Hãy tưởng tượng bạn đang viết chiến lược đặt quân cho một chương trình cờ caro. Luật chơi đã rõ, bàn cờ hiển thị chính xác, và có vẻ chỉ còn việc để nó chọn nước đi tốt nhất. Nhưng vừa bắt đầu suy diễn, mỗi cách đáp trả của đối thủ lại mở ra thêm nhiều biến hóa. Cờ chưa đánh, thời gian tính toán đã không đủ.
Tình huống nhỏ bé ấy đặt ra trước mắt một vấn đề quan trọng của trí tuệ nhân tạo: khi thông tin, thời gian và tài nguyên tính toán đều có giới hạn, hệ thống làm cách nào để đưa ra lựa chọn có căn cứ? Với những người đã quen dùng các công cụ AI, tự tay xử lý một vấn đề như vậy cũng là cơ hội để đến gần hơn với bên trong của công nghệ.
Môn COMP5511 “Artificial Intelligence Concepts” (Các khái niệm trí tuệ nhân tạo) của Đại học Bách khoa Hồng Kông xoay quanh tìm kiếm, biểu diễn tri thức, suy luận và học máy. Trong tài liệu học tập hiện tại trên EvoClass, lộ trình học tiếp tục mở rộng đến Transformer, mô hình ngôn ngữ lớn và tác tử. Bắt đầu từ bàn cờ, dọc đường sẽ gặp những nhiệm vụ khác nhau, và cũng liên tục nhìn lại chính việc “đưa ra lựa chọn”.
Trước nước đi đầu tiên, hãy học cách chọn lựa
Nếu mọi khả năng đều đáng được tính toán, chương trình sẽ nhanh chóng sa vào một không gian tìm kiếm khổng lồ. Để đi quân trong thời gian hữu hạn, cần quyết định những thế cờ nào được ưu tiên xét, dùng tiêu chuẩn nào để đánh giá, và tìm kiếm đến mức nào thì dừng lại.
Một vấn đề tưởng như chỉ là “chưa đủ nhanh” bỗng trở thành việc lựa chọn phương pháp.
Trong bài Chiến lược tìm kiếm: tìm kiếm không có thông tin và tìm kiếm heuristic, người học có thể so sánh các cách khám phá khác nhau; đến bài Tìm kiếm đối kháng và thỏa mãn ràng buộc, lại phải đưa lựa chọn của đối thủ vào phán đoán của mình. Nhìn xa thêm vài nước, đánh giá thế cờ thế nào, làm sao giảm bớt tính toán không cần thiết — tất cả đều có ý nghĩa cụ thể.
Bài thí nghiệm cờ caro trong môn học mang đến một cửa sổ quan sát. Có thể thay đổi một chiến lược, chạy chương trình, rồi so sánh nước đi và thời gian chạy. Một nước trông có lợi trước mắt có thể để lại sơ hở về sau; tìm kiếm sâu hơn cũng phải trả giá bằng nhiều chi phí tính toán hơn.
Khi mã nguồn thực sự chạy, những đánh đổi ẩn sau tên gọi thuật toán mới trở nên hữu hình. Việc học cũng có một điểm bám rõ ràng: giải thích lựa chọn lần này, và tìm cách kiểm chứng lời giải thích.
Đổi sang một bức ảnh chữ viết tay, bài toán thay đổi
Luật đi quân trong cờ caro có thể viết rõ ràng, còn hình dáng chữ số viết tay thì rất khó quy định từng trường hợp. Cùng một chữ “3”, có người viết tròn, có người viết dẹt, có người nét bút gần như dính liền nhau.
Tiếp tục bổ sung quy tắc có thể giải quyết vài mẫu trước mắt, nhưng vẫn sẽ gặp những cách viết mới. Nhiệm vụ từ đó chuyển sang một hướng khác: cung cấp dữ liệu cho mô hình để nó học những quy luật có thể dùng cho việc nhận dạng.
Nhưng học qua một lô mẫu không đồng nghĩa với việc xử lý được mọi tình huống mới.
Tài liệu thí nghiệm của COMP5511 trên EvoClass bao gồm phân loại chữ số viết tay, phần giảng dạy thì đi từ học máy truyền thống đến mạng nơ-ron và thị giác máy tính. Với người học, một bài tập nhỏ đáng làm là giữ lại vài lần phân loại sai, quan sát mô hình đã nhận nhầm cái gì thành cái gì, rồi quay lại dữ liệu và phương pháp để tìm nguyên nhân.
Đi theo hướng này đến bài Mô hình hóa chuỗi và Transformer, trọng tâm tiếp tục chuyển sang chuỗi và ngữ cảnh. Sau đó, khi học về mô hình ngôn ngữ lớn, đằng sau giao diện trò chuyện quen thuộc cũng sẽ có những manh mối kỹ thuật để tiếp tục tìm hiểu.
Tiếp theo, môn học đẩy vấn đề ra ngoài màn hình: nếu câu trả lời chỉ có thể hoàn thành qua một thao tác thực tế, hệ thống sẽ tiếp tục thế nào?
Sau câu trả lời, còn một lần hành động
Tra cứu một tài liệu, chạy một đoạn mã, dựa trên thông tin trả về để tiếp tục xử lý nhiệm vụ — tất cả đều đòi hỏi hệ thống phải kết nối với công cụ bên ngoài. Sau khi tạo ra kế hoạch, vẫn cần gửi yêu cầu, đọc kết quả, và phán đoán xem bước tiếp theo còn hợp lý hay không.
Phần thực hành tác tử và gọi công cụ trong Lab 11 đưa người học đến khâu này: kết nối mô hình ngôn ngữ với công cụ bên ngoài, quan sát suy nghĩ, hành động và phản hồi tạo thành một quá trình liên tục như thế nào.
Lúc này có thể tập trung vào một bước dễ bị bỏ qua — sau khi công cụ đã trả về kết quả, hệ thống thực sự sử dụng nó ra sao. Nội dung trả về có thể không đầy đủ, thao tác cũng có thể thất bại; việc thử lại, đổi cách làm hay dừng lại cần có căn cứ tương ứng.
Vấn đề trên bàn cờ ở phần đầu lại xuất hiện dưới một dạng khác. Một lựa chọn thay đổi tình hình trước mắt, và phán đoán tiếp theo phải tính đến thay đổi đó.
Cơ chế của chương trình tìm kiếm và mô hình ngôn ngữ khác nhau. Đặt chúng trên cùng một lộ trình học giúp luyện tập một cách quan sát xuyên suốt: trước hết xác định rõ nhiệm vụ, sau đó xem hệ thống hành động thế nào, cuối cùng dùng kết quả để kiểm tra phán đoán ban đầu.
Biến một lần thí nghiệm thành phán đoán của chính mình
Khi hệ thống bắt đầu ảnh hưởng đến nhiệm vụ thực tế, việc chạy thành công cần được xem xét cùng với độ tin cậy, thiên lệch và ranh giới sử dụng. Đạo đức, an toàn và căn chỉnh AI đưa những vấn đề này vào môn học, để việc triển khai kỹ thuật và trách nhiệm của con người cùng nằm trong một bức tranh.
Học môn này, có thể tự dành cho mình một nhiệm vụ rất nhỏ: trước khi chạy thí nghiệm, viết ra dự đoán; sau khi thấy kết quả, ghi lại một điểm khác với dự đoán; sau đó quay lại bài giảng liên quan, thử giải thích sự khác biệt.
Sự khác biệt đó có thể là một nước đi bất ngờ, một bức ảnh bị nhận nhầm, hoặc một phản hồi từ công cụ mà tác tử bỏ qua. Nó chỉ ra hướng đi cho lần học tiếp theo, khiến các khái niệm trong bài và quan sát của chính mình gắn kết với nhau.
Trên trang môn học COMP5511 trên EvoClass, có thể xây dựng mạch kiến thức theo các bài giảng, rồi bước vào thí nghiệm và mang câu hỏi quay lại; cũng có thể chọn trước một chủ đề mình quan tâm, kết hợp bài luyện mô phỏng để kiểm tra hiểu biết.
Quay lại ván cờ ấy, chương trình vẫn cần chọn nước đi tiếp theo trong thời gian hữu hạn. Lúc này, bạn đã có thêm nhiều cách để kiểm tra nó: xem tìm kiếm diễn ra thế nào, xem căn cứ đánh giá là gì, và xem kết quả có ủng hộ thiết kế ban đầu hay không.
Hiểu về AI có thể bắt đầu từ một quân cờ như thế.
Thông tin cơ bản của môn học tham khảo mô tả môn học chính thức của PolyU, phần giới thiệu các chương và thí nghiệm cụ thể dựa trên nội dung môn học hiện tại trên EvoClass. Các liên kết bài giảng trong bài trỏ đến tài liệu học tập bằng tiếng Anh.