Phát hiện kinh ngạc khi cho phép AI tự do khám phá

Nhằm thay thế phương pháp đào tạo AI truyền thống dựa trên ghi nhớ dữ liệu, giới khoa học đã tích hợp tính năng "tò mò" nhằm kích thích robot tự trải nghiệm không gian xung quanh.

Thông qua việc áp dụng cơ chế học dựa vào động cơ nội tại, robot mô phỏng đã rút ngắn tới 50% thời gian tiếp thu ngôn ngữ nếu so sánh với phương thức cũ (Ảnh: Sohu).

Thử nghiệm này không chỉ giúp gia tăng đáng kể tốc độ thu nhận ngôn ngữ mà còn làm nảy sinh hàng loạt phản ứng bất ngờ từ hệ thống.

Phương pháp huấn luyện AI hoàn toàn mới từ OIST

Thay vì phụ thuộc vào việc suy đoán từ ngữ hay tích lũy khối lượng dữ liệu khổng lồ như các mô hình ngôn ngữ lớn (LLM) hiện nay, các chuyên gia tại Viện Khoa học và Công nghệ Okinawa (OIST, Nhật Bản) đã đưa ra một hướng đi hoàn toàn mới trong đào tạo trí tuệ nhân tạo.

Họ đã thiết kế một mô hình AI sở hữu khả năng tự tìm tòi nhờ "động lực nội tại". Thiết lập này cho phép các robot mô phỏng chủ động tiếp cận cũng như phân tích các kịch bản mới lạ thay vì chỉ thụ động tuân thủ những dòng lệnh sẵn có.

Nhằm đạt được mục tiêu trên, đội ngũ nghiên cứu đã ứng dụng mô hình Mạng thần kinh tái quy biến đổi lấy cảm hứng từ mã hóa dự đoán (Predictive Coding-inspired Variational Recurrent Neural Network- PV-RNN), kết hợp cùng thuật toán học tăng cường.

Mỗi khi giảm thiểu được mức độ mơ hồ trong quá trình trải nghiệm môi trường, hệ thống sẽ nhận được "phần thưởng", từ đó thúc đẩy AI liên tục trau dồi tri thức.

Hiệu quả vượt trội và những phản ứng ngoài dự kiến

Báo cáo cho thấy, việc trang bị cơ chế mới đã giúp robot mô phỏng cắt giảm khoảng một nửa thời gian tiếp thu ngôn ngữ so với quy trình đào tạo thông thường.

Đặc biệt, trong suốt quá trình thử nghiệm, nhóm chuyên gia còn phát hiện nhiều hành động phát sinh nằm ngoài kịch bản. Ngay cả khi đã hoàn thành bài tập được giao, robot vẫn tự ý tương tác với không gian quanh mình, tiêu biểu như việc xô đẩy hoặc di chuyển các đồ vật nhằm theo dõi biến chuyển.

Nhà nghiên cứu dẫn đầu dự án, Theodore Tinker, chia sẻ rằng việc quan sát các hành vi tìm tòi tự phát nảy sinh trong lúc huấn luyện chính là điều khiến nhóm cảm thấy hứng thú nhất.

Vai trò của sự đa dạng dữ liệu và hiện tượng "đường cong học tập"

Kết quả từ công trình cũng chỉ ra rằng thành công của giải pháp này chịu ảnh hưởng rất lớn bởi mức độ phong phú của dữ liệu đầu vào.

Cụ thể, nếu chỉ cho robot tiếp cận 48 tổ hợp ngôn ngữ, tỷ lệ nắm bắt các câu lệnh mới chỉ dừng lại ở mức xấp xỉ 25%. Trái lại, khi nâng quy mô lên 180 tổ hợp, mức độ khái quát hóa đã tăng vọt lên khoảng 85%.

Bên cạnh đó, nhóm nghiên cứu còn ghi nhận một hiện tượng thú vị: robot thể hiện rõ "đường cong học tập hình chữ U" — điểm tương đồng kỳ lạ với quá trình trẻ em học nói. Ban đầu, AI ghi nhớ chính xác từng trường hợp riêng lẻ, sau đó hiệu suất tạm thời sụt giảm khi bắt đầu thiết lập quy tắc tổng quát, rồi cuối cùng mới hồi phục và bứt phá lên mức độ khái quát hóa cao hơn.

Ý nghĩa thực tiễn đối với tương lai ngành AI

Giới chuyên gia nhận định, cấu trúc PV-RNN sở hữu lợi thế lớn khi cho phép giám sát diễn biến nội tại của mô hình suốt lộ trình học tập, giúp các nhà khoa học bóc tách cách thức AI ra quyết định.

Đột phá này không chỉ mở ra cơ hội xây dựng những hệ thống AI linh hoạt hơn trong tương lai mà còn đóng góp lượng dữ liệu quý giá phục vụ việc giải mã cơ chế tiếp thu ngôn ngữ của con người.

Chân thành cảm ơn quý độc giả đã theo dõi bài viết này. Mời bạn tiếp tục tìm hiểu thêm những thông tin hấp dẫn và chuyên sâu khác ngay phía dưới!