Đang lấy thông tin về địa chỉ đích - Chia sẻ kiến thức SQL - Lưu trữ dữ liệu thế giới
♥ TRONG KHI CHỜ LẤY LINK, HÃY KÉO XUỐNG CÓ MỘT SỐ BÀI VIẾT RẤT HAY ♥

Đang đi đến trang đích, vui lòng chờ xíu nghen:

0%

Vui lòng chờ trong giây lát để link download được tải về.

mua điện thoại, mua mobile, bds, bất động sản, nhà cho thuê thành phố hồ chí minh, mua xe hơi, mua moto, mua oto, mua xe máy, phần mềm diệt virus, mua chung cư, mua biệt thự, làm đẹp, phẩu thuật thẫm mỹ, trang sức, đồng hồ, nhẫn cưới, nhẫn, mua nhẫn, việc làm, tìm việc, tuyển dụng, microsoft, bảo hiểm, mua bảo hiểm,bảo hiểm nhân thọ, bảo hiểm sức khỏe, thuê chung cư

Chính xác thì trí tuệ nhân tạo là gì? Tại sao phải nghiên cứu

Tóm tắt:   Các nhà phát triển nền tảng phân tích nâng cao, nhà cung cấp đám mây và báo chí phổ biến đang thúc đẩy ý tưởng rằng mọi thứ chúng ta làm trong khoa học dữ liệu là AI. Điều đó có thể tốt cho việc nhắn tin nhưng nó gây hiểu lầm cho những người đang hỏi chúng tôi về các giải pháp AI và làm cho cuộc sống của chúng tôi trở nên khó khăn hơn.

Arrgh! Houston chúng tôi có (một) vấn đề khác. Đó là định nghĩa của Trí tuệ nhân tạo (AI) và cụ thể là những gì bao gồm và những gì không . Vấn đề trở nên đặc biệt nghiêm trọng nếu bạn biết điều gì đó về lĩnh vực này (tức là bạn là nhà khoa học dữ liệu) và bạn đang nói chuyện với bất kỳ ai khác đã đọc một bài báo, blog hoặc truyện tranh đã nói về AI. Các nguồn bên ngoài lĩnh vực của chúng tôi và một con số đáng ngạc nhiên được viết bởi những người nói rằng họ có kiến ​​thức ở khắp mọi nơi trên những gì bên trong hộp AI và những gì bên ngoài.

Sự mất kết nối sâu sắc và việc không có một định nghĩa chung làm lãng phí rất nhiều thời gian vì trước tiên chúng ta phải hỏi mọi người, chúng ta nói với chính xác ý của bạn là gì khi bạn nói rằng bạn muốn có một giải pháp AI.

Luôn sẵn sàng thừa nhận rằng có lẽ sự hiểu lầm là của tôi, tôi đã dành vài ngày để thu thập các định nghĩa về AI từ nhiều nguồn khác nhau và cố gắng so sánh chúng.

Khi một nhà khoa học dữ liệu nói chuyện với một nhà khoa học dữ liệu khác

Đây là nơi tôi đến. Trong khoảng 20 năm trở lại đây, chúng tôi đã xây dựng một khối lượng kiến ​​thức và chuyên môn khổng lồ về học máy, đó là sử dụng nhiều kỹ thuật được giám sát và không giám sát để tìm kiếm, khai thác và tối ưu hóa các hành động dựa trên các mẫu mà chúng tôi có thể tìm thấy dữ liệu. Khi Hadoop và NoQuery xuất hiện, chúng tôi đã mở rộng các kỹ thuật ML đó thành dữ liệu phi cấu trúc, nhưng đó chưa phải là AI như chúng ta biết ngày nay.

Chỉ sau khi giới thiệu hai bộ công cụ mới, chúng ta mới có thứ mà các nhà khoa học dữ liệu gọi là AI. Đó là học tập củng cố và mạng lưới thần kinh sâu sắc. Chính những điều này đã cho chúng ta các ứng dụng hình ảnh, văn bản và lời nói, chơi trò chơi, xe tự lái và các ứng dụng kết hợp như IBM Watson (máy trả lời câu hỏi không phải là thương hiệu rộng mới) có thể đặt câu hỏi về ngôn ngữ của con người về dữ liệu rộng thiết lập như hình ảnh MRI và xác định xem đó có phải là ung thư hay không phải là ung thư.

Khi một nhà khoa học dữ liệu nói chuyện với một nhà sử học

Có thể có một cái nhìn rộng hơn nhiều về AI mở rộng trở lại ngay cả trước khi sử dụng hiệu quả AI hiện đại. Định nghĩa này lần đầu tiên được giới thiệu với tôi bởi John Launchbury, Giám đốc Văn phòng Đổi mới Thông tin của DARPA. Ông mở rộng quan điểm của chúng tôi để tham gia vào ba thời đại của AI :

  1. Thời đại của kiến ​​thức thủ công
  2. Thời đại của học thống kê
  3. Thời đại thích ứng bối cảnh.

Lời giải thích của Launchbury đã giúp tôi rất nhiều nhưng trong khi phép ẩn dụ về ‘thời đại’ là hữu ích, nó tạo ra một ấn tượng sai lầm rằng một tuổi kết thúc và tiếp theo bắt đầu như một loại thay thế. Thay vào đó tôi thấy đây là một kim tự tháp, nơi những gì đi trước tiếp tục và trở thành nền tảng cho tiếp theo. Điều này cũng có nghĩa rõ ràng là ngay cả những công nghệ AI lâu đời nhất vẫn có thể hữu ích và trên thực tế vẫn được sử dụng. Vì vậy, kim tự tháp trông như thế này:

Định nghĩa này thậm chí bao gồm các hệ thống chuyên gia thủ công mà chúng tôi xây dựng từ những năm 80 và 90. Kể từ khi tôi xây dựng một số trong những người tôi có thể liên quan. Điều này hỗ trợ cho quan điểm ‘mọi thứ là AI’. Thật không may, điều này chỉ mất quá nhiều thời gian để giải thích và nó không thực sự là điều mà hầu hết mọi người đang nghĩ về khi nói ‘AI’.

Định nghĩa từ các nguồn khoa học dữ liệu

Vì không có thuật ngữ tham chiếu trung tâm dứt khoát cho khoa học dữ liệu, tôi đã tìm ở những nơi tốt nhất tiếp theo, Wikipedia và Technopedia. Những mục này sau khi tất cả đã được viết, xem xét và chỉnh sửa bởi các nhà khoa học dữ liệu. Viết tắt nhiều nhưng tôi tin rằng báo cáo chính xác, đây là định nghĩa của họ.

Wikipedia

  • Về mặt thông thường, thuật ngữ “trí tuệ nhân tạo” được áp dụng khi một cỗ máy bắt chước các chức năng “nhận thức” mà con người liên kết với tâm trí con người khác, như “học hỏi” và “giải quyết vấn đề”. bài phát biểu của con người, cạnh tranh ở cấp độ cao trong các hệ thống trò chơi chiến lược (như cờ vua và cờ vây), xe hơi tự trị, trò chơi và diễn giải dữ liệu phức tạp, bao gồm cả hình ảnh và video.

OK, cho đến nay tôi thích trọng tâm khá hẹp đồng ý với việc học tăng cường và mạng lưới thần kinh sâu sắc. Đáng lẽ họ nên dừng lại ở đó bởi vì bây giờ, trong các công cụ mô tả cho AI Wikipedia nói:

  • Trong suốt 60 năm nghiên cứu, AI đã phát triển một số lượng lớn các công cụ để giải quyết các vấn đề khó khăn nhất trong khoa học máy tính, mạng lưới thần kinh, các phương pháp hạt nhân như SVM, hàng xóm gần nhất của K, Bay naïve Bayes. cây quyết định.

Vì vậy, Wikipedia đã giảm tất cả các kỹ thuật học máy mà chúng tôi thành thạo trong 20 năm qua là sự phát triển của AI ???

Technopedia

  • Trí thông minh nhân tạo (AI) là một lĩnh vực của khoa học máy tính nhấn mạnh việc tạo ra các máy móc thông minh hoạt động và phản ứng như con người. Một số hoạt động mà máy tính có trí tuệ nhân tạo được thiết kế bao gồm: nhận dạng giọng nói, học tập, lập kế hoạch, giải quyết vấn đề. Trí thông minh phải có quyền truy cập vào các đối tượng, danh mục, tính chất và quan hệ giữa tất cả chúng để thực hiện kỹ thuật tri thức.

Tôi đã ở với họ cho đến nay. Họ thậm chí thừa nhận yêu cầu đào tạo về việc có nhãn kết quả liên quan đến đầu vào. Sau đó, họ làm hỏng nó.

  • Học máy là một phần cốt lõi khác của AI. Học mà không có bất kỳ loại giám sát nào đòi hỏi khả năng xác định các mẫu trong các luồng đầu vào, trong khi học với sự giám sát đầy đủ bao gồm phân loại và hồi quy số. Phân tích toán học của các thuật toán học máy và hiệu suất của chúng là một nhánh được xác định rõ của khoa học máy tính lý thuyết thường được gọi là lý thuyết học tính toán.

Vì vậy, rõ ràng không có thứ gọi là học máy không giám sát ngoài AI bao gồm tất cả ML? Không có quy tắc kết hợp, không phân cụm? Dường như không ai nhắc nhở các tác giả này rằng CNN và RNN / LSTM yêu cầu đầu ra được xác định để đào tạo (định nghĩa về giám sát mà họ thừa nhận trong đoạn đầu tiên và mâu thuẫn trong đoạn thứ hai). Và trong khi một số CNN có thể không có gì đặc biệt, ứng dụng phổ biến và phổ biến nhất, nhận dạng khuôn mặt, dựa vào hàng trăm tính năng được xác định trước trên mỗi khuôn mặt để thực hiện nhiệm vụ của mình.

Nó cũng xuất hiện rằng những gì chúng tôi đã thực hành trong 20 năm qua trong phân tích dự đoán và tối ưu hóa chỉ đơn giản là lý thuyết học tính toán trên máy tính.

Các tạp chí và tổ chức kinh doanh hàng đầu về tư tưởng

Kết quả đã được trộn lẫn. Bài báo khảo sát này được công bố trên Tạp chí MIT Sloan phối hợp với BCGđã xem xét ‘Định hình lại doanh nghiệp bằng trí tuệ nhân tạo’ liên quan đến một cuộc khảo sát toàn cầu với hơn 3.000 giám đốc điều hành.

  • Với mục đích khảo sát, chúng tôi đã sử dụng định nghĩa về trí thông minh nhân tạo từ Từ điển Oxford: Mạnh AI là lý thuyết và phát triển hệ thống máy tính có thể thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người, như nhận thức trực quan, nhận dạng giọng nói, ra quyết định, ra quyết định và dịch giữa các ngôn ngữ. Tuy nhiên, AI đang phát triển nhanh chóng, cũng như sự hiểu biết và định nghĩa của thuật ngữ này.

Định nghĩa của họ dường như bị hạn chế một cách hợp lý và vượt ra ngoài nhận dạng hình ảnh và văn bản, ít nhất một ví dụ liên quan đến một câu trả lời câu hỏi giống như Watson (QAM). Tôi đã có một chút lo lắng khi đưa vào ‘việc ra quyết định’ vì đó chính xác là những gì phân tích dự đoán và phân tích dự định sẽ làm. Người trả lời khảo sát của họ có thực sự hiểu sự khác biệt?

Báo cáo Chỉ số AI của Stanford 2017 là một nguồn tài nguyên tuyệt vời và là một nỗ lực để cung cấp một cái nhìn sâu sắc về tình trạng của AI ngày nay. Tuy nhiên, định nghĩa của nó đặc biệt liên quan đến Machine Learning dường như bỏ qua lịch sử.

  • ML ML là một lĩnh vực của AI. Chúng tôi nhấn mạnh các khóa học ML vì tốc độ đăng ký nhanh chóng và vì các kỹ thuật ML rất quan trọng đối với nhiều thành tựu AI gần đây.

Tất nhiên Tạp chí Harvard Business Review không nói bằng một giọng nói nhưng bài viết này đứng đầu trong tìm kiếm của Google về các định nghĩa về AI. Có tên là Công việc kinh doanh của trí thông minh tự do bởi Brynjolfsson và McAfee, nó cung cấp sự khiếm khuyết khác thường này:

  • Công nghệ đa năng quan trọng nhất trong thời đại của chúng ta là trí thông minh nhân tạo, đặc biệt là học máy (ML) – nghĩa là khả năng của máy để cải thiện hiệu suất của nó mà không cần con người phải giải thích chính xác cách hoàn thành tất cả các nhiệm vụ mà nó đã giao. … Trí tuệ nhân tạo và học máy có nhiều hương vị, nhưng hầu hết các thành công trong những năm gần đây đã ở trong một thể loại: giám sát hệ thống, trong đó máy tính được đưa ra rất nhiều ví dụ về các câu trả lời đúng cho một vấn đề cụ học tập. Quá trình này hầu như luôn bao gồm ánh xạ từ một tập hợp các đầu vào, X, đến một tập hợp các đầu ra, Y. ngh

Vì vậy, một lần nữa, tất cả những gì chúng ta làm trong 20 năm qua là AI? Và phần thành công nhất của AI đã được giám sát việc học? Tôi đang mâu thuẫn. Tôi đồng ý với một số điều đó; không phải là phần mà chúng ta đã thực hành AI cùng. Tôi chỉ không chắc những tác giả này thực sự hiểu. Điều này cũng không đặc biệt hữu ích khi giải thích AI cho khách hàng hoặc sếp của bạn.

Định nghĩa của các nhà phát triển nền tảng chính

Đến bây giờ tôi đã nản lòng và hình dung tôi biết tôi sẽ tìm thấy gì khi bắt đầu xem các blog và tài liệu quảng cáo được tạo bởi các nền tảng chính.  Rốt cuộc, từ quan điểm của họ, nếu mọi người đều muốn AI thì hãy nói với họ rằng mọi thứ đều là AI. Vấn đề được giải quyết .

Và đó thực sự là những gì tôi tìm thấy cho các nền tảng chính. Ngay cả khi bạn xuống các nền tảng AI chuyên dụng mới hơn (ví dụ H2O ai), họ nhấn mạnh khả năng phục vụ mọi nhu cầu, học tập sâu và phân tích dự đoán truyền thống.  Đây là một trong những xu hướng chính trong các nền tảng phân tích tiên tiến để trở nên rộng nhất có thể để thu hút càng nhiều người dùng khoa học dữ liệu càng tốt.

Hãy quay lại với những người sáng lập AI

Sẽ thế nào nếu chúng ta quay trở lại với những người sáng lập ban đầu hình dung về AI. Họ đã nói gì? Thật kỳ lạ, họ đã thực hiện một chiến thuật hoàn toàn khác, không phải bằng cách xác định khoa học dữ liệu, mà bằng cách cho chúng tôi biết cách chúng tôi nhận ra AI khi cuối cùng chúng tôi đã nhận được nó.

Alan Turing (1950): Máy tính có thể thuyết phục một người mà họ đang giao tiếp với một người khác không.

Nils Nilsson (2005): Bài kiểm tra việc làm – khi robot hoàn toàn có thể tự động hóa các công việc quan trọng về kinh tế.

Steve Wozniak (2007): Xây dựng một robot có thể đi vào một ngôi nhà xa lạ và pha một tách cà phê.

Ben Goertzel (2012): Khi robot có thể đăng ký vào một trường đại học của con người và tham gia các lớp học giống như con người, và có được bằng cấp.

Điều thú vị nữa là họ đã theo dõi các mô tả của mình về những gì robot phải làm, nhận ra rằng AI mạnh mẽ phải có khả năng tương tác với con người.

Xem:   đây là và nhận dạng hình ảnh video.

Nghe: nhận đầu vào qua văn bản hoặc ngôn ngữ nói.

Nói:   trả lời có ý nghĩa với đầu vào của chúng tôi hoặc trong cùng một ngôn ngữ hoặc thậm chí là một ngôn ngữ nước ngoài.

Đưa ra quyết định giống con người: Đưa ra lời khuyên hoặc kiến ​​thức mới.

Tìm hiểu:   thay đổi hành vi của nó dựa trên những thay đổi trong môi trường của nó.

Di chuyển: và thao tác với các đối tượng vật lý.

Bạn có thể ngay lập tức thấy rằng nhiều ứng dụng thương mại của AI đang nổi lên ngày nay chỉ cần một vài trong số các khả năng này. Nhưng cá nhân những khả năng này được thể hiện bằng học tập sâu và học tăng cường .

Và cuối cùng

Tôi không muốn biến điều này thành một cuộc thập tự chinh, nhưng cá nhân tôi vẫn ở trên trang với những người sáng lập. Rằng khi ai đó hỏi chúng tôi về một giải pháp AI, họ đang nói về các tính năng ‘AI hiện đại’ được gán cho robot của chúng tôi ở trên.

Trên thực tế, những người đang đưa AI ra thị trường bao gồm tất cả các nhà cung cấp nền tảng phân tích tiên tiến lớn, nhà cung cấp đám mây, cộng với báo chí phổ biến đang la hét chúng tôi. Khối lượng giao tiếp của họ chỉ lớn hơn chúng ta rất nhiều. Có khả năng các khách hàng và ông chủ ít học của chúng tôi sẽ nghe thấy thông điệp ‘mọi thứ đều là AI’. Tuy nhiên, điều đó sẽ không giải quyết được sự nhầm lẫn của họ. Chúng ta vẫn phải hỏi, chính xác thì ý của bạn là gì?

TRÍ TUỆ NHÂN TẠO (AI) LÀ GÌ?

Nó phụ thuộc vào người bạn hỏi là ai. Trở lại những năm 1950, cha đẻ của lĩnh vực Minsky và McCarthy , đã mô tả trí thông minh nhân tạo là bất kỳ nhiệm vụ nào được thực hiện bởi một chương trình hoặc một cỗ máy mà nếu một con người thực hiện cùng một hoạt động, chúng ta sẽ nói rằng con người phải áp dụng trí thông minh để hoàn thành bài tập. Đó rõ ràng là một định nghĩa khá rộng, đó là lý do tại sao đôi khi bạn sẽ thấy những tranh luận về việc liệu thứ gì đó có thực sự là AI hay không. Các hệ thống AI thường sẽ thể hiện ít nhất một số hành vi sau đây liên quan đến trí thông minh của con người: lập kế hoạch, học hỏi, lý luận, giải quyết vấn đề, biểu diễn tri thức, nhận thức, chuyển động và thao tác và ở mức độ thấp hơn là trí thông minh xã hội và sáng tạo.

CÁC ỨNG DỤNG CHO AI LÀ GÌ?

AI có mặt ở khắp mọi nơi ngày nay, được sử dụng để giới thiệu những gì bạn nên mua trực tuyến tiếp theo, để hiểu những gì bạn nói với các trợ lý ảo như Alexa của Amazon và Apple Siri , để nhận ra ai và những gì trong ảnh , để phát hiện spam hoặc phát hiện gian lận thẻ tín dụng .

CÁC LOẠI KHÁC NHAU CỦA AI LÀ GÌ?

Ở mức độ rất cao trí tuệ nhân tạo có thể được chia thành hai loại rộng: AI hẹp và AI nói chung. AI hẹp là những gì chúng ta thấy xung quanh chúng ta trong máy tính ngày nay: các hệ thống thông minh đã được dạy hoặc học cách thực hiện các nhiệm vụ cụ thể mà không được lập trình rõ ràng cách thực hiện. Loại trí thông minh máy này thể hiện rõ qua khả năng nhận dạng giọng nói và ngôn ngữ của trợ lý ảo Siri trên iPhone của Apple, trong các hệ thống nhận dạng tầm nhìn trên xe tự lái, trong các công cụ đề xuất đề xuất các sản phẩm bạn có thể thích dựa trên những gì bạn đã mua trong quá khứ. Không giống như con người, các hệ thống này chỉ có thể học hoặc được dạy cách thực hiện các nhiệm vụ cụ thể, đó là lý do tại sao chúng được gọi là AI hẹp.

AI CÓ THỂ THU HẸP NHỮNG GÌ?

Có một số lượng lớn các ứng dụng mới nổi cho AI hẹp: giải thích các nguồn cấp dữ liệu video từ máy bay không người lái thực hiện kiểm tra trực quan cơ sở hạ tầng như đường ống dẫn dầu, tổ chức lịch cá nhân và kinh doanh, đáp ứng các truy vấn dịch vụ khách hàng đơn giản, phối hợp với các hệ thống thông minh khác để thực hiện các nhiệm vụ như đặt phòng khách sạn vào thời điểm và địa điểm phù hợp, giúp các bác sĩ X quang phát hiện khối u tiềm ẩn trong tia X, gắn cờ nội dung không phù hợp trực tuyến, phát hiện hao mòn thang máy từ dữ liệu được thu thập bởi các thiết bị IoT, danh sách được bật và bật.

AI NÓI CHUNG CÓ THỂ LÀM GÌ?

Trí thông minh nhân tạo rất khác nhau, và là loại trí tuệ có thể thích nghi được tìm thấy ở con người, một dạng trí thông minh linh hoạt có khả năng học cách thực hiện các nhiệm vụ khác nhau, bất cứ thứ gì, từ cắt tóc đến xây dựng bảng tính, hoặc lý do về nhiều chủ đề khác nhau dựa trên kinh nghiệm tích lũy của nó. Đây là loại AI thường thấy hơn trong các bộ phim, giống như HAL năm 2001 hoặc Skynet trong Kẻ hủy diệt , nhưng ngày nay không tồn tại và các chuyên gia AI đang chia rẽ dữ dội về việc nó sẽ sớm trở thành hiện thực. Một cuộc khảo sát được tiến hành giữa bốn nhóm chuyên gia vào năm 2012/13 bởi các nhà nghiên cứu AI Vincent C Müller và triết gia Nick Bostrom đã báo cáo 50% khả năng Trí tuệ nhân tạo chung (AGI) sẽ được phát triển từ năm 2040 đến 2050, tăng lên 90% vào năm 2075. nhóm còn đi xa hơn, dự đoán cái gọi là ' siêu trí tuệ' - mà Bostrom định nghĩa là "bất kỳ trí tuệ nào vượt quá hiệu suất nhận thức của con người trong hầu hết các lĩnh vực quan tâm" - được mong đợi khoảng 30 năm sau khi đạt được AGI. Điều đó nói rằng, một số chuyên gia AI tin rằng những dự đoán như vậy rất lạc quan do sự hiểu biết hạn chế của chúng ta về bộ não con người và tin rằng AGI vẫn còn hàng thế kỷ.

MÁY HỌC LÀ GÌ?

Có rất nhiều nghiên cứu về AI, phần lớn trong số đó ăn nhập và bổ sung cho nhau. Hiện đang tận hưởng một thứ gì đó của sự hồi sinh, học máy là nơi một hệ thống máy tính được cung cấp một lượng lớn dữ liệu, sau đó nó sử dụng để học cách thực hiện một nhiệm vụ cụ thể, chẳng hạn như hiểu lời nói hoặc chú thích ảnh.

MẠNG LƯỚI THẦN KINH LÀ GÌ?

Chìa khóa cho quá trình học máy là mạng lưới thần kinh. Đây là các mạng được lấy cảm hứng từ não của các lớp thuật toán được kết nối với nhau, được gọi là nơ-ron, cung cấp dữ liệu cho nhau và có thể được đào tạo để thực hiện các nhiệm vụ cụ thể bằng cách sửa đổi tầm quan trọng được quy cho dữ liệu đầu vào khi nó đi qua giữa các lớp. Trong quá trình huấn luyện các mạng thần kinh này, các trọng số được gắn vào các đầu vào khác nhau sẽ tiếp tục được thay đổi cho đến khi đầu ra từ mạng thần kinh rất gần với những gì mong muốn, tại thời điểm đó, mạng sẽ 'học' cách thực hiện một nhiệm vụ cụ thể . Một tập hợp con của học máy là học sâu, trong đó các mạng thần kinh được mở rộng thành các mạng trải rộng với một số lượng lớn các lớp được đào tạo sử dụng lượng dữ liệu khổng lồ. Chính những mạng lưới thần kinh sâu sắc này đã thúc đẩy bước nhảy vọt hiện tại về khả năng máy tính thực hiện các nhiệm vụ như nhận dạng giọng nói và thị giác máy tính. Có nhiều loại mạng lưới thần kinh, với những điểm mạnh và điểm yếu khác nhau. Mạng thần kinh tái phát là một loại mạng thần kinh đặc biệt phù hợp với xử lý ngôn ngữ và nhận dạng giọng nói, trong khi mạng thần kinh tích chập thường được sử dụng nhiều hơn trong nhận dạng hình ảnh. Thiết kế của các mạng thần kinh cũng đang phát triển, với các nhà nghiên cứu gần đây đã tinh chỉnh một dạng mạng thần kinh sâu hiệu quả hơn gọi là bộ nhớ ngắn hạn hoặc LSTM, cho phép nó hoạt động đủ nhanh để được sử dụng trong các hệ thống theo yêu cầu như Google Dịch. Một lĩnh vực khác của nghiên cứu AI là tính toán tiến hóa, mượn từ lý thuyết chọn lọc tự nhiên nổi tiếng của Darwin và thấy các thuật toán di truyền trải qua các đột biến và kết hợp ngẫu nhiên giữa các thế hệ trong nỗ lực phát triển giải pháp tối ưu cho một vấn đề nhất định. Cách tiếp cận này thậm chí đã được sử dụng để giúp thiết kế các mô hình AI, sử dụng hiệu quả AI để giúp xây dựng AI. Việc sử dụng các thuật toán tiến hóa để tối ưu hóa mạng lưới thần kinh được gọi là sự tiến hóa thần kinh và có thể đóng vai trò quan trọng trong việc giúp thiết kế AI hiệu quả khi việc sử dụng các hệ thống thông minh trở nên phổ biến, đặc biệt là khi nhu cầu về các nhà khoa học dữ liệu thường vượt xa nguồn cung. Kỹ thuật này gần đây đã được Uber AI Labs giới thiệu , đã phát hành các bài báo về việc sử dụng thuật toán di truyền để đào tạo mạng lưới thần kinh sâu để củng cố các vấn đề học tập. Cuối cùng, có các hệ thống chuyên gia, nơi các máy tính được lập trình với các quy tắc cho phép chúng đưa ra một loạt các quyết định dựa trên một số lượng lớn đầu vào, cho phép cỗ máy đó bắt chước hành vi của một chuyên gia về con người trong một miền cụ thể. Một ví dụ về các hệ thống dựa trên tri thức này có thể là, ví dụ, hệ thống lái tự động lái máy bay.

ĐIỀU GÌ ĐANG THÚC ĐẨY SỰ HỒI SINH TRONG AI?

Những đột phá lớn nhất cho nghiên cứu AI trong những năm gần đây là trong lĩnh vực học máy, đặc biệt là trong lĩnh vực học tập sâu. Điều này được thúc đẩy một phần bởi sự sẵn có của dữ liệu, nhưng thậm chí còn nhiều hơn bởi sự bùng nổ về sức mạnh tính toán song song trong những năm gần đây, trong thời gian đó việc sử dụng các cụm GPU để đào tạo các hệ thống máy học đã trở nên phổ biến hơn. Các cụm này không chỉ cung cấp các hệ thống mạnh hơn rất nhiều để đào tạo các mô hình học máy, mà giờ đây chúng còn có sẵn rộng rãi như các dịch vụ đám mây qua internet. Theo thời gian, các công ty công nghệ lớn, như Google và Microsoft, đã chuyển sang sử dụng các chip chuyên dụng phù hợp với cả hoạt động và gần đây là đào tạo các mô hình học máy. Một ví dụ về một trong những con chip tùy chỉnh này là Bộ xử lý kéo căng (TPU) của Google, phiên bản mới nhất giúp tăng tốc độ mà các mô hình học máy hữu ích được xây dựng bằng thư viện phần mềm TensorFlow của Google có thể suy ra thông tin từ dữ liệu, cũng như tốc độ mà họ có thể được đào tạo. Các chip này không chỉ được sử dụng để đào tạo các mô hình cho DeepMind và Google Brain, mà còn là các mô hình làm nền tảng cho Google Dịch và nhận dạng hình ảnh trong Google Photo, cũng như các dịch vụ cho phép công chúng xây dựng các mô hình học máy bằng cách sử dụng Đám mây nghiên cứu của TensorFlow . Thế hệ thứ hai của những con chip này đã được công bố tại hội nghị I / O của Google vào tháng 5 năm ngoái , với một loạt các TPU mới này có thể đào tạo một mô hình học máy của Google được sử dụng để dịch trong một nửa thời gian nó sẽ chiếm một mảng hàng đầu -end đơn vị xử lý đồ họa (GPU) .

CÁC YẾU TỐ CỦA MÁY HỌC LÀ GÌ?

Như đã đề cập, học máy là một tập hợp con của AI và thường được chia thành hai loại chính: học có giám sát và học không giám sát.

Học có giám sát

Một kỹ thuật phổ biến để dạy các hệ thống AI là bằng cách đào tạo chúng bằng cách sử dụng một số lượng lớn các ví dụ được dán nhãn. Các hệ thống máy học này được cung cấp một lượng lớn dữ liệu, đã được chú thích để làm nổi bật các tính năng quan tâm. Đây có thể là những bức ảnh được dán nhãn để cho biết liệu chúng có chứa một con chó hay những câu viết có chú thích để cho biết từ "bass" có liên quan đến âm nhạc hay một con cá hay không. Sau khi được đào tạo, hệ thống có thể áp dụng các nhãn này cho dữ liệu mới, ví dụ như một con chó trong ảnh vừa được tải lên. Quá trình dạy máy bằng ví dụ này được gọi là học có giám sát và vai trò của việc dán nhãn các ví dụ này thường được thực hiện bởi các công nhân trực tuyến, được sử dụng thông qua các nền tảng như Amazon Mechanical Turk . Việc đào tạo các hệ thống này thường đòi hỏi một lượng lớn dữ liệu, với một số hệ thống cần tìm kiếm hàng triệu ví dụ để học cách thực hiện một nhiệm vụ hiệu quả - mặc dù điều này ngày càng khả thi trong thời đại dữ liệu lớn và khai thác dữ liệu rộng rãi. Các bộ dữ liệu đào tạo có kích thước khổng lồ và đang tăng lên - Bộ dữ liệu hình ảnh mở của Google có khoảng chín triệu hình ảnh , trong khi kho lưu trữ video được gắn nhãn YouTube-8M liên kết đến bảy triệu video được gắn nhãn. ImageNet , một trong những cơ sở dữ liệu ban đầu thuộc loại này, có hơn 14 triệu hình ảnh được phân loại. Được tổng hợp trong hai năm, nó đã được tập hợp bởi gần 50.000 người - hầu hết trong số họ đã được tuyển dụng thông qua Amazon Mechanical Turk - người đã kiểm tra, sắp xếp và dán nhãn gần một tỷ hình ảnh ứng cử viên. Về lâu dài, việc có quyền truy cập vào các bộ dữ liệu được dán nhãn khổng lồ cũng có thể chứng minh ít quan trọng hơn việc truy cập vào một lượng lớn năng lượng tính toán. Trong những năm gần đây, Mạng đối thủ sáng tạo ( GAN ) đã chỉ ra cách các hệ thống máy học được cung cấp một lượng nhỏ dữ liệu được gắn nhãn có thể tạo ra một lượng lớn dữ liệu mới để tự dạy. Cách tiếp cận này có thể dẫn đến sự gia tăng của học tập bán giám sát, trong đó các hệ thống có thể học cách thực hiện các nhiệm vụ bằng cách sử dụng một lượng dữ liệu được dán nhãn nhỏ hơn nhiều so với cần thiết cho các hệ thống đào tạo sử dụng học tập có giám sát ngày nay.

Học tập không giám sát

Ngược lại, học tập không giám sát sử dụng một cách tiếp cận khác, trong đó các thuật toán cố gắng xác định các mẫu trong dữ liệu, tìm kiếm sự tương đồng có thể được sử dụng để phân loại dữ liệu đó. Một ví dụ có thể là phân cụm các loại trái cây có trọng lượng tương đương hoặc những chiếc xe có kích thước động cơ tương tự. Thuật toán không được thiết lập trước để chọn ra các loại dữ liệu cụ thể, nó chỉ đơn giản là tìm kiếm dữ liệu có thể được nhóm theo các điểm tương đồng của nó, ví dụ Google News tập hợp các câu chuyện về các chủ đề tương tự mỗi ngày.

Học tăng cường

Một sự tương tự thô thiển cho việc học tăng cường là thưởng cho thú cưng một điều trị khi nó thực hiện một trò lừa. Trong học tập củng cố, hệ thống cố gắng tối đa hóa phần thưởng dựa trên dữ liệu đầu vào của nó, về cơ bản trải qua quá trình thử nghiệm và lỗi cho đến khi đạt được kết quả tốt nhất có thể. Một ví dụ về học tập củng cố là mạng Deep Qind của Google, được sử dụng để thực hiện tốt nhất con người trong nhiều trò chơi video cổ điển . Hệ thống được cung cấp pixel từ mỗi trò chơi và xác định thông tin khác nhau, chẳng hạn như khoảng cách giữa các đối tượng trên màn hình. Bằng cách nhìn vào điểm số đạt được trong mỗi trò chơi, hệ thống sẽ xây dựng một mô hình hành động sẽ tối đa hóa điểm số trong các trường hợp khác nhau, ví dụ, trong trường hợp của trò chơi video Breakout, nơi cần di chuyển mái chèo để chặn trái bóng.

ĐÓ LÀ NHỮNG CÔNG TY HÀNG ĐẦU TRONG AI?

Với AI đóng vai trò ngày càng lớn trong phần mềm và dịch vụ hiện đại, mỗi công ty công nghệ lớn đang chiến đấu để phát triển công nghệ máy học mạnh mẽ để sử dụng nội bộ và bán cho công chúng thông qua dịch vụ đám mây. Mỗi người thường xuyên đưa ra các tiêu đề để đột phá vào nghiên cứu AI, mặc dù có lẽ Google với DeepMind AI AlphaGo có thể đã tác động lớn nhất đến nhận thức của cộng đồng về AI.

NHỮNG DỊCH VỤ AI NÀO CÓ SẴN?

Tất cả các nền tảng đám mây chính - Amazon Web Services, Microsoft Azure và Google Cloud Platform - cung cấp quyền truy cập vào mảng GPU để đào tạo và chạy các mô hình học máy, với Google cũng chuẩn bị cho phép người dùng sử dụng Đơn vị xử lý kéo căng - chip tùy chỉnh có thiết kế được tối ưu hóa cho đào tạo và chạy các mô hình học máy. Tất cả các cơ sở hạ tầng và dịch vụ cần thiết đều có sẵn từ ba cửa hàng dữ liệu lớn trên nền tảng đám mây, có khả năng chứa lượng dữ liệu khổng lồ cần thiết để đào tạo các mô hình học máy, dịch vụ để chuyển đổi dữ liệu để chuẩn bị phân tích, công cụ trực quan để hiển thị kết quả rõ ràng và phần mềm đơn giản hóa việc xây dựng các mô hình. Các nền tảng đám mây này thậm chí còn đơn giản hóa việc tạo các mô hình máy học tùy chỉnh, gần đây Google tiết lộ một dịch vụ tự động hóa việc tạo các mô hình AI, được gọi là Cloud AutoML . Dịch vụ kéo và thả này xây dựng các mô hình nhận dạng hình ảnh tùy chỉnh và yêu cầu người dùng không có chuyên môn về máy học. Các dịch vụ học máy, dựa trên đám mây không ngừng phát triển và vào đầu năm 2018, Amazon đã tiết lộ một loạt các dịch vụ AWS mới được thiết kế để hợp lý hóa quá trình đào tạo các mô hình học máy . Đối với những công ty không muốn xây dựng các mô hình học máy của riêng họ mà thay vào đó họ muốn sử dụng các dịch vụ theo yêu cầu, được cung cấp bởi AI - như giọng nói, tầm nhìn và nhận dạng ngôn ngữ - Microsoft Azure nổi bật về các dịch vụ được cung cấp, theo sát là Google Cloud Platform và sau đó là AWS. Trong khi đó, IBM, bên cạnh các dịch vụ theo yêu cầu chung hơn, cũng đang cố gắng bán các dịch vụ AI đặc thù của ngành nhằm vào tất cả mọi thứ từ chăm sóc sức khỏe đến bán lẻ, nhóm các dịch vụ này lại với nhau dưới chiếc ô IBM Watson của mình - và gần đây đã đầu tư 2 tỷ đô la để mua The Weather Kênh để mở khóa một kho dữ liệu để tăng cường các dịch vụ AI của nó.

NHỮNG CÔNG TY CÔNG NGHỆ LỚN NÀO ĐANG CHIẾN THẮNG TRONG CUỘC ĐUA AI?

Trong nội bộ, mỗi người khổng lồ công nghệ - và những người khác như Facebook - sử dụng AI để giúp thúc đẩy vô số dịch vụ công cộng: phục vụ kết quả tìm kiếm, đưa ra khuyến nghị, nhận ra mọi người và mọi thứ trong ảnh, dịch theo yêu cầu, phát hiện spam - danh sách là rộng rãi. Nhưng một trong những biểu hiện rõ ràng nhất của cuộc chiến AI này là sự gia tăng của các trợ lý ảo, như Siri của Apple, Alexa của Amazon, Trợ lý Google và Microsoft Cortana. Dựa nhiều vào nhận dạng giọng nói và xử lý ngôn ngữ tự nhiên, cũng như cần một khối lượng lớn để rút ra để trả lời các truy vấn, một lượng lớn công nghệ sẽ phát triển các trợ lý này. Nhưng trong khi Siri của Apple có thể đã nổi bật trước tiên, thì Google và Amazon có trợ lý đã vượt qua Apple trong không gian AI - Google Assistant với khả năng trả lời một loạt các truy vấn và Alexa của Amazon với số lượng 'Kỹ năng khổng lồ 'Các nhà phát triển bên thứ ba đã tạo để thêm vào khả năng của mình. Mặc dù được tích hợp vào Windows 10, Cortana đã có một khoảng thời gian khá muộn, vớigợi ý rằng các nhà sản xuất PC lớn sẽ xây dựng Alexa thành máy tính xách tay để suy đoán về việc liệu ngày của Cortana có được đánh số hay không , mặc dù Microsoft đã nhanh chóng từ chối điều này .

NHỮNG QUỐC GIA NÀO ĐANG DẪN ĐẦU VỀ AI?

Sẽ là một sai lầm lớn khi nghĩ rằng gã khổng lồ công nghệ Mỹ có lĩnh vực AI được khâu lại. Các công ty Trung Quốc như Alibaba, Yahoo và Lenovo đang đầu tư rất nhiều vào AI trong các lĩnh vực từ thương mại điện tử đến lái xe tự trị. Là một quốc gia, Trung Quốc đang theo đuổi kế hoạch ba bước để biến AI thành ngành công nghiệp cốt lõi của đất nước, một công ty sẽ trị giá 150 tỷ nhân dân tệ (22 tỷ đô la) vào năm 2020 . Baidu đã đầu tư vào việc phát triển những chiếc xe tự lái , được hỗ trợ bởi thuật toán học sâu của nó, Baidu AutoBrain và sau nhiều năm thử nghiệm, họ có kế hoạch tung ra những chiếc xe tự trị hoàn toàn vào năm 2018 và sản xuất hàng loạt vào năm 2021. Baidu cũng đã hợp tác với Nvidia để sử dụng AI để tạo ra một nền tảng xe hơi tự động trên nền tảng đám mây cho các nhà sản xuất ô tô trên toàn thế giới. Sự kết hợp giữa luật riêng tư yếu, đầu tư lớn, thu thập dữ liệu phối hợp và phân tích dữ liệu lớn của các công ty lớn như Baidu, Alibaba và Tencent, có nghĩa là một số nhà phân tích tin rằng Trung Quốc sẽ có lợi thế hơn Mỹ khi nghiên cứu về AI trong tương lai. , với một nhà phân tích mô tả cơ hội Trung Quốc dẫn đầu Hoa Kỳ từ 500 đến một trong sự ủng hộ của Trung Quốc .

LÀM THẾ NÀO TÔI CÓ THỂ BẮT ĐẦU VỚI AI?

Mặc dù bạn có thể cố gắng xây dựng mảng GPU của riêng mình tại nhà và bắt đầu đào tạo mô hình học máy, nhưng có lẽ cách dễ nhất để thử nghiệm các dịch vụ liên quan đến AI là qua đám mây. Tất cả các công ty công nghệ lớn đều cung cấp các dịch vụ AI khác nhau, từ cơ sở hạ tầng để xây dựng và huấn luyện các mô hình máy học của riêng bạn cho đến các dịch vụ web cho phép bạn truy cập các công cụ hỗ trợ AI như lời nói, ngôn ngữ, tầm nhìn và nhận biết tình cảm theo yêu cầu.

CÁC MỐC GẦN ĐÂY TRONG SỰ PHÁT TRIỂN CỦA AI LÀ GÌ?

Có quá nhiều để đặt cùng một danh sách toàn diện, nhưng một số điểm nổi bật gần đây bao gồm: trong năm 2009 Google đã cho thấy nó đã có thể tự lái xe Toyota Prius để hoàn thành hơn 10 hành trình 100 dặm mỗi nó - xã hội thiết lập trên một con đường hướng tới các phương tiện không người lái . Năm 2011, hệ thống máy tính IBM Watson đã gây chú ý trên toàn thế giới khi giành chiến thắng trong chương trình đố vui của Mỹ Jeopardy! , đánh bại hai trong số những người chơi giỏi nhất mà chương trình đã từng sản xuất. Để giành chiến thắng trong chương trình, Watson đã sử dụng xử lý và phân tích ngôn ngữ tự nhiên trên kho dữ liệu khổng lồ mà nó đã xử lý để trả lời các câu hỏi do con người đặt ra, thường trong một phần của giây. Vào tháng 6 năm 2012, rõ ràng là các hệ thống máy học tốt đã đạt được tầm nhìn máy tính như thế nào, với Google đào tạo một hệ thống để nhận ra một hình ảnh yêu thích trên internet, hình ảnh của mèo . Kể từ chiến thắng của Watson, có lẽ là minh chứng nổi tiếng nhất về hiệu quả của các hệ thống máy học là chiến thắng năm 2016 của Google DeepMind AlphaGo AI qua một đại kiện tướng của con người trong Go , một trò chơi cổ xưa của Trung Quốc có máy tính phức tạp trong nhiều thập kỷ. Go có khoảng 200 lần di chuyển mỗi lượt, so với khoảng 20 trong Cờ vua. Trong suốt quá trình chơi trò chơi cờ vây, có rất nhiều động thái có thể xảy ra mà việc tìm kiếm trước từng người trong số họ để xác định trò chơi tốt nhất là quá tốn kém theo quan điểm tính toán. Thay vào đó, AlphaGo được đào tạo cách chơi trò chơi bằng cách thực hiện các động tác được chơi bởi các chuyên gia về con người trong 30 triệu trò chơi cờ vây và đưa chúng vào mạng lưới thần kinh học sâu. Việc đào tạo các mạng học sâu này có thể mất nhiều thời gian, đòi hỏi một lượng lớn dữ liệu phải được xử lý và lặp đi lặp lại khi hệ thống dần dần tinh chỉnh mô hình của mình để đạt được kết quả tốt nhất. Tuy nhiên, gần đây Google đã tinh chỉnh quy trình đào tạo với AlphaGo Zero , một hệ thống chơi các trò chơi "hoàn toàn ngẫu nhiên" so với chính nó và sau đó học được từ các kết quả. Tại hội nghị Hệ thống xử lý thông tin thần kinh (NIPS) uy tín năm ngoái, CEO Demis Hassabis của Google DeepMind tiết lộ AlphaGo cũng đã thành thạo các trò chơi cờ vua và shogi. Và AI tiếp tục chạy nước rút qua các cột mốc mới, năm ngoái, một hệ thống được OpenAI đào tạo đã đánh bại những người chơi hàng đầu thế giới trong các trận đấu một chọi một của trò chơi nhiều người chơi trực tuyến Dota 2. Cùng năm đó, OpenAI đã tạo ra các đại lý AI phát minh ra ngôn ngữ của chính họ để hợp tác và đạt được mục tiêu của họ hiệu quả hơn, ngay sau đó là các đại lý đào tạo của Facebook để đàm phán và thậm chí nói dối .

AI SẼ THAY ĐỔI THẾ GIỚI NHƯ THẾ NÀO?

Robot và xe không người lái

Mong muốn robot có thể hành động tự chủ và hiểu và điều hướng thế giới xung quanh có nghĩa là có sự chồng chéo tự nhiên giữa robot và AI. Mặc dù AI chỉ là một trong những công nghệ được sử dụng trong robot, nhưng việc sử dụng AI sẽ giúp robot di chuyển sang các lĩnh vực mới như xe tự lái , robot giao hàng , cũng như giúp robot học các kỹ năng mới . General Motors gần đây cho biết họ sẽ chế tạo một chiếc xe không người lái mà không có tay lái hoặc bàn đạp vào năm 2019, trong khi Ford cam kết thực hiện vào năm 2021 và Waymo, nhóm tự lái bên trong Google Alphabet, sẽ sớm cung cấp dịch vụ taxi không người lái ở Phoenix .

Tin giả

Chúng tôi đang trên bờ vực có các mạng lưới thần kinh có thể tạo ra hình ảnh chân thực hoặc tái tạo giọng nói của ai đó theo một cách hoàn hảo . Cùng với đó là tiềm năng cho sự thay đổi xã hội cực kỳ đột phá, chẳng hạn như không còn có thể tin tưởng các đoạn phim hoặc video âm thanh là chính hãng. Những lo ngại cũng bắt đầu được đặt ra về cách các công nghệ như vậy sẽ được sử dụng để làm mất hình ảnh của mọi người, với các công cụ đã được tạo ra để ghép các nữ diễn viên nổi tiếng một cách thuyết phục vào các bộ phim người lớn .

Nhận dạng giọng nói và ngôn ngữ

Các hệ thống máy học đã giúp máy tính nhận ra những gì mọi người đang nói với độ chính xác gần 95%. Gần đây, nhóm nghiên cứu và trí tuệ nhân tạo của Microsoft đã báo cáo rằng họ đã phát triển một hệ thống có thể phiên âm tiếng Anh nói chính xác như phiên âm của con người . Với các nhà nghiên cứu theo đuổi mục tiêu có độ chính xác 99%, mong muốn nói chuyện với máy tính sẽ trở thành chuẩn mực bên cạnh các hình thức tương tác truyền thống giữa người và máy truyền thống hơn.

Nhận dạng và giám sát khuôn mặt

Trong những năm gần đây, độ chính xác của các hệ thống nhận dạng khuôn mặt đã tăng vọt, đến mức mà gã khổng lồ công nghệ Trung Quốc, ông nói rằng nó có thể khớp với khuôn mặt với độ chính xác 99% , cung cấp khuôn mặt đủ rõ ràng trên video. Mặc dù lực lượng cảnh sát ở các nước phương tây thường chỉ thử nghiệm sử dụng hệ thống nhận diện khuôn mặt tại các sự kiện lớn, tại Trung Quốc, chính quyền đang lắp đặt một chương trình toàn quốc để kết nối camera quan sát trên cả nước để nhận dạng khuôn mặt và sử dụng hệ thống AI để theo dõi nghi phạm và hành vi đáng ngờ , và Cảnh sát cũng đang thử nghiệm việc sử dụng kính nhận dạng khuôn mặt của cảnh sát . Mặc dù các quy định về quyền riêng tư khác nhau trên khắp thế giới, nhưng có khả năng việc sử dụng công nghệ AI xâm phạm này - bao gồm cả AI có thể nhận ra cảm xúc - sẽ dần trở nên phổ biến ở những nơi khác.

Chăm sóc sức khỏe

AI cuối cùng có thể có tác động mạnh mẽ đến chăm sóc sức khỏe, giúp các bác sĩ X quang phát hiện khối u bằng tia X, giúp các nhà nghiên cứu phát hiện ra các chuỗi di truyền liên quan đến bệnh tật và xác định các phân tử có thể dẫn đến các loại thuốc hiệu quả hơn. Đã có những thử nghiệm về công nghệ liên quan đến AI tại các bệnh viện trên khắp thế giới. Chúng bao gồm công cụ hỗ trợ quyết định lâm sàng Watson của IBM, được đào tạo bởi các bác sĩ ung thư tại Trung tâm Ung thư Memorial Sloan Kettering và việc sử dụng các hệ thống Google DeepMind của Dịch vụ Y tế Quốc gia của Vương quốc Anh , nơi nó sẽ giúp phát hiện các bất thường về mắt và hợp lý hóa quá trình sàng lọc bệnh nhân ung thư đầu và cổ.

AI SẼ GIẾT TẤT CẢ CHÚNG TA?

Một lần nữa, nó phụ thuộc vào người bạn yêu cầu. Khi các hệ thống hỗ trợ AI đã phát triển nhiều khả năng hơn, vì vậy các cảnh báo về nhược điểm đã trở nên khủng khiếp hơn. Giám đốc điều hành Tesla và SpaceX Elon Musk đã tuyên bố rằng AI là "rủi ro cơ bản cho sự tồn tại của nền văn minh nhân loại". Là một phần trong nỗ lực giám sát quy định mạnh mẽ hơn và nghiên cứu có trách nhiệm hơn trong việc giảm thiểu những nhược điểm của AI, ông đã thành lập OpenAI, một công ty nghiên cứu trí tuệ nhân tạo phi lợi nhuận nhằm mục đích thúc đẩy và phát triển AI thân thiện sẽ có lợi cho toàn xã hội. Tương tự, nhà vật lý đáng kính Stephen Hawking đã cảnh báo rằng một khi AI được phát triển đủ mạnh, nó sẽ nhanh chóng tiến đến điểm vượt xa khả năng của con người , một hiện tượng được gọi là điểm kỳ dị và có thể là mối đe dọa hiện hữu cho loài người. Tuy nhiên, quan niệm cho rằng loài người đang đứng trước sự bùng nổ của AI sẽ làm cho trí tuệ của chúng ta trở nên lố bịch đối với một số nhà nghiên cứu về AI. Chris Bishop, giám đốc nghiên cứu của Microsoft tại Cambridge, Anh, nhấn mạnh trí thông minh hẹp của AI ngày nay khác với trí thông minh chung của con người như thế nào , nói rằng khi mọi người lo lắng về "Kẻ hủy diệt và sự trỗi dậy của máy móc, v.v. vâng. Tốt nhất, những cuộc thảo luận như vậy cách đây hàng thập kỷ. "