Nghiên cứu từ đại học Harvard: AI có thể học nhanh như con người

Nghiên cứu được công bố tại Hội nghị NeurIPS 2024, do Tianwei Ni, Michel Tessier, Yunzhu Li và Joshua B. Tenenbaum (Harvard) cùng cộng sự MIT thực hiện. Giải pháp MetaFlows hứa hẹn có thể thay đổi cách AI “học từ ít ví dụ” - một trong những thách thức lớn nhất hiện nay.

Nhóm nghiên cứu từ đại học Harvard và cộng sự MIT đã có bước nghiên cứu ấn tượng về quá trình học hành của AI - Ảnh: Internet

MetaFlows - “Học cách học” như con người

Điểm đặc biệt của MetaFlows là nó không chỉ học một nhiệm vụ cụ thể mà còn học được cách tiếp cận để tự mình thích nghi với những nhiệm vụ mới. Cách hình dung đơn giản nhất có thể là nếu chúng ta biết chơi piano, khi học một loại nhạc cụ mới, chúng ta sẽ không phải bắt đầu từ con số 0 vì do đã quen với nhạc lý và sự nhịp nhàng của các ngón tay, chúng ta có thể học nhanh hơn so với người chưa từng chơi bất kể loại đàn nào. MetaFlows vận hành dựa trên nguyên tắc tương tự - “học cách học” thông qua kinh nghiệm từ nhiều nhiệm vụ khác nhau, rồi áp dụng lại khi gặp thử thách mới.

Trong hệ thống MetaFlows, các nhà nghiên cứu thiết kế hai nhân vật chính làm việc cùng nhau. Thứ nhất là “người thầy giàu kinh nghiệm” - hay còn gọi là siêu học viên (meta-learner). Vai trò của nó là rút ra được những nguyên tắc học tập chung, tìm điểm tương đồng giữa nhiều nhiệm vụ. Thứ hai là “học trò linh hoạt” - chính là bộ điều hợp nhanh (fast adapter), có khả năng vận dụng ngay những nguyên tắc chung đó để xử lý những tình huống mới. Nhờ sự kết hợp này, mỗi khi đối mặt với một bài toán lạ, AI có thể biết vận dụng kinh nghiệm cũ, áp dụng những gì đã học ở nơi này vào một hoàn cảnh mới.

Công nghệ cốt lõi: Ghép luồng vàsiêu học

Phương pháp MetaFlows là sự kết hợp giữa hai ý tưởng: ghép luồng có điều kiện và siêu học tập (meta-learning). Nếu ghép luồng có điều kiện mô hình hóa việc học như một “dòng chảy” sẽ giúp hệ thống điều chỉnh linh hoạt thay vì học cứng nhắc, thì siêu học tập là “học cách học”: AI được rèn qua nhiều nhiệm vụ để rút ra các nguyên tắc chung. Nói ngắn gọn, nếu ghép luồng là con đường, thì siêu học là người lái xe dày dạn kinh nghiệm, biết tùy cơ ứng biến để đến đích nhanh và an toàn, dù con đường là quen hay lạ.

Với MetaFlows - AI có thể học được những tác vụ phức tạp một cách linh hoạt hơn - Ảnh: Internet

Kết quả thực nghiệm: Từ ảnh tĩnh đến video động

Nhóm nghiên cứu đã kiểm chứng MetaFlows bằng một “bài thi” từ dễ đến khó, gồm tạo ảnh và tạo video. Ở phần tạo ảnh, dù chỉ có vài ví dụ cho mỗi loại (như chữ số viết tay hay vật thể), MetaFlows vẫn tạo ra hình ảnh rõ nét và đúng đặc trưng, trong khi nhiều phương pháp cũ cho kết quả mờ méo. Tiếp đó, với bài tạo video vốn đòi hỏi các khung hình vừa đẹp vừa liền mạch, hệ thống chỉ cần xem vài mẫu (như slow motion) nhưng vẫn sinh được video mới giữ đúng phong cách và chuyển động mượt, điều mà nhiều mô hình khác thường chưa làm tốt.

Hiệu quả dữ liệu vượt trội

Một trong những ưu điểm lớn nhất của MetaFlows chính là khả năng học tốt chỉ từ rất ít dữ liệu, đây là điều mà các mô hình AI truyền thống thường không làm được. Nếu ví von, bạn có thể tưởng tượng quá trình này giống như học ngoại ngữ: một người đã biết nhiều ngôn ngữ sẽ dễ dàng tiếp thu thêm ngôn ngữ mới, chỉ cần nghe hoặc nhìn qua vài lần đã bắt đầu hiểu. Thêm một điểm đáng chú ý khác: sau khi đã trải qua giai đoạn “siêu đào tạo” tốn nhiều tài nguyên tính toán, MetaFlows có thể thích nghi gần như tức thì với các nhiệm vụ mới.

Những cải tiến công nghệ then chốt

MetaFlows giới thiệu phương pháp ước lượng độ dốc mới giúp quá trình huấn luyện ổn định và nhanh hơn, khắc phục nhược điểm dễ “lệch hướng” của cách tính truyền thống. Đồng thời, chiến lược nhúng điều kiện được cải tiến giúp mô hình hiểu và gắn kết tốt hơn giữa dữ liệu đầu vào với yêu cầu nhiệm vụ. Hệ thống còn có cơ chế hợp nhất đa tầng, cho phép nắm bắt đồng thời chi tiết vi mô và cấu trúc tổng thể trong các bài toán phức tạp. Bên cạnh đó, cơ chế điều chỉnh thông minh chống quá khớp đặc biệt hữu ích khi dữ liệu ít, giúp mô hình tránh “học vẹt” và giữ được khả năng khái quát hóa. Cuối cùng, kiến trúc mạng động có thể tự co giãn theo độ khó: gọn nhẹ với tác vụ đơn giản và mở rộng cho tác vụ phức tạp, nhờ đó tăng tính linh hoạt và hiệu quả sử dụng tài nguyên.

Phương pháp MetaFlows mang tới những cải tiến then chốt giúp AI học nhanh và cẩn thận hơn - Ảnh: Internet

Những ứng dụng đầy tiềm năng

MetaFlows có thể ứng dụng rộng rãi trong đời sống và sản xuất. Trong ngành sáng tạo, nó cho phép huấn luyện AI theo phong cách riêng chỉ với vài mẫu ảnh hoặc video. Ở giáo dục, hệ thống có thể cá nhân hóa bài học cho từng học sinh dù chỉ có ít dữ liệu hành vi. Với y tế, MetaFlows hỗ trợ chẩn đoán trong bối cảnh bệnh án khan hiếm và nhạy cảm. Trong tự động hóa công nghiệp, công nghệ này giúp rút ngắn thời gian triển khai AI cho dây chuyền mới. Và với robot hay xe tự lái, MetaFlows giúp máy móc học kỹ năng nhanh hơn, cần rất ít ví dụ giống như cách con người học.

Thách thức còn tồn tại

Dù rất hứa hẹn nhưng MetaFlows vẫn còn vài hạn chế đáng lưu ý như chi phí cao, hiệu suất có thể giảm rõ rệt khi gặp nhiệm vụ mới; khả năng giải thích mô hình đưa ra quyết định chưa thật sự minh bạch; hệ thống khá nhạy với chất lượng dữ liệu và chỉ vài ví dụ sai lệch cũng có thể làm kết quả bị ảnh hưởng đáng kể.

Tương lai của MetaFlows

Trong giai đoạn tới, MetaFlows sẽ được tối ưu để “học nhanh - chi phí thấp” hơn nhờ các thuật toán siêu đào tạo hiệu quả và cơ chế thích ứng tự động theo từng nhiệm vụ. Hệ thống cũng được kỳ vọng mở rộng sang học đa phương thức, kết hợp hình ảnh, văn bản và âm thanh một cách tự nhiên, đồng thời tăng tính minh bạch để người dùng hiểu vì sao mô hình đưa ra quyết định.

Về ứng dụng, MetaFlows có triển vọng tạo ra các kịch bản thực tế như nội dung sáng tạo cá nhân hóa, giáo dục thông minh, y tế khan dữ liệu, robot và xe tự hành. Về dài hạn, những tiến bộ này có thể biến MetaFlows thành một “hạ tầng học tập” cốt lõi trên hành trình tiến tới AI có khả năng tích lũy kinh nghiệm và học liên tục như con người.

MetaFlows đánh dấu một bước ngoặt trong nghiên cứu AI, từ chỗ máy móc phụ thuộc vào “biển dữ liệu” đến khả năng học nhanh, học ít nhưng hiệu quả. Dù còn thách thức, nhưng triển vọng ứng dụng của MetaFlows trong sáng tạo, giáo dục, y tế, khoa học hay robot đều vô cùng rộng lớn.

Lê Hà