Khi nào AI có thể vượt qua con người? Tùy thuộc vào ai bạn hỏi

(SeaPRwire) –   Năm 1960, Herbert Simon, người sau này đoạt cả Giải Nobel kinh tế và Giải thưởng Turing cho khoa học máy tính, trong cuốn sách của ông “The New Science of Management Decision” rằng “máy móc sẽ có khả năng, trong vòng 20 năm, làm bất kỳ công việc nào mà con người có thể làm”.

Lịch sử đầy những dự đoán công nghệ phấn khởi nhưng không thành hiện thực. Trong lĩnh vực trí tuệ nhân tạo, những dự đoán táo bạo nhất liên quan đến sự xuất hiện của hệ thống có thể thực hiện bất kỳ nhiệm vụ nào của con người, thường được gọi là trí tuệ nhân tạo toàn diện hoặc AGI.

Vì vậy khi Shane Legg, đồng sáng lập và giám đốc khoa học AGI của Google DeepMind, rằng có 50% khả năng AGI sẽ được phát triển vào năm 2028, có thể dễ dàng bỏ qua ông như một nhà tiên phong AI khác chưa học được bài học từ lịch sử.

Tuy nhiên, AI đang phát triển rất nhanh. GPT-3.5, mô hình ngôn ngữ điều khiển OpenAI ChatGPT được phát triển vào năm 2022 và đạt 213 điểm trong 400 điểm trong kỳ thi Bar đồng đều, kỳ thi tiêu chuẩn mà những người ứng viên luật phải vượt qua, đặt nó vào 10% người thi thấp nhất. GPT-4, phát triển chỉ vài tháng sau, đạt 298 điểm, đặt nó vào 10% người thi cao nhất. Nhiều chuyên gia dự đoán sự tiến bộ này sẽ tiếp tục.

Quan điểm của Legg phổ biến trong giới lãnh đạo các công ty đang xây dựng hệ thống AI mạnh nhất và hùng mạnh nhất. Vào tháng 8, , đồng sáng lập và CEO của Anthropic, ông dự đoán một “AI cấp độ con người” có thể được phát triển trong hai đến ba năm. Sam Altman, CEO của OpenAI, AGI có thể đạt được đâu đó trong bốn hoặc năm năm tới.

Nhưng trong một cuộc gần đây, đa số 1.712 chuyên gia AI trả lời câu hỏi về thời điểm AI có thể hoàn thành tốt hơn và rẻ hơn mọi nhiệm vụ con người là ít lạc quan hơn. Một cuộc khác với các nhà dự báo xuất sắc có tiền lệ xuất sắc cho thấy họ còn ít lạc quan hơn.

Rủi ro để xác định ai đúng là rất lớn. Legg, giống như nhiều nhà tiên phong AI khác, đã rằng các hệ thống AI mạnh trong tương lai có thể dẫn đến sự tuyệt chủng của con người. Và ngay cả đối với những người ít lo ngại hơn về các ” kịch bản, một số cảnh báo rằng một hệ thống AI có thể thay thế con người ở bất kỳ nhiệm vụ nào có thể .

Giả thuyết mở rộng

Nhiều người làm việc tại các công ty đang xây dựng các mô hình AI lớn và mạnh nhất tin vào một lý thuyết được gọi là giả thuyết mở rộng: ý tưởng rằng ngay cả khi cần một vài tiến bộ kỹ thuật nhỏ dọc đường, việc tiếp tục đào tạo các mô hình AI sử dụng lượng tính toán ngày càng lớn và dữ liệu sẽ không tránh khỏi dẫn đến AGI.

Có một số bằng chứng hỗ trợ cho lý thuyết này. Các nhà nghiên cứu quan sát thấy mối quan hệ rất gọn gàng và dự đoán được giữa lượng tính toán, còn gọi là “tính toán”, được sử dụng để đào tạo mô hình AI và hiệu suất thực hiện nhiệm vụ cụ thể. Trong trường hợp các mô hình ngôn ngữ lớn (LLM) – hệ thống AI điều khiển các chatbot như ChatGPT – luật mở rộng dự đoán khả năng dự đoán từ ngữ thiếu trong một câu.

Ngay cả trước khi luật mở rộng được quan sát, các nhà nghiên cứu đã hiểu rõ rằng việc đào tạo một hệ thống AI sử dụng nhiều tính toán hơn khiến nó trở nên có khả năng hơn. Lượng tính toán được sử dụng để đào tạo mô hình AI đã tăng tương đối dự đoán trong 70 năm qua khi chi phí giảm.

Các dự đoán sớm dựa trên tăng trưởng dự kiến ​​về tính toán đã được các chuyên gia sử dụng để dự đoán khi AI có thể so sánh (và sau đó có thể vượt qua) con người. Năm 1997, nhà khoa học máy tính Hans Moravec rằng phần cứng rẻ sẽ so sánh khả năng tính toán của não người vào những năm 2020. Một chip bán dẫn Nvidia A100 rộng rãi được sử dụng cho đào tạo AI có thể thực hiện khoảng 20 nghìn tỷ FLOPS với giá khoảng 10.000 USD, và chip phát triển sau thập kỷ này sẽ có hiệu suất cao hơn nữa. Tuy nhiên, ước tính lượng tính toán được sử dụng bởi não người thay đổi rộng rãi từ khoảng 1016 FLOPS đến hơn 1018 FLOPS, khiến khó đánh giá dự đoán của Moravec.

Gần đây hơn, các nhà nghiên cứu tại tổ chức phi lợi nhuận Epoch đã thực hiện một phức tạp hơn. Thay vì ước tính khi mô hình AI sẽ được đào tạo với lượng tính toán tương tự não người, cách tiếp cận của Epoch sử dụng trực tiếp luật mở rộng và đưa ra giả định đơn giản: Nếu một mô hình AI được đào tạo với lượng tính toán nhất định có thể tái tạo trung thành một phần văn bản – dựa trên luật mở rộng dự đoán liệu mô hình đó có thể liên tục dự đoán từ ngữ gần như hoàn hảo hay không – thì nó có thể thực hiện công việc sản xuất văn bản đó. Ví dụ, một hệ thống AI có thể tái tạo hoàn hảo một cuốn sách có thể thay thế tác giả, và một hệ thống AI có thể tái tạo các bài báo khoa học mà không sai sót có thể thay thế các nhà khoa học.

Một số người cho rằng chỉ vì hệ thống AI có thể sản xuất kết quả giống như con người, điều đó không nhất thiết có nghĩa chúng sẽ suy nghĩ giống như con người. Sau tất cả, Russell Crowe đóng vai nhà toán học John Nash giành giải Nobel trong bộ phim năm 2001, A Beautiful Mind, nhưng không ai có thể cho rằng càng diễn xuất tốt hơn, kỹ năng toán học của anh ấy phải càng ấn tượng hơn. Các nhà nghiên cứu tại Epoch rằng sự so sánh này dựa trên sự hiểu lầm sai lạc về cách mô hình ngôn ngữ hoạt động. Khi mở rộng, LLM có khả năng suy luận giống như con người, thay vì chỉ mô phỏng hành vi bề ngoài của con người. Tuy nhiên, một số nhà nghiên cứu rằng chưa rõ liệu các mô hình AI hiện tại thực sự đang suy luận hay không.

Cách tiếp cận của Epoch là một cách để mô hình hóa giả thuyết mở rộng một cách định lượng, Tamay Besiroglu, Phó giám đốc Epoch, người lưu ý rằng các nhà nghiên cứu tại Epoch có xu hướng nghĩ rằng AI sẽ tiến triển chậm hơn so với mô hình cho thấy. Mô hình ước tính xác suất 10% của AI chuyển tiếp – được định nghĩa là “AI nếu triển khai rộng rãi sẽ gây ra sự thay đổi so sánh với Cách mạng công nghiệp” – được phát triển vào năm 2025 và xác suất 50% được phát triển vào năm 2033. Sự khác biệt giữa dự báo của mô hình và những người như Legg có lẽ chủ yếu