Nghiên cứu mới hé lộ những yếu tố ẩn ảnh hưởng đến khả năng học của AI
Mạng thần kinh nhân tạo (Artificial Neural Networks - ANN) là một trong những nền tảng quan trọng nhất của trí tuệ nhân tạo, mô phỏng hoạt động của não người.

Ảnh minh họa. (Ảnh: Minh Sơn/Vietnam+)
Các nhà khoa học tại Viện Công nghệ Technion (Israel) phát hiện cấu trúc kết nối bên trong mạng thần kinh nhân tạo có thể chứa những đặc điểm ảnh hưởng đến khả năng học hỏi của hệ thống, ngay cả khi những đặc điểm này chưa thể hiện qua kết quả hoạt động hiện tại.
Điều này có nghĩa là hai mạng AI có thể phản ứng giống nhau trước cùng một dữ liệu đầu vào nhưng lại tiến bộ với tốc độ khác nhau khi được huấn luyện theo cùng một phương pháp.
Mạng thần kinh nhân tạo (Artificial Neural Networks - ANN) là một trong những nền tảng quan trọng nhất của trí tuệ nhân tạo, mô phỏng hoạt động của não người.
Theo phóng viên TTXVN tại Tel Aviv, nghiên cứu do Giáo sư Omri Barak và nghiên cứu sinh Yoav Ger thuộc Khoa Y của Đại học Technion thực hiện đã được lựa chọn trình bày tại Hội nghị quốc tế về học máy NeurIPS 2026. Trong số 30.709 công trình gửi tới hội nghị, chỉ có 112 công trình được chọn trình bày theo hình thức này, chiếm khoảng 0,36%.
Để thực hiện nghiên cứu, nhóm sử dụng các mô hình toán học và mô phỏng máy tính nhằm tìm hiểu mạng thần kinh hồi quy - loại mạng có khả năng lưu giữ thông tin từ những hoạt động trước đó và sử dụng chúng trong quá trình xử lý thông tin tiếp theo.
Nhóm tập trung vào những mạng có cấu trúc kết nối tương đối đơn giản, qua đó có thể sử dụng một số ít thông số để mô tả sự thay đổi của mạng trong quá trình học.
Kết quả cho thấy cấu trúc bên trong mạng không chỉ quyết định cách hệ thống xử lý thông tin ở thời điểm hiện tại mà còn ảnh hưởng đến khả năng tiếp thu nhiệm vụ mới.
Trong một thí nghiệm mô phỏng, hai mạng ban đầu có phản ứng giống hệt nhau trước cùng dữ liệu đầu vào. Tuy nhiên, khi được huấn luyện theo cùng một phương pháp, một mạng tiến bộ chậm trong một giai đoạn, trong khi mạng còn lại cải thiện ổn định hơn.
Nhóm nghiên cứu cũng nhận thấy cấu trúc kết nối bên trong mạng có thể lưu giữ dấu vết của quá trình huấn luyện trước đó. Cụ thể, sau khi được huấn luyện với những nhiệm vụ khác nhau rồi cùng chuyển sang một nhiệm vụ chung, hai mạng có thể đạt kết quả tương đương. Tuy nhiên, những đặc điểm ẩn trong cấu trúc của chúng vẫn phản ánh quá trình học tập khác nhau trước đó.
Theo Giáo sư Omri Barak, việc hiểu một hệ thống đang hoạt động như thế nào chưa đủ để dự đoán khả năng học hỏi của hệ thống đó trong tương lai. Nhóm nghiên cứu đề xuất tiếp tục kiểm chứng phát hiện này trên các hệ thống sinh học, bằng cách so sánh quá trình thay đổi của những hệ thống có biểu hiện hoạt động tương tự khi cùng được đặt trong một điều kiện học tập.
Hiện các kết quả mới được ghi nhận qua mô hình toán học và mô phỏng máy tính./.

