“Dẫn lời : Bài luận văn “Kiến trúc chip hỗn hợp (hybrid) Thiên Cơ trong Trí tuệ Nhân tạo Thông dụng (AGI – Artificial General Intelligence)”
Chúng ta đều không còn lạ với ứng dụng AI trong phát triển xe hơi tự lái. Nhưng chắc bạn chưa biết rằng xe đạp cũng có thể tự lái.
Kỳ thực, đây là hệ thống do đội ngũ của giáo sư Thi Lộ Bình ĐH Thanh Hoa thiết kế để kiểm chứng chip AI hỗn hợp đầu tiên trên thế giới. Bài nghiên cứu này đã được đăng trên trang bìa của tạp chí Nature nổi tiếng số tháng 8, với tiêu đề “Kiểm soát kép” (dual control).
Bài luận văn “Towards artificial general intelligence with hybrid Tianjic chip architecture” giới thiệu mẫu chip AI mới, kết hợp mạch tính mô phỏng não (brain-inspired circuits) và thuật toán máy học (computer-science-based-machine-learning algorithms).
Chip Thiên Cơ là kết tinh của nhiều ngành khoa học, với các thành viên đến từ ĐH Thanh Hoa, Cty Khoa Kỹ Linh Tịch Bắc Kinh, ĐH Sư Phạm BK, ĐH Khoa Kỹ Singapore (SIT), và Phân Hiệu Santa-Barbara ĐH California. 7 tác giả hàng đầu có các thành viên từ ĐH Thanh Hoa làm hạt nhân, và giáo sư Thi Lộ Bình, chủ nhiệm trung tâm tính toán mô phỏng não, giáo sư khoa máy móc chính xác ĐH Thanh Hoa, làm trưởng nhóm.
Xe đạp cũng có thể tự lái
Để kiểm chứng chip AI hỗn hợp đầu tiên thế giới, đội ngũ nghiên cứu đã thiết kế hệ thống xe đạp thông minh tự lái. Đặng Lỗi, postdoc phân hiệu Santa-Barbara ĐH California, cho rằng mặc dù xe đạp thông minh rất nhỏ so với phi cơ tự lái, nhưng thực tế vẫn là platform kỹ thuật mô phỏng não với đầy đủ lục phủ ngũ tạng, “là thách thức thực tế của chúng tôi”.
Được biết, hệ thống xe đạp thông minh tự lái của đội ngũ giáo sư Thi Lộ Bình bao gồm các bộ truyền cảm đo tốc độ bằng laser, con quay hồi chuyển (gyroscope), camera, v.v.; các hệ động cơ phanh điện, điều hướng, chuyển động v.v.; và các platform điều khiển, tính toán, bo mạch Thiên Cơ, v.v.
Xe đạp tự lái
Nguồn: Nature.
Theo clip được công bố, hệ thống xe đạp thông minh tự lái này có thể cảm nhận môi trường xung quanh theo thời gian thực, đi theo nhân viên thực nghiệm phía trước, tự động tránh vật cản, đồng thời dựa theo mệnh lệnh ngôn ngữ và tín hiệu thị giác phản hồi thời gian thực để điều khiển động cơ nhằm giữ thăng bằng và vận động.
Theo Đăng Lỗi, chức năng nhận biết ngôn ngữ, chủ động ra quyết định, theo dõi thị giác vận dụng mô hình mô phỏng não. Còn chức năng dò tìm mục tiêu, điều khiển vận động, và tránh chướng ngại vật sử dụng mô hình tính toán máy học.
Đội ngũ nghiên cứu cũng cho biết: “Bằng cách tùy cơ bổ sung tham số mới vào môi trường có thể tăng độ phức tạp không-thời gian lên rất nhiều, ví dụ như điều kiện đường xá khác nhau, tạp âm, yếu tố thời tiết, đa ngôn ngữ, số đông người, v.v. Việc tìm kiếm các phương án thích ứng với môi trường thay đổi có thể kiểm chứng các vấn đề quan trọng nhất của AGI, ví dụ như tính bao quát, ổn định và tự học.”
AGI là gì?
Trí tuệ nhân tạo thông dụng (AGI) là đề tài nghiên cứu chưa được thực hiện trong thực tiễn. Cũng có người gọi là Strong AI, miêu tả năng lực trí tuệ của máy để có thể hiểu và học tập bất cứ nhiệm vụ trí lực nào của nhân loại.
Một bộ phận học giả về trí tuệ nhân tạo cho rằng khái niệm AGI là không nghiêm túc, cơ bản không thể hiện thực hóa trong thực tiễn. Một số khác lại vô cùng chú trọng sự phát triển của AGI, cho rằng nó có khả năng tạo dựng dấu vết phát triển của nhân loại. Trong buổi họp báo công bố bài viết trên Nature, giáo sư Thi Lộ Bình phát biểu “AGI là đề tài nghiên cứu vô cùng khó, nhưng chúng tôi tự tin sẽ thực hiện được”.
Giáo sư cho rằng một phương án tối ưu để phát triển AGI là kết hợp các ưu thế của não người và máy tính.
Tư tưởng đó cũng có nghĩa kết hợp 2 phương thức phát triển AGI với nhau – hướng khoa học điện toán (computer-science-oriented) và hướng khoa học thần kinh (neurosciencec-oriented). Nhưng hai phương thức này có khác biệt căn bản về công thức và phương án mã hóa, vô cùng khó để kết hợp.
Nói cách khác, thách thức lớn nhất cho sự kết hợp này là dung hợp mạng lưới thần kinh mạch xung (SNN – Spiking Neural Network) với mạng lưới thần kinh nhân tạo (ANN – Artificial Neural Network).
Trong não sinh vật, mỗi tế bào thần kinh đều gắn với các loại tín hiệu đầu vào. Một số tín hiệu kích thích tế bào thần kinh, một số tín hiệu lại ức chế nó. Đối với SNN, khi đạt trạng thái định mức nào đó được mô tả bởi biến số (hay hàm số), tế bào thần kinh phát ra tín hiệu mạch xung.
ANN thì dựa vào mô phỏng mạng lưới thần kinh não người từ góc độ xử lý tín hiệu. Hiện tại mạng lưới thần kinh AI đang thịnh hành như CNN (Convolutional Neural Network), RNN (Recurrent Neural Network) đều thuộc loại này.
Có thể lý giải khác biệt lớn nhất của SNN và ANN – ANN xử lý tín hiệu bằng precise multibit values, còn SNN xử lý tín hiệu bằng mạch xung (binary spike trains). Để thực hiện cả hai mô hình, mạch xung cần được số hóa thành chuỗi binary (0 và 1) để tương thích với mã kỹ thuật số của ANN.
Còn có các khác biệt khác giữa hai mô hình. Ví dụ SNN vận hành trong trường không-thời gian (spatiotemporal domain), còn ANN dựa vào chu kỳ thời gian để làm mới (refresh) thông tin. Ngoài ra, tính toán của SNN bao gồm membrane-potential integration (膜电位积分 Màng Điện Vị Tích Phân?), threshold crossing (阈值交叉) và potential reset (电位复位), được kích hoạt bởi mạch xung. Còn ANN chủ yếu liên quan thao tác nhân-tích lũy MAC (multiply and accumulate) và chuyển đổi hoạt động (activation transformation). Hơn nữa, việc xử lý spike pattern trong SNN đòi hỏi bộ nhớ lập trình được (bit-programmable memory) và bộ nhớ bổ sung độ chính xác cao (high-precision memory) để lưu trữ membrane-potential (màng điện vị), ngưỡng phát xạ (firing threshold) và refactory period (kỳ bất ứng). Còn ANN chỉ cần bộ nhớ byte-wise.
Chip AI hỗn hợp đầu tiên thế giới
Đội ngũ nghiên cứu Thanh Hoa đã tạo được phương án mô hình chéo (cross-paradigm) tế bào thần kinh, đồng thời thiết kế một module công năng thống nhất (FCore). Mỗi FCore bao gồm axon, synapse, dendrite, soma và router. Thông qua mở rộng liên kết và tái cấu trúc linh hoạt các FCore, phương thức mã hóa có thể thay đổi giữa ANN và SNN, từ đó hình thành mạng lưới thần kinh hỗn hợp.
Để đạt được sự dung hợp chuyên sâu, gần như toàn bộ FCore đều có thể sắp xếp lại, nhằm đạt hiệu suất cao nhất cho mỗi phương thức. Các module công năng FCores sắp xếp theo mạng lưới 2D trên chip Thiên Cơ.
Chip Thiên Cơ (Tianjic) có tổng cộng 156 FCore, bao gồm khoảng 40,000 tế bào thần kinh và 1 triệu synapse, sử dụng công nghệ bán dẫn 28-nm, diện tích 3.8 x 3.8 mm2. Có thể đồng thời xử lý thuật toán máy học và mô phỏng não.
Về công năng, chip Thiên Cơ cung cấp bandwidth bộ nhớ trong hơn 610 GB/giây, đạt công năng vận hành tối đa 1.28 TOPS (Tera Operations Per Second) / watt với ANN, và đạt 650 GSOPS (Giga Synaptic Operations Per Second) / watt với SNN.
So với GPU, chip Thiên Cơ có throughput gấp 1.6 – 100 lần và power efficiency gấp 12 – 10,000 lần.
Tác giả Bùi Kinh ĐH Thanh Hoa tiết lộ, mục tiêu tiếp theo của đội ngũ là vấn đề thương mại hóa. Giáo sư Thi Lộ Bình cũng tiết lộ chip Thiên Cơ đã đang phát triển bước tiếp theo ở công ty Khoa Kỹ Linh Tịch Bắc Kinh.
Bài gốc: https://www.leiphone.com/news/201908/OmDcVwM9URF0xNq1.html
Đào Duy Cường (dịch giả)
Giám đốc Ban Điều hành Sản xuất FPT Software có 18 năm gắn bó với FPT, được coi là nhà quản lý chuyên giải quyết những việc khó ở FSOFT.
Gia nhập FSOFT từ tháng 7/2000, sau nhiều năm du học ngành CNTT tại Trung Quốc, anh Cường về nước và trở thành thế hệ đầu tiên của FPT Software làm xuất khẩu phần mềm. Từng trải qua nhiều vị trí công tác khác nhau, dù công việc vô cùng bận rộn nhưng người FPT vẫn đâu đó đọc được một số bài anh viết.
Từ tháng 8/2019, theo lời kêu gọi của Editor AmaTech Nguyễn Thành Nam, anh Cường sẽ xuất hiện nhiều hơn trong vai trò dịch giả, cống hiến cho độc giả những bài dịch chất lượng về mảng công nghệ đăng tải trên các Tạp chí công nghệ uy tín của Trung Quốc. Một trong những trang báo yêu thích của anh là Lôi Phong (https://www.leiphone.com) nên dự kiến, độc giả của AmaTech sẽ được theo dõi nhiều bài dịch được anh chọn lọc từ trang này.