Các nhà khoa học xây dựng “bảng tuần hoàn” cho Trí tuệ Nhân tạo
LH, (ScienceDaily)
2026-03-06T14:00:54+07:00
2026-03-06T14:00:54+07:00
https://skhcn.dongnai.gov.vn/vi/news/khoa-hoc-va-cong-nghe-nuoc-ngoai/cac-nha-khoa-hoc-xay-dung-bang-tuan-hoan-cho-tri-tue-nhan-tao-999.html
https://skhcn.dongnai.gov.vn/uploads/skhcn/news/2026_03/image-20260306135924-1.png
Sở Khoa học và Công nghệ
https://skhcn.dongnai.gov.vn/uploads/skhcn/logo-skhcn-2025-01.png
Thứ sáu - 06/03/2026 14:00
Trí tuệ nhân tạo (AI) hiện đã trở thành một công cụ quen thuộc để kết hợp và phân thích nhiều dạng thông tin khác nhau, từ văn bản, hình ảnh cho đến âm thanh và video. Tuy nhiên, một trở ngại lớn vẫn tồn tại: các nhà phát triển phải quyết định thuật toán nào là phù hợp nhất cho một nhiệm vụ cụ thể. Trong lĩnh vực AI đa phương thức đang phát triển nhanh chóng, lựa chọn này thường rất phức tạp và ngốn nhiều thời gian.
Mới đây, các nhà vật lý tại Đại học Emory đã đề xuất một cách tiếp cận có hệ thống và rõ ràng hơn. Trong bài báo đăng trên The Journal of Machine Learning Research, họ mô tả một khung toán học mới giúp tổ chức các phương pháp AI và hướng dẫn thiết kế thuật toán cho các vấn đề cụ thể. Giáo sư vật lý Ilya Nemenman, tác giả dẫn đầu nghiên cứu cho biết: “Chúng tôi nhận thấy nhiều phương pháp AI thành công nhất hiện nay đều xoay quanh một ý tưởng đơn giản duy nhất: nén nhiều loại dữ liệu vừa đủ để giữ lại những phần thực sự có khả năng dự đoán điều bạn cần”.
Ông ví đây như một “bảng tuần hoàn” của các phương pháp AI, nơi các phương pháp khác nhau được xếp vào các ô khác nhau dựa trên thông tin mà “hàm mất mát” (loss function) của chúng giữ lại hoặc loại bỏ.
Hàm mất mát là công thức toán học đo lường mức độ sai lệch giữa dự đoán của mô hình AI và đáp án đúng. Trong quá trình training, hệ thống sẽ liên tục tự điều chỉnh để giảm thiểu sai số này; hàm mất mát càng thấp, mô hình hoạt động càng hiệu quả. Tuy nhiên, việc có hàng trăm hàm mất mát khác nhau cho các hệ thống AI đa phương thức khiến các nhà nghiên cứu tự hỏi liệu có cách nào đơn giản hơn là phải bắt đầu lại từ đầu mỗi khi đối mặt với một vấn đề mới hay không.
Để giải quyết vấn đề này, nhóm nghiên cứu đã tạo ra Khung thắt nút thông tin đa biến biến phân (Variational Multivariate Information Bottleneck Framework). Đây là một cấu trúc toán học tổng quát giúp xây dựng các hàm mất mát đặc thù cho từng vấn đề, tập trung vào việc quyết định thông tin nào cần được bảo tồn và thông tin nào có thể loại bỏ. Đồng tác giả nghiên cứu Michael Martini giải thích rằng khung này giống như một nút điều chỉnh, cho phép người dùng xoay nút để xác định lượng thông tin cần giữ lại nhằm giải quyết một bài toán cụ thể.
Điểm khác biệt của nghiên cứu này nằm ở cách tiếp cận từ góc độ vật lý. Trong khi cộng đồng học máy thường tập trung vào việc đạt được độ chính xác mà không nhất thiết phải hiểu tại sao hệ thống lại hoạt động, các nhà vật lý muốn tìm kiếm các nguyên lý thống nhất cơ bản. Eslam Abdelaleem, đồng tác giả đầu của nghiên cứu, chia sẻ rằng mục tiêu của họ là giúp mọi người thiết kế các mô hình AI được tùy chỉnh cho vấn đề của mình, đồng thời hiểu rõ cách thức và lý do từng phần của mô hình hoạt động.
Thông qua khung này, các nhà phát triển AI có thể đề xuất thuật toán mới, dự báo khả năng thành công, ước tính lượng dữ liệu đào tạo cần thiết và dự đoán các điểm thất bại tiềm ẩn. Quan trọng hơn, nó có thể giúp thiết kế các phương pháp AI chính xác, hiệu quả và đáng tin cậy hơn. Việc loại bỏ các tính năng không cần thiết không chỉ giúp tiết kiệm dữ liệu training mà còn giảm thiểu năng lượng tính toán, từ đó ít gây hại cho môi trường hơn.
Sau nhiều năm nghiên cứu đầy thử thách, nhóm đã đạt được bước đột phá khi xác định được nguyên lý cân bằng giữa nén dữ liệu và tái cấu trúc thông tin. Khoảnh khắc này phấn khích đến mức khi Abdelaleem rời khỏi khuôn viên trường, chiếc đồng hồ thông minh của anh đã nhầm tưởng anh đang đạp xe suốt 3 giờ do nhịp tim tăng cao vì xúc động.
Hiện tại, nhóm nghiên cứu đang tiếp tục mở rộng công việc sang lĩnh vực sinh học, bao gồm nỗ lực xác định các mô hình liên quan đến chức năng nhận thức. Họ hy vọng có thể phát triển một phương pháp cho phép thấy được sự tương đồng giữa mô hình học máy và não bộ con người, giúp chúng ta hiểu rõ hơn về cả hai hệ thống này.
Tác giả: LH, (ScienceDaily)
