AI That Connects the Digital and Physical Worlds | Anima Anandkumar | TED

Translator: Lập Nguyễn Reviewer: Quỳnh Phương Flora

I grew up with parents who are engineers.

Tôi lớn lên với cha mẹ là kỹ sư.

They were among the first to bring computerized manufacturing

Họ là một trong những người đầu tiên đưa sản xuất máy tính

to my hometown in India.

đến quê hương của tôi ở Ấn Độ.

Growing up as a young girl,

Lớn lên khi còn là một cô gái trẻ,

I remember being fascinated

tôi nhớ đã bị mê hoặc

how these computer programs didn't just reside within a computer,

vì sao các chương trình máy tính này không chỉ nằm trong máy tính,

but touched the physical world

mà còn chạm vào thế giới vật chất

and produced these beautiful and precise metal parts.

và tạo ra những bộ phận kim loại đẹp và chính xác này.

Over the last two decades, as I pursued AI research,

Trong hai thập kỷ qua, khi tôi theo đuổi nghiên cứu AI,

this memory continued to inspire me

bộ nhớ này tiếp tục truyền cảm hứng cho tôi

to connect the physical

để kết nối thế giới vật lý

and digital worlds together.

và kỹ thuật số lại với nhau.

I am working on AI that transforms the way we do science and engineering.

Tôi đang nghiên cứu AI để thay đổi cách chúng ta làm khoa học và kỹ thuật.

Scientific research and engineering design

Nghiên cứu khoa học và thiết kế kỹ thuật

currently involves a lot of trial and error.

hiện liên quan đến rất nhiều thử và sai.

Many long hours are spent in the lab doing experiments.

Nhiều giờ được dành trong phòng thí nghiệm để thực hiện các thí nghiệm.

So it's not just the great ideas that propel science forward.

Vì vậy, không chỉ những ý tưởng tuyệt vời thúc đẩy khoa học tiến lên.

You need these experiments to validate findings

Bạn cần những thí nghiệm này để xác nhận những phát hiện

and spark new ideas.

và khơi dậy những ý tưởng mới.

How can language models help here?

Các mô hình ngôn ngữ có thể giúp ích như thế nào ở đây?

What if I ask ChatGPT to come up with a better design of an aircraft wing,

Sẽ thế nào nếu tôi yêu cầu ChatGPT đưa ra một thiết kế tốt hơn về cánh máy bay

or a drone that flies on a turbulent wind?

hoặc một máy bay không người lái bay trên một cơn gió hỗn loạn?

It may suggest something.

Nó có thể gợi ý một cái gì đó.

It may even draw something.

Nó thậm chí có thể vẽ một cái gì đó.

But how do we know this is any good?

Nhưng làm thế nào để biết điều này là tốt?

We don't.

Thật ra là không.

Language models hallucinate because they have no physical grounding.

Các mô hình ngôn ngữ bị ảo giác vì chúng không có nền tảng vật lý.

While language models may help generate new ideas,

Mặc dù các mô hình ngôn ngữ có thể giúp tạo ra những ý tưởng mới,

they cannot attack the hard part of science

nhưng chúng không thể tấn công phần cốt lõi của khoa học

which is simulating the necessary physics

là mô phỏng vật lý cần thiết

to replace the Nab experiments.

để thay thế các thí nghiệm Nab.

In order to model scientific and physical phenomena,

Để mô hình hóa các hiện tượng khoa học và vật lý,

text alone is not sufficient.

chỉ riêng văn bản là không đủ.

To get to AI with universal physical understanding,

Để tiếp cận AI với sự hiểu biết vật lý phổ quát,

we need to train it on the data of the world we observe.

chúng ta cần đào tạo nó trên dữ liệu của thế giới mà chúng ta quan sát.

And not just that, also its hidden details.

Và không chỉ vậy, cả những chi tiết ẩn của nó.

From the intricacies of quantum chemistry

Từ sự phức tạp của hóa học lượng tử

that happen at the smallest level

xảy ra ở cấp độ nhỏ nhất đến các phân tử

to molecules and proteins that influence how all biological processes work,

và protein ảnh hưởng đến cách tất cả các quá trình sinh học hoạt động,

to ocean currents and clouds that happen at planetary scales and beyond,

đến các dòng hải lưu và đám mây xảy ra ở quy mô hành tinh và hơn thế nữa,

we need AI that can capture these whole range of physical phenomena.

chúng ta cần AI có thể nắm bắt toàn bộ phạm vi hiện tượng vật lý này.

We need AI that can really zoom into the fine details

Chúng ta cần AI thực sự có thể phóng to các chi tiết

in order to simulate these phenomena accurately.

nhỏ để mô phỏng các hiện tượng này một cách chính xác.

To capture the cloud movements,

Để nắm bắt chuyển động của đám mây

and predict how clouds move and change in our atmosphere,

và dự đoán cách các đám mây di chuyển và thay đổi trong bầu khí quyển của

we need to be able to zoom into the fine details

chúng ta, chúng ta cần có khả năng phóng to các chi tiết

of the turbulent fluid flow.

nhỏ của dòng chất lỏng hỗn loạn.

Standard deep learning uses a fixed number of pixels.

Học sâu tiêu chuẩn sử dụng một số pixel cố định.

So if you zoom in, it gets blurry

Vì vậy, nếu bạn phóng to, nó sẽ bị mờ

and not all the details are captured.

và không phải tất cả các chi tiết đều được ghi lại.

We invented an AI technology called neural operators

Chúng tôi đã phát minh ra một công nghệ AI được gọi là toán tử thần kinh

that represents the data as continuous functions or shapes,

đại diện cho dữ liệu dưới dạng các hàm hoặc hình dạng liên tục

and allows us to zoom in indefinitely to any resolution or scale.

và cho phép chúng tôi phóng to vô thời hạn đến bất kỳ độ phân giải hoặc tỷ lệ nào.

Neural operators allow us to train on data

Các toán tử thần kinh cho phép chúng ta đào tạo dữ liệu

at multiple scales or resolutions.

ở nhiều quy mô hoặc độ phân giải.

And also allows us to incorporate

Và cũng cho phép chúng ta kết hợp

the knowledge of mathematical equations

kiến thức về các phương trình toán học

to fill in the finer details

để điền vào các chi tiết tốt hơn

when only limited resolution data is available.

khi chỉ có sẵn dữ liệu độ phân giải hạn chế.

Such learning at multiple scales is essential for scientific understanding

Việc học như vậy ở nhiều quy mô là cần thiết cho sự hiểu biết khoa học

and neural operators enable this.

và toán tử thần kinh cho phép điều này.

With neural operators,

Với các toán tử thần kinh,

we can simulate physical phenomena such as fluid dynamics

chúng ta có thể mô phỏng các hiện tượng vật lý như động lực học

as much as a million times faster than traditional simulations.

chất lỏng nhanh hơn một triệu lần so với mô phỏng truyền thống.

Last year, we used neural operators to invent a better medical catheter.

Năm ngoái, chúng tôi đã sử dụng các nhà điều hành thần kinh

để phát minh ra một ống thông y tế tốt hơn.

A medical catheter is a tube that draws fluids out of the human body.

Ống thông y tế là một ống hút chất lỏng ra khỏi cơ thể con người.

Unfortunately, the bacteria tend to swim upstream against the fluid flow

Thật không may, vi khuẩn có xu hướng bơi ngược dòng chống lại dòng chất lỏng

and infect the human.

và lây nhiễm cho con người.

In fact, annually there is more than half a million cases

Trên thực tế, hàng năm có hơn nửa triệu trường hợp

of such healthcare-related infections,

nhiễm trùng liên quan đến chăm sóc sức khỏe như vậy,

and this is one of the leading causes.

và đây là một trong những nguyên nhân hàng đầu.

Last year, we used neural operators to change the inside of the catheter

Năm ngoái, chúng tôi đã sử dụng các thao tác thần kinh để thay đổi bên trong

from smooth to ridged.

ống thông từ trơn sang có rãnh.

With ridges, now we have vortices created as the fluid flows,

Với các đường gờ, bây giờ chúng ta có các xoáy được tạo ra khi chất lỏng chảy,

and we can hope to stop the bacteria from swimming upstream

và chúng ta có thể hy vọng ngăn chặn vi khuẩn bơi ngược dòng

because of these vortices.

vì những xoáy này.

But to get this correct,

Nhưng để làm được điều này chính xác,

we need the shape of the ridges to be exactly right.

chúng ta cần hình dạng của các đường gờ phải chính xác.

In the past, this would have been done by trial and error.

Trong quá khứ, điều này sẽ được thực hiện bằng cách thử và sai.

Design a version of the catheter,

Thiết kế một phiên bản của ống thông,

build it out, take it to the lab,

xây dựng nó ra, mang nó đến phòng thí nghiệm,

observe a hypothesis if something went wrong,

quan sát giả thuyết nếu có sự cố xảy ra,

rinse and repeat and redesign again.

rửa sạch, lặp lại và thiết kế lại một lần nữa.

But instead, we taught AI the behavior of the fluid flow inside the tube,

Nhưng thay vào đó, chúng tôi đã dạy AI hành vi của dòng chất lỏng bên trong ống,

and with it, our neural operator model was able to directly propose

và với nó, mô hình vận hành thần kinh của chúng tôi có thể trực tiếp đề xuất

an optimized design.

một thiết kế tối ưu hóa.

We 3D-printed the design only once to verify that it worked.

Chúng tôi chỉ in 3D thiết kế một lần để xác minh rằng nó hoạt động.

In the video, you're seeing our catheter being tested in the lab.

Trong video, bạn đang thấy ống thông của chúng tôi

đang được thử nghiệm trong phòng thí nghiệm.

The bacteria are not able to swim upstream,

Vi khuẩn không thể bơi ngược dòng, thay vào đó chúng

are instead being pushed out with the fluid flow.

bị đẩy ra ngoài cùng với dòng chất lỏng.

In fact, we measured the reduction in bacterial contamination

Trên thực tế, chúng tôi đã đo mức

by more than 100-fold.

giảm ô nhiễm vi khuẩn hơn 100 lần.

So in this case, the neural operators were specialized to understand

Vì vậy, trong trường hợp này, các toán tử thần kinh được chuyên biệt hóa để hiểu

fluid flow in a tube.

dòng chất lỏng trong một ống.

What other applications can AI tackle

AI có thể giải quyết những ứng dụng nào khác

and help us solve such pressing problems?

và giúp chúng tôi giải quyết những vấn đề cấp bách như vậy?

Can deep learning beat numerical weather models?

Học sâu có thể đánh bại các mô hình thời tiết số không?

A group of leading weather scientists asked this question in February 2021,

Một nhóm các nhà khí tượng hàng đầu đã đặt câu hỏi này vào tháng 2 năm 2021,

in a "Royal Society" publication.

trong một ấn phẩm “Hiệp hội Hoàng gia”.

They felt that AI was still in its infancy,

Họ cảm thấy rằng AI vẫn còn ở giai đoạn sơ khai

and that a number of fundamental breakthroughs would be needed

và một số đột phá cơ bản sẽ cần thiết

for AI to become competitive with traditional weather models,

để AI trở nên cạnh tranh với các mô hình thời tiết truyền thống,

and that would take years or even decades.

và điều đó sẽ mất nhiều năm hoặc thậm chí hàng thập kỷ.

Exactly a year later,

Chính xác một năm sau,

we released FourCastNet.

chúng tôi phát hành FourCastNet.

Using neural operators,

Sử dụng các toán tử thần kinh,

we built the first fully AI-based weather model

chúng tôi đã xây dựng mô hình thời tiết hoàn toàn dựa trên AI đầu tiên

that is high resolution

có độ phân giải cao

and is tens of thousands of times faster than traditional weather models.

và nhanh hơn hàng chục nghìn lần so với các mô hình thời tiết truyền thống.

What used to take a big supercomputer

Những gì từng sử dụng một siêu máy tính lớn

can now run on a gaming PC that you may have at home.

giờ đây có thể chạy trên PC chơi game mà bạn có thể có ở nhà.

This model is also running

Mô hình này cũng đang chạy

at the European Centre for Medium-Range Weather Forecasting,

tại Trung tâm Dự báo thời tiết tầm trung châu Âu,

one of the premier weather agencies of the world.

một trong những cơ quan thời tiết hàng đầu trên thế giới.

And our AI model is not just tens of thousands of times faster

Và mô hình AI của chúng tôi không chỉ nhanh hơn hàng ch ục nghìn lần

than traditional models.

so với các mô hình truyền thống.

It's also more accurate in many cases.

Nó cũng chính xác hơn trong nhiều trường hợp.

On September 16 last year,

Vào ngày 16 tháng 9 năm ngoái,

Hurricane Lee hit the coast of Nova Scotia, Canada.

cơn bão Lee đã tấn công bờ biển Nova Scotia, Canada.

A full ten days earlier,

Mười ngày trước đó, mô hình FourCastNet

our FourCastNet model correctly predicted

của chúng tôi đã dự đoán chính xác

that the hurricane would make landfall,

rằng cơn bão sẽ đổ bộ,

but the traditional weather model

nhưng mô hình thời tiết truyền thống

predicted the hurricane would skip the coast.

dự đoán cơn bão sẽ vượt qua bờ biển.

Only five days later, on September 11,

Chỉ năm ngày sau, vào ngày 11 tháng 9,

mô hình thời tiết truyền thống đã điều chỉnh dự báo của nó

did the traditional weather model correct its forecast to predict landfall.

để dự đoán sự đổ bộ.

Extreme weather events such as Hurricane Lee

Các sự kiện thời tiết khắc nghiệt như bão Lee

will only increase further unless we take action

sẽ chỉ gia tăng hơn nữa trừ khi chúng ta hành động

on climate change.

về biến đổi khí hậu.

Such as finding new, clean sources of energy.

Chẳng hạn như tìm kiếm các nguồn năng lượng mới, sạch.

Nuclear fusion is one of them.

Phản ứng tổng hợp hạt nhân là một trong số đó.

But unfortunately, there are still big challenges with it.

Nhưng thật không may, vẫn còn những thách thức lớn với nó.

The fusion reactor heats up the plasma

Lò phản ứng nhiệt hạch làm nóng plasma

to extremely high temperatures to get fusion started.

đến nhiệt độ cực cao để bắt đầu phản ứng tổng hợp.

And sometimes this hot plasma can escape confinement

Và đôi khi plasma nóng này có thể thoát khỏi sự giam giữ

and can damage the reactor.

và có thể làm hỏng lò phản ứng.

We train neural operators to simulate and predict

Chúng tôi đào tạo các nhà vận hành thần kinh để mô phỏng và dự đoán

the evolution of plasma inside the reactor.

sự tiến hóa của plasma bên trong lò phản ứng.

And with it,

Và với nó,

we can use this to predict disruptions before they occur

chúng ta có thể sử dụng điều này để dự đoán sự gián đoạn trước khi chúng xảy ra

and take corrective action in the real world.

và thực hiện hành động khắc phục trong thế giới thực.

We are enabling the possibility of nuclear fusion

Chúng tôi đang cho phép khả năng phản ứng tổng hợp hạt nhân

becoming a reality.

trở thành hiện thực.

So neural operators and AI broadly

Vì vậy, các nhà khai thác thần kinh và AI

are enabling us to tackle hard scientific challenges

nói chung đang cho phép chúng ta giải quyết những thách thức khoa học

such as climate change and nuclear fusion.

như biến đổi khí hậu và phản ứng tổng hợp hạt nhân.

To me, this is just the beginning.

Đối với tôi, đây chỉ là sự khởi đầu.

So far, these AI models are limited to the narrow domains they're trained on.

Cho đến nay, các mô hình AI này chỉ giới hạn

trong các lĩnh vực hẹp mà chúng được đào tạo.

What if you had an AI model

Điều gì sẽ xảy ra nếu bạn có một mô hình AI

that could solve all and any scientific problem?

có thể giải quyết tất cả và bất kỳ vấn đề khoa học nào?

From designing better drones, aircrafts, rockets,

Từ việc thiết kế máy bay không người lái tốt hơn, máy bay, tên lửa,

and even better drugs and medical devices?

và thậm chí cả các loại thuốc và thiết bị y tế tốt hơn?

Such an AI model would greatly benefit humanity.

Một mô hình AI như vậy sẽ mang lại lợi ích rất lớn cho nhân loại.

This is what we are working on.

Đây là những gì chúng tôi đang làm.

We are building a generalist AI model with emergent capabilities

Chúng tôi đang xây dựng một mô hình AI tổng quát với các khả năng nổi bật

that can simulate any physical phenomena

có thể mô phỏng bất kỳ hiện tượng vật lý nào

and generate novel designs that were previously out of reach.

và tạo ra các thiết kế mới lạ trước đây nằm ngoài tầm với.

This is how we scale up neural operators

Đây là cách chúng tôi mở rộng quy mô các toán tử thần kinh

to enable general intelligence with universal physical understanding.

để cho phép trí thông minh chung với sự hiểu biết vật lý phổ quát.

Thank you.

Cảm ơn mọi người.

(Applause)

(Vỗ tay)