Lịch sử của Mạng nơ-ron

Nếu bạn đã theo dõi loạt bài này, bạn sẽ thấy mạng nơ-ron làm được những điều tuyệt vời. Chúng ta đã xem một mạng nhỏ học cách cộng số—đơn giản nhưng ấn tượng. Nhưng khi nhìn vào AI ngày nay, như ChatGPT hay Midjourney, thì màn trình diễn đơn giản đó có vẻ như trò trẻ con. AI cảm giác như có mặt ở khắp nơi, biến đổi các ngành công nghiệp chỉ trong một đêm.

Nhưng đây là vấn đề: AI không phải là mới. Ý tưởng cơ bản đằng sau mạng nơ-ron đã tồn tại gần 80 năm. Vậy tại sao nó lại bùng nổ vào lúc này?

Để trả lời câu hỏi đó, hãy cùng chúng ta đi một chuyến du hành ngắn qua thời gian—khám phá những thăng trầm của mạng nơ-ron, những bước đột phá đã mang chúng trở lại cuộc sống, và tại sao tương lai lại trông hứa hẹn hơn bao giờ hết.

Ngọn lửa: 1940s–1950s

Năm 1943, hai nhà nghiên cứu đầy tham vọng, Warren McCulloch và Walter Pitts, đã đưa ra một đề xuất đơn giản nhưng mang tính cách mạng. Lấy cảm hứng từ bộ não con người, họ đã xây dựng một mô hình toán học của một nơ-ron. Đó là một bước nhỏ—nhưng là bước đầu tiên quan trọng hướng tới trí tuệ nhân tạo.

Sau đó, vào năm 1958, Frank Rosenblatt đã phát triển điều này hơn nữa và tạo ra “Perceptron.” Các tờ báo đã phát cuồng, dự đoán rằng máy móc sẽ sớm đi, nói và thậm chí suy nghĩ. Điều đó thật thú vị, nhưng chưa thực tế—ít nhất là chưa phải lúc này.

Mùa đông đến: 1960s–1970s

Năm 1969, giấc mơ đã va phải một bức tường. Các nhà nghiên cứu MIT Marvin Minsky và Seymour Papert đã xuất bản cuốn sách của họ, Perceptrons, phơi bày những hạn chế cơ bản của các mạng nơ-ron đầu tiên. Đột nhiên, sự phấn khích biến mất. Tài trợ cạn kiệt. Mạng nơ-ron bước vào cái mà chúng ta gọi là “Mùa đông AI,” một khoảng thời gian dài im lặng và hoài nghi.

Hy vọng trở lại—nhưng một cách âm thầm: 1980s

Năm 1986, mạng nơ-ron đã âm thầm trở lại. David Rumelhart, Geoffrey Hinton và Ronald Williams đã phổ biến một ý tưởng quan trọng gọi là backpropagation. Điều này cho phép mạng nơ-ron học các mẫu phức tạp hơn bằng cách điều chỉnh các kết nối bên trong của chúng. Nhưng vẫn còn một vấn đề: chúng ta không có đủ sức mạnh tính toán hoặc dữ liệu để thực sự khai thác tiềm năng này.

Trong một thời gian dài, mạng nơ-ron chủ yếu chỉ tồn tại trong môi trường học thuật. Các nhà nghiên cứu tin tưởng vào chúng—nhưng các doanh nghiệp thì không.

Mọi thứ thay đổi: 2012

Sau đó, cuộc thi ImageNet năm 2012 đã diễn ra. Geoffrey Hinton và nhóm của ông đã giới thiệu “AlexNet,” một mạng nơ-ron sâu được đào tạo trên GPU—một loại phần cứng ban đầu được thiết kế cho các trò chơi yêu cầu đồ họa cao. AlexNet không chỉ chiến thắng; nó đã nghiền nát đối thủ. Đột nhiên, mạng nơ-ron đã chứng minh được giá trị của mình.

Sự kiện này đánh dấu sự khởi đầu của cuộc cách mạng học sâu. Mạng nơ-ron đã trở lại mạnh mẽ—và không ngừng lại từ đó.

Tại sao AI lại phát triển nhanh chóng như vậy bây giờ?

Những ý tưởng đằng sau AI hiện đại đã tồn tại hàng thập kỷ. Tuy nhiên, sự bùng nổ AI mà chúng ta đang chứng kiến bây giờ cảm giác như bất ngờ. Tại sao? Câu trả lời nằm ở hai cuộc cách mạng quan trọng:

Cuộc cách mạng Transformer (2017): Sự chú ý thay đổi mọi thứ

Cho đến năm 2017, hầu hết các mạng nơ-ron được xây dựng dựa trên các kiến trúc được gọi là RNN hoặc LSTM. Chúng có thể xử lý ngôn ngữ, nhưng gặp khó khăn với độ phức tạp và các chuỗi dài.

Sau đó, các nhà nghiên cứu Google đã phát hành một bài báo có tiêu đề “Attention Is All You Need,” giới thiệu kiến trúc Transformer. Transformers đã thay đổi toàn bộ cuộc chơi:

• Cơ chế Chú ý: Transformers có thể tập trung vào các phần quan trọng của dữ liệu đầu vào, hiểu ngữ cảnh tốt hơn bao giờ hết.
• Tính toán song song: Transformers có thể đào tạo nhanh hơn và hiệu quả hơn trên các tập dữ liệu khổng lồ.
• Tiềm năng mở rộng: Transformers có khả năng mở rộng vô cùng tốt. Càng nhiều dữ liệu và sức mạnh tính toán bạn cung cấp, chúng càng thông minh hơn.

Transformers đã dẫn đến các mô hình như BERT (để hiểu ngôn ngữ) và GPT-2, GPT-3, và GPT-4 (để tạo ra nó). Những mô hình này có thể viết bài luận, tạo mã, và giữ cuộc trò chuyện ở mức gần giống con người.

Tóm lại, Transformers là mảnh ghép còn thiếu đã mở khóa tiềm năng của AI, đưa nó từ “những thí nghiệm thú vị” đến “cuộc cách mạng thực tiễn.”

Cuộc bùng nổ phần cứng: GPU, TPU, và siêu máy tính AI

Lý do lớn thứ hai cho sự bùng nổ đột ngột của AI: phần cứng. Mạng nơ-ron cần sức mạnh tính toán khổng lồ. Trong nhiều thập kỷ, các CPU có sẵn không thể theo kịp. Sau đó, các nhà nghiên cứu phát hiện ra rằng GPU, các chip ban đầu được thiết kế cho đồ họa, là lý tưởng cho toán học mạng nơ-ron. GPU có thể thực hiện hàng ngàn phép toán đồng thời—đúng những gì mạng nơ-ron cần.

Sự nhận thức này đã kích hoạt một cuộc cách mạng phần cứng:

• GPU NVIDIA: GPU đã phát triển từ các chip chơi game thành những cỗ máy AI chuyên dụng. GPU A100 và H100 của NVIDIA có thể đào tạo các mạng nơ-ron khổng lồ mà trước đây được coi là không thể.
• TPU của Google: Google đã giới thiệu “Tensor Processing Units” tùy chỉnh được tối ưu hóa hoàn toàn cho mạng nơ-ron. Những chip này đã làm cho việc đào tạo các mô hình lớn như BERT và GPT-4 trở nên thực tế hơn nhiều.
• Cụm AI & Nền tảng đám mây: Ngày nay, việc đào tạo các mạng nơ-ron lớn liên quan đến hàng ngàn GPU làm việc cùng nhau, được kết nối bởi các mạng siêu nhanh. Các công ty như OpenAI, Google và Meta xây dựng toàn bộ trung tâm dữ liệu AI để đào tạo các mô hình của họ. Các nền tảng đám mây (AWS, Azure, GCP) đã dân chủ hóa quyền truy cập, cho phép các startup đào tạo các mô hình mạnh mẽ mà không cần đầu tư lớn ban đầu.

Với sự phát triển bùng nổ của phần cứng này, các nhà nghiên cứu cuối cùng đã có đủ nguồn lực để thực hiện tham vọng của họ. Mạng nơ-ron có thể đạt được tiềm năng tối đa của chúng—và cơn sốt AI đã bắt đầu.

Điều gì tiếp theo? Tương lai của AI trông thật tuyệt vời

Nhìn về phía trước, rõ ràng chúng ta đang ở đầu, không phải cuối. Vậy, chúng ta có thể mong đợi điều gì trong những năm tới?

AI sẽ trở nên đa phương thức (Không chỉ văn bản!)

AI đã bắt đầu vượt ra ngoài văn bản sang hình ảnh, âm thanh và video. Sớm thôi, bạn sẽ không chỉ trò chuyện với một AI—bạn sẽ yêu cầu nó phân tích ảnh, tóm tắt video, hoặc tạo slide. Các mô hình như GPT-4 với khả năng thị giác và Gemini là những ví dụ sớm về AI hiểu thế giới giống như con người.

AI ở khắp mọi nơi (Trong mọi thứ bạn sử dụng)

Ngày nay, bạn mở ứng dụng và “sử dụng AI.” Sớm thôi, AI sẽ trở nên liền mạch—được tích hợp vào các ứng dụng và thiết bị bạn sử dụng hàng ngày. Microsoft Office, Google Docs, Adobe Photoshop, các trình soạn thảo mã của bạn, bảng tính, và thậm chí các ứng dụng email—AI sẽ âm thầm cải thiện năng suất và sự sáng tạo từ phía sau, trở thành một người bạn đồng hành vô hình nhưng liên tục.

AI trên thiết bị của bạn (Không cần Internet)

Hiện tại, AI thường sống trên các máy chủ khổng lồ. Nhưng sớm thôi, nhờ vào các mạng nơ-ron nhỏ hơn, thông minh hơn và các chip smartphone mạnh mẽ, AI sẽ chạy cục bộ trên điện thoại, laptop hoặc kính VR của bạn. Hãy tưởng tượng có một trợ lý AI biết rõ về bạn, làm việc ngoại tuyến, bảo vệ quyền riêng tư của bạn, và tùy chỉnh theo thói quen và sở thích của bạn.

AI Agents: Cấp độ tự động hóa tiếp theo

AI sẽ sớm tự động hóa không chỉ các nhiệm vụ, mà còn cả quy trình làm việc. Các trợ lý AI sẽ lên lịch cuộc họp của bạn, trả lời các email thường lệ, viết báo cáo đầy đủ, hoặc thậm chí đàm phán thay mặt bạn. Không chỉ đơn giản là tạo văn bản—mà còn là ủy thác nhiệm vụ và tin tưởng AI xử lý các công việc phức tạp.

Thách thức đạo đức và lựa chọn của con người

Khi AI trở nên mạnh mẽ hơn, những câu hỏi quan trọng xuất hiện: Làm thế nào để chúng ta đảm bảo AI vẫn an toàn và có lợi? Làm thế nào để chúng ta giải quyết các vấn đề về thiên kiến, thông tin sai lệch và quyền riêng tư? Chúng ta nên trao cho AI bao nhiêu quyền kiểm soát, và ai sẽ quyết định?

Thập kỷ tới sẽ chứng kiến nhân loại đấu tranh sâu sắc với những câu hỏi đạo đức này, thúc đẩy xã hội và các nhà lập pháp vào những cuộc tranh luận quan trọng về vai trò của công nghệ trong cuộc sống của chúng ta.

Suy nghĩ cuối cùng: Cuộc cách mạng AI chỉ mới bắt đầu

Mạng nơ-ron không phải là mới. Chúng đã ở đây, âm thầm chờ đợi, kiên nhẫn cải thiện. Chỉ bây giờ mọi thứ mới được sắp xếp: ý tưởng, dữ liệu, phần cứng và ứng dụng thực tiễn.

Chúng ta không chứng kiến sự kết thúc của một hành trình AI—mà là sự khởi đầu đầy hồi hộp của nó. Dù AI ngày nay cảm thấy mạnh mẽ như thế nào, thập kỷ tới hứa hẹn sẽ mang đến những thay đổi, bước đột phá và khả năng lớn hơn.

Và phần thú vị nhất? Tất cả mới chỉ bắt đầu.