Các mô hình AI và NLP đã có thể tự học, tự dạy cho nhau mà không cần đào tạo

Các nhà nghiên cứu đã nâng cao trí tuệ nhân tạo bằng cách khám phá các tác nhân có khả năng giao tiếp trực tiếp và học hỏi nhiệm vụ lẫn nhau.

• Các nhà nghiên cứu đã xây dựng AI có thể học các nhiệm vụ từ hướng dẫn bằng văn bản và sau đó truyền đạt kiến ​​thức đó đến các hệ thống AI khác. Hành động này giúp bỏ bớt công sức đào tạo riêng cho từng AI, hợp lý hóa quá trình phát triển.
• Mạng AI hiểu các câu hoàn chỉnh, bắt chước sự tương tác của con người. Sự tiến bộ này trong Xử lý ngôn ngữ tự nhiên (NLP) cho phép AI cộng tác hiệu quả hơn với con người.
• Mặc dù không có tri giác nhưng giao tiếp AI này mở đường cho những khám phá sâu hơn. Nó làm dấy lên các cuộc thảo luận về lợi ích tiềm năng của AI trong xã hội, và mặt hạn chế như những lo ngại về việc vượt qua sự kiểm soát của con người.

Một nhóm các nhà nghiên cứu đã phát triển một AI có khả năng giao tiếp với nhau. Theo các nhà nghiên cứu, mô hình đổi mới này được thiết kế để thu thập kiến ​​thức và thực hiện các nhiệm vụ từ các chỉ thị dựa trên văn bản, sau đó chuyển kiến ​​thức này sang các hệ thống AI khác. Chi tiết về bước đột phá này và sự phát triển của AI đã được công bố trên tạp chí Nature.

Làm thế nào các nhà nghiên cứu đạt được điều đó?

Để đánh giá hiệu quả của nó, các nhà nghiên cứu đã cho phép một AI thành thạo một nhiệm vụ bằng cách sử dụng các hướng dẫn được cung cấp. AI này sau đó có thể chia sẻ kiến ​​thức của mình với một AI khác, được gọi là AI “sister” (“chị em”), cho phép AI này hoàn thành các nhiệm vụ nhất định mà không cần phải đào tạo hoặc trải nghiệm trước đó. Sự tiến bộ này đánh dấu một bước nhảy vọt đáng kể của mạng AI, thể hiện những khả năng to lớn được mang lại bằng cách tích hợp xử lý ngôn ngữ tự nhiên (NLP) vào công nghệ AI.

Các nhà nghiên cứu đã nâng cao trí tuệ nhân tạo bằng cách khám phá các tác nhân có khả năng giao tiếp trực tiếp và học hỏi nhiệm vụ lẫn nhau. Bước đột phá này liên quan đến việc xây dựng một mạng AI được đào tạo chỉ dựa trên các hướng dẫn bằng văn bản, sau đó mạng này sẽ truyền đạt kiến ​​thức của mình cho AI đối tác. Cột mốc quan trọng này xoay quanh việc khai thác khả năng xử lý ngôn ngữ tự nhiên, cho phép máy móc hiểu và tái tạo ngôn ngữ của con người một cách tự nhiên. Mạng AI bao gồm các mạng thần kinh, các tập hợp phức tạp của các thuật toán học máy được mô phỏng theo cấu trúc thần kinh của não người.

Mục đích: làm cho máy móc gần giống con người, trong xử lý ngôn ngữ tự nhiên

Mục tiêu cơ bản của xử lý ngôn ngữ tự nhiên là bắt chước ngôn ngữ của con người trong máy tính, cho phép các máy này diễn giải và mô phỏng văn bản hoặc lời nói một cách dễ dàng và tự nhiên hơn. Khái niệm này ngày càng phù hợp với sự phát triển nhanh chóng của AI, mặc dù việc đạt được khả năng tồn tại hoàn toàn vẫn là một mục tiêu xa vời. Sự ra đời của AI có khả năng giao tiếp lẫn nhau thể hiện một bước tiến đáng kể trong hành trình này.

Bước đột phá này giúp đơn giản hóa quá trình phát triển các mô hình AI bằng cách loại bỏ phần lớn nền tảng ban đầu. Thông thường, mỗi mô hình yêu cầu đào tạo cá nhân cho các nhiệm vụ cụ thể. Tuy nhiên, một mạng trong đó các thực thể AI có thể chia sẻ kiến ​​thức sẽ tránh phải đào tạo nhiều.

Các nhà khoa học đằng sau mạng lưới này đã đạt được một cột mốc quan trọng bằng cách cho phép mô hình xử lý và phản ứng với các câu hoàn chỉnh theo cách bắt chước tương tác tự nhiên của con người chặt chẽ hơn. Điều này thể hiện một bước nhảy vọt vượt bậc về khả năng của các mô hình AI, nâng cao tiềm năng cộng tác liền mạch hơn với các nhà khai thác của con người.

Ví dụ

AI tổng hợp (composite AI), một “mạng thần kinh tái phát cảm biến vận động (RNN) (sensorimotor-recurrent neural network)”, trải qua quá trình đào tạo về một loạt các nhiệm vụ tâm vật lý (psychophysical), phản ứng với các kích thích như ánh sáng dựa trên các hướng dẫn được truyền qua NLP. Mặc dù thiếu dữ liệu đào tạo cụ thể về nhiệm vụ hoặc tiếp xúc trước đó, RNN vẫn đạt được độ chính xác ấn tượng 83% khi thực hiện các nhiệm vụ được hướng dẫn bằng hướng dẫn ngôn ngữ tự nhiên. Khả năng hiểu các câu viết của nó tạo điều kiện thuận lợi cho việc thực hiện nhiệm vụ, đạt đến đỉnh cao là việc trình bày rõ ràng các kết quả thông qua hướng dẫn ngôn ngữ cho AI anh em, cho phép thực hiện nhiệm vụ mà không cần có kinh nghiệm trước đó.

Điểm yếu

Mặc dù các hệ thống AI giao tiếp với nhau không đồng nghĩa với việc tạo ra một AI có khả năng suy luận giống con người, nhưng sự phát triển này sẽ mở đường cho những khám phá mới về công nghệ AI. Nó làm tăng cả sự phấn khích lẫn sự e ngại, thúc đẩy các cuộc tranh luận về tác động tiềm tàng của AI đối với xã hội, bao gồm cả những lo ngại mang tính suy đoán về việc AI vượt qua sự kiểm soát của con người.

Thêm vào đó, nếu AI chỉ được đào tạo từ dữ liệu do chính AI tạo ra, thì nó sẽ cho ra kết quả vô nghĩa, tạo nên 1 vòng lặp những nội dung vô nghĩa, không có giá trị nào mới cho con người.

• Đọc thêm kiến thức về NLP, AI, Machine Learning
• Nếu bạn cần Dịch vụ marketing AI, liên hệ Click Digital ngay.
• Hoặc đầu tư vào trí tuệ nhân tạo bằng cách mua token Saigon (ký hiệu: SGN) thông qua sàn giao dịch Pancakeswap: https://t.co/KJbk71cFe8 (đừng lo lắng về low liquidity, hãy trở thành nhà đầu tư sớm) (cách mua: tìm hiểu trên Google về thao tác giao dịch trên sàn phi tập trung Pancakeswap, cực kỳ an toàn).
• Được hỗ trợ bởi Công ty Click Digital
• Nâng cao kiến thức về AI + Machine Learning
• Địa chỉ token trên mạng BSC: 0xa29c5da6673fd66e96065f44da94e351a3e2af65
• Twitter: https://twitter.com/SaigonSGN135/
• Staking SGN: http://135web.net/

• Invest in Artificial Intelligence by BUYING Saigon token (symbol: SGN) through the Pancakeswap exchange: https://t.co/KJbk71cFe8 (do not worry about low liquidity, be an early investor) (how to buy: search on Google for instructions on trading on the decentralized Pancakeswap exchange, it’s secure).
• Backed by Click Digital Company
• Enhancing AI + Machine Learning knowledge
• BSC address: 0xa29c5da6673fd66e96065f44da94e351a3e2af65
• Twitter: https://twitter.com/SaigonSGN135/
• Staking SGN: http://135web.net/