bjemtj
Super Moderators
Trí tuệ nhân tạo ngày càng phát triển giống với bộ não con người, duy chỉ có một thiếu sót là: Trí nhớ. Mạng lưới thần kinh thường phải học mọi thứ, những điều mà mỗi người chúng ta cho là cần phải biết, chứ không phải dựa vào những kinh nghiệm đã có được từ trước đó mà não bộ đã làm. Vì vậy nhóm DeepMind của Alphabet mong muốn có thể khắc phục được điều này. Họ đã tạo ra một thuật toán cho phép một mạng lưới nơron “nhớ lại” kiến thức trong quá khứ và học hỏi được nhiều điều hiệu quả để thông minh hơn. Cách tiếp cận này tương tự như cách làm việc của bộ não con người và thậm chí là có thể mang đến sự thấu hiểu sâu sắc về các hoạt động bên trong bộ não con người.
Giống các synapse thực sự, nó sẽ bảo vệ các kết nối giữa các nơron khi chúng được cho là hữu ích trong quá khứ, thuật toán này (gọi là Elastic Weight Consideration) sẽ quyết định mức độ quan trọng của một kết nối được cho là có liên quan đến nhiệm vụ của nó. Yêu cầu mạng lưới nơron này học một nhiệm vụ mới và thuật toán này sẽ bảo vệ các kết nối có giá trị nhất, liên kết chúng với các nhiệm vụ mới khi thích hợp. Trong các thử nghiệm với 10 tựa game video Atari cổ điển, thì AI không cần phải học cách chơi từng game một cách độc lập. Nó có thể tự chuyển hóa những kiến thức đã tích lũy được trong một game và áp dụng vào các game khác.
Theo những gì mà James Kirkpatrick của DeepMind cho biết tại Wired, thì một mạng nơron đơn vẫn tốt hơn khi được giới hạn trong một game. Nó cũng không sẵn sàng để thích ứng với các tình huống xảy ra bất ngờ. Tuy nhiên thuật toán này đã cho ta thấy ít nhất nó cũng có thể cung cấp các chức năng giống như bộ nhớ AI. Và điều mà DeepMind đã học được ở đây, có thể là việc làm sáng tỏ cách mà một não bộ thực sự đã làm để kết nối các thông tin lại với nhau – nó có thể xác nhận được nhiều lý thuyết đã tồn tại qua nhiều năm.
