Future progress in artificial intelligence: A survey of expert opinion

There is, in some quarters, concern about high–level machine intelligence and superintelligent AI coming up in a few decades, bringing with it significant risks for humanity. In other quarters, these issues are ignored or considered science fiction. We wanted to clarify what the distribution of opinions actually is, what probability the best experts currently assign to high–level machine intelligence coming up within a particular time–frame, which risks they see with that development, and how fast they see these developing. We thus designed a brief questionnaire and distributed it to four groups of experts in 2012/2013. The median estimate of respondents was for a one in two chance that high-level machine intelligence will be developed around 2040-2050, rising to a nine in ten chance by 2075. Experts expect that systems will move on to superintelligence in less than 30 years thereafter. They estimate the chance is about one in three that this development turns out to be ‘bad’ or ‘extremely bad’ for humanity.

For Facebook, AI is about keeping you plugged in

Facebook is turning its mountains of data and computing power into artificial intelligence to make the platform as relevant and engaging as possible.
"It's about making sure that every moment you spend online, you spend it with the content you want to see, with the people you want to share," said CTO Mike Schroepfer at Facebook's annual F8 developer conference Wednesday.
The implications for brands buying ads on Facebook are massive, said developers.
"If there is something that is very different about Facebook in general, I would say it's the human aspect," said Lorenzo Carver, a developer at SalesRacer. "When you combine that with some kind of an AI engine, then you are talking about something that could really be revolutionary."

Zuck reveals his ideal future, criticizes 'fearful'

Rodolfo Macias is a developer at Sweb Development, which helps businesses sell products or ideas. "Seeing the potential to be able to use their AI system — like a bot — to help them sell, get leads, filter out leads using that technology is going to be amazing," he said.
The keynote sessions focused more on users rather than brands. Facebook is applying artificial intelligence to everything users share — from status updates to cat videos — and revealed some recent advances at F8.
For example, there are more than a billion new stories posted on Facebook every day. An individual user likely sees just 15 to 20 stories that Facebook has identified as likely to be most relevant, said Schroepfer.
The long-term goal is to empower users to interact with the Facebook platform itself, and go from passively consuming content to engaging in a dialogue that helps them find the content that is most interesting to them. This may happen through Facebook's virtual assistant M, bots on Messenger, or image and text-to-voice technology that enables the platform to "talk" to users.

<p>Facebook's media roadmap</p> <p>CNBC's Julia Boorstin reports on Facebook's push for new media creation and live streaming.</p>

On Tuesday CEO Mark Zuckerberg unveiled his vision for Messenger as a platform for people to communicate with bots and is making the company's Wit.ai Bot Engine — the smart system which powers Facebook's virtual assistant M along with human assistance — available to developers.
Read MoreWhy Facebook is going all in on chatbots
Brands are giving bots on Facebook Messenger a big thumbs up. The opportunity to extend the relationship they have with users and communicate with them in a more creative way is appealing, said Peter Chau, a product manager for The Weather Company, an IBM Business.
"Building that daily habit with our users is something we look forward to doing," said Chau.

The fact that Facebook is making so much of its AI technology available to developers on and off the Facebook platform is particularly exciting, said Brian Jeans, a developer at Microsoft.
"Developers are able to take advantage of the service, and service infrastructure and all of the AI work that Facebook is doing, contribute to that and it's a greater overall experience for everyone," he said. Dennis Kearny is also a developer at Microsoft in the Xbox division and is interested in how he can apply Facebook's image recognition technology to filter inappropriate content.
"Our product, we have a lot of children using it and we have a lot of user generated content, also," he said. "For us it's very difficult for us to be able to put that in front of children with confidence that it's not adult content or inappropriate and AI will help us solve that problem by categorizing it as adult so we can protect our users from that kinds of stuff," he said.

VR to bots: Facebook announcements explained

Here's a rundown of the most cutting edge work Facebook is doing in AI, according to Schroepfer.

Understanding human language
Recreating natural human-like conversation is among tech's biggest challenges, said Schroepfer.
"When you compare it to something like a factual query on search — how far is the moon from the earth — that's easy," he said. "This requires context and understanding."

Translation
The company also rolled out an AI-based automatic translation system to translate posts in news feeds. What makes it different from existing software is its ability to interpret and translate quirky regional slang — think Urban Dictionary plus status updates — helping users across the globe better understand each other.
This could help Facebook engage with users in emerging economies, which are seen as key to sustaining Facebook's growth, as user growth in the the U.S. and Europe slows. Right now 50 percent of Facebook's users do not speak English and 800 million people are already seeing translated posts in their news feed every month.
Finding photos on Facebook
Facebook's automatic image classifiers make it easier than ever to find photos showing specific people, places and things posted on its platform. "AI is making the most progress most quickly in computer vision," said Schroepfer.

On top of this, new image segmentation technology enables Facebook to understand images down to an individual pixel. This means Facebook now identify individuals objects in photos. The company is combining this technology with speech so it can tell a users with impaired vision what is shown on screen.
This has obvious utility for brands - if a user is seen holding a Coke or wearing a pair of Nike sneakers, there is a good chance they are a potential future customer. (t is not clear if this technology is being made available to advertisers.)
The future of video
Mark Zuckerberg expects the majority of content people see and share on Facebook to be video within the next five years. With so much video on the platform, users will need better ways to find the content that most interests them, so Facebook is applying the same computer vision techniques to understand and classify videos beyond the use of tags and associated content.
For example, Facebook is applying facial recognition technology to videos, allowing users to search for a person and immediately jump to the exact frame of video where they show up.

Michael Short | Bloomberg | Getty Images

Attendees try out Gear VR glasses during the Facebook F8 Developers Conference in San Francisco, April 12, 2016.

With people's attention increasingly pulled in different directions, Facebook needs to find new ways to surface relevant content and keep users engaged. It will be interesting to see how advertisers jump on this.

When Artificial Intelligence Started To 'Change The World'

The history of technology, whether of the last five or five hundred years, is often told as a series of pivotal events or the actions of larger-than-life individuals, of endless “revolutions” and “disruptive” innovations that “change everything.” It is history as hype, offering a distorted view of the past, sometimes through the tinted lenses of contemporary fads and preoccupations.
In contrast, ENIAC in Action: Making and Remaking the Modern Computer, is a nuanced, engaging and thoroughly researched account of the early days of computers, the people who built and operated them, and their old and new applications. Say the authors, Thomas Haigh, Mark Priestley and Crispin Rope:

The titles of dozens of books have tried to lure a broad audience to an obscure topic by touting an idea, a fish, a dog, a map, a condiment, or a machine as having “changed the world”… One of the luxuries of writing an obscure academic book is that one is not required to embrace such simplistic conceptions of history.

Instead, we learn that the Electronic Numerical Integrator and Computer (ENIAC) was “a product of historical contingency, of an accident, and no attempt to present it as the expression of whatever retrospectively postulated law or necessity would contribute to our understanding.”
The ENIAC was developed in a specific context that shaped the life and times of what became “the only fully electronic computer working in the U.S.,” from its inception during World War II to 1950, when other computers have successfully joined the race to create a new industry. “Without the war, no one would have built a machine with [ENIAC’s] particular combination of strengths and weaknesses,” say Haigh, Priestley and Rope.

The specific context in which the ENIAC emerged had also to do with the interweaving of disciplines, skills, and people working in old and new roles. The ENIAC was an important milestone in the long evolution of labor-saving devices, scientific measurement, business management, and knowledge work.
Understanding this context sheds new light on women’s role in the emergence of the new discipline of computer science and the new practice of corporate data processing. “Women in IT” has been a topic of much discussion recently, frequently starting with Ada Lovelace who is for many the “first computer programmer.” A very popular example of the popular view that women invented programming is Walter Isaacson’s The Innovators (see Haigh’s and Priestley’s rejoinder and a list of factual inaccuracies committed by Isaacson).
It turns out that history (of the accurate kind) can be more inspirational than story-telling driven by current interests and agendas, and furnish us (of all genders) with more relevant role-models.  The authors of ENIAC in Action highlight the importance of the work of ENIAC’s mostly female “operators” (neglected by other historians, they say, because of the disinclination to celebrate work seen as blue-collar), reflecting “a long tradition of female participation in applied mathematics within the institutional settings of universities and research laboratories,” a tradition that continued with the ENIAC and similar machines performing the same work (e.g., firing-table computations) but much faster.
The female operators, initially hired to help mainly with the physical configuration of the ENIAC (which was re-wired for each computing task), ended up contributing significantly to the development of “set-up forms” and the emerging computer programming profession: “It was hard to devise a mathematical treatment without good knowledge of the processes of mechanical computation, and it was hard to turn a computational plan into a set-up without hands-on knowledge of how ENIAC ran.”
When computing moved from research laboratories into the corporate world, most firms used existing employees in the newly created “data processing” (later “IT”) department, re-assigning them from relevant positions: punched-card-machine workers, corporate “systems men” (business process redesign), and accountants. Write the authors of ENIAC in Action:

Because all these groups were predominantly male, the story of male domination of administrative programming work was… a story of continuity within a particular institutional context. Thus, we see the history of programming labor not as the creation of a new occupation in which women were first welcomed and then excluded, but rather as a set of parallel stories in which the influence of ENIAC and other early machines remained strong in centers of scientific computation but was negligible in corporate data-processing work.

Good history is a guide to how society works; bad history is conjuring evil forces where there are none. ENIAC in Action resurrects the pioneering work of the real “first programmers” such as Jean Bartik and Klara von Neumann and explains why corporate IT has evolved to employ mostly their male successors.
Good history also provides us with a mirror in which we can compare and contrast past and present developments. The emergence of the “data science” profession today, in which women play a more significant role than in the traditional IT profession, parallels the emergence of computer programming. Just like the latter required knowledge of both computer operations and mathematical analysis, data science marries knowledge of computers with statistical analysis skills.
Developing models is the core of data scientists’ work and ENIAC in Action devotes considerable space to the emergence of computer simulations and the discussion of their impact on scientific practice. Simulations brought on a shift from equations to algorithms, providing “a fundamentally experimental way of discovering the properties of the system described.”
Today’s parallel to the ENIAC-era big calculation is big data, as is the notion of “discovery” and the abandonment of hypotheses. “One set initial parameters, ran the program, and waited to see what happened” is today’s The unreasonable effectiveness of data.  There is a direct line of the re-shaping of scientific practice from the ENIAC pioneering simulations to “automated science.” But is the removal of human imagination from scientific practice good for scientific progress?
Similarly, it’s interesting to learn about the origins of today’s renewed interest in, fascination with, and fear of “artificial intelligence.” Haigh, Priestley and Rope argue against the claim that the “irresponsible hyperbole” regarding early computers was generated solely by the media, writing that “many computing pioneers, including John von Neumann, [conceived] of computers as artificial brains.”
Indeed, in his First Draft of a Report on the EDVAC—which became the foundation text of modern computer science (or more accurately, computer engineering practice)—von Neumann compared the components of the computer to “the neurons of higher animals.” While von Neumann thought that the brain was a computer, he allowed that it was a complex one, following McCulloch and Pitts (in their 1943 paper “A Logical Calculus of the Ideas Immanent in Nervous Activity”) in ignoring “the more complicated aspects of neuron functioning,” he wrote.
Given that McCulloch said about the “neurons” discussed in his and Pitts’ seminal paper that they “were deliberately as impoverished as possible,” what we have at the dawn of “artificial intelligence” is simplification squared, based on an extremely limited (possibly non-existent at the time) understanding of how the human brain works.
These mathematical exercises, born out of the workings of very developed brains but not mimicking or even remotely describing them, led to the development of “artificial neural networks” which led to “deep learning” which led to the general excitement today about computer programs “mimicking the brain” when they succeed in identifying cat images or beating a Go champion.
In 1949, computer scientist Edmund Berkeley wrote in his book, Giant Brains or Machines that Think: “These machines are similar to what a brain would be if it were made of hardware and wire instead of flesh and nerves… A machine can handle information; it can calculate, conclude, and choose; it can perform reasonable operations with information. A machine, therefore, can think.”
Haigh, Priestley and Rope write that “…the idea of computers as brains was always controversial, and… most people professionally involved with the field had stepped away from it by the 1950s.” But thirty years later, Marvin Minsky famously stated: “The human brain is just a computer that happens to be made out of meat.”

Most computer scientists by that time were indeed occupied by less lofty goals than playing God, but only very few objected to these kind of statements, or to Minsky receiving the most prestigious award of their profession (for his role in creating the field of artificial intelligence). Today, the idea that computers and brains are the same thing, leads people with very developed brains to conclude that if computers can win in Go, they can think, and that with just a few more short steps up the neural networks evolution ladder, computers will reason that it’s in their best interests to destroy humanity.
Twenty years ago, the U.S. Postal Service issued a new stamp commemorating the 50th birthday of ENIAC. The stamp displayed an image of a brain partially covered by small blocs that contain parts of circuit boards and binary code. One of the few computer scientists who objected to this pernicious and popular idea was Joseph Weizenbaum:

What do these people actually mean when they shout that man is a machine (and a brain a “meat machine”)? It is… that human beings are “computable,” that they are not distinct from other objects in the world… computers enable fantasies, many of them wonderful, but also those of people whose compulsion to play God overwhelms their ability to fathom the consequences of their attempt to turn their nightmares into reality.

The dominant fantasy is that computers “change the world” and “make it a better place,” they spread democracy and other cherished values, etc., etc. It is vociferously promoted by people who believe themselves to be rational but ignore reality which has proven again and again that 70 years of computers have done little to change our society. Two recent examples are the hacker who scanned the Internet for networked printers and made them print an anti-semitic flyer and the good people at Microsoft MSFT -0.11% who released an “AI-powered chatbot” only to find out that it took Twitter TWTR -2.25% users just 16 hours to teach it to spew racial slurs.
ENIAC and its progeny have not changed what’s most important in our world: humans. Maybe Gates, Hawking, and Musk are right after all. Once computers surpass us in intelligence, they will understand that humanity cannot be changed by technology and it’s better just to get rid of it. In the meantime, the creativity and intelligence of good historians writing books such as ENIAC in Action will keep us informed and entertained.

Trí tuệ nhân tạo phát hiện 85% khả năng tấn công mạng, ngày càng thông minh hơn

Hệ thống trí tuệ nhân tạo (AI) của các nhà khoa học thuộc Học viện MIT (Mỹ) có khả năng phát hiện đến 85% khả năng xảy ra các cuộc tấn công mạng. Nó còn ngày càng thông minh hơn nhờ khả năng tự học như con người.

Mô hình tự học của hệ thống AI2. - Ảnh: The Next Web

Một nhóm các nhà khoa học của phòng thí nghiệm trí tuệ nhân tạo và khoa học máy tính của Học viện MIT đang xây dựng một hệ thống phòng thủ có khả năng chống lại các mối đe dọa về an ninh và bảo mật. Đó là một hệ thống AI có thể phát hiện tức thời đến 85% khả năng xảy ra tấn công mạng ngay khi chúng đang diễn ra.
Hệ thống được đặt tên là AI2. Chúng sẽ điều tra các hoạt động bất thường của dữ liệu và trình diễn các phát hiện của mình cho con người phân tích và xác định sự kiện nào thật sự là cuộc tấn công. Thông tin này sẽ được ghi nhận lại trong hệ thống của AI2 để phục vụ cho các điều tra kế tiếp. Đó là cách dạy cho máy tính tự học của hệ thống này.
Theo các nhà khoa học đang xây dựng AI2, hệ thống này được chấm điểm nhanh hơn gấp 3 lần so với các hệ thống trước cũng như giảm nhiều hơn sai số của các xác thực. Càng nhiều dữ liệu cho AI2 phân tích, độ chính xác các dự đoán càng tăng cao.
Theo nhóm các nhà khoa học này, AI2 có thể mở rộng đến hàng tỉ dòng ghi nhận mỗi ngày để có thể bảo vệ các hệ thống mạng lớn.
Mời bạn xem thêm video về cách thức hoạt động của AI2:

Trí tuệ nhân tạo - cuộc đua tỷ đô

Việc một chương trình máy tính có thể liên tiếp đánh bại nhà vô địch thế giới tại Go - một trò chơi cờ vô cùng phức tạp, là điều phi thường đối với lĩnh vực trí tuệ nhân tạo (AI). Tuy nhiên, một trò chơi khác cũng đang diễn ra một cách âm thầm khi các doanh nghiệp tranh nhau mời gọi những chuyên gia AI xuất sắc nhất.
Các tập đoàn công nghệ trong đó có Google, Facebook, Microsoft và Baidu đều đang chạy đua bành trướng hoạt động AI của mình. Năm ngoái họ đã bỏ ra khoảng 8,5 tỷ USD vào các thương vụ, theo hãng cung cấp dữ liệu Quid. Con số này gấp tới hơn 4 lần so với năm 2010.
Trước đây, các trường đại học tuyển dụng những chuyên gia AI xuất sắc nhất thế giới, nhưng giờ các hãng công nghệ đang lùng sục nhân tài AI từ các khoa nghiên cứu robot và học máy (machine learning: một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kỹ thuật cho phép các hệ thống “học” tự động từ dữ liệu để giải quyết những vấn đề cụ thể. Ví dụ như các máy có thể “học” cách phân loại thư điện tử xem có phải là thư rác hay không và tự động xếp thư vào thư mục tương ứng). Họ tìm kiếm những giảng viên và những sinh viên ưu tú nhất để chiêu dụ về làm việc với mức lương rất cao.
Năm ngoái, Uber đã tuyển dụng 40 trong số 140 nhân viên tại Trung tâm Kỹ thuật Nghiên cứu Robot Quốc gia tại Đại học Carnegie Mellon và thành lập một bộ phận chuyên phát triển ô tô tự lái. Điều này đã thu hút nhiều sự quan tâm bởi Uber trước đó đã cam kết sẽ tài trợ cho các hoạt động nghiên cứu của Trung tâm nhưng rồi lại quyết định chiêu dụ nhân viên của Trung tâm thay vì rót vốn tài trợ. Các doanh nghiệp khác tìm kiếm nhân tài một cách âm thầm hơn nhưng không kém phần quyết liệt.
Cuộc “tấn công” của các hãng công nghệ đã khiến cho nhiều giảng viên đại học phải sửng sốt. “Tôi thậm chí không thể nào giữ nổi các sinh viên tốt nghiệp của mình. Các công ty đang tìm cách tuyển dụng họ ngay cả trước khi họ tốt nghiệp”, Pedro Domingos - Giáo sư về lĩnh vực học máy tại Đại học Washington, nhận xét. Bản thân ông cũng được các hãng công nghệ mời gọi về làm cho họ.
Các chuyên gia trong ngành học máy được săn đón quyết liệt nhất. Các hãng công nghệ lớn áp dụng học máy vào rất nhiều hoạt động từ các nhiệm vụ cơ bản như lọc thư rác và làm sao để các mẫu quảng cáo trực tuyến tiếp cận đúng đối tượng mục tiêu hơn, cho đến những nỗ lực tương lai như xe tự lái hoặc quét các hình ảnh để nhận diện bệnh.
Khi các tập đoàn công nghệ phát triển các chức năng như công nghệ trợ lý ảo để giúp người sử dụng tổ chức cuộc sống tốt hơn hoặc các công cụ để giúp việc tìm kiếm các hình ảnh nhanh hơn thì họ cũng đều phải phụ thuộc vào những tiến bộ trong lĩnh vực học máy.
>> Google sẽ áp dụng học máy vào mọi sản phẩm
Cơn sốt đầu tư của các hãng công nghệ vào lĩnh vực này giúp giải thích vì sao một hội nghị của giới hàn lâm một thời được xem là khó hiểu - Hội nghị các hệ thống xử lý thông tin thần kinh (NIPS) được tổ chức vào tháng 12 mỗi năm tại Canada - nay đã trở thành diễn đàn Davos của giới AI. Những người tham gia đến đây để học hỏi tri thức mới cũng như để được săn đón và chiêu dụ bởi các ông chủ doanh nghiệp, vốn đang tìm kiếm những tài năng xuất chúng trong lĩnh vực này. Số người tham dự NIPS đã tăng gấp 3 lần kể từ năm 2010, đạt tới con số 3.800 vào năm ngoái.
Không có thống kê nào đáng tin cậy cho thấy có bao nhiêu giảng viên đại học đang gia nhập vào đội quân được chiêu mộ của các công ty công nghệ, nhưng các dấu hiệu thì có thể thấy rất rõ. Trong lĩnh vực “học sâu” (deep learning) - tức lĩnh vực các máy tính “học” và “hiểu” một cách sâu sắc từ khối lượng dữ liệu khổng lồ bằng cách sử dụng các phương pháp tương tự như mạng lưới thần kinh của não bộ con người - tỷ lệ các bài nghiên cứu được viết bởi các tác giả có cộng tác với một doanh nghiệp nào đó đã tăng rất nhanh.
Các hãng công nghệ không phải lúc nào cũng dành nhiều sự chú ý và nguồn lực vào các chuyên gia AI như thế. Lĩnh vực này ngày trước gần như bị bỏ quên và thiếu vốn đầu tư trong suốt thời kỳ “mùa đông AI” của thập niên 1980 và 1990 khi các phương pháp tiếp cận AI đã không đạt được kỳ vọng đặt ra. Nhưng giờ ngành học máy đã trở nên náo nhiệt khi Google bắt đầu thực hiện các thương vụ tập trung vào lĩnh vực AI.
Vào năm 2014, chẳng hạn, Google đã mua lại DeepMind - một công ty công nghệ khởi nghiệp đứng sau sự thành công của chiếc máy tính trong trò chơi Go - từ các nhà nghiên cứu ở London. Giá mua lại được đồn đoán vào khoảng 600 triệu USD. Vào khoảng thời gian đó, Facebook, được cho là khi ấy cũng kỳ vọng mua được DeepMind, đã thành lập một phòng lab về AI và mời Yann LeCun - giảng viên Đại học New York về điều hành.
Các doanh nghiệp đem lại cho những giảng viên đại học cơ hội được tận mắt nhìn thấy các ý tưởng của họ nhanh chóng đưa ra thị trường và đó là điều nhiều người ao ước. Việc làm cho các công ty như vậy cũng giúp các giảng viên không phải lo lắng về việc làm sao để đảm bảo họ được cấp kinh phí nghiên cứu. Andrew Ng - người đứng đầu bộ phận nghiên cứu AI cho tập đoàn internet Trung Quốc Baidu và đã từng dạy toàn thời gian tại Trường Stanford cho biết, các hãng công nghệ có 2 thứ đặc biệt hấp dẫn: có nhiều năng lực máy tính cùng lượng dữ liệu khổng lồ. Cả 2 yếu tố này đều rất cần thiết cho ngành học máy hiện đại.
Dù vậy, cơn sốt tuyển dụng có thể tạo ra gánh nặng chi phí. Một là các trường đại học, vì không thể trả mức lương đủ cạnh tranh để giữ chân giảng viên, sẽ bị thiệt thòi nếu có quá nhiều người giỏi bỏ trường về làm cho các công ty công nghệ hoặc họ bị sao nhãng, không toàn tâm toàn ý vào công tác giảng dạy do đã có những cam kết với các công ty công nghệ.
Ở phương diện quốc gia, thiệt hại cũng xảy ra. Hầu hết các công ty công nghệ lớn đều có trụ sở đặt tại Mỹ. Vì thế, những quốc gia như Canada sẽ không tránh khỏi bị mất mát khi những bộ óc xuất sắc nhất của họ đều sang Mỹ và một số nước khác đầu quân cho các công ty công nghệ, theo Ajay Agrawal - Giáo sư Đại học Toronto.
>> Các công ty công nghệ thu hút nhân tài thế nào?
Một rủi ro khác là nguồn lực AI có thể được tập trung không đều ở một vài công ty công nghệ. Các hãng công nghệ có công khai một số nghiên cứu và họ cũng hứa với nhân viên rằng nhân viên có thể viết và đăng bài nghiên cứu. Tuy nhiên, trên thực tế, nhiều nghiên cứu khám phá có giá trị và mang lại lợi nhuận cao lại không được chia sẻ ra công chúng. Một số lo ngại rằng Google - công ty dẫn đầu trong lĩnh vực này, có thể tạo nên cái gọi là độc quyền về trí tuệ.
Trước mối đe dọa về việc một công ty có thể tạo sức ảnh hưởng quá lớn đối với tương lai của AI, nhiều ông chủ công nghệ trong đó có Elon Musk của Tesla đã cam kết hồi tháng 12 rằng sẽ bỏ hơn 1 tỷ USD vào một sáng kiến phi lợi nhuận gọi là OpenAI, nhằm chia sẻ các nghiên cứu của mình với công chúng. Mục đích là kết hợp giữa tính tập trung nghiên cứu của môi trường đại học với khát vọng hiện thực hóa của một doanh nghiệp công nghệ.
Liệu có phải các công ty công nghệ, chứ không phải các trường đại học, mới là môi trường tốt nhất thúc đẩy tiến bộ trong lĩnh vực AI? Vấn đề này đến nay vẫn còn gây tranh cãi. Andrew Moore - người đứng đầu khoa học máy tính của Đại học Carnegie Mellon, lo ngại các trường đại học một ngày nào đó sẽ thiếu mất đội ngũ giảng viên giỏi giảng dạy - những người có thể đào tạo ra “hạt giống” nhà nghiên cứu trong tương lai. Mặt khác, với ít người hơn thực hiện công việc nghiên cứu thuần túy, việc nghiên cứu ra những đột phá của tương lai có thể sẽ bị chậm lại.
Nhưng những rủi ro như vậy có thể không xảy ra. Cơn sốt đầu tư vào AI đã khuyến khích nhiều sinh viên mới bước vào lĩnh vực này. Các công ty công nghệ cũng giúp phát triển các tài năng, chẳng hạn, bằng cách cung cấp nhiều học bổng hơn cho các nhà nghiên cứu. Các công ty công nghệ có tiền và có cả động lực để làm điều đó. Tại thung lũng Silicon, nhân tài, chứ không phải tiền, mới là nguồn lực đang khan hiếm nhất.

 (theo The Economist)/NCĐT

Những thăng trầm của trí tuệ nhân tạo

Microsoft phải gỡ bỏ chương trình tương tác con người trên Twitter hay AlphaGO đánh thắng vô địch cờ vây thế giới là những thăng trầm trong thời gian gần đây trong lĩnh vực trí tuệ nhân tạo (AI).

• Máy tính Google đánh bại đương kim vô địch cờ vây thế giới  /  Tiến sĩ Việt tham vọng thay đổi thế giới bằng trí tuệ nhân tạo

Nhiều tiến bộ của AI gần đây đến từ phương pháp dạy máy tính deep learning. Ảnh: Michal Bednarek | Shutterstock.com

Theo Live Science, một bước tiến lớn của AI là sự kiện chương trình máy tính của Google đánh cờ vây thắng áp đảo đương kim vô địch thế giới hồi tháng 3. Đây là trò chơi chiến thuật cổ của Trung Quốc, phức tạp hơn cờ vua và được coi là một chuẩn mực để đánh giá sự tiến bộ của AI.

Một tuần sau đó, Microsoft thiết kế một chương trình máy tính khác tên là Tay mô phỏng một cô gái 19 tuổi người Mỹ để học hỏi từ những tương tác với con người trên Twitter. Theo Microsoft, hệ thống AI này có thể giao tiếp với con người ngày một tốt hơn nhờ học hỏi những người tweet đến nó.

Tuy nhiên, họ đã phải tắt hệ thống này 16 giờ sau đó, khi Tay bắt đầu đưa ra những tuyên bố phân biệt chủng tộc, giới tính và khiêu dâm. Microsoft sau đó đã phải xin lỗi và giải thích đã xảy ra một vụ "tấn công phối hợp" vào các "lỗ hổng" và "lỗi kỹ thuật" của Tay.

Dù Microsoft cho rằng họ là nạn nhân của tin tặc, nhưng theo Bart Selman, một giáo sư về khoa học máy tính tại Đại học Cornell, cái gọi là "lỗ hổng" thực chất là việc Tay lặp lại các cụm từ được tweet tới nó mà không qua bất kỳ công cụ lọc nào. Ông cho rằng đây là một trong những nhược điểm chính của AI hiện nay: kỹ năng đọc hiểu ngôn ngữ.

Dạy cho trí tuệ nhân tạo

AI rất giỏi phân tích cú pháp văn bản, nghĩa là, làm sáng tỏ những mẫu ngữ pháp là nền tảng cho một ngôn ngữ, theo Selman. Điều này cho phép các chương trình như Tay có thể đưa ra những câu phát biểu giống như người thật. Đây cũng là sức mạnh của các chương trình dịch tự động của Google và Skype.

"Nhưng hiểu ngữ nghĩa – ý nghĩa của câu là một việc khác hoàn toàn", ông nói.

Nhiều tiến bộ gần đây của AI là nhờ vào phương pháp "học sâu – deep learning", mà ở một số mức độ nào đó có thể mô phỏng quá trình hoạt động của các lớp tế bào thần kinh trong não bộ. Với dải dữ liệu khổng lồ, nó rất giỏi trong việc tìm kiếm các mẫu, nên các thành công lớn nhất của AI cho tới nay đều liên quan tới nhận diện hình ảnh hoặc giọng nói.

Trong khi cách tiếp cận truyền thống của việc dạy máy tính học là nói cho nó biết cần tìm kiếm cái gì để "học", thì một trong những ưu điểm chính của deep learning là khả năng "tự động khám phá", theo Shimon Whiteson, giáo sư khoa Khoa học máy tính, Đại học Oxford, Anh.

Lớp đầu tiên của deep learning là tối ưu hóa để tìm các đặc điểm cơ bản nhất trong dữ liệu, ví dụ như các cạnh của một vật thể trong một bức ảnh. Dữ liệu đầu ra sẽ được chuyển tới lớp kế tiếp, quét các cấu hình phức tạp hơn, như hình vuông hay hình tròn. Quá trình này được lặp đi lặp lại trên các lớp với độ phức tạp tăng dần theo từng lớp, sao cho tới một lúc nào đó, nó có thể sử dụng các cấu trúc ở các mức thấp hơn để xác định một vật thể là ôtô hay xe đạp.

"Với deep learning, bạn chỉ việc đưa dữ liệu thô vào một mạng lưới thần kinh lớn nào đó, mà sau đó nó sẽ được đào tạo tới cuối", Whiteson cho biết.

Điều này đã dẫn đến một số khả năng siêu phàm của AI. Selman nói hệ thống deep learning đã được chứng minh có thể làm tốt hơn các chuyên gia y tế trong việc chuẩn đoán bệnh từ ảnh chụp cộng hưởng từ MRI. Kết hợp cùng với phương pháp học tăng cường (reinforcement learning) để đưa ra chiến lược tối ưu, AI cũng thành công trong việc xây dựng các mô phỏng ảo chính xác, theo Kaheer Suleman, giám đốc công nghệ và đồng người sáng lập của công ty về AI tại Canada, Maluuba.

Đây cũng là cách mà chương trình AlphaGo của Google sử dụng để trở thành một chuyên gia cờ vây, tự chơi hàng triệu ván một mình, kết hợp các phương pháp này để nâng cao kỹ năng và phát triển chiến thuật.

Tuy nhiên, đây cũng là nhược điểm của phương pháp này.

"Thách thức lớn với AI là những lĩnh vực không có kho dữ liệu đã được phân loại và dán nhãn, hoặc trong các môi trường không thể mô phỏng tốt", Suleman nói. "Ngôn ngữ là một lĩnh vực điển hình trong trường hợp này, Internet là một văn bản vô tận nhưng không nơi nào 'dán nhãn' ngữ nghĩa theo kiểu máy móc cả".

Maluuba đang phát triển các thuật toán có thể đọc văn bản và trả lời các câu hỏi về văn bản đó, nhưng Suleman cho biết có một số tính năng của ngôn ngữ làm cho công việc trở nên đặc biệt khó khăn. Ngữ nghĩa trải rộng trên nhiều cấp độ, từ từ vựng tới cụm từ và câu. Chúng có thể kết hợp với nhau theo vô số cách mà mỗi người lại có lối nói riêng. 

Ngoài ra, mọi ngôn ngữ đều trừu tượng. Từ ngữ là những biểu tượng đơn giản cho mọi thứ trong thế giới thực mà một cỗ máy không thể trải nghiệm được.

Không có sự truy cập vào các dữ liệu của cuộc sống trong một thế giới vật chất cùng với sự phong phú của những tương tác xã hội mà con người đã tích lũy từ lâu, nên không có gì ngạc nhiên rằng Tay không hiểu nghĩa từ "Holocaust" (cuộc tàn sát người Do Thái dưới thời Hitler).

"Deep learning rất tốt nhưng không phải là giải pháp tối ưu", Whiteson nói. "Còn rất nhiều thứ thiếu sót. Nên bước tiếp theo đương nhiên là bổ sung gì cho deep learning để nó trở nên tốt hơn".

Hướng tới tương lai

Dù còn nhiều thách thức, Maluuba đã công bố một báo cáo vào tháng 3/2016 trên arXiv, một kho lưu trữ trực tuyến các nghiên cứu, mô tả cách mà hệ thống của họ có thể trả lời các câu hỏi trắc nghiệm về văn bản không quen thuộc với độ chính xác 70%, vượt qua các hệ thống khác 15%.

Cách tiếp cận của Maluuba kết hợp deep learning với cấu trúc mạng lưới thần kinh, được thiết kế để tương tác với nhau theo cách hình thành hình thức thô sơ của lý luận. Công ty cũng đang làm việc với các hệ thống hội thoại để học cách đối thoại tự nhiên với con người.

Selman nói rằng AI tập trung vào ngôn ngữ có thể mang lại hữu ích đáng ngạc nhiên cho các ứng dụng, nơi các đối tượng khá hạn chế. Ví dụ các đường dây nóng hỗ trợ kỹ thuật, theo ông dự đoán sẽ sớm được tự động hóa (đã có một vài nơi tự động hóa), hoặc các công việc hành chính tương đối cao cấp yêu cầu các tương tác theo thủ tục như cập nhật các bảng tính và gửi đi các email theo công thức.

"Vẫn tồn tại những yếu kém trong những công việc mở, khó kiểm soát, không những liên quan đến nhiều khía cạnh của trí tuệ con người mà còn yêu cầu phải thực sự hiểu được con người", Selman nói.

Tuy nhiên, theo Whiteson, vẫn có những thành tựu đáng kể trong lĩnh vực AI, như xe tự lái của Google là một ví dụ điển hình. Lái xe trên đường cùng với con người không những yêu cầu phải hiểu luật giao thông, còn phải theo các chuẩn mực xã hội bất thành văn, cùng với các cách xử lý khi tránh va chạm xảy ra.

Những tiến bộ trong lĩnh vực AI và robot dẫn đến số lượng máy móc được sử dụng trong thế giới thực ngày càng tăng, khả năng tương tác với con người không còn là một mục tiêu viễn tưởng. Các nhà nghiên cứu vẫn đang tìm kiếm các cách tiếp cận mới giúp máy tính có thể cảm nhận và hiểu được thế giới xung quanh.

5 công nghệ làm thay đổi ngành y trong tương lai

Công nghệ trong y học đang thay đổi và có thể tác động sâu rộng đến việc chẩn đoán, điều trị và cung cấp các dịch vụ chăm sóc trong tương lai.

1. Trí tuệ nhân tạo

Trí tuệ nhân tạo (AI) được định nghĩa là trí thông minh được thể hiện bởi máy móc hoặc phần mềm có khả năng miêu tả hoặc bắt chước các chức năng não bộ con người. Trong y học, AI được phát triển nhằm hỗ trợ các nhân viên y tế. Nó có khả năng ghi nhớ kiến thức, phân tích dữ liệu, ghi nhớ và qua đó cung cấp các chẩn đoán và giải pháp lâm sàng chất lượng cao và trong thời gian thực.
Thị trường trí tuệ nhân tạo cho ứng dụng y tế dự kiến sẽ tăng trưởng nhanh chóng trên toàn cầu. Tỉ lệ tăng trưởng hàng năm kép dự đoán khoảng 42% cho đến năm 2021. Theo đó, với sự hỗ trợ của trí tuệ nhân tạo, chất lượng chăm sóc bệnh nhân sẽ trở nên tốt hơn. Chi phí điều trị giảm, nhiều thủ tục không cần thiết được loại bỏ.
Đến năm 2020, các loại bệnh mãn tính như ung thư và tiểu đường sẽ được chẩn đoán chỉ trong vài phút bằng cách sử dụng hệ thống quét 3D có nhận thức, đặc điểm sinh lí tiêu biểu có thể được xây dựng trong thời gian thực. Đến năm 2025, dự kiến sẽ có tới 90% cơ sở y tế của Hoa Kì và 60% bệnh viện trên toàn cầu và các công ty bảo hiểm sử dụng hệ thống trí tuệ nhân tạo. Đổi lại, hệ thống AI sẽ cung cấp dịch vụ y tế, phương pháp chăm sóc dễ dàng, rẻ hơn và chất lượng hơn đến 70% bệnh nhân.
Ngày nay, các hệ thống trí tuệ nhân tạo đang được phát triển để phân tích hình ảnh y tế đáng tin cậy và chính xác cao với sự giúp đỡ từ xử lí hình ảnh kĩ thuật số, nhận dạng mẫu và nền tảng AI. Công ty start-up Butterfly Network cũng đang phát triển một công cụ siêu âm 3D cầm tay, có khả năng gửi hình ảnh thời gian thực lên dịch vụ đám mây. Sau đó, các đặc điểm sẽ được nhận dạng bằng kho dữ liệu và gửi lại chẩn đoán cho bệnh nhân.
Ngoài ra, một hướng đi sáng tạo mà dễ dàng hơn, trí thông minh nhân tạo có thể được sử dụng để chăm sóc bệnh nhân tốt hơn trong điều trị. Như các phần mềm nhận diện khuôn mặt và cử chỉ đang được phát triển để nhắc nhở bệnh nhân uống thuốc. Đây gọi là phương pháp quan sát trực tiếp, một phân khúc thị trường mới mà có lẽ cũng sẽ sớm được nắm bắt bởi các công ty trí tuệ nhân tạo.

2. Liệu pháp miễn dịch

Liệu pháp miễn dịch là điều trị bằng cách tập trung vào khả năng của hệ thống miễn dịch chứ không tấn công trực tiếp các khối u. Đây là phương pháp hứa hẹn điều trị bệnh ung thư. Nó biểu lãnh thổ mới trong cả thời gian cá nhân của tồn tại và tiềm năng cho số đáng kể bệnh nhân được hưởng lợi. Liệu pháp miễn dịch đang được sử dụng cho bệnh nhân u hắc tố, ung thư da với khả năng kéo dài tiên lượng gấp nhiều lần so với phương pháp truyền thống. Khi mà hiện nay có hơn 160.000 trường hợp u ác tính được chẩn đoán trên toàn thế giới trong đó có 40.000 ca tử vong mỗi năm.

Liệu pháp miễn dịch cũng đang được nghiên cứu để ứng dụng rộng rãi trong nhiều loại ung thư khác nhau. Thị trường dành cho các loại thuốc sử dụng trong liệu pháp miễn dịch năm 2015 đạt 3 tỉ USD. Và dự kiến đến năm 2020 lên đến 21,1 tỉ USD, với tỉ lệ tăng trưởng hàng năm đạt 139%.

3. Sinh thiết lỏng

Sinh thiết lỏng tách các tế bào ung thư từ một mẫu máu đơn giản và có khả năng điều trị ung thư bằng tế bào ung thư theo dõi không xâm lấn. Với công nghệ này giờ đây, bệnh nhân sẽ không phải trải qua các lần lấy mẫu sinh thiết lặp đi lặp lại như trước nữa.

Kĩ thuật sinh thiết lỏng cung cấp một cơ hội đầu tư hấp dẫn cho các công ty hoạt động trong lĩnh vực chẩn đoán. Sự tập trung vào chỉ dấu sinh học trong máu, như ctDNA và CTCs, là tiềm năng để theo dõi và giám sát các khối u một cách không xâm lấn. Dự kiến trong khoảng hai năm, sinh thiết lỏng sẽ trở thành một thuốc hỗ trợ cho sinh thiết mô. Công nghệ này đã được chứng minh là hiệu quả hơn nhiều trong việc dò tìm sự tiến triển của khối u, ngay cả khi bệnh nhân chưa chụp cắt lớp CT.

4. Kĩ thuật chỉnh sửa gen CRISPR/Cas9

Kĩ thuật chỉnh sửa gen CRISPR / Cas9 có thể làm thay đổi DNA một cách chính xác, hiệu quả chi phí và đáng tin cậy. Kĩ thuật này đã được đưa vào nghiên cứu từ năm 2014, và các công ty đang đổ xô vào cung cấp các công cụ nghiên cứu và phát triển các phương pháp điều trị bằng công nghệ này. Sangamo Biosciences là công ty năng động nhất đã thử nghiệm lâm sàng bằng cách áp dụng một enzyme nhân tạo mang tên Zinc-finger nucleases có thể phát hiện các đoạn gene mong muốn trong chuỗi ADN của sinh vật, gắn kết và thay đổi cấu trúc của đoạn gene này, từ đó tạo được hiệu quả điều trị đối với các gene liên quan đến bệnh. CRISPR Therapeutics và Editas Medicine cũng tập trung vào CRISPR sau khi nhận được hàng triệu USD vốn đầu tư mạo hiểm.

Theo phân tích của dự án nghiên cứu hỗ trợ bởi Viện Y tế Quốc Gia Hoa Kì (NIH), công nghệ chỉnh sửa gen CRISPR / Cas9 đầy hứa hẹn trong giai đoạn 2013-2015. Từ năm 2013 đến năm 2014, nguồn vốn đổ vào lĩnh vực này tăng 7 lần. Giai đoạn 2014-2015, nguồn tài trợ nhiều hơn gấp 3 lần. Công nghệ này đã vượt qua nhiều thử thách với nhiều công nghệ chỉnh sửa gen như RNAi, Talens và ZFN. Trong vài năm tới sẽ có một thị trường vài trăm triệu USD.

5. 3D

Công nghệ 3D có tiềm năng to lớn trong y tế do khả năng được tùy chỉnh. Nó có thể làm giảm đáng kể thời gian phẫu thuật và chi phí y tế. Hiện nay, các ứng dụng lớn nhất của in 3D là sản xuất chân tay giả (cấy ghép chỉnh hình) và các thiết bị y tế trong cấy ghép nha khoa và máy trợ thính. Công nghệ 3D có thể tạo ra gan, tim, tai, tay và mắt, hoặc in các đơn vị chức năng nhỏ hơn như mô, từ đó xây dựng lên toàn bộ cơ quan. Điều này có thể được sử dụng làm phẫu thuật để sửa chữa hoặc thay thế các mô bị tổn thương và các cơ quan.
Theo ước tính, có hơn 1 triệu người cần ghép thận trên toàn thế giới, tuy nhiên, ít hơn 5.000 người được ghép thận phù hợp với mình. Sự khan hiếm của các cơ quan hiến pháp đã dẫn đến sự gia tăng đáng kể trong buôn bán nội tạng bất hợp pháp trên toàn thế giới. Các doanh nghiệp in ấn 3D như Stratasys Ltd, Arcam AB, Organovo Holdings Inc, Johnson & Johnson, Services Inc. và Stryker có thể giải quyết tình trạng này và dự kiến có thể chiếm lĩnh thị trường 6 tỉ USD vào năm 2025.

Theo Sống Mới.