Đặc biệt dành với blog: một cuộc phỏng vấn với Natalia Efremova, nhà phân tích chính tại NtechLab: về các mạng nơ-ron, học máy, các lập trình viên giỏi nhất của Nga và những ngôi nhà “thông minh” cho mọi người.

Các cô gái luôn khác nhau, cả nghề nghiệp, sở thích và thậm chí cả những điều bất thường nhất. Mặc dù ngày nay mọi người đang cạnh tranh với nhau về việc xóa nhòa ranh giới giữa nghề nghiệp thuần túy dành cho nam và nữ, về việc phấn đấu vì bình đẳng giới trong lĩnh vực nghề nghiệp, nhưng xã hội vẫn chưa hoàn toàn quen với việc nhìn nhận công bằng về giới tính, chẳng hạn như nghề tài xế xe tải hoặc thợ sửa ô tô. Nhân vật nữ chính của chúng ta không lái những chiếc xe tải khổng lồ, không mặc bộ quần áo liền quần dính dầu dưới mui xe và nhìn chung, nơi làm việc và các công cụ của cô ấy không vượt quá trọng lượng của một chiếc máy tính xách tay cá nhân, mặc dù nghề lập trình viên của cô ấy từ lâu đã được coi là dành cho nam giới.

Natalia Efremova, một nhà phân tích tại NtechLab và là giáo viên khóa học “Hệ thống thông tin thông minh” tại Trường Đại học Kinh tế mang tên Plekhanov, một người rất khó tìm thấy khoảng thời gian rảnh rỗi bởi cô luôn có lịch trình bận rộn. Vào đầu mùa xuân, chúng tôi đã trò chuyện với Natasha và tìm hiểu một số thông tin chi tiết về mạng lưới thần kinh, về quá khứ, hiện tại và tương lai của chúng.

NtechLab: Natasha, xin chào! Cảm ơn bạn vì đã đồng ý tham gia buổi trò chuyện này. Trước hết, cho phép tôi bày tỏ sự ngưỡng mộ đối với những gì bạn làm, những gì bạn đã cống hiến trong cuộc sống của mình, đó là nghiên cứu về mạng nơ-ron. Đây không phải là nghề tiêu biểu nhất dành cho nữ giới, mặc dù bây giờ người ta không chia nghề nghiệp theo giới tính. Được rồi, câu hỏi đầu tiên rất đơn giản và logic: bạn đã đến với nghề của mình như thế nào, với loại hình hoạt động của mình, khi nào thì bạn nhận ra là bạn muốn làm tất cả những điều này, rằng nó là của bạn, thuộc về bạn và bạn yêu thích nó?

NATALIA EFREMOVA: Tôi đến với lĩnh vực này một cách tình cờ. Nói chung là ở trường tôi học thiên về nhân văn và văn học Anh — vâng, phải nói là môn học khủng khiếp. Sau khi hết cấp ba, tôi thi vào Trường Đại học Nhân văn Quốc gia Nga, nhưng nói thật, lúc đó văn chương với tôi đã đủ rồi, và tôi đã học ngôn ngữ học tại Khoa Trí tuệ Nhân tạo. Việc làm quen với ngôn ngữ học ứng dụng rất nhanh chóng làm tôi hiểu ra rằng, tốt thôi, nó không hoàn toàn thuộc về tôi. Thời điểm đó, tôi tình cờ được tham gia vào học nhận dạng ngôn ngữ tự nhiên, và cuối cùng đã dẫn tôi đến với mạng nơ-ron. Kể từ đó, tôi làm về lập trình mạng nơ-ron và đã 10 năm rồi.

NTL: «Làm việc với mạng thần kinh» nghĩa là gì? Có cần phải có một số kỹ năng siêu việt về lập trình, hiểu biết xuất sắc về toán học và hiểu cấu trúc của bộ não hay không?

N.: Có nhiều mức độ nông sâu khác nhau về vấn đề này, tôi sẽ nói rõ hơn. Mỗi mức độ cho phép bạn giải quyết một vấn đề cụ thể. Tôi tin rằng với sự phát triển hiện đại của mạng nơ-ron, không cần thiết phải hiểu chính xác những gì đang xảy ra trong từng chức năng. Mạng nơ-ron hiện đã đạt đến giai đoạn mà chúng đúng hơn là một công cụ sản xuất. Khi chúng ta sử dụng máy tính, chúng ta không hiểu đầy đủ về cách nó hoạt động, những quá trình diễn ra bên trong, nhưng chúng ta không cần biết hết điều đó. Một mạng lưới thần kinh có thể được lắp ráp (giống như từ các khối xếp hình của trò Lego) từ các thành phần khác nhau và đang tiếp tục cải thiện nó. Ngày nay có những thư viện hiện đại có thể được sử dụng; những thư viện được cấu hình đặc biệt để có thể sử dụng cho các nhiệm vụ đặc biệt. Ngoài ra, có một ý kiến như thế này, đó là những loại mạng nơ-ron nào được sử dụng cho những nhiệm vụ nào, có khái niệm, rằng kiểu phát triển nào là cần thiết cho một nhiệm vụ cụ thể, có thể là phát triển từng bước hoặc là theo kiểu end-to-end (quy trình đầu cuối). Mặc dù các chuyên gia về mạng nơ-ron không cảm thấy mệt mỏi khi đề xuất các cách sử dụng thuật toán “truyền thống” phi tiêu chuẩn, chẳng hạn như sử dụng các mạng lặp lại để nhận dạng mẫu (để biết thêm chi tiết, xem tại đây — ghi chú Của NtechLab).

Bản thân nền tảng kiến ​​thức về mạng nơ-ron rất rộng và rất nhiều kiến ​​thức được sử dụng thành công đến mức bạn không cần phải là một chuyên gia trong lĩnh vực này để dùng được nó. Ví dụ: để xây dựng một mạng nơ-ron đơn giản để nhận dạng ký tự viết tay bằng chính tay bạn, bạn chỉ cần kỹ năng lập trình cơ bản bằng Python, khả năng kết nối các thư viện cho Python và kiến ​​thức về những thư viện nào đang tồn tại tại thời điểm này.

NTL: Nơi làm việc của bạn được bố trí như thế nào?

N.: Đây là nơi làm việc của tôi (chỉ vào máy tính xách tay — ghi chú của NTL), nó đi cùng tôi khắp nơi trên thế giới và nếu cần, tôi kết nối với máy chủ Amazon để thực hiện một số phép tính, nhưng đối với mỗi tác vụ, tôi tạo cấu hình của riêng mình ở máy chủ Amazon.

NTL: Bạn có thể nói một các đơn giản hơn về các mạng nơ-ron không? Đây, rất đơn giản, trên các ngón tay.

N.: Tôi dạy khóa “Mạng thần kinh” tại Học viện Plekhanov và thường bắt đầu câu chuyện của mình về mạng thần kinh là gì với mô tả một cảnh trong phim hoạt hình “Madagascar”. Thứ hai, có vẻ như, “Madagascar” có một khoảnh khắc khi những con chim cánh cụt lắp ráp chiếc máy bay. Chúng gọi khỉ đến giúp đỡ và nói: “Này các bạn khỉ, chúng tôi cần ngón tay cái và thùy trán của bạn.” Khỉ cần ngón tay cái để cầm rất nhiều công cụ, và thùy trán (một phần quan trọng của não bộ) là thứ cần thiết để tìm ra cách lắp ráp chiếc máy bay có thể hoạt động từ tất cả phế liệu mà chúng có trong tay. Tại sao lại là thùy trán? Vì khỉ là sinh vật duy nhất trên trái đất có não, giống như con người. Các quá trình suy nghĩ như nhận dạng khuôn mẫu, nhận dạng ngôn ngữ tự nhiên ở người và động vật linh trưởng rất giống nhau.

Bộ não của con người, giống như tất cả các động vật có vú, bao gồm chất xám và chất trắng. Chất xám được tạo thành từ các tế bào nhỏ gọi là tế bào thần kinh. Các tế bào này thực hiện các phép tính nhất định. Mỗi tế bào chỉ thực hiện một chức năng: nó “quyết định” việc truyền một tín hiệu đi xa hơn hay không, kích thích hay không kích thích. Vô số tín hiệu kích thích trong vô số tế bào thần kinh trong não của chúng ta tạo ra một mạng tính toán nào đó. Trong mỗi giây, mạng lưới tính toán này đều đưa ra quyết định cho tôi rằng, một con người, sẽ làm gì tiếp theo: có quay đầu lại hay không, có nhìn vào một vật thể nào đó hay không, làm thế nào để diễn giải những gì tôi đã nghe thấy. Mạng nơ-ron nhân tạo dựa vào nguyên tắc tương tự như thế. Một phần tử nơ-ron nhỏ chịu trách nhiệm cho từng đoạn nhỏ nhất của nhiệm vụ, sự kết hợp của một số lượng lớn chúng cho phép chúng ta thực hiện các phép tính song song rất phức tạp, bao gồm cả nhận dạng mẫu.

NTL: Vậy cái gì là khó và cái gì dễ? Có thể nói, ví dụ như việc chải tóc đòi hỏi những tính toán phức tạp không?

N.: Đây là một tín hiệu khá phức tạp.

NTL: Vậy thì cái nào là đơn giản?

N.: Ví dụ, một tín hiệu đơn giản là nhận ra những gì tôi nhìn thấy ngay trước mặt mà không cần thực hiện bất kỳ hành động nào. Xử lý những gì chúng ta nhận được từ các cơ quan cảm giác của mình có lẽ là một trong những điều đơn giản nhất. Sự chuyển động đã đòi hỏi sự phối hợp của những gì chúng ta nhìn thấy với việc kích hoạt các chức năng vận động của chúng ta, đây đã là một nhiệm vụ khó khăn hơn. Chúng tôi đào tạo tế bào thần kinh của mình trong suốt cuộc đời. Mạng lưới phức tạp của chúng ta bắt đầu được đào tạo từ trong bụng mẹ, và quá trình học tập này tiếp tục trong suốt cuộc đời.

NTL: Điều này có giống với cách một mạng nơ-ron nhân tạo (sau đây gọi là ANN, Artificial Neural network — ghi chú của NTL) được đào tạo không?

N.: Trong ANN, quá trình đào tạo cũng diễn ra nhưng nó có phần đơn giản hơn, trong đó hàm có thể được mô tả bằng một công thức. Tất cả những gì có thể mô tả bằng các công thức toán học sẽ đơn giản hơn so với các quá trình sinh học. Một mạng nơ-ron sinh học (BNN, Biological neural network — chú thích của NTL) rất phức tạp, vì trong BNN có rất nhiều thứ dự phòng, nhiều quá trình song song được sao chép, lặp lại nhiều lần, một số nhiệm vụ được thực hiện song song. Còn ANN được định cấu hình để thực hiện một nhiệm vụ, chẳng hạn như nhận dạng khuôn mặt, hoặc nhận dạng ngôn ngữ tự nhiên hoặc điều khiển máy bay không người lái. Tôi sẽ không so sánh các quy trình học tập diễn ra trong BNN và ANN. Các quá trình của chúng có nhiều điều khác nhau. Trong trường hợp của con người, toàn bộ mạng lưới thần kinh lớn được đào tạo ngay lập tức. Chúng tôi thường đào tạo ANN theo từng mảnh. ANN có thể được so sánh với một phần của bộ não con người thực hiện một chức năng cụ thể. Như thể bộ não con người chỉ được điều chỉnh để nhận dạng mẫu, mắt người chẳng hạn.

Trong phần giải thích của tôi về mạng lưới thần kinh (sau đây gọi là NN, neural network — ghi chú của NTL) trên khỉ từ bộ phim Madagascar, tôi sử dụng hình ảnh thùy trán của chúng như một biểu tượng của suy nghĩ theo hình thức mà chúng ta biết: khỉ giỏi hơn bất kỳ loài động vật có vú nào khác vì có thể tìm ra những gì có thể làm. Mỗi vùng não của chúng ta có những chức năng nhất định, ví dụ, NN để nhận biết thị giác sẽ tương tự với vỏ não thị giác, NN để nhận dạng ngôn ngữ tự nhiên sẽ là một vùng tương tự, sẽ được đào tạo và nhận biết ngôn ngữ tự nhiên trong não bộ, được gọi là vùng Wernicke và vùng Broca. Các thùy trán trong não người có liên quan đến tính toán logic và đưa ra những quyết định.

NTL: Sinh viên tiếp cận nhanh như thế nào? Những sinh viên mà bạn dạy đó, họ đâu có phải là lập trình viên.

N.: Họ là nhà kinh tế, nhưng đến từ Khoa Khoa học Máy tính. Họ tiếp cận theo nhiều cách khác nhau. Có những thứ nắm bắt nhanh chóng. Ngoài ra, tôi không đi sâu vào chi tiết toán học, ví như việc chứng minh định lý và các kết luận toán học khác, bởi vì như tôi đã nói trước đó, điều này không quá quan trọng đối với việc sử dụng mạng nơ-ron hiện đại. Gần đây, tôi đọc một bài báo trên Internet, trong đó có ý kiến thế này: bạn không cần bằng tiến sĩ để lập trình mạng nơ-ron. Chúng tôi có thể nói rằng điều này đúng là như vậy mà cũng không hoàn toàn như vậy. Tất cả phụ thuộc vào nhiệm vụ và loại NN. Hoạt động của nhiều NN tôi cũng không dễ dàng hiểu được, dù tôi đã có 10 năm kinh nghiệm.

Cũng rất đúng lúc là vào tháng 12, tôi đã tham dự hội nghị lớn của NIPS (Neural Information Processing Systems, Hệ thống Xử lý Thông tin Thần kinh — NTL) ở Barcelona. Hội nghị có sự tham gia của không dưới 6 nghìn chuyên gia học máy và họ hầu hết là các chuyên gia NN. Có nhiều bài phát biểu và cuộc hội thảo. Tôi phải thừa nhận rằng tôi đã không biết tất cả mọi thứ. Để trở thành chuyên gia trong bất kỳ lĩnh vực nào, bạn cần phải hy sinh nhiều lĩnh vực khác. Tất nhiên, có thể nghiên cứu tất cả các NN, nhưng rất khó. Nếu bạn làm mạng nơ-ron tích chập, thì bạn sẽ là một chuyên gia trong lĩnh vực mạng nơ-ron này, còn mạng nơ-ron sử dụng phương pháp học củng cố sẽ không còn rõ ràng như vậy nữa. Tôi tham gia vào lĩnh vực nhận dạng mẫu, thị giác máy tính, đây chủ yếu là các mạng nơ-ron phức tạp.

NTL: Bạn đến với NtechLab như thế nào?

N.: Lần đầu tiên tôi biết đến NtechLab khi đang ở nước ngoài. Sau đó, tôi xem một bài báo trên The Guardian. Điều hài hước nhất là công ty xuất hiện ở đó như một nhóm hacker người Nga đã tung ra thuật toán nhận dạng khuôn mặt của riêng họ và gây ồn ào trên mạng xã hội, nhận ra “ai là ai”, giúp ai đó và làm phiền ai đó. Điều đó trở nên thú vị với tôi, tôi tìm hiểu sâu hơn và phát hiện ra rằng đây không chỉ là một nhóm hacker, mà là cả một phòng thí nghiệm xử lý nhận dạng khuôn mặt, có nghĩa là mạng thần kinh. Nó luôn luôn gần gũi với tôi. Sau đó, tôi phát hiện ra rằng công ty đang tuyển dụng để thành lập một team («HeadHunter» Natalya đã liên hệ với tôi), và ngay sau đó tôi được mời vào công ty. Tôi đến nơi và họ sắp xếp một cuộc gặp với Artem (Artem Kukharenko, người sáng lập của NtechLab — NTL). Cuộc gặp gỡ này đã truyền hoàn toàn cảm hứng cho tôi, tôi rất thú vị khi được giao tiếp với một người thông minh, anh ấy nói cùng ngôn ngữ với tôi. Còn điều gì khiến tôi cảm thấy vướng mắc chứ? Thực tế là thuật toán chiến thắng tại MegaFace tất nhiên có giá trị rất lớn. Vì tôi thường làm việc với các nhà phát triển mạng nơ-ron nên tôi biết rằng rất khó để giành chiến thắng trong bất kỳ «thử thách» quốc tế nào, ở đó có rất nhiều đội! Một chiến thắng như vậy cho thấy rằng hệ thống này thực sự tuyệt vời. Điều này, tất nhiên, nhận được sự tôn trọng. Tôi nhớ những người đến từ Đại học Hoàng gia London, trong cuộc gặp đầu tiên với họ, ngay lập tức nhớ rằng các lập trình viên người Nga đã bỏ qua họ trên MegaFace. Nói chung, nhiều đồng nghiệp của tôi tại nhiều trường đại học khác nhau trên thế giới đều nói rằng lập trình viên người Nga là giỏi nhất. Quả thực, chính người Nga mới là người chiến thắng ở rất nhiều “thử thách”.

NTL: Thật thú vị. Tưởng chừng như đây đã là một huyền thoại lỗi thời về những lập trình viên người Nga tuyệt vời nhất, còn bạn khẳng định điều ngược lại. Thật tuyệt vời. Natasha, ngoài vai trò là chuyên gia trong lĩnh vực mạng nơ-ron và máy học, đồng thời là nhà phân tích hàng đầu tại NtechLab, bạn còn tham gia vào nhiều dự án khoa học khác nhau. Có thể cho chúng tôi biết thêm về điều này không?

N.: Hiện giờ, trong quá trình học tại Oxford, tôi đang tham gia vào nghiên cứu, được thực hiện cùng với Trường Đại học Oxford. Đây là một dự án xử lý bản đồ vệ tinh để giám sát nguồn cung cấp nước uống và dự đoán sự cạn kiệt của nguồn cung cấp nước uống. Ở giai đoạn này, đây là nghiên cứu mang tính lý thuyết nhiều hơn là nghiên cứu ứng dụng, nhưng nhiều công ty đã và đang cố gắng tìm kiếm các ứng dụng thực tế cho nó. Về cơ bản, đây là những công ty khởi nghiệp nằm ở Thung lũng Silicon. Hơn nữa, cũng cần hiểu rõ rằng một công ty khởi nghiệp ngày nay không nhất thiết phải là một nhóm ba lập trình viên tìm cách thu tiền để khởi chạy một ứng dụng. Ví dụ, tôi đã gặp những người từ một công ty khởi nghiệp, những người phóng các vệ tinh micro vào vũ trụ. Hiện nay đang có một xu hướng là phóng các vệ tinh nhỏ nhằm lấy thêm lượng thông tin lớn từ các bản đồ vệ tinh để sử dụng cho mục đích thương mại sau này. Dự án nghiên cứu chung này với Oxford có liên quan đến những nghiên cứu như vậy và nhằm mục đích giúp các công ty đầu tư tính toán rủi ro liên quan đến việc cạn kiệt tài nguyên thiên nhiên.

NTL: Vậy đây không phải là một câu chuyện nhân đạo thuần túy? Tìm nguồn nước uống, giúp đỡ các nước nghèo trong thời kỳ hạn hán, v.v.

N.: Về nguyên tắc, dự án này có thể nhằm vào bất cứ thứ gì, nhưng hiện nay ngày càng có nhiều câu chuyện xuất hiện khi các công ty đầu tư bắt tay vào giải quyết các vấn đề môi trường. Họ phải tính toán tất cả những rủi ro liên quan đến bảo hiểm của doanh nghiệp, các cá nhân và công ty, với cả bảo hiểm bất động sản, với sự vận động chung của thị trường. Ví dụ, có những rủi ro liên quan đến khả năng nóng lên và nhiệt độ tăng thêm 3 độ. Có cả một lĩnh vực giải quyết riêng cho vấn đề này và tính toán các rủi ro tương ứng.

NTL: Bạn nghĩ từ sự phát triển của nghiên cứu mạng nơ-ron, chúng ta có thể mong đợi điều gì vào tương lai? Chính xác thì điều gì dự kiến ​​sẽ được thực hiện với sự trợ giúp của công nghệ mạng nơ-ron trong tương lai gần nhất?

N.: Tôi nghĩ rằng trong 2−3 năm tới chúng ta đã có nhiều quy trình — nhận dạng ngôn ngữ, sản xuất ngôn ngữ tự nhiên, hội thoại ngôn ngữ tự nhiên, nhận dạng video, dự đoán video, vân vân và vân vân — chúng sẽ được tự động hóa tốt.

NTL: Dự đoán video là thế nào nhỉ?

N.: Khi bắt đầu hành động, bạn có thể dự đoán điều gì sẽ xảy ra tiếp theo. Trong hầu hết quá trình sản xuất phim và hoạt hình có đồ họa máy tính, mọi thứ sẽ được tự động hóa hết mức có thể. Mặt khác, tôi nghĩ rằng cái gọi là internet của vạn vật sẽ được phát triển. Sẽ có những thiết bị trong nhà giúp giảm thiểu tiêu thụ năng lượng và nước. Hệ thống sẽ được thiết kế để tự động tắt chức năng sưởi, quên bàn là hay những thứ khác nữa. Bây giờ cái gọi là ngôi nhà thông minh, chỉ có ở một số ít dân số và chủ yếu là những người giàu có. Còn trong tương lai, những thiết bị, đồ vật “thông minh” mới này sẽ trở nên rẻ tiền, nó có thể được tất cả mọi người tiếp cận và chúng ta sẽ gặp chúng hàng ngày. Tôi nghĩ rằng điều này sẽ sớm xảy ra. Hiện nay, nhiều công ty năng lượng đang làm việc để đảm bảo rằng mọi người giảm thiểu mức tiêu thụ năng lượng. Việc chuyển đổi sang tiêu thụ tài nguyên «thông minh» là không thể tránh khỏi, vì ngày càng có nhiều người trong số chúng ta và chính chúng ta cần giảm thiểu tác động của mình đối với môi trường. Điều này sẽ kích thích sự xuất hiện của không chỉ “nhà thông minh” mà còn cả” ô tô thông minh”, bản thân công nghệ sẽ tính toán thời điểm nào tốt hơn nên đi tắm để chúng ta có đủ nước nóng. Và càng khan hiếm tài nguyên, thì những công nghệ tốt hơn sẽ phát triển để sử dụng những tài nguyên đó. Đơn giản là chúng ta sẽ không có lựa chọn nào khác, bởi vì sự thiếu hụt tài nguyên trong tương lai sẽ ngày càng nhiều hơn, và những gì hiện tại chúng ta coi là tiêu chuẩn, là bình thường khi sử dụng tài nguyên thì tương lai sẽ bị coi là thiếu hiểu biết, là man rợ, hoàn toàn không văn minh. Và lý tưởng hơn nữa, chúng ta cũng sẽ tính toán các hoạt động thể thao, chế độ ăn uống và vân vân. Trong một nhà hàng, bạn sẽ chụp ảnh món ăn của mình và nhận thông tin về việc bạn cần chạy bao nhiêu km để đốt cháy lượng calo này. Đã có những bước phát triển như vậy, diễn ra hàng ngày, nhưng nó sẽ rất lớn, nó sẽ là một phần không thể thiếu trong cuộc sống của chúng ta.

Đối với một số trường hợp đặc biệt, người ta sẽ phát minh ra các thiết bị riêng. Đã có kính dành cho người mù dưới dạng một ứng dụng, nó cho người đó biết những gì có trước mặt anh ta. Và điều này mới chỉ là khởi đầu.

NTL: Còn nói về tương lai xa thì sao? Bạn có thể tưởng tượng một điều gì đó hoàn viễn tưởng, nhưng vào một ngày nào đó điều gì có thể trở thành hiện thực chính nhờ sự phát triển hiểu biết của chúng ta về mạng nơ-ron?

N.: Với tương lai xa và có vẻ viễn tưởng, tôi dám cá về phương diện tiện ích, chẳng hạn như chúng ta sẽ có một thứ gần như trong suốt và đeo hay mang bên mình được. Rất có thể, thứ gì đó được tích hợp trong kính hoặc đeo trên cổ tay hoặc được tích hợp vào kính áp tròng, v.v. Chúng ta đang hướng tới điều này, các hệ thống khuyến cáo sẽ trở nên thông minh hơn bây giờ, sẽ có tất cả các khuyến nghị dành cho sức khỏe, đọc sách, giải trí, hệ thống của dự đoán, dự đoán của mong muốn.

NTL: Cần phải làm gì, hướng đến cái gì để có được một tương lai như vậy?

N.: Chắc chắn cần phải xử lý mạng nơ-ron, bởi vì ngành này hiện đang ở thời điểm phát triển khi nó chuyển từ khoa học sang công nghệ. Có một khái niệm, gọi là Công nghệ Đường cong chữ S (technology S-curve) [1] [2], mô tả sự phát triển của các công nghệ tiên tiến. Ngày nay chúng đang ở thời điểm bắt đầu phát triển nhanh chóng, nhưng trong một năm nữa sẽ quá muộn để thâm nhập vào lĩnh vực này, vì vậy cần phải làm ngay. Nếu bạn có kiến ​​thức, có nguyện vọng, đủ chuyên môn, bạn cần phải bắt tay làm việc với mạng nơ-ron. Có thể là nhận dạng khuôn mặt, ngôn ngữ tự nhiên, phân tích hình ảnh vệ tinh.

NTL: Liệu có thể tạo ra một sự sống nhân tạo giống tuyệt đối với con người không?

N.: Tất nhiên là không. Bây giờ thì không thể, nhưng tôi nghĩ không cần thiết. Nếu chúng ta đạt đến mức có thể tạo ra sự giống nhau tuyệt đối, thì chắc chắn ngay cả khi đó cũng có thể tạo ra thứ gì đó tốt hơn, hoàn hảo hơn, một loại siêu nhân, “nguyên tố thứ năm”, nếu bạn thích. Có nghĩa là, điều bây giờ nên suy nghĩ không phải là sao chép những thứ tương tự mà là tạo ra một thực thể, có thể nói là có bậc cao hơn.

NTL: Natasha, có câu hỏi này dành cho bạn, câu hỏi ngoài lề thôi nhưng chúng tôi không thể không nêu ra: có nguy hiểm không nếu có một điều kỳ dị và khi nào nó sẽ đến?

N.: Tôi thường nghe câu hỏi kiểu này rồi. Tóm lại, phải nói điều kỳ dị là gì. Đây là một thời điểm giả định mà tại đó thông tin tích lũy sẽ trở nên phức tạp đến mức chúng ta sẽ không thể hiểu được nó. Có lẽ chúng ta sẽ chuyển sang cấp độ phát triển tiếp theo của con người sau khi tạo ra trí tuệ nhân tạo hoặc tạo ra một cơ chế mà bản thân chúng ta sẽ chuyển sang dạng kỹ thuật số và sẽ tồn tại trong một số không gian thông tin khi cơ thể không cần thiết nữa. Các nhà khoa học tin rằng, ngày tận thế của con người sẽ đúng là như vậy. Có một số giả thuyết về điều này (tôi thích nhất là trí tuệ nhân tạo tự phát triển từ tiểu thuyết khoa học viễn tưởng Neuromancer của Gibson). Nếu bạn hỏi ý kiến ​​của tôi, có vẻ như đối với tôi đây là một nhận thức hơi cường điệu về thực tế. Dân số quá đông, sự nóng lên toàn cầu, sự cạn kiệt tài nguyên mà chúng ta đã nói ở trên, và những thảm họa tương tự còn gần hơn nhiều. Tôi có xu hướng tin rằng trong tương lai, các nguồn tài nguyên sẽ cạn kiệt đến mức chúng ta thậm chí không thể mua được máy tính, và vấn đề kỳ dị sẽ tự nó biến mất. Chúng ta sẽ sống, sẽ trồng cà rốt, bắp cải nếu chúng ta may mắn và sự nóng lên toàn cầu không xảy đến. Nói chung, tôi sẽ ít đặt cược vào điểm kỳ dị hơn là vào một thảm họa sinh thái toàn cầu, cho dù nó có đáng buồn đến đâu.

NTL: Những viễn cảnh rất yêu đời, bạn sẽ không nói gì cả mà. Vậy liệu chúng ta có thể ngăn chặn hoặc vượt qua thảm họa toàn cầu này không?

N.: Điều này sẽ phụ thuộc vào việc nhân loại bắt đầu xem xét các vấn đề của mình một cách nghiêm túc như thế nào. Bây giờ chúng ta đã bước vào kỷ nguyên phủ nhận những vấn đề này. Hy vọng nó sớm kết thúc.

NTL: Thật thú vị. Điều này có nghĩa là có hy vọng, và tương lai không định trước được. Bạn biết đấy, Natasha, thật khó để kết thúc cuộc trò chuyện của chúng ta.

N.: Vậy thì chúng ta hãy chờ đợi đi!

NTL: Rất hân hạnh, tôi thực sự muốn sớm sẽ tiếp tục cuộc trò chuyện của chúng ta. Natasha, rất cảm ơn bạn vì câu chuyện hấp dẫn, vì đã chia sẻ ý kiến ​​của mình với độc giả của chúng tôi. Chúc bạn thành công rực rỡ trong sự nghiệp sắp tới của mình!

  1. Geroski, P.A. (2003). The Evolution of New Markets. Oxford: Oxford University Press
  2. Ventresca, M. J & Zhao, M. (2012). Course Note: «System-builders and the evolution of large-scale technology: Lessons for ecosystem and infrastructure».