New York và Los Angeles. Tất cả những gì bạn có thể thấy là bạn nhận được câu trả lời là bốn giờ cho lời nhắc của mình.

Điểm mấu chốt là AI sáng tạo đã không làm những gì mà một đứa trẻ hay thiếu niên được dạy phải làm. Ở trường, giáo viên đưa ra một bộ quy tắc và quy trình để học sinh sử dụng để giải các bài toán này. Học sinh không chỉ đọc các từ của bài toán. Họ phải trích xuất các thông số cần thiết, sử dụng các công thức và tính toán câu trả lời là gì.

Nhìn chung, đó không phải là điều mà AI tổng quát và các mô hình ngôn ngữ lớn được tạo ra để thực hiện. Đây là những kết quả phù hợp với mẫu định hướng từ. Một số người mô tả Generative AI là sự bắt chước cách diễn đạt của con người. Những người khác chỉ ra rằng AI có khả năng sinh sản không hơn gì một con vẹt ngẫu nhiên (tuy nhiên, một lần nữa, hãy nhận ra rằng vẹt có tri giác và AI ngày nay không có tri giác).

Bạn có đồng ý với tôi về điều này không?

Tôi chân thành hy vọng như vậy.

Các nhà nghiên cứu AI và nhà phát triển AI đang làm việc ngày đêm để tìm ra phương pháp giải quyết vấn đề thiếu lý luận toán học trong AI sáng tạo. Cách tiếp cận dễ dàng nhất cho đến nay là sử dụng một ứng dụng bên ngoài được lập trình để xử lý các bài toán. Khi bạn nhập một bài toán mà bạn muốn giải, AI tổng quát sẽ phân tích các từ và gửi dữ liệu đến chương trình bên ngoài, chương trình bên ngoài sẽ tính toán kết quả dựa trên các quy tắc được mã hóa và quy trình được lập trình, sau đó trả kết quả về AI sáng tạo. AI tổng quát sau đó tạo ra một bài luận ngắn đẹp mắt bao gồm câu trả lời được tìm ra từ bên ngoài.

Thay vào đó, mong muốn là AI tổng quát và mô hình ngôn ngữ lớn của nó có thể thực hiện các bài toán này mà không cần phải sử dụng bất kỳ ứng dụng nào khác. Toàn bộ bộ công cụ và kỹ năng giải các bài toán bằng cách nào đó sẽ được đưa vào AI sáng tạo. Nhiều thủ thuật và kỹ thuật khác nhau đã được cố gắng khắc phục điểm yếu hoặc hạn chế hiện có này của AI tổng hợp, hãy xem phạm vi đưa tin của tôi tại liên kết tại đây .

Hãy hít một hơi thật sâu.

Hãy nhớ rằng chúng ta đang thảo luận về manh mối làm nền tảng cho bí ẩn của Q*. Manh mối là có lẽ Q* đã có thể bẻ khóa mã và có thể giải các bài toán cấp lớp. Giả sử rằng điều này đang được thực hiện bằng một loại Q-learning cải tiến nào đó. Chúng tôi có khả năng có thể nhúng hoặc truyền Q* vào AI tổng hợp hoặc mô hình ngôn ngữ lớn. Thì đấy, giờ đây chúng ta đã có một công cụ giải toán cấp lớp được tích hợp sẵn rất tiện dụng.

Nhưng còn nhiều hơn thế nữa.

Nếu Q* này được khái quát hóa đủ, có lẽ nó có thể giải quyết được tất cả các loại vấn đề liên quan đến một loại quy trình lý luận. Tôi đã lưu ý trước đó rằng Q-learning sử dụng cách tiếp cận không có mô hình và phi chính sách. Theo nghĩa đó, có khả năng chắc chắn rằng Q* có thể dễ dàng được áp dụng cho vô số loại nhiệm vụ thiên về lý luận. Tỷ lệ cược là thử nghiệm lần đầu tiên được thực hiện đối với các bài toán ở trường phổ thông vì đó là một vấn đề đã được biết đến của AI và đã được báo chí đưa tin rất nhiều. Tốt nhất nên giải quyết những vấn đề đó trước và sau đó xem có thể làm gì khác.

Cho phép tôi vẽ một bức tranh cho bạn.

Giả sử bạn là Giám đốc điều hành của một công ty sản xuất ứng dụng AI có tính sáng tạo. Giả sử bạn biết khá rõ rằng việc giải các bài toán cấp lớp là một điểm nhức nhối của AI. Mọi người bị sốc và thất vọng vì một điều gì đó dễ dàng được giải quyết bởi một đứa trẻ dường như lại gây khó khăn cho AI mới nhất và vĩ đại nhất. Bạn đặt các nhà nghiên cứu AI và nhà phát triển AI đầy nhiệt huyết và trước đây của mình vào vấn đề này. Họ đang làm việc cật lực để tìm cách giải quyết.

Hãy tưởng tượng rằng họ thử mọi cách, kể cả việc ném bồn rửa bát vào đó. Dường như không có gì đang di chuyển kim. Sau đó, sau nhiều nỗ lực khác nhau, một trong những nỗ lực liên quan đến việc sử dụng Q-learning và điều chỉnh nó theo một số cách thông minh đã bắt đầu cho thấy kết quả tốt. Họ thực hiện nhiều thử nghiệm hơn với phần mềm mới và điều đó cho thấy nhiều hứa hẹn. Các bài toán cấp lớp liên tục được đưa vào ứng dụng mới này và kết quả luôn chính xác và đáng kinh ngạc.

Bạn sẽ nói gì khi xem bản demo này?

Người ta sẽ cho rằng bạn có thể vui mừng vì một vấn đề khó bẻ gãy dường như đã được giải quyết. Thêm vào đó, bạn ngay lập tức có tầm nhìn về những gì điều này có thể làm được. Nhịp tim của bạn tăng nhanh khi bạn nhận ra rằng đây có thể là một bước đột phá quan trọng về AI. Hậu quả thật ngoạn mục.

Tôi không muốn kết hợp mọi thứ, vì vậy tôi sẽ chỉ chỉ ra những điều đã được đưa tin trên các phương tiện truyền thông.

Trước đây có thông tin cho rằng Sam Altman, Giám đốc điều hành của OpenAI, đã nói về chủ đề đạt được AGI: “Tôi nghĩ chúng tôi đã đủ thân thiết. Nhưng tôi nghĩ điều quan trọng là chúng ta phải nhận ra đây là những công cụ chứ không phải những sinh vật mà chúng ta đang tạo ra.” Theo báo cáo gần đây hơn, Sam Altman được cho là đã nói điều này: “Đây là một công cụ mà chúng tôi đã chế tạo hay một sinh vật mà chúng tôi đã tạo ra?”

Vẫn chưa rõ liệu điều đó có liên quan đến Q* hay có liên quan nào khác hay không. Ngoài ra, có thể cần phải tính đến bối cảnh của những nhận xét đó và bản chất của chúng, chẳng hạn như có thể được thốt ra một cách vui vẻ hoặc đùa giỡn.

Hãy chuyển sang manh mối thứ ba.

Tính toán thời gian thử nghiệm đã đến tuổi

Nhấp một ngụm rượu nữa để sẵn sàng cho manh mối tiếp theo.

Manh mối thứ ba là một thứ hiếm khi được nhắc đến trong màn xiếc lập dị gây chú ý về Q* bí ẩn nhưng nó đã xuất hiện nên tôi nghĩ nó đáng được đưa vào công việc thám tử của chúng ta. Cũng phải thừa nhận rằng đây là một chủ đề mà tôi đã đưa vào danh sách các chủ đề thịnh hành về AI sắp tới để đề cập trong một thời gian và vẫn chưa đề cập đến nó. Tôi cho rằng bây giờ tôi đang tình cờ thu được hai con chim bằng một hòn đá bằng cách che nó lại (lưu ý phụ: không có con chim nào bị hại trong quá trình phân tích này).

Tôi muốn giới thiệu ngắn gọn cho bạn về một lĩnh vực AI thường được gọi là Tính toán thời gian thử nghiệm (TTC) còn được gọi là Điều chỉnh thời gian thử nghiệm (TTA). Tôi sẽ chỉ lướt qua và đơn giản hóa nội dung của TTC và TTA. Tôi sẽ trích dẫn từ nhiều tài liệu nghiên cứu về học thuật AI khác nhau mà tôi khuyên bạn nên cân nhắc đọc nếu đây là một chủ đề trong lĩnh vực AI mà bạn có thể quan tâm, cảm ơn.

Đây là người gầy.

Khi mạng nơ-ron nhân tạo được huấn luyện dữ liệu lần đầu tiên, chẳng hạn như cuộc thảo luận trước đó của tôi về việc thực hiện điều đó trong một mô hình ngôn ngữ lớn và cho các mục đích tạo ra AI, điều quan trọng cần cân nhắc là dữ liệu được quét khớp với mẫu như thế nào. Một mối lo ngại là việc khớp mẫu bị cố định quá mức trên dữ liệu được trình bày. Trong thế giới thống kê, và nếu bạn đã từng tham gia một lớp học về hồi quy, bạn sẽ biết đây là khả năng dữ liệu đầu vào bị khớp quá mức.

Tôi đã đề cập rằng chúng tôi muốn thử và có được AI tổng quát để có thể khái quát hóa. Làm như vậy sẽ cho phép AI tổng hợp giải quyết các vấn đề không nhất thiết phải gặp trực tiếp khi thực hiện đào tạo dữ liệu ban đầu. Vấn đề hiện tại liên quan đến một thuật ngữ thú vị mà bạn có thể thích, cụ thể là chúng tôi muốn AI tổng hợp có thể xử lý dữ liệu ngoài phân phối (OOD).

Dữ liệu không được phân phối thường đề cập đến việc gặp phải một số dữ liệu mới trong thời gian AI tổng hợp có lẽ đang được sử dụng và đã được đưa vào sản xuất tích cực. Một người nhập một câu hỏi hoặc chủ đề chưa bao giờ được đề cập cụ thể trong quá trình đào tạo dữ liệu ban đầu. Chuyện gì xảy ra sau đó? AI tổng hợp có thể không có khả năng phản hồi và do đó thường được mã hóa để cho bạn biết rằng nó không có điều gì đáng chú ý để nói về vấn đề này. Trong các trường hợp khác, như tôi đã chỉ ra trước đó, AI có thể tạo ra có thể gặp phải ảo giác AI và nghĩ ra điều gì đó kỳ lạ làm câu trả lời.

Bạn có thể muốn nhấn mạnh rằng việc đào tạo dữ liệu ban đầu phải rộng hơn để đảm bảo rằng mọi khả năng có thể tưởng tượng được đều có thể được bao gồm. Đó là một giấc mơ đẹp nhưng chưa thực sự là một giải pháp thỏa đáng. Tỷ lệ cược là bằng cách này hay cách khác, một cái gì đó mới sẽ xuất hiện sau khi quá trình đào tạo dữ liệu ban đầu hoàn thành hoặc việc khớp mẫu sẽ có khả năng thực hiện một công việc hẹp khó chịu ngay từ đầu.

Với ý nghĩ đó, chúng ta có thể cố gắng giải quyết mọi việc ở phía dưới một chút.

Khi AI tổng quát đang được thử nghiệm, có lẽ chúng ta có thể giúp các cấu trúc cơ bản hướng tới sự khái quát hóa đầy đủ hơn. Điều tương tự cũng có thể xảy ra khi AI tổng quát được đưa vào bản phát hành tổng thể. Bây giờ, tôi sẽ tập trung vào hoàn cảnh của thời gian thử nghiệm.

Trong một bài nghiên cứu có tựa đề “Các mô hình cân bằng độc lập về đường đi có thể khai thác tốt hơn tính toán thời gian thử nghiệm”, tác giả Cem Anil, Ashwini Pockle, Kaiqu Liang, Johannes Treutlein, Yuhuai Wu, Shaojie Bai, Zico Kolter, Roger Grosse và đăng trực tuyến vào tháng 11 Vào ngày 18 tháng 11 năm 2022, vai trò của tính toán thời gian thử nghiệm để nắm bắt được OOD và mong muốn đạt được sự khái quát hóa được nêu theo cách này (đoạn trích):

“Một trong những thách thức chính hạn chế khả năng ứng dụng thực tế của các hệ thống học sâu hiện đại là khả năng khái quát hóa bên ngoài phân bổ đào tạo. Một loại khái quát hóa ngoài phân phối (OOD) đặc biệt quan trọng là khái quát hóa lên trên hoặc khả năng khái quát hóa cho các trường hợp vấn đề khó khăn hơn so với những trường hợp gặp phải trong quá trình đào tạo. Thông thường, hiệu suất tốt trên các trường hợp khó hơn sẽ yêu cầu lượng tính toán trong thời gian thử nghiệm lớn hơn, do đó, một câu hỏi tự nhiên được đặt ra: làm cách nào chúng ta có thể thiết kế kiến ​​trúc mạng lưới thần kinh có thể khai thác tính toán bổ sung trong thời gian thử nghiệm một cách đáng tin cậy để đạt được độ chính xác cao hơn?”
Mục tiêu được ủng hộ là khám phá xem liệu chúng ta có thể khiến mạng lưới thần kinh nhân tạo cơ bản khái quát hóa theo hướng có thể giải quyết các vấn đề khó hơn những vấn đề gặp phải trong thời gian đào tạo ban đầu hay không, bằng cách thực hiện như vậy trong thời gian thử nghiệm. Nói tóm lại, nếu chúng ta có thể cung cấp cho một mô hình nhiều tính toán trong thời gian thử nghiệm hơn, liệu chúng ta có thể tăng cường khả năng khái quát hóa theo cách giải quyết vấn đề được coi là hướng lên trên không?

Hãy nghĩ lại bài toán về hai mặt phẳng. Tôi đã đề cập rằng AI tổng quát có thể chưa khái quát hóa đủ để giải quyết vấn đề thứ hai sau khi nhìn thấy vấn đề đầu tiên trong quá trình đào tạo dữ liệu ban đầu. Hãy làm cho mọi thứ trở nên khó khăn hơn. Giả sử chúng ta có một bài toán liên quan đến 20 chiếc máy bay bay từ nhiều địa điểm khác nhau và phải tìm ra thời điểm chúng cắt nhau. Bạn có thể khẳng định rằng đây là một vấn đề khó khăn hơn. Giả sử rằng không có vấn đề nào như vậy xảy ra trong thời gian đào tạo, chúng ta có thể đang đi lạch bạch mà không có mái chèo để nhờ AI giải quyết nó.

Bạn có thể sử dụng tính toán thời gian thử nghiệm và thực hiện các điều chỉnh thời gian thử nghiệm một cách có hệ thống để cải thiện mạng lưới thần kinh nhân tạo cơ bản. Trong một bài nghiên cứu có tựa đề “Về những cạm bẫy của việc thích ứng với thời gian thử nghiệm” của Hao Zhao, Yuejiang Liu, Alexandre Alahi và Tao Lin, đăng trực tuyến vào ngày 6 tháng 6 năm 2023, họ mô tả những lợi ích của việc sử dụng các biện pháp thích ứng trong thời gian thử nghiệm (trích ):

• “Giải quyết vấn đề về độ bền trong quá trình thay đổi phân phối là một trong những thách thức cấp bách nhất trong học máy. Trong số các phương pháp tiếp cận hiện có, Thích ứng với thời gian thử nghiệm (TTA)—trong đó các mô hình mạng thần kinh được điều chỉnh cho phù hợp với các bản phân phối mới bằng cách sử dụng các ví dụ chưa được gắn nhãn tại thời điểm thử nghiệm—đã nổi lên như một mô hình đầy hứa hẹn với mức độ phổ biến ngày càng tăng.”
• “So với các phương pháp tiếp cận khác, TTA có hai ưu điểm chính: (i) tính tổng quát: TTA không dựa trên các giả định chắc chắn về cấu trúc của sự thay đổi phân phối, điều này thường xảy ra với các phương pháp Tổng quát hóa Miền (DG); (ii) tính linh hoạt: TTA không yêu cầu sự tồn tại đồng thời của dữ liệu đào tạo và kiểm tra, một điều kiện tiên quyết của phương pháp Thích ứng miền (DA).

Các nghiên cứu thực nghiệm về chủ đề này thường đi kèm với việc thử nghiệm các phương pháp được đề xuất có thể cho kết quả đầy hứa hẹn. Đôi khi, việc điều chỉnh thời gian thử nghiệm có thể tập trung vào việc thay đổi các tham số của mô hình, bao gồm cả việc sử dụng xác suất của độ không đảm bảo và kỹ thuật tối ưu hóa. Ví dụ: trong một bài nghiên cứu có tựa đề “Thích ứng thời gian thử nghiệm để đánh giá dịch máy bằng cách giảm thiểu độ không chắc chắn” của Runzhe Zhan, Xuebo Liu, Derek F. Wong, Cuilian Zhang, Lidia S. Chao, Min Zhang, được xuất bản trong Kỷ yếu của Hội nghị thường niên lần thứ 61 của Hiệp hội Ngôn ngữ học tính toán , ngày 9-14 tháng 7 năm 2023, họ đã đưa ra những quan điểm sau (trích):

• “Phương pháp đề xuất của chúng tôi bao gồm ba bước: ước tính độ không đảm bảo, điều chỉnh thời gian thử nghiệm và suy luận. Cụ thể, mô hình sử dụng độ không đảm bảo dự đoán của dữ liệu hiện tại làm tín hiệu để cập nhật một phần nhỏ các tham số trong thời gian thử nghiệm và sau đó tinh chỉnh dự đoán thông qua tối ưu hóa.”
• “Các kết quả thu được từ cả đánh giá trong miền và ngoài phân phối đều cho thấy sự cải thiện về hiệu suất tương quan giữa các mô hình khác nhau. Hơn nữa, chúng tôi cung cấp bằng chứng cho thấy phương pháp được đề xuất làm giảm độ không đảm bảo của mô hình một cách hiệu quả.”

Tôi không muốn cuộc thảo luận này bị sa lầy và trở nên quá dài nên tôi sẽ kết thúc manh mối thứ ba này bằng một nhận xét tóm tắt.

Có thể hình dung rằng Q* có thể đề cập đến việc sử dụng Q-learning đã được điều chỉnh một cách tích cực, bao gồm cả một số hình thức tính toán thời gian kiểm tra hoặc điều chỉnh thời gian kiểm tra đã được sử dụng. Nếu chúng ta tưởng tượng rằng Q* có thể đạt được mức độ khái quát hóa cao trong việc giải quyết vấn đề bằng thuật toán, thì có khả năng TTC hoặc TTA có thể đã góp phần vào bước đột phá AI được cho là đó.

Không biết có đúng như vậy không nhưng đây là sự liên kết tuyệt vời về lý do tại sao tính toán trong thời gian kiểm tra có thể là manh mối thứ ba.

Đó là công việc thám tử khó tính.

Kết luận

Sherlock Holmes sắp hết giờ và theo đuổi những câu đố và câu đố bí ẩn khác. Ba manh mối được sử dụng ở đây chắc chắn là nguồn thức ăn sống động để suy nghĩ. Theo một nghĩa nào đó, chúng tôi coi chân nến, người quản gia và phòng ăn giống như những manh mối Manh mối của mình.

Có thể họ cộng lại, có thể họ không.

Một khía cạnh mà tôi tin rằng có thể có liên quan như nhau là nếu bất kỳ phỏng đoán và suy đoán nào là thực chất, thì một khía cạnh khác liên quan đến vấn đề là có lẽ chúng ta đang bắt đầu thấy sự kết hợp giữa cách tiếp cận dựa trên dữ liệu đối với AI với cách tiếp cận dựa trên quy tắc. cách tiếp cận AI. Trước đây tôi đã lưu ý rằng tôi tin rằng chúng ta sẽ cần bước vào kỷ nguyên AI mang tính biểu tượng thần kinh để đưa mọi thứ tiến lên cấp độ tiếp theo của khả năng AI, hãy xem cuộc thảo luận của tôi tại liên kết tại đây .

Tóm lại, chúng ta từng có quan điểm rằng các quy tắc sẽ là phương tiện để tạo ra AI. Đây giống như các hệ thống chuyên gia, hệ thống dựa trên quy tắc và hệ thống dựa trên tri thức. Bạn sẽ khiến mọi người tiết lộ các quy tắc họ sử dụng để thực hiện nhiệm vụ. Những quy tắc đó sẽ được nhập hoặc mã hóa thành ứng dụng AI. Đôi khi việc này diễn ra tốt đẹp. Đôi khi, cách tiếp cận này quá dễ vỡ và tốn quá nhiều thời gian để nghĩ ra.

Mùa đông AI ảm đạm xảy ra sau đó.

Ngày nay, việc sử dụng phương pháp tiếp cận dựa trên dữ liệu như mạng lưới thần kinh nhân tạo là điểm mấu chốt và trụ cột của AI hiện đại. Chúng ta được cho là đang ở mùa xuân AI. Một số khẳng định rằng nếu chúng tôi tiếp tục tăng quy mô và quy mô, điều này sẽ cho phép phương pháp tiếp cận hiện tại đạt đến AGI. Những người khác đang nghi ngờ về điều này. Họ có xu hướng tin rằng chúng ta cần tìm một số cách tiếp cận khác, có lẽ liên minh với cách tiếp cận dựa trên dữ liệu.

Bất cứ khi nào họ nói điều này, những người chuyển đổi dựa trên dữ liệu sẽ chê bai rằng mọi thứ sẽ quay ngược trở lại những cách cũ hơn và bị coi thường nếu các quy tắc được phép quay trở lại trò chơi. Cuộc chiến đang diễn ra là một cuộc chiến đã diễn ra từ lâu trong lĩnh vực AI. Có những người ủng hộ tập trung vào quy tắc, được gọi là biểu tượng vì họ tin rằng chúng ta cần mã hóa AI một cách tượng trưng. Những người đề xuất dựa trên dữ liệu thường được gọi là biểu tượng phụ vì họ ở cấp độ cơ bản của dữ liệu và được cho là ít say mê hơn với cấp độ biểu tượng như một cách tiếp cận.

Những người ủng hộ biểu tượng thần kinh cho rằng chúng ta có thể kết hợp biểu tượng và biểu tượng phụ, làm như vậy để tận dụng tối đa cả hai thế giới. Bạn có thể khuyến khích phần nào một cách thuyết phục rằng nếu bạn sử dụng Q-learning và kết hợp nó theo những cách tôi đã mô tả ở trên, bao gồm cả việc hòa nhập liền mạch vào LLM và GenAI, thì tập đoàn dường như kết hợp các ký hiệu phụ và ký hiệu với nhau ở một mức độ nào đó.

Đó có phải là con đường cần thiết hoặc ít nhất là khả thi để đến với AGI?

Không ai có thể nói chắc chắn.

Một vài ý kiến ​​​​cuối cùng bây giờ.

Tin tức chính thống đưa tin rằng tại các cuộc họp Hợp tác Kinh tế Châu Á-Thái Bình Dương (APEC) gần đây ở San Franciso, Sam Altman đã cố tình nói điều này: “Đã bốn lần trong lịch sử OpenAI, lần gần đây nhất chỉ là trong vài tuần qua, Tôi đã có mặt trong phòng khi chúng ta đẩy lùi bức màn vô minh và biên giới của sự khám phá về phía trước, và được làm được điều đó là vinh dự nghề nghiệp của cả cuộc đời.”

Anh ấy đã chứng kiến ​​điều gì trong căn phòng đó?

Chính xác thì điều gì đã xua tan bức màn vô minh đã được nêu ra một cách đầy thi vị và đáng chú ý đến vậy và soi sáng biên giới của sự khám phá phía trước?

Và, liệu lời càu nhàu của thám tử ở trên có cung cấp bất kỳ khám phá nào về phía trước về những gì có thể đã được trưng bày không?

Sherlock Holmes đã nói một câu nổi tiếng: “Đã bao lần tôi nói với bạn rằng khi bạn đã loại bỏ những điều không thể, thì điều còn lại, dù khó tin đến đâu, chắc hẳn là sự thật?”

Lời cuối cùng lúc này, Sherlock cũng nói thế này: “Trò chơi đang diễn ra.”

Tác giả: Lance Eliot

Tiến sĩ Lance B. Eliot là chuyên gia nổi tiếng thế giới về Trí tuệ nhân tạo (AI) với hơn 6,8 triệu lượt xem tích lũy về các chuyên mục AI của ông. Là một nhà điều hành dày dặn kinh nghiệm và một doanh nhân công nghệ cao, ông kết hợp kinh nghiệm thực tế trong ngành với nghiên cứu học thuật chuyên sâu. Trước đây là giáo sư tại USC và UCLA, đồng thời là người đứng đầu Phòng thí nghiệm AI tiên phong, ông thường xuyên phát biểu tại các sự kiện lớn của ngành AI. Là tác giả của hơn 50 cuốn sách, 750 bài báo và 400 podcast, ông đã xuất hiện trên các phương tiện truyền thông như CNN và đồng dẫn chương trình radio nổi tiếng Technotrends. Ông là cố vấn cho Quốc hội và các cơ quan lập pháp khác và đã nhận được nhiều giải thưởng/danh dự. Ông phục vụ trong một số hội đồng, từng làm việc với tư cách là Nhà đầu tư mạo hiểm, nhà đầu tư thiên thần và cố vấn cho các doanh nhân sáng lập và các công ty khởi nghiệp.Đọc ít hơn