Nhận định, soi kèo Barito Putera vs Arema Malang, 15h30 ngày 1/11: Đắng cay sân nhà

Trong những năm gần đây, sự phát triển của trí tuệ nhân tạo trong lĩnh vực khoa học và công nghệ diễn ra nhanh hơn bao giờ hết. Học máy, một nhánh của trí tuệ nhân tạo, đã thu hút được sự chú ý rộng rãi, và học sâu, một nhánh của máy học, đã trở thành một điểm nóng nghiên cứu trong những năm gần đây.

Trí tuệ nhân tạo đã từng bước phát triển như thế nào? Hôm nay, chúng ta sẽ cùng nhìn lại lịch sử của trí tuệ nhân tạo.

Năm 1949, Donald Olding Hebb xuất bản cuốn sách "The Organization of Behavior", trong đó mô tả các quy tắc học tập của Hebb và đề xuất khái niệm về trọng số (Metrics). Lý thuyết này đặt nền tảng cho thuật toán học của mạng nơ-ron nhân tạo trong học máy. Mạng nơ-ron nhân tạo là tiền thân của học sâu hiện đang rất phổ biến.

Năm 1950, Alan Turing đã xuất bản một bài báo nổi tiếng có tựa đề "Máy móc có thể suy nghĩ?", trong đó ông đưa ra khái niệm về tư duy của máy móc và đề xuất phép thử Turing (một bài kiểm tra khả năng trí tuệ của máy tính. Phép thử như sau: một người chơi thực hiện một cuộc thảo luận bằng ngôn ngữ tự nhiên với một con người và một máy tính, cả hai đều cố gắng chứng tỏ mình là con người. Ba bên tham gia phép thử được cách ly với nhau). Vì vậy, Turing còn được mệnh danh là "cha đẻ của trí tuệ nhân tạo". Sau đó, để tưởng nhớ những đóng góp của Turing, Hiệp hội Máy tính Hoa Kỳ đã thành lập Giải thưởng Turing để ghi nhận những người có đóng góp xuất sắc trong lĩnh vực khoa học máy tính.

Năm 1952, Arthur Samuel đã phát triển một chương trình chơi cờ có khả năng tự học và thậm chí có thể đánh bại những người chơi cờ chuyên nghiệp sau khi được đào tạo.

Samuel đề xuất khái niệm "học máy", được định nghĩa là "cung cấp cho máy tính một chức năng nhất định mà không được lập trình rõ ràng".

Năm 1956, khái niệm "trí tuệ nhân tạo" được đề xuất tại Hội nghị Dartmouth, vì vậy năm 1956 được gọi là năm đầu tiên của trí tuệ nhân tạo.

Năm 1957, Rosenblatt phát minh ra perceptron, mô hình nơ-ron sớm nhất trong lý thuyết mạng nơ-ron nhân tạo máy học. Ngay sau đó là sự xuất hiện của hàng loạt nghiên cứu lý thuyết học sâu, tế bào cảm thụ được so sánh với mô hình nơ-ron để hiểu sâu hơn về đơn vị cơ bản của mạng nơ-ron...

Do sự đột phá của lý thuyết mạng nơ-ron nhân tạo, lĩnh vực trí tuệ nhân tạo đã được quan tâm rất nhiều, các cơ quan chính phủ đã đầu tư nhiều kinh phí để thành lập nhiều dự án liên quan.

Năm 1960, Vidro là người đầu tiên sử dụng quy tắc học delta cho bước huấn luyện perceptron. Phương pháp này sau đó được gọi là phương pháp bình phương nhỏ nhất. Sự kết hợp của hai điều này tạo ra một bộ phân loại tuyến tính tốt.

Năm 1967, Giải thuật k hàng xóm gần nhất (k-Nearest Neighbor, KNN) xuất hiện, từ đó máy tính có thể thực hiện nhận dạng mẫu đơn giản.

Năm 1969, Marvin Minsky xuất bản cuốn sách "Perceptrons", trong đó ông đề xuất những hạn chế của mạng nơ-ron nhân tạo. Do vị trí quan trọng của Minsky trong lĩnh vực trí tuệ nhân tạo, và do những trở ngại trong lĩnh vực nghiên cứu trí tuệ nhân tạo, các nhà nghiên cứu của các dự án trí tuệ nhân tạo đã không thể thực hiện lời hứa trước đó của họ. Kỳ vọng lạc quan của mọi người về trí tuệ nhân tạo đã bị ảnh hưởng nặng nề, và nhiều các dự án nghiên cứu đã bị dừng lại hoặc chuyển hướng sang các dự án khác. Theo đó, nghiên cứu về AI đã rơi vào tình trạng tụt dốc.

Từ giữa những năm 1970, trí tuệ nhân tạo đã bước vào "thời kỳ tri thức". Một lớp các chương trình AI được gọi là "hệ chuyên gia" (Expert system) bắt đầu được các công ty trên thế giới áp dụng và "xử lý kiến thức" (Knowledge processing) trở thành trọng tâm của nghiên cứu AI chính thống.

Trong thời gian này, nhiều quốc gia tiên phong đã mạnh tay vào đầu tư các dự án tương tự với hy vọng chế tạo những cỗ máy có thể nói chuyện với con người, dịch ngôn ngữ, giải thích hình ảnh và suy luận giống như con người.

Hệ chuyên gia là một chương trình có thể trả lời hoặc giải quyết các vấn đề trong một lĩnh vực cụ thể theo một tập hợp các quy tắc logic rút ra từ kiến thức chuyên ngành.

Dendral, một dự án về trí tuệ nhân tạo được thiết kế từ năm 1965, có thể phân biệt các hỗn hợp dựa trên kết quả đo phổ kế. Năm 1972, MYCIN một hệ thống chuyên gia về chuỗi lạc hậu sớm sử dụng trí thông minh nhân tạo được ra đời, nó có khả năng xác định vi khuẩn gây nhiễm trùng nặng, như nhiễm khuẩn huyết và viêm màng não, và khuyên dùng kháng sinh, với liều điều chỉnh theo trọng lượng cơ thể của bệnh nhân. Theo đó, hệ thống cơ sở tri thức và kỹ thuật tri thức đã trở thành định hướng chính của nghiên cứu AI trong những năm 1980.

Năm 1982, Hopfield đề xuất một loại mạng nơ-ron mới, sau này được gọi là mạng Hopfield, sử dụng một cách hoàn toàn mới để tìm hiểu và xử lý thông tin. Đồng thời, thuật toán lan truyền ngược, một phương pháp huấn luyện của mạng nơ-ron, được đề xuất, và thuật toán này cũng là một trong những thuật toán quan trọng của lý thuyết học sâu. Việc nghiên cứu theo hướng mạng nơ-ron nhân tạo vốn im hơi lặng tiếng nhiều năm thì cho tới thời điểm này đã lấy lại được sự phát triển.

Năm 1986, một thuật toán quan trọng được đề xuất bởi Quinlan, đó là thuật toán cây quyết định hay còn gọi là thuật toán ID3. So với mô hình mạng nơ-ron, thuật toán cây quyết định ID3 cũng được sử dụng như một phần mềm, bằng cách sử dụng các quy tắc đơn giản và các tham chiếu rõ ràng để tìm ra nhiều trường hợp sử dụng thực tế hơn. Cây quyết định là một kỹ thuật được sử dụng thường xuyên trong khai thác dữ liệu, có thể được sử dụng để phân tích dữ liệu cũng như đưa ra dự đoán.

Năm 1990, Schapire lần đầu tiên xây dựng một thuật toán cấp đa thức, thuật toán Tăng cường ban đầu. Một năm sau, Freund đề xuất một thuật toán Thúc đẩy hiệu quả hơn.

Năm 1995, Freund và Schapire đã cải tiến thuật toán Tăng cường và đề xuất thuật toán AdaBoost (Tăng cường thích ứng). Hiệu quả của thuật toán này gần như tương đương với thuật toán Tăng cường do Freund đề xuất năm 1991, nhưng dễ áp dụng hơn vào các vấn đề thực tế.

Cùng năm đó, một trong những đột phá quan trọng nhất trong lĩnh vực học máy, hỗ trợ máy vectơ (SVM), được đề xuất bởi Vapnick và Cortez trong một số lượng lớn các điều kiện lý thuyết và thực nghiệm. Kể từ đó, nghiên cứu học máy đã được chia thành hướng mạng nơ-ron và hướng máy vector hỗ trợ.

Năm 1997, siêu máy tính Deep Blue của IBM đánh bại nhà vô địch cờ vua thế giới Kasparov đã thu hút sự chú ý của cả thế giới.

Năm 2001, Brehman đề xuất mô hình cây quyết định tổng hợp, bao gồm một tập hợp con ngẫu nhiên của các cá thể và mỗi nút được chọn từ một loạt các tập con ngẫu nhiên. Do đặc tính này, nó còn được gọi là Random forest (RF).

Vào năm 2006, chuyên gia mạng nơ-ron Hinton đã đề xuất một thuật toán học sâu mạng nơ-ron, giúp cải thiện đáng kể khả năng của mạng nơ-ron, thách thức các máy vectơ hỗ trợ và bắt đầu làn sóng học sâu trong giới học thuật và công nghiệp.

Học sâu cho phép các mô hình tính toán với nhiều lớp xử lý để học từ dữ liệu với nhiều lớp trừu tượng. Những phương pháp này đã dẫn đến những cải tiến đáng kể trong nhiều lĩnh vực, bao gồm nhận dạng giọng nói hiện đại, nhận dạng hình ảnh trực quan, phát hiện hình ảnh và nhiều lĩnh vực khác như phát hiện ma túy và gen.

Học sâu có thể khám phá các cấu trúc phức tạp trong dữ liệu lớn. Nó sử dụng thuật toán BP để hoàn thành quá trình khám phá. Thuật toán BP có thể hướng dẫn máy cách lấy lỗi từ lớp trước và thay đổi các thông số bên trong của lớp này, và các thông số bên trong này có thể được sử dụng để tính toán, biểu diễn. Mạng tích hợp sâu đã mang lại những đột phá trong việc xử lý hình ảnh, video, lời nói và âm thanh, trong khi mạng lặp lại đã cho thấy những điểm sáng trong việc xử lý dữ liệu tuần tự như văn bản và giọng nói.

Đồng thời, với sự phát triển không ngừng của dữ liệu lớn, một số vấn đề hiện nay không còn có thể giải quyết theo cách thủ công và thường cần sự trợ giúp của máy tính để hoàn thành một số xử lý dữ liệu phức tạp. Sự kết hợp giữa trí tuệ nhân tạo và dữ liệu lớn là điểm nổi bật của các nghiên cứu hiện nay.

Các phương pháp học thống kê phổ biến nhất trong trí tuệ nhân tạo là học sâu và máy vectơ hỗ trợ, là phương pháp đại diện cho học tập thống kê. Có thể coi cả mạng nơ-ron và máy vectơ hỗ trợ đều có nguồn gốc từ các perceptron.

Mô hình mạng nơ-ron thường được sử dụng để thực hiện các nhiệm vụ khó khăn như nhận dạng đối tượng, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên, v.v. Trong khi đó, tính đơn giản của SVM lại khiến nó vẫn là phương pháp học máy được sử dụng rộng rãi nhất.

Cải tiến là bản chất của công nghệ và tốc độ cải tiến của nó là cấp số nhân. Tăng trưởng theo cấp số nhân xảy ra khi số lượng tăng tỷ lệ với kích thước của một thứ gì đó. Ví dụ, tiền lãi trả cho một tài khoản ngân hàng tỷ lệ thuận với số dư của nó. Miễn là tăng trưởng theo cấp số nhân thì sẽ có thời gian không đổi.

Bởi vậy có thể nói sự phát triển của trí tuệ nhân tạo ngày hôm nay chỉ là một điểm khởi đầu. Nếu sức mạnh của công nghệ điện toán tiếp tục phát triển, thì trong tương lai, sự phát triển của AI sẽ là viễn cảnh khó lòng có thể dự đoán chính xác và có thể một ngày không xa, trí tuệ nhân tạo sẽ vượt xa sự thông minh của con người ở nhiều khía cạnh.

(Theo Trí Thức Trẻ)

Chiến trường Ukraine vén màn bí mật công nghệ của các ông lớn

Tháng 3/2022, Ukraine thông báo đã thu giữ được 1 đơn vị Krasukha-4, hệ thống tác chiến điện tử hiện đại nhất của quân đội Nga tại chiến trường gần Kiev. Ngay lập tức, hệ thống này được chuyển giao cho phía Mỹ “mổ xẻ”.

Trong các năm qua, Amazon xâm nhập thị trường robot một cách quyết liệt song bộ phận Amazon Robotics chỉ tập trung vào kho vận. Amazon và iRobot có quan hệ gần gũi thời gian gần đây, khi Roomba tận dụng trợ lý giọng nói Alexa và sử dụng máy chủ Amazon Web Services (AWS).

Roomba là sản phẩm thành công nhất của iRobot. Công ty đã thử nghiệm nhiều robot làm việc nhà khác nhau, chẳng hạn làm sạch cống nước và hồ bơi cho đến lau sàn, cắt cỏ. Dịch Covid-19 khiến iRobot phải sa thải 70 nhân viên vào tháng 4/2020, tương đương 5% nhân sự toàn cầu.

Với nguồn lực khổng lồ từ Amazon, chắc chắn iRobot sẽ đẩy nhanh tiến độ ra mắt các sản phẩm mới. Ngay từ khi thành lập, công ty đã quen với các thí nghiệm, từ búp bê, máy giặt quân sự cho đến khi gây tiếng vang với Roomba. Cuối năm ngoái, iRobot cũng mua lại công ty lọc không khí thông minh Aeries để đa dạng hóa danh mục.

Thương vụ thâu tóm iRobot đang chờ nhà chức trách phê duyệt. Hai bên phải thuyết phục nhà quản lý rằng họ vẫn duy trì các biện pháp bảo vệ quyền riêng tư phù hợp. Việc Amazon sở hữu một trong những robot hút bụi phổ biến nhất thế giới chắc chắn khiến nhiều người phản đối. Những phiên bản Roomba mới nhất trang bị cảm biến tinh vi, có thể lập bản đồ 3D của ngôi nhà.

Thiết bị chiếm một phần nhỏ trong tổng doanh thu của Amazon. Công ty đang bán bộ điều nhiệt thông minh, thiết bị bảo mật, màn hình thông minh treo tường và chó robot Astro.

Theo Reuters, giao dịch diễn ra trong bối cảnh các nhà phân tích dự đoán các “gã nhà giàu” sẽ tận dụng cơ hội thị trường điều chỉnh để mua lại những công ty tiềm năng với giá thấp. Amazon đang có trong tay hơn 37 tỷ USD tiền mặt và các khoảng tương đương tiền.

Du Lam (Theo TechCrunch, Reuters)

Twitter muốn đem Elon Musk ra tòa càng sớm càng tốt

Trong đơn kiện, công ty mạng xã hội đã chỉ trích vị tỷ phú vì chỉ xem thương vụ bạc tỷ này là “một trò cợt nhả có đầu tư”.

Ngân An

Những website theo dõi dữ liệu chuyến bay đã phần nào khiến thế giới "phẳng" hơn, khi cách một màn hình, chúng ta có thể biết được hoạt động của những chính trị gia tầm cỡ, những ngôi sao toàn cầu, thu hút sự chú ý của đông đảo công chúng.

Hình ảnh hiển thị dữ liệu chuyến bay trông đơn điệu, song đã thu hút hàng triệu con mắt đổ dồn vào một biểu tượng máy bay liên tục di chuyển trên bản đồ phẳng trong hơn 7 tiếng: Biểu tượng thể hiện lộ trình chuyến bay mang mã hiệu SPAR19 chở Chủ tịch Hạ viện Mỹ Nancy Pelosi đến Đài Loan.

Tính chất đặc biệt, căng thẳng, của chuyến thăm này đã biến SPAR19 trở thành chuyến bay được có số lượng theo dõi lớn nhất trong lịch sử thành lập FlightRadar24 - website nổi tiếng cung cấp dữ liệu hàng chục nghìn chuyến bay trên thế giới theo thời gian thực.

Ian Petchenik, Giám đốc truyền thông của FlightRadar24, nói rằng website ghi nhận “mức độ quan tâm chưa từng có” về chuyến bay của bà Pelosi. Cao điểm có khoảng 708.000 người dõi theo ký hiệu nhỏ thể hiện cho chuyến bay SPAR19. Điều này khiến nhiều thời điểm website bị quá tải và sập trong tối 2/8. Tổng cộng, gần 3 triệu người dùng đã theo dõi chuyến bay của vị chủ tịch Hạ viện 82 tuổi.

"Bùng nổ" ở mỗi sự kiện quan trọng

Đây không phải lần đầu Flightradar24 ghi nhận hàng trăm nghìn người theo dõi các chuyến bay, dù những gì họ thấy chỉ là ký hiệu máy bay nhỏ, liên tục thay đổi theo thời gian thực và trông không mấy hấp dẫn.

Song, mức độ quan tâm của người dùng dành cho độ nổi tiếng của những nhân vật xuất hiện trên các chuyến bay đó.

Vào năm 2021, gần 550.000 theo dõi chuyến bay chở chính trị gia đối lập Nga Alexei Navalny trở về Moscow chịu án tù. Số người theo dõi máy bay Global Hawk của Không quân Mỹ bay vòng Ukraine trong xung đột ở Ukraine còn nhiều hơn. Ngoài ra, người dùng cũng từng quan sát chuyến bay sơ tán người Mỹ khỏi Afghanistan vào năm 2021.

SPAR19 trở thành chuyến bay có số người theo dõi nhiều nhất lịch sử thành lập website FlightRadar24. Ảnh: FlightRadar24.

Lý giải về điều này, ông Petchenik nói rằng người dùng sẽ cảm thấy mình đang tham gia vào một phần của tiến trình lịch sử. Ngoài ra, sự hấp dẫn còn đến từ việc theo dõi lộ trình bay và thảo luận với những người khác trên mạng xã hội.

“Hãy tưởng tượng mọi sự chú ý sẽ đổ dồn vào như thế nào nếu trước đây có thể theo dõi chuyến bay của (cựu Tổng thống Mỹ) Richard Nixon đến Trung Quốc theo thời gian thực”, ông Petchenik nói. Tương tự, dư luận tuần này cũng xôn xao trong những giờ theo dõi SPAR19 bay từ Malaysia, vòng qua Philippines để đến đảo Đài Loan.

Không chỉ các sự kiện quốc tế, website theo dõi chuyến cũng thường đón nhận lượng truy cập lớn của người hâm mộ thể thao theo dõi những ngôi sao đến và đi khỏi câu lạc bộ yêu thích trong kỳ chuyển nhượng, hay chuyên cơ của những ngôi sao nổi tiếng toàn cầu.

Công nghệ đơn giản, giá thành rẻ

Theo dõi chuyến bay dựa trên công nghệ giám sát nguồn mở, được gọi là hệ thống giám sát - phát sóng phụ thuộc tự động (automatic dependent surveillance-broadcast hay ADS-B), cho phép máy bay chia sẻ vị trí và các thông tin khác đến các máy thu sóng.

Bất kỳ ai cũng có thể thiết lập bộ thu ADS-B với bộ dụng cụ giá rẻ. Điều này cho đã biến FlightRadar24 từ một đơn vị có vài bộ thu tín hiệu ở Thụy Điển trở thành mạng lưới khổng lồ với hơn 30.000 máy thu trên toàn thế giới. Các máy thu có phạm vi đến gần 1.000 km, dù tín hiệu có thể chịu ảnh hưởng do địa hình như đồi núi.

Một bộ thu sóng ADS-B có giá thành rẻ và dễ sử dụng. FlightRadar24.

Để giải quyết khó khăn này, FlightRadar24 đã tham chiếu nguồn từ các máy thu kết hợp với dữ liệu vệ tinh từ Cục Hàng không Liên bang Mỹ (FAA). Dù vậy, các đơn vị theo dõi chuyến bay muốn dùng dữ liệu chính phủ phải tuân thủ quy định của FAA rằng chủ sở hữu máy bay có thể yêu cầu xóa thông tin chuyến bay khỏi các website công khai.

Do đó, một vài trường hợp người dùng tìm đến website ADS-B Exchange, được thành lập vào năm 2016 bởi chuyên gia công nghệ thông tin Dan Streufert. Website này dựa vào dữ liệu từ 9.000 máy thu ADS-B do nhiều tình nguyện viên trên thế giới hỗ trợ, và không chịu những rào cản do không liên kết với FAA. Mạng lưới của Streufert do vậy cho phép người dùng theo dõi chuyến bay từ nhiều nhân vật quyền lực muốn được giữ bí mật.

Phương thức tiếp cận dữ liệu mở của ADS-B Exchange giúp nhiều người và các nhà báo biết được hoạt động từ những người nổi tiếng. Năm nay, một lập trình viên 19 tuổi tên Jack Sweeney đã công khai theo dõi lộ trình bay của Elon Musk trên Twitter. Vị tỷ phú người Mỹ sau đó đề nghị trả 5.000 USD để Sweeney xóa bài đăng nhưng đã bị từ chối.

Dù vậy, ông Steufert nói rằng đôi khi các chuyến bay quan trọng sẽ cố tình bật chia sẻ dữ liệu ADS-B. “Khi chiến sự ở Ukraine xảy ra, bạn có thể thấy các máy bay Mỹ cố ý phát tín hiệu vị trí như một cách truyền tải thông điệp".

Chia sẻ thông tin

Ông nói thêm đôi khi nhiều cơ quan cũng sử dụng dữ liệu của ADS-B Exchange, khi mạng lưới từ website này có thể theo dõi những chuyển động mà các cơ quan này đôi khi không tiếp cận được.

“Chúng tôi có nhiều điểm đặt thiết bị giá rẻ ở mặt đất, trong khi các cơ quan chính phủ có nhiều thiết bị tiên tiến nhưng số lượng ít hơn. Mỗi bên đều có ưu và nhược riêng, nhưng việc tiếp cận hệ thống của chúng tôi sẽ cần ít thủ tục hơn.

ADS-B Exchange đôi khi cũng trao đổi thông tin với các nhà chức trách về những vụ máy bay rơi, cũng như từng liên lạc với Bộ Quốc phòng Mỹ, theo ông Steufert. “Họ không nói họ dùng những dữ liệu đó làm gì, nhưng nó giúp giảm bớt chi phí”.

Nhà sáng lập website này nói mình không làm gì sai trái. "Chúng tôi không phân tích dữ liệu. Chúng tôi nhường phần việc đó cho báo chí, nhà nghiên cứu, những người đánh giá chuyến bay đó có ý nghĩa gì. Chúng tôi chỉ muốn chia sẻ nhiều thông tin nhất có thể".

(Theo Zing)

Vì sao cả thế giới có thể theo dõi chuyến bay của bà Pelosi

Chuyến bay liên quan đến các nhân vật nổi tiếng, sự kiện quốc tế quan trọng được hàng trăm nghìn người theo dõi trực tiếp trên các ứng dụng như Flightradar24.

Chia sẻ với VietNamNet,PGS.TS Nguyễn Duy Cường, Phó hiệu trưởng, Trưởng phòng đào tạo nhà trường xác nhận thông tin, chiều ngày 19/8, nữ sinh của trường là em Cao Thị Nhung (sinh năm 1994, quê Ngọc Lặc, Thanh Hóa) phải nhập viện sau khi bị đâm ở đầu và tay.

Nữ sinh này và bạn trai xảy ra mâu thuẫn tại khu vực xóm trọ thuộc ngõ 8, đường Phan Bá Vành (Phường Quang Trung, TP Thái Bình).

Ngay sau khi sự việc xảy ra, người dân đã bắt được nghi can, giao cho công an địa phương và đưa Nhung đi cấp cứu tại Bệnh viện Đa khoa tỉnh Thái Bình.

Ông Cường cho biết, đến chiều 20/8, tình trạng sức khỏe của nữ sinh đã tương đối ổn. “Tiên lượng tương đối tốt. Các vết thương đã được xử lý. Vết thương ở đầu vẫn đang được theo dõi và đến thời điểm này em đã tỉnh táo”, ông Cường cho hay.

Theo ông Cường, ở trường, Nhung là một sinh viên bình thường, không có các biểu hiện tiêu cực.

Hiện vụ việc đang được cơ quan Công an TP Thái Bình điều tra, làm rõ.

• Thanh Hùng