Nguyên tác: Buddhist Wisdom For Less Artificial And Intelligent AI
Tác giả: Subodh Saxena
Việt dịch: Quảng Cơ
Sưu tập: Tuệ Uyển
***
Trí tuệ Phật giáo (prajna) bao gồm ba công cụ là nghe (sutras), quán chiếu (Cinta) và thiền định (Bhavana). Để hiểu biết về mặt trí tuệ, chúng ta phải nghe, học và nghiên cứu (sutras). Chúng ta có thể tiếp thu kiến thức này thông qua trí tuệ quán chiếu và phản chiếu (Cinta).
Đó là một buổi sáng mùa hè tươi sáng. Những tia nắng đỏ thắm của mặt trời mỉm cười đang hôn lên ngọn cây và tòa tháp cao. Một làn gió tươi mát và một dàn hợp xướng chim chóc vui nhộn đang tràn ngập bầu không khí tại trung tâm thiền định ở Dharamshala ở dãy Himalaya. Sự tương đồng đáng kinh ngạc giữa AI Học sâu và trí tuệ Phật giáo đã xuất hiện trong tôi khi tham dự chương trình thiền định Phật giáo tại trung tâm. Trong hơn 2.500 năm, Phật giáo đã nghiên cứu về tâm, vốn không phải là vật chất và khác với não bộ mặc dù cả hai đều có sự kết nối và phụ thuộc lẫn nhau. Trí tuệ Phật giáo là chìa khóa của tâm. Mặc dù các nhà khoa học thần kinh đã nghiên cứu sâu rộng về giải phẫu và chức năng của não bộ, nhưng có rất ít hiểu biết về tâm, tư duy, ý thức, trực giác và trí thông minh. Mạng Thần kinh nhân tạo bỏ lỡ quá trình thông dịch trên bộ não sang tâm. Hiệu suất của AI Học sâu, mô phỏng bộ não sinh học, có thể được tăng cường bằng cách đồng hóa việc học Phật giáo.
Học sâu, tên gọi của Mạng thần kinh nhân tạo, được hình thành vào những năm 1940. Tuy nhiên, chỉ vài năm trước, hệ thống tri giác trực quan (học thông qua kinh nghiệm) sử dụng toán học liên tục đã bổ sung cho Trí tuệ nhân tạo cổ điển dựa trên hệ thống tri giác hợp lý (được lập trình). Sự cho phép này là nguồn gốc cho những thành tựu ngoạn mục của AI trong nửa thập niên qua. Nhưng hiện tại có một số thất vọng. Đã có những kỳ tích gần như con người hoặc siêu phàm của AI trong các lĩnh vực khác nhau như trò chơi cờ bàn & chiến lược, nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên và xe hơi tự hành. Học sâu sử dụng toán học nặng, giống thuật giả kim hơn là hóa học. Chỉ một phần trong các giải pháp hiệu suất cao của nó có thể được giải thích một cách hợp lý, phần còn lại là bản năng, một con đường khác biệt với sự thông minh của con người. Nhưng do khả năng xử lý dữ liệu khổng lồ, hoạt động hộp đen khó hiểu, không có khả năng áp dụng các khái niệm trừu tượng vào các tình huống khác nhau và khó thiết kế các mô hình, nên người ta lo sợ Học sâu sẽ gặp trở ngại.
Quá Trình AI Học Sâu Vấp Phải Công Cụ Trí Tuệ Phật Giáo
Học sâu, một quá trình thống kê, mô phỏng bộ não động vật có vú. Các tế bào thần kinh nhân tạo (perceptron) là phiên bản kỹ thuật số đồng nhất được đơn giản hóa của các tế bào thần kinh sinh học (Hình 1). Bộ não con người có khoảng 100 tỷ tế bào thần kinh và 1000 nghìn tỷ khớp thần kinh (kết nối thần kinh). Các mạng lưới thần kinh nhân tạo khác biệt rất nhiều so với cấu trúc não ở số lượng tế bào thần kinh & khớp thần kinh, hình dạng, kích thước & kiểu kích hoạt tế bào thần kinh, cấu trúc bẩm sinh, tạo ra và chèn các tế bào thần kinh mới vào các mạch hiện có và sử dụng có chọn lọc các khu vực cụ thể.
Trong Mạng thần kinh nhân tạo, các tế bào thần kinh (perceptron) được sắp xếp theo các lớp đầu vào, ẩn và đầu ra. Dữ liệu đầu vào được gán trọng số và độ lệch khi nó đến một tế bào thần kinh khác trong lớp liền kề. Đầu vào này đi qua một hàm kích hoạt và đầu ra đi đến các tế bào thần kinh lớp tiếp theo. Quá trình này tiếp tục cho đến khi các kích hoạt tế bào thần kinh nhân tạo đạt đến lớp đầu ra. Tại đây, chúng phải chịu các thuật toán tối ưu hóa (mất mát) và lan truyền ngược. Đầu ra thực tế và mong muốn được so sánh và sự khác biệt được lan truyền trở lại lớp đầu vào để tối ưu hóa trọng số và độ lệch. Quá trình lặp lại tiếp tục cho đến khi đạt được đầu ra gần như mong muốn. Cấu trúc của mạng thần kinh 'Nông' và 'Sâu' được minh họa trong Hình 2. Sau khi tối ưu hóa trọng số và độ lệch, mô hình Mạng Thần Kinh nhân tạo cung cấp các tham số đầu ra chính xác hơn để đào tạo, xác thực và kiểm tra mô hình. Các tác vụ dưới tuần tự có thể học từ việc học chuyển giao. Các thuật toán Học sâu yêu cầu hàng triệu ví dụ đào tạo. Thu thập hàng tấn dữ liệu chất lượng, AI Học sâu vẫn còn kém xa khả năng lý luận, hiểu biết và ý thức chung của con người.
Trí tuệ Phật giáo (prajna) bao gồm ba công cụ là nghe (sutras), quán chiếu (Cinta), và thiền định (Bhavana). Để hiểu biết về mặt trí tuệ, chúng ta phải nghe, học và nghiên cứu (sutras). Chúng ta có thể tiếp thu kiến thức này thông qua trí tuệ quán chiếu và phản chiếu (Cinta). Dựa trên hai viên ngọc trí tuệ này, chúng ta bắt đầu thực hành thiền định (Bhavana) để đánh thức thêm sự hiểu biết bên trong của chúng ta. Trong quá trình thiền định (Samatha) và thiền quán (vipassana), não là đối tượng của một quá trình nhận thức hướng vào bên trong thay vì hướng ra bên ngoài. Các giá trị được gán cho một số trạng thái nhất định để tăng mức độ phổ biến của chúng. Kết nối tiếp hợp (synap) thay đổi theo đó. Nó có phần giống với những gì xảy ra trong quá trình học tập thông qua các tương tác với thế giới bên ngoài. Ba công cụ trí tuệ Phật giáo được biểu diễn tượng trưng trong Hình 3.
Học sâu dường như đã học theo trí tuệ Phật giáo. Thực hành Học sâu bao gồm đầu vào, chỉ định trọng số & độ lệch, tối ưu hóa và đầu ra tương tự như các công cụ trí tuệ Phật giáo về nghe, chiêm nghiệm, thiền định (Samatha) và thiền quán vipassana). Trong khi thiền định bao gồm chức năng mất mát và nhiễu loạn lan truyền ngược cho đến khi tối ưu hóa, thiền quán giống như nhận đầu ra cung cấp đầu vào cho một mô hình đã được đào tạo. Sự tương ứng này, các bước trong quá trình, được minh họa trong Hình 4 bên dưới.
Học Phật Để Củng Cố Học Sâu
Học sâu Sự phụ thuộc của AI vào dữ liệu khổng lồ và các phép tính phức tạp là nguồn gốc của những tai ương như bản chất 'hộp đen' (không biết đầu vào hoặc liên kết nào là quan trọng), không có khả năng sử dụng các khái niệm trừu tượng cho các ứng dụng khác nhau (do mê cung dữ liệu) và khó thiết kế các mô hình (số lượng lớp và nơ-ron cồng kềnh trong mỗi lớp và khó khăn trong việc lựa chọn các thuật toán hàm kích hoạt và mất mát, đặc biệt là trong trường hợp các vấn đề phức tạp). Tích hợp học Phật, AI sẽ sử dụng ít dữ liệu hơn, giảm thiểu các phép toán lớn và kết hợp các thuật toán với kinh nghiệm và trực giác của con người để giải quyết các vấn đề như biến đổi khí hậu và các bệnh nan y mà nhân loại đang phải đối mặt. Phát hiện sau đây được đặt theo tên của nhà nghiên cứu AI Hans Moravec có liên quan trong bối cảnh này.
Nghịch lý Moravec - Trái ngược với các giả định truyền thống, lý luận cấp cao đòi hỏi rất ít tính toán, nhưng các kỹ năng cảm biến vận động cấp thấp đòi hỏi các nguồn tài nguyên tính toán khổng lồ.
Việc đồng hóa các kiến thức Phật giáo trong AI là một chủ đề phức tạp. Nó sẽ đòi hỏi nỗ lực phối hợp của các học giả Phật giáo, các nhà khoa học thần kinh và các chuyên gia AI để xác định cách thức các kiến thức Phật giáo sẽ có lợi cho cách tiếp cận hiện tại mà chúng ta đang áp dụng trong AI và đưa ra các phương pháp luận để tích hợp chúng. Một số ví dụ tiêu biểu được liệt kê dưới đây.
• Kết hợp Cấu trúc Não bẩm sinh: Một đứa trẻ, không quen với các thực hành Phật giáo, có khả năng lý luận và hiểu kinh sách bằng cách sử dụng dữ liệu nhỏ. Cấu trúc não bẩm sinh này có sẵn khi mới sinh trong não của đứa trẻ. AI phải có được sự tương đồng với nó để gần gũi hơn với thiên nhiên thay vì phụ thuộc vào sự nuôi dưỡng. Mạch não chỉ ra nhiều loại tế bào thần kinh khác nhau để định hình quá trình truyền thần kinh và xử lý thông tin. Có nhiều loại tế bào thần kinh khác nhau như tế bào thần kinh vận động, tế bào thần kinh cảm giác và tế bào thần kinh trung gian, và những loại có kết nối thần kinh (synap) với các tế bào thần kinh lân cận, cục bộ và xa. Ngoài các giai đoạn xử lý ban đầu trong nhận thức, thị giác, thính giác, v.v., để nắm bắt các bước nhận thức ở giai đoạn sau, một số tính không đồng nhất trong các loại tế bào thần kinh và khả năng kết nối phải được đưa vào các tế bào thần kinh đồng nhất quá đơn giản trong mạng lưới thần kinh nhân tạo.
• Ưu tiên của các lớp ngoài sử dụng Topology thưa thớt: Các nhà khoa học thần kinh đã nghiên cứu cấu trúc não của những người thực hành lâu năm các công cụ trí tuệ Phật giáo. Vỏ não, lớp ngoài cùng của mạng lưới sinh học của não, có các tế bào thần kinh có kết nối cục bộ và tầm xa. Người ta đã quan sát thấy các nhà sư phát triển lớp vỏ dày liên quan đến mật độ tế bào thần kinh tăng lên và số lượng khớp thần kinh trong các vùng não liên quan đến sự chú ý và xử lý cảm giác. Trong topology mạng AI, nó sẽ chuyển thành ưu tiên cho các lớp ngoài hơn các lớp ẩn. Kiến trúc tiêu chuẩn của Mạng thần kinh nhân tạo với các lớp được kết nối đầy đủ nên được sửa đổi. Các khớp thần kinh giữa các lớp truyền tiếp sẽ bị loại bỏ (bỏ cấu trúc thưa thớt) và các khớp thần kinh nhảy qua nhiều lớp có thể được tạo ra. Một topology mạng hoàn toàn chung cho phép bất kỳ nút nào được kết nối với bất kỳ nút nào khác có khớp thần kinh, sẽ tạo điều kiện cho các lớp ngoài được ưu tiên hơn các lớp ẩn.
• Sử dụng một phần của Kiến trúc thần kinh sâu: Những người thiền Phật giáo phát triển sự kích hoạt não trái đáng kể. Điều này có nghĩa là chỉ một khu vực cụ thể thay vì một vùng não rộng hơn hoặc toàn bộ não được sử dụng để giải quyết hầu hết các vấn đề. Khác với cấu trúc truyền động trực tiếp truyền thống, Mạng thần kinh nhân tạo có thể sử dụng các mạng kết nối chung cho phép sử dụng một khu vực cụ thể của mạng. Các đơn vị xử lý cho Cấu trúc thần kinh sâu thưa thớt như vậy đang được phát triển.
Việc tích hợp các lợi ích từ các công cụ trí tuệ Phật giáo vào AI Học sâu là khả thi với các bộ xử lý có sẵn và trong một số trường hợp đang được phát triển. Ví dụ, như bằng chứng cho khái niệm 'Ưu tiên của các lớp ngoài sử dụng Topology thưa thớt thần kinh sâu' có thể được triển khai để giải quyết một vấn đề thực tế đơn giản bằng công nghệ hiện tại. Do đó, chúng ta có thể so sánh các giải pháp thu được thông qua AI tích hợp các công cụ trí tuệ Phật giáo với kết quả từ AI Học sâu truyền thống và các phép đo thực tế. Một cỗ máy lý luận trực quan được chuyển đổi như vậy, sử dụng học tập Phật giáo, sẽ có khả năng mở rộng để giải quyết các vấn đề lớn hơn như biến đổi khí hậu bằng cách sử dụng dữ liệu tối thiểu, chứng thực cho quan sát của Moravec rằng khả năng tính toán lớn hơn không dẫn đến các hệ thống thông minh hơn.
Kết Luận
AI học sâu ở dạng hiện tại thu thập và phân tích một lượng lớn dữ liệu trong các lớp ẩn của nó để đào tạo một mô hình. Khi độ phức tạp của các mô hình tăng lên, việc diễn giải cách chúng hoạt động trở nên khó khăn. Không thực tế khi giải quyết các vấn đề phức tạp bằng các mô hình mờ đục. AI học sâu giống với việc học của Phật giáo và có thể tự trao quyền cho chính nó bằng cách đồng hóa các công cụ trí tuệ Phật giáo. Kiến trúc, thuật toán chính, tối ưu hóa và phân tích của mô hình lấy cảm hứng từ trí tuệ Phật giáo sẽ yêu cầu ít dữ liệu hơn và xây dựng các giải pháp kỹ thuật toàn diện và có thể giải thích được cho các vấn đề lớn như bệnh tật và biến đổi khí hậu. AI ít nhân tạo và thông minh hơn này sẽ xoa dịu nỗi sợ về một mùa đông AI khác và AI gây ra mối đe dọa hiện hữu đối với con người.
Author
Subodh Saxena
Expertise in deploying smart technologies. Knowledgeable on 5G, IoT, AI, smart mobility, technology for fuel efficiency, reduced emissions and safety of vehicles. Associated with projects involving optimizing vehicle performance, telecom services, connected & shared mobility. Woked on smarter AI using Buddhist wisdom tools to solve complex problems.
https://www.researchgate.net/
Không có nhận xét nào:
Đăng nhận xét