Các nhà nghiên cứu của Google mới đấy phát triển một hệ thống siêu máy tính có khả năng tạo ra một “đứa con trí tuệ nhân tạo” (AI) của chính nó với sự huấn luyện sáng tạo ở mức cao đến mức “đứa trẻ” này sẽ có các phân tích, thao tác tốt hơn mọi hệ thống AI khác do con người tạo ra.

Đây là một thành tựu cực kỳ ấn tượng trong lĩnh vực nghiên cứu-phát triển AI. Tuy nhiên, với những ai có quan điểm lo ngại về nguy cơ mà AI mang lại thì kết quả phát triển trên của Google rõ ràng là một bằng chứng mới cho thấy AI có thể tự học, tự sáng tạo mà cần có sự tham gia của con người.

Hệ thống AI mới có tên gọi NASNet, sẽ được kiểm soát, huấn luyện bởi AutoML – một hệ thống mạng thần kinh siêu máy tính mà Google phát triển, công bố vào tháng 5 với mục đích làm cho việc thiết kế các mô hình học máy (machine learning) dễ dàng hơn bằng cách tự động hóa quy trình thiết kế.

“Theo cách tiếp cận của chúng tôi …một mạng lưới thần kinh điều khiển có thể đề xuất một kiến ​​trúc mô hình ‘đứa trẻ,’ mà sau đó nó có thể được đào tạo và đánh giá về chất lượng đối với một nhiệm vụ cụ thể,” Google cho biết vào thời điểm công bố dự án.

“Thông tin phản hồi đó sau đó được sử dụng để thông báo cho người kiểm soát cách cải thiện các đề xuất của nó cho vòng tiếp theo. Chúng tôi lặp lại quá trình này hàng ngàn lần – tạo ra kiến ​​trúc mới, thử nghiệm chúng và đưa ra phản hồi đó cho bộ điều khiển để học hỏi. ”

Vào tháng 11, dự án AutoML đã được sử dụng để tạo ra NASNet, được thiết kế để phát hiện đối tượng, vượt trội so với các kiến ​​trúc học máy hiện đại được tạo ra cho các cuộc thi học vấn của con người.

Để kiểm tra NASNet, Google đã áp dụng nó vào hệ thống phân loại hình ảnh ImageNet và bộ dữ liệu phát hiện đối tượng COCO. Đây là hai hệ thống được miêu tả là “hai bộ dữ liệu học thuật quy mô lớn được thừa nhận rộng rãi nhất trong lĩnh vực thị giác máy tính (computer vision).”

Trên ImageNet, NASNet đạt được độ chính xác dự đoán là 82,7%, tốt hơn 1,2% so với tất cả các kết quả được công bố trước đó.

Trên COCO, Google cho biết NASNet đã đạt được “43,1% mAP tốt hơn 4% so với công nghệ tiên đoán (về nhiệm vụ phát hiện đối tượng) đã được công bố trước đây.”

Các nhà nghiên cứu, những người có mã nguồn mở NASNet cho biết: “Chúng tôi hy vọng rằng cộng đồng học máy lớn hơn sẽ có thể xây dựng trên những mô hình này để giải quyết nhiều vấn đề về thị giác máy tính, do đó nó có thể được sử dụng cho các ứng dụng thị giác máy tính”.