Tại lễ trao giải VinFuture 2024 diễn ra vào tối 6/12 tại Hà Nội, giải thưởng VinFuture Grand Prize trị giá 3 triệu USD đã được trao cho 5 nhà khoa học, bao gồm Giáo sư Yoshua Bengio và Giáo sư Geoffrey E. Hinton, đến từ Canada; ông Jen-Hsun Huang, Giáo sư Yann LeCun và Giáo sư Fei-Fei Li đều đến từ Mỹ.
Các nhà khoa học này đã giành được giải thưởng danh giá nhờ những đóng góp đột phá để thúc đẩy sự tiến bộ của Học sâu (Deep Learning).
Các nhà khoa học nhận giải thưởng VinFuture Grand Prize 2024 vì những đóng góp đột phá thúc đẩy sự tiến bộ của Học sâu (Ảnh: Mạnh Quân).
Vậy “Học sâu” là gì mà giúp các nhà khoa học nhận được giải thưởng VinFuture Grand Prize 2024?
Trên thực tế, “Học sâu” không phải là khái niệm quá mới mẻ và thường được nhắc đến rất nhiều trong thời gian gần đây, nhất là khi cuộc đua phát triển trí tuệ nhân tạo (AI) đang trở nên sôi nổi hơn bao giờ hết.
Tuy nhiên, không phải ai cũng hiểu rõ về khái niệm, cũng như những ứng dụng của công nghệ này vào thực tế.
“Học sâu” là gì?
Học sâu (Deep Learning) là một nhánh của Machine Learning (Học máy) và Artificial Intelligence (AI – Trí tuệ nhân tạo). Học sâu tập trung vào việc dạy máy tính học hỏi và tự cải thiện khả năng thực hiện nhiệm vụ thông qua một mạng lưới nơ-ron nhân tạo mô phỏng cách hoạt động của não người.
Điểm nổi bật của học sâu so với các phương pháp học máy truyền thống là khả năng tự động trích xuất thông tin từ dữ liệu mà không cần can thiệp lập trình thủ công.
Học sâu giúp hệ thống máy tính có khả năng tự đưa ra quyết định dựa vào những dữ liệu đã được học (Ảnh minh họa: Pinterest).
Một cách đơn giản, bạn có thể hình dung học sâu giống như việc dạy một em bé nhận biết thế giới xung quanh. Ví dụ, bạn hướng dẫn một đứa trẻ cách nhận biết con mèo.
Ban đầu, khi đứa trẻ nhìn thấy hình ảnh con mèo, não bộ của trẻ sẽ dần dần học được các đặc điểm của mèo như tai nhọn, có râu, đuôi dài, có bốn chân… Mỗi lần thấy một con mèo mới, trẻ sẽ tự động nhận ra “Đây là con mèo” dựa trên những đặc điểm đã học được.
Học sâu cũng hoạt động tương tự như vậy. Nó là một phương pháp dạy cho máy tính “học” từ rất nhiều ví dụ, giống như bộ não con người. Máy tính sẽ tự động tìm ra các đặc điểm quan trọng từ dữ liệu (như tai, râu, đuôi của mèo) qua nhiều lớp xử lý (đó là lý do gọi là “học sâu”), và dùng những đặc điểm này để nhận dạng những thứ mới.
Ví dụ minh họa về hệ thống học sâu ghi nhận các đặc điểm của mèo để có thể nhận biết được đâu là con mèo nếu hệ thống này bắt gặp (Ảnh minh họa: AI).
Ví dụ khi bạn đưa cho một mô hình học sâu 1000 bức ảnh mèo, nó sẽ tự học được các đặc điểm của loài vật này. Sau đó, khi bạn đưa cho nó một bức ảnh mới mà hệ thống học sâu chưa từng thấy, nó có thể tự nhận ra “Đây là mèo!” dựa trên những gì đã học được, giống như cách một đứa trẻ thường làm.
Điểm khác biệt chính của học sâu so với các phương pháp trước đây là thay vì con người phải chỉ ra từng đặc điểm cụ thể (chẳng hạn như nhập câu lệnh “tìm tai nhọn”, “tìm râu”…), máy tính sẽ tự do khám phá và lọc ra những đặc điểm nào là quan trọng. Điều này giúp nó có thể xử lý được những tác vụ phức tạp mà con người khó có thể mô tả bằng các quy tắc cụ thể.
“Học sâu” cũng giống như quá trình đi học của một học sinh, khi càng được xem nhiều bài minh họa, học sinh đó sẽ học càng tốt, tự rút ra được những cách thức giải bài tập mà không cần thầy cô phải chỉ dạy từng bước. Đó là lý do các hệ thống AI thường đòi hỏi một dữ liệu rất lớn để có thể tự học tập.
Lịch sử phát triển của “Học sâu”
Nguồn gốc của học sâu bắt đầu từ những năm 40 của thế kỷ trước, khi 2 nhà khoa học người Mỹ Warren McCulloch và Walter Pitts xây dựng mô hình nơ-ron toán học đầu tiên.
Giáo sư Geoffrey Everest Hinton được xem là một trong những “cha đẻ của AI” (Ảnh minh họa: LinkedIn).
Tuy nhiên, phải đến thập niên 1980, với sự ra đời của thuật toán “lan truyền ngược” (backpropagation) do nhà khoa học máy tính người Canada Geoffrey Everest Hinton phát minh, mạng nơ-ron toán học nhiều lớp mới thực sự trở nên khả thi và hiệu quả. Geoffrey Everest Hinton cũng chính là một trong 5 nhà khoa học vừa nhận được giải thưởng đặc biệt của VinFuture 2024.
Sự bùng nổ thực sự của học sâu bắt đầu vào đầu những năm 2010, nhờ vào ba yếu tố chính: sự gia tăng đột biến về khả năng tính toán của phần cứng máy tính, khối lượng dữ liệu khổng lồ có sẵn, và những cải tiến quan trọng trong kiến trúc mạng nơ-ron.
Những ứng dụng thực tế của “Học sâu”
Ngày nay, học sâu đã được ứng dụng thực tế vào rất nhiều lĩnh vực của đời sống.
Trong xử lý ngôn ngữ tự nhiên, các chatbot tích hợp AI như ChatGPT, Gemini, Claude AI… đã đạt được những tiến bộ vượt bậc trong dịch thuật, tóm tắt văn bản, trả lời câu hỏi và thậm chí sáng tạo nghệ thuật. Các chatbot AI này ngày càng trở nên thông minh hơn nhờ khả năng hiểu ngữ cảnh và tương tác tự nhiên với con người.
Trong lĩnh vực thị giác máy tính, học sâu đã cách mạng hóa các ứng dụng nhận dạng khuôn mặt, phát hiện đối tượng… Các hệ thống giám sát thông minh có thể phát hiện hành vi bất thường, trong khi các ứng dụng chỉnh sửa ảnh có thể tự động làm đẹp hoặc tạo ra những hình ảnh hoàn toàn mới.
Học sâu giúp hỗ trợ các bác sĩ chẩn đoán bệnh dựa vào dấu hiệu cận lâm sàng chính xác hơn (Ảnh minh họa: Getty).
Trong y tế, học sâu đang giúp các bác sĩ chẩn đoán bệnh sớm và chính xác hơn thông qua việc phân tích hình ảnh X-quang, CT, MRI… Các mô hình học sâu còn hỗ trợ trong việc phát triển các loại thuốc mới và dự đoán cấu trúc protein.
Trong sản xuất công nghiệp, học sâu được ứng dụng trong kiểm soát chất lượng tự động và tối ưu hóa quy trình sản xuất. Các robot được trang bị AI có thể thực hiện những nhiệm vụ phức tạp đòi hỏi sự linh hoạt và thích ứng cao nhờ vào học sâu.
Một ứng dụng nổi bật khác của học sâu đó là trong lĩnh vực nhận diện giọng nói. Công nghệ này đã biến đổi cách con người tương tác với máy móc, từ trợ lý ảo như giọng nói đến các công cụ hỗ trợ người khuyết tật.
Ngoài ra, học sâu cũng được sử dụng để phân tích dữ liệu lớn trong các lĩnh vực như tài chính, phát hiện gian lận và thương mại điện tử, nơi nó đề xuất sản phẩm dựa trên hành vi người dùng.
Dẫu vậy, sự phát triển nhanh chóng của học sâu cũng đặt ra nhiều thách thức. Một trong số đó là vấn đề đạo đức và quyền riêng tư, khi dữ liệu cá nhân được sử dụng để đào tạo các mô hình. Ngoài ra, học sâu cũng tiêu thụ năng lượng và sử dụng tài nguyên tính toán rất lớn, làm dấy lên lo ngại về tính bền vững.
Quan trọng hơn, việc hiểu và kiểm soát các mô hình học sâu phức tạp vẫn là một thách thức lớn, đặc biệt khi chúng có thể tự đưa ra các quyết định mà con người khó giải thích.
Trong tương lai, học sâu hứa hẹn sẽ tiếp tục phát triển, mở ra nhiều cơ hội mới trong các lĩnh vực như y học, năng lượng, giáo dục… Tuy nhiên, để tận dụng tối đa tiềm năng của công nghệ này, cần có sự hợp tác chặt chẽ giữa các nhà nghiên cứu, chính phủ và doanh nghiệp để xây dựng các quy chuẩn về đạo đức cũng như trách nhiệm xã hội.
Học sâu không chỉ là một công cụ công nghệ, mà còn là một động lực để thúc đẩy tiến bộ của nhân loại nếu được định hướng và quản lý đúng đắn.
Video khái niệm và ứng dụng thực tiễn của Học sâu (Video: VinFuture).
