Nhà khoa học máy tính Lance Fortnow viết rằng bằng cách nắm bắt các tính toán xung quanh mình, chúng ta có thể bắt đầu hiểu và chế ngự thế giới dường như ngẫu nhiên xung quanh ta.
Tong phim Oppenheimer , Niels Bohr thách thức nhà vật lý thời kỳ đầu trong sự nghiệp của mình:
Bohr: Đại số giống như một bản nhạc. Điều quan trọng không phải là “bạn có đọc được nhạc không?” Đó là "bạn có thể nghe thấy nó không?" Bạn có nghe thấy tiếng nhạc không, Robert?
Oppenheimer: Vâng, tôi có thể.
Tôi không thể nghe thấy đại số, nhưng tôi cảm nhận được tiếng máy.
Tôi cảm nhận được cỗ máy ngay cả trước khi chạm vào máy tính. Vào những năm 1970, tôi chờ đợi sự xuất hiện của chiếc đầu tiên của mình, Radio Shack TRS-80, tưởng tượng xem nó sẽ hoạt động như thế nào. Tôi viết một số chương trình đơn giản ra giấy và cảm nhận được máy mình chưa xử lý từng bước. Tôi gần như thất vọng khi cuối cùng gõ vào chương trình và chỉ nhận được kết quả đầu ra mà không trải qua quá trình diễn ra bên trong.
Thậm chí ngày nay, tôi không hình dung hay nghe thấy cái máy, nhưng nó vẫn hát cho tôi nghe; Tôi cảm thấy nó đang vo ve, cập nhật các biến, lặp, phân nhánh, tìm kiếm cho đến khi nó đến đích và đưa ra câu trả lời. Đối với tôi, một chương trình không phải là mã tĩnh, nó là hiện thân của một sinh vật sống tuân theo hướng dẫn của tôi để (hy vọng) đạt được kết quả thành công. Tôi biết máy tính không hoạt động theo cách này về mặt vật lý, nhưng điều đó không ngăn được cỗ máy ẩn dụ của tôi.
Một khi bạn bắt đầu nghĩ về tính toán, bạn sẽ bắt đầu thấy nó ở khắp mọi nơi. Hãy gửi thư qua dịch vụ bưu chính. Hãy cho bức thư vào một phong bì có ghi địa chỉ và dán tem rồi dán vào hộp thư, và bằng cách nào đó nó sẽ đến được hộp thư của người nhận. Đó là một quá trình tính toán - một chuỗi các thao tác di chuyển chữ cái từ nơi này sang nơi khác cho đến khi đến đích cuối cùng. Quá trình định tuyến này không khác gì những gì xảy ra với thư điện tử hoặc bất kỳ phần dữ liệu nào khác được gửi qua internet. Nhìn thế giới theo cách này có vẻ kỳ quặc, nhưng như Friedrich Nietzsche nổi tiếng đã nói, “Những người được nhìn thấy đang khiêu vũ bị những người không thể nghe thấy âm nhạc cho là điên rồ”.
Cảm giác bẩm sinh của một cỗ máy đang hoạt động có thể mang lại góc nhìn tính toán cho hầu hết mọi hiện tượng, ngay cả một hiện tượng dường như khó hiểu như khái niệm về tính ngẫu nhiên. Một điều gì đó dường như ngẫu nhiên, chẳng hạn như việc tung đồng xu, có thể được mô tả đầy đủ bằng một số quy trình tính toán phức tạp mang lại kết quả không thể đoán trước là mặt ngửa hay mặt sấp. Kết quả phụ thuộc vào vô số biến số: lực, góc và độ cao của cú lật; trọng lượng, đường kính, độ dày và sự phân bố khối lượng của đồng xu; sức cản không khí; Trọng lực; độ cứng của bề mặt hạ cánh; và như thế. Nó tương tự như việc xáo trộn một bộ bài, tung xúc xắc hoặc quay bánh xe roulette - hoặc tạo ra các số “ngẫu nhiên” trên máy tính, chỉ liên quan đến việc chạy một số chức năng phức tạp có chủ đích. Không ai trong số này là một quá trình thực sự ngẫu nhiên.
Ý tưởng này đã có từ nhiều thế kỷ trước. Năm 1814, trong Tiểu luận Triết học về Xác suất , Pierre-Simon Laplace lần đầu tiên mô tả một trí thông minh, ngày nay được gọi là con quỷ Laplace, có thể dự đoán những kết quả này:
Chúng ta nên coi trạng thái hiện tại của vũ trụ là kết quả của trạng thái trước đó và là nguyên nhân của trạng thái tiếp theo. Một trí thông minh biết tất cả các lực tác động trong tự nhiên tại một thời điểm nhất định, cũng như vị trí nhất thời của mọi vật trong vũ trụ, sẽ có thể hiểu được trong một công thức duy nhất chuyển động của các vật thể lớn nhất cũng như các nguyên tử nhẹ nhất trong vũ trụ. thế giới, miễn là trí tuệ của nó đủ mạnh.
Hàm ý ngược lại là đối với một người không có trí tuệ đủ rộng, các quá trình như lật đồng xu sẽ xuất hiện ngẫu nhiên. Ngôn ngữ tính toán cho phép chúng ta chính thức hóa kết nối này.
Đầu năm nay, Avi Wigderson đã nhận được giải thưởng Turing , “Giải Nobel về điện toán”, một phần vì đã chính thức kết nối tính ngẫu nhiên với các hàm toán học khó tính toán. Ông và các đồng nghiệp đã tạo ra một quy trình có chức năng phức tạp phù hợp và tạo ra các bit “giả ngẫu nhiên” không thể phân biệt một cách hiệu quả với các bit thực sự ngẫu nhiên. Có vẻ như sự ngẫu nhiên chỉ là tính toán mà chúng ta không thể dự đoán được.
Chúng ta có cách nào để quản lý tính ngẫu nhiên và phức tạp này không? Những tiến bộ gần đây mà chúng ta đã thấy về trí tuệ nhân tạo thông qua học máy cho chúng ta cái nhìn thoáng qua về ý nghĩa của việc thực hiện điều đó. Thông tin có thể được chia thành phần có cấu trúc và phần ngẫu nhiên. Lấy tiếng Anh làm ví dụ. Có một cấu trúc phức tạp cơ bản mô tả ngôn ngữ và các câu mà xã hội tạo ra theo thời gian trên thực tế là một mẫu ngẫu nhiên từ cấu trúc đó. Những tiến bộ gần đây trong học máy đã cho phép chúng tôi lấy các mẫu ngẫu nhiên này và khôi phục phần lớn cấu trúc cơ bản bên dưới. Thường thì cấu trúc đó có vẻ mờ đục, nhưng chúng ta vẫn có thể sử dụng nó để mô phỏng các mẫu ngẫu nhiên, tạo ra các câu tiếng Anh mới theo yêu cầu.
Hãy xem xét vấn đề dịch thuật. Hãy tưởng tượng một người phụ nữ, Sophie, lớn lên nói tiếng Anh và tiếng Pháp và hiện đang làm phiên dịch. Cô ấy có thể dễ dàng tiếp thu một văn bản tiếng Anh, hoàn toàn hiểu nó và tạo ra văn bản tương đương bằng tiếng Pháp. Nói về mặt tính toán, cỗ máy trong trường hợp này là bộ não của Sophie, vì nó phải tuân theo một số quy trình chuyển đổi tiếng Anh sang tiếng Pháp. Sophie có thể không hiểu toàn bộ quá trình, hoặc thậm chí không nghĩ nó là một quá trình, nhưng nó vẫn đang diễn ra.
Giả sử bây giờ chúng ta muốn dịch văn bản trên máy tính. Việc chỉ sử dụng từ điển Pháp-Anh để dịch từng từ sẽ không hiệu quả vì các ngôn ngữ khác nhau có cấu trúc khác nhau và các từ có nghĩa khác nhau trong các ngữ cảnh khác nhau. Việc áp dụng các công cụ ngôn ngữ chỉ mới đi xa được; quá trình tính toán để hiểu ngôn ngữ vượt xa những gì chúng ta có thể mô tả.
Sophie hiểu các ngôn ngữ vì cô lớn lên trong một gia đình song ngữ, được tiếp xúc với cả hai ngôn ngữ và tất cả sự phức tạp của chúng. Học máy có cách tiếp cận tương tự, đào tạo các mô hình ngôn ngữ trên lượng lớn dữ liệu. Những mô hình này bao gồm một mạng lưới thần kinh phức tạp, một tập hợp các nơ-ron nhân tạo được kết nối khéo léo với nhau và các kết nối này có các trọng số liên quan, làm thay đổi các tín hiệu di chuyển trong hệ thống. Khi được huấn luyện đúng cách, mạng lưới thần kinh sẽ dự đoán xác suất từ tiếp theo trong chuỗi được dịch từ tiếng Anh sang tiếng Pháp.
Mặc dù chúng ta thường không thể hiểu quá trình cơ bản của mạng lưới thần kinh đã được huấn luyện nhiều hơn Sophie hiểu quá trình dịch thuật hoàn chỉnh của cô ấy, nhưng chúng ta có thể dễ dàng mô phỏng quá trình đó để có được xác suất của từ tiếp theo. Nếu mạng lưới thần kinh được huấn luyện hoàn hảo, sẽ không thể phân biệt được xác suất của từ tiếp theo mà nó dự đoán với xác suất của những gì Sophie sẽ nói. Giống như Wigderson kết nối các hàm phức tạp và tính giả ngẫu nhiên, việc dự đoán xác suất của từ tiếp theo cho phép chúng ta nắm bắt được các phép tính phức tạp đằng sau nó.
Bản thân tiếng Anh và tiếng Pháp là những mẫu “ngẫu nhiên” từ một khái niệm được gọi là ngôn ngữ của con người và các công cụ mới nhất đã khám phá đủ cấu trúc cơ bản này để cho phép dịch hợp lý ngay cả giữa các ngôn ngữ tương đối khó hiểu.
Bản thân các thuật toán học tập là các quy trình và tôi cảm thấy trọng số đang cập nhật khi chúng tôi cung cấp ngày càng nhiều ví dụ để huấn luyện mô hình. Những tiến bộ mà chúng ta thấy trong học máy trong những thập kỷ qua đã giúp chúng ta hoàn thành các quy trình phức tạp, từ những quy trình của con người như dịch thuật, tầm nhìn, nghệ thuật và hội thoại cho đến những quy trình sinh học như gấp protein .
Các mô hình học máy vẫn dễ mắc lỗi và thông tin sai lệch, đồng thời chúng vẫn gặp khó khăn với các nhiệm vụ suy luận cơ bản. Tuy nhiên, chúng ta đã bước vào kỷ nguyên mà chúng ta có thể sử dụng chính tính toán để giúp chúng ta quản lý tính ngẫu nhiên phát sinh từ các hệ thống phức tạp.
Tôi đã rất may mắn. Tôi có thể xây dựng sự nghiệp nghiên cứu xung quanh những cỗ máy bao gồm cách tôi cảm nhận thế giới. Tôi đã tìm thấy tiếng gọi của mình - hay chính xác hơn là nó đã tìm thấy tôi. Cho dù bạn nghe âm nhạc, đại số, tính toán, sinh học, phép thuật, nghệ thuật hay cách hiểu khác về thế giới, hãy lắng nghe nó. Ai biết được những bí mật nào bạn có thể học được?
Tomoblog dịch lại từ nguyên bản: Computation is all around us and you can see it if you try, Lance Fortenow, Quanta Magazine.