Cộng đồng trí tuệ nhân tạo đang phải đối mặt với một thách thức cơ bản có thể quyết định tương lai của việc phát triển AI. Trong khi các công ty công nghệ lớn như Google DeepMind , Meta , và OpenAI đang chạy đua để xây dựng các hệ thống AI với mô hình thế giới tinh vi - những biểu diễn nội bộ về cách thế giới hoạt động - bằng chứng hiện tại cho thấy những hệ thống này còn rất xa mới đạt được mục tiêu này.
 |
|---|
| Sự đối lập giữa một thế giới thu nhỏ bên trong quả cầu tuyết với bo mạch làm nổi bật hành trình của cộng đồng AI trong việc phát triển các mô hình thế giới thực sự giữa những hạn chế hiện tại |
Khoảng Cách Giữa Kỳ Vọng và Thực Tế
Nghiên cứu gần đây tiết lộ rằng các mô hình ngôn ngữ lớn ngày nay thực sự không phát triển được các mô hình thế giới mạch lạc như nhiều chuyên gia đã hy vọng. Thay vào đó, chúng học được cái mà các nhà nghiên cứu gọi là túi heuristics - tập hợp các quy tắc rời rạc có thể xử lý các tình huống cụ thể nhưng không tạo thành một sự hiểu biết thống nhất. Khám phá này có những tác động đáng kể đối với độ tin cậy và hiệu suất của AI.
Cộng đồng đã quan sát được hạn chế này một cách trực tiếp thông qua các ứng dụng thực tế. Các nhà phát triển game làm việc với hệ thống AI báo cáo rằng ngay cả những mô hình tiên tiến nhất cũng gặp khó khăn với việc quản lý trạng thái cơ bản và tính nhất quán của quy tắc. Khi được giao nhiệm vụ với những thử thách đơn giản như điều hướng từng bước qua một mê cung, những hệ thống này nhanh chóng trở nên bối rối và bắt đầu thực hiện những động tác vòng tròn, phi logic.
Heuristics: Các quy tắc đơn giản hoặc phím tắt được sử dụng để giải quyết vấn đề một cách nhanh chóng, nhưng không phải lúc nào cũng chính xác
Những Hạn Chế Hiện Tại Của Mô Hình Thế Giới AI:
- Các mô hình ngôn ngữ lớn sử dụng "túi các phương pháp thực nghiệm" thay vì các biểu diễn thế giới mạch lạc
- Hiệu suất giảm đáng kể với những thay đổi môi trường nhỏ (việc chặn 1% đường phố đã gây ra lỗi hệ thống)
- Không thể duy trì trạng thái nội bộ nhất quán trong các tác vụ tuần tự
- Gặp khó khăn với tính nhất quán của quy tắc cơ bản trong các tình huống trò chơi
Thực Tế Kiểm Tra Với Chess Engine
Cộng đồng AI gaming cung cấp bằng chứng thuyết phục về những hạn chế hiện tại. Các engine cờ vua và board game truyền thống vẫn vượt trội hơn mạng neural bằng cách triển khai các quy tắc game rõ ràng và tìm kiếm trước nhiều nước đi. AI hiện đại giúp ích với các hàm đánh giá và cắt tỉa nước đi, nhưng mô hình thế giới cốt lõi - hiểu biết về quy tắc game và các nước đi hợp lệ - vẫn phải được lập trình thủ công bởi con người.
Không gì đánh bại được 'triển khai logic game đầy đủ và với việc cắt tỉa dựa trên một số heuristics nhìn trước 50 nước đi'. Đây là cách các chess engine hoạt động và cách tất cả AI game theo lượt tốt hoạt động.
Ngay cả những hệ thống tiên tiến như AlphaGo và MuZero , bất chấp hiệu suất ấn tượng của chúng, cũng yêu cầu việc triển khai quy tắc được lập trình bởi con người làm nền tảng. Các thành phần AI đã nâng cao chiến lược và đánh giá, nhưng không thể thay thế nhu cầu về mô hình hóa thế giới một cách rõ ràng.
Move pruning: Một kỹ thuật để loại bỏ những nước đi rõ ràng tệ khỏi việc xem xét để tăng tốc quá trình ra quyết định
Công cụ game truyền thống so với AI:
- Công cụ truyền thống: Triển khai quy tắc rõ ràng + tìm kiếm cây + đánh giá heuristic
- Hệ thống AI: Khớp mẫu mà không hiểu thực sự quy tắc
- AlphaGo / MuZero : Vẫn cần nền tảng quy tắc được lập trình bởi con người
- Công cụ cờ vua: Nhìn trước 50+ nước đi sử dụng mô hình thế giới được triển khai thủ công
Thách Thức Kỹ Thuật Trong Triển Khai
Các nhà phát triển cố gắng tạo ra hệ thống AI cho board game đối mặt với một mô hình nhất quán. Trong khi AI có thể tạo ra code chơi game khi được cung cấp thông tin đầy đủ, nó thất bại khi được yêu cầu duy trì trạng thái nội bộ hoặc thích ứng với các điều kiện thay đổi. Nghiên cứu điều hướng đường phố Manhattan được đề cập trong nghiên cứu gốc minh họa cho tính dễ vỡ này - khi chỉ 1% đường phố bị chặn ngẫu nhiên, hiệu suất của AI sụp đổ hoàn toàn.
Cộng đồng đã thử nghiệm với nhiều phương pháp khác nhau để giải quyết những hạn chế này. Một số nhà phát triển thử để hệ thống AI viết ghi chú chi tiết cho chính chúng để duy trì ngữ cảnh qua các tương tác, nhưng ngay cả phương pháp này cũng tiết lộ những khoảng trống cơ bản. Các hệ thống thường quên thông tin quan trọng như định hướng hiện tại hoặc thất bại trong việc bao gồm các hướng dẫn thiết yếu để diễn giải các biểu diễn trạng thái của chính chúng.
Các Phương Pháp Nghiên Cứu Đang Được Khám Phá:
- Dữ liệu huấn luyện đa phương thức (video, mô phỏng 3D, văn bản)
- Kiến trúc chuyên biệt ( Tolman-Eichenbaum Machine )
- Giải mã có ràng buộc ngữ pháp cho đầu ra có cấu trúc
- Gaussian splatting như là biểu diễn mô hình thế giới
- Kiến trúc mô hình tự lắp ráp
Con Đường Phía Trước
Bất chấp những hạn chế hiện tại, cộng đồng AI vẫn lạc quan về các giải pháp tiềm năng. Một số nhà nghiên cứu đang khám phá các kiến trúc chuyên biệt như Tolman-Eichenbaum Machine , cho thấy triển vọng trong các nhiệm vụ giải mê cung và tạo ra các mô hình kích hoạt giống như não bộ. Những người khác đang điều tra liệu lượng dữ liệu huấn luyện đa phương thức khổng lồ có thể cuối cùng dẫn đến các mô hình thế giới nổi lên hay không.
Sự đồng thuận giữa các chuyên gia thực hành là các mô hình thế giới thực sự vẫn cần thiết để đạt được các hệ thống AI mạnh mẽ. Nếu không có chúng, AI sẽ tiếp tục dễ vỡ và không đáng tin cậy khi đối mặt với các tình huống mới lạ hoặc những thay đổi nhỏ đối với môi trường quen thuộc.
Hành trình hướng tới các mô hình thế giới AI thực sự đại diện cho một trong những thách thức quan trọng nhất của lĩnh vực này. Trong khi các hệ thống hiện tại có thể thực hiện những kỳ tích ấn tượng thông qua việc khớp mẫu thống kê, việc xây dựng AI thực sự hiểu và mô hình hóa thế giới vẫn là một vấn đề chưa được giải quyết và có thể sẽ yêu cầu những đột phá cơ bản trong kiến trúc và phương pháp huấn luyện.
Tham khảo: 'World Models,' an Old Idea in AI, Mount a Comeback