Chương 64: Vòng lặp vô hạn

Mùa hè nóng nặc trong ngôi trường vắng lặng người, chỉ còn lại sự tĩnh mịch đến lạ thường. Những chiếc lá ngô đồng quăn lại vì nắng, tiếng ve kêu từ sáng đến tối không ngớt. Ở vị trí quen thuộc trong thư viện, bên cạnh Xiao Su là chồng sách chuyên khảo mượn từ kho, cuốn này thay cuốn kia, có hôm lật hết cả cuốn trong nửa ngày, có hôm lại dừng lại mãi ở một trang.

Từ hôm ấy trong phòng họp, khi giám đốc kỹ thuật của Lin Zhenghong đưa ra bài toán thuật toán công nghiệp hóc búa, Xiao Su đã không ngừng suy nghĩ về một vấn đề.

Làm thế nào để nhanh chóng xây dựng lời giải tối ưu toàn cục cho hệ phi tuyến cao chiều?

Lúc đó, phương pháp "tối ưu hóa rời rạc nhóm Lie tự thích ứng" do anh tạm thời ghép nối chỉ là một giải pháp tình thế, tạm thời vá víu cho tình huống cụ thể của Hengke Smart. Nhưng chính trong tình huống ấy, anh đã nhìn thấy những điều sâu xa hơn.

Những đường cong dữ liệu hôm ấy hiện lên là thu nhỏ của thế giới công nghiệp: cao chiều, liên kết chặt chẽ, nhiễu loạn mạnh mẽ, yêu cầu thời gian thực cực cao. Dữ liệu ngoài đời thực không bao giờ nằm gọn gàng trong những bảng hai chiều ngăn nắp, chúng quấn lấy nhau, tác động lẫn nhau, nhiễu loạn lẫn nhau như một mớ hỗn độn.

Và giờ đây, trí tuệ nhân tạo, khi đối mặt với thứ hỗn độn ấy, phần lớn chỉ biết loay hoay.

Thế nào mới là trí tuệ thật sự?

Xiao Su vẽ vội một vòng tròn trên giấy nháp, rồi trong vòng tròn ấy lại vẽ vô số đường nét chằng chịt.

Bước vào một căn phòng chưa từng đến, ánh mắt quét qua, chỉ trong nháy mắt có thể phán đoán vị trí nào an toàn nhất, lộ trình nào thông thoáng nhất. Đó không phải là sự liệt kê toàn bộ, không phải là duyệt hết mọi khả năng, mà là một loại trực giác gần như bẩm sinh. Từ vô số khả năng, trong khoảnh khắc chọn ra đáp án tối ưu nhất.

AI hiện nay còn xa mới đạt được khả năng ấy. Khoảng cách nằm ở đâu? Chính là ở cách giải quyết vấn đề này.

Xiao Su đặt bút xuống, dựa lưng vào ghế, nhìn ra bầu trời phía ngoài cửa sổ trắng bệch vì nắng.

Nếu có thể giải được bài toán này, thì điều khiển phương tiện siêu thanh sẽ đạt được bước đột phá về chất. Phương tiện bay trong tầng khí quyển ở tốc độ gấp mười mấy lần âm thanh, nhiệt độ bề mặt thay đổi chóng mặt, trạng thái dòng khí cực kỳ phức tạp, hệ thống điều khiển cần trong thời gian mili giây chọn ra từ hàng ngàn phương án điều chỉnh khả thi phương án ổn định nhất. Nhưng hệ thống trí tuệ hiện nay vẫn chưa làm được điều đó, nên chỉ có thể dựa vào chương trình dự phòng cộng với can thiệp thủ công, phản ứng chậm nửa nhịp, nguy hiểm tăng gấp mười lần.

Và trong nghiên cứu phát triển thuốc mới, hiệu suất cũng sẽ được nâng cao đáng kể. Phải biết rằng sự tương tác giữa phân tử nhỏ với protein đích về bản chất là bài toán tối thiểu hóa năng lượng trong không gian đa chiều. Hiện nay, mỗi lần thuật toán tính toán một ứng viên phân tử cũng mất vài tuần đến vài tháng, sàng lọc mười ngàn hợp chất gần như tính đến khi tận thế.

Nếu có thể ngay lập tức tìm ra cấu hình ổn định nhất, hiệu suất sàng lọc thuốc sẽ tăng theo cấp số nhân.

Còn dự báo thời tiết nữa. Mô hình hoàn lưu khí quyển động đến hàng triệu biến số, phi tuyến tính liên kết đến mức khiến người ta phát khiếp. Siêu máy tính hiện nay dự báo đường đi của bão ba ngày sau vẫn còn sai lệch vài chục kilomet. Nếu có thể nhanh chóng tìm ra lộ trình xấp xỉ tối ưu của sự tiến hóa hệ thống, độ chính xác sẽ đạt đến mức nào, không ai dám tưởng tượng.

Ngoài ra, còn có những lĩnh vực cơ bản hơn nữa, như thiết kế vật liệu, kiểm soát rủi ro tài chính, lái xe tự động, giải phương trình hóa học lượng tử…

Ánh mắt của Tiêu Tú dừng lại trên vòng tròn được vẽ trên tờ giấy nháp. Giải pháp cho vấn đề này chính là một chiếc chìa khóa. Chiếc chìa khóa ấy có thể mở vô số cánh cửa. Nhưng vấn đề là, chiếc chìa khóa ấy trông như thế nào?

Mấy ngày qua, anh đã hệ thống lại những tiến triển chính của giới học thuật trong lĩnh vực này. Lĩnh vực này thật nhộn nhịp, cả trong nước lẫn ngoài nước đều có các nhóm nghiên cứu đang gặm nhấm nó. Tư duy chủ đạo nhất là kết hợp "mô hình đại lý" với "lấy mẫu chủ động". Nghĩa là sử dụng quá trình Gauss hoặc mạng nơ-ron để xấp xỉ hàm mục tiêu, xây dựng một mô hình đại lý dễ tính toán, sau đó tìm những điểm tối ưu có khả năng trên mô hình đại lý rồi quay lại hàm gốc để kiểm chứng. Tối ưu Bayes chính là đại diện của hướng đi này. Nhưng vấn đề là, độ phức tạp tính toán của quá trình Gauss tăng theo cấp số ba cùng với lượng dữ liệu, đến mức vài chục chiều trở lên thì đã trở tay không kịp nữa.

Mạng nơ-ron có khả năng biểu đạt mạnh mẽ hơn, nhưng bản thân mạng nơ-ron cũng phi tuyến tính, dùng phi tuyến tính để xấp xỉ phi tuyến tính, tức là dùng một vấn đề phức tạp để tiếp cận một vấn đề phức tạp khác. Một hướng tư duy khác là "thuật toán siêu tìm kiếm". Đó là các thuật toán như di truyền, bầy đàn hạt tử, tiến hóa vi phân, điểm chung của chúng là bắt chước hiện tượng tự nhiên, để một nhóm giải pháp ứng viên "tiến hóa" hay "bay lượn" trong không gian, dựa vào tính ngẫu nhiên và cơ chế cạnh tranh để dần tiến tới tối ưu. Phương pháp này quả thật hữu dụng, và rất linh hoạt, bất kỳ hộp đen nào cũng có thể ném vào được. Nhưng nó quá chậm, và không có đảm bảo lý thuyết. Bạn chẳng bao giờ biết liệu cái nó tìm ra có phải là tối ưu thật sự hay không, cũng chẳng biết phải chạy bao lâu nữa mới hội tụ.

Còn một hướng nữa là dùng học sâu để giải trực tiếp từ đầu đến cuối. Biến bài toán tối ưu thành tham số, huấn luyện một mạng nơ-ron, đầu vào là mô tả bài toán, đầu ra là giải pháp tối ưu. Ý tưởng này thật hấp dẫn, nhưng dữ liệu huấn luyện từ đâu ra? Phải sinh ra đủ nhiều cặp "bài toán—giải pháp tối ưu", bản thân việc đó đã phải giải vô số bài toán tối ưu rồi. Thế là rơi vào vòng luẩn quẩn.