Jeff Dean: AI isn't as smart as you think -- but it could be | TED

Translator: Anh Phạm Reviewer: Ly Nguyễn

Hi, I'm Jeff.

Xin chào, tôi là Jeff.

I lead AI Research and Health at Google.

Tôi đứng đầu mảng Nghiên cứu AI và Sức khỏe tại Google.

I joined Google more than 20 years ago,

Tôi gia nhập Google hơn 20 năm trước,

when we were all wedged into a tiny office space,

khi mà chúng tôi còn chen chúc trong một văn phòng chật hẹp,

above what's now a T-Mobile store in downtown Palo Alto.

tầng trên cửa hàng T-Mobile bây giờ trên phố Palo Alto.

I've seen a lot of computing transformations in that time,

Tôi đã thấy rất nhiều sự chuyển đổi điện toán thời kỳ đó,

and in the last decade, we've seen AI be able to do tremendous things.

và trong thập kỷ vừa qua, tôi đã thấy AI có thể làm những điều to lớn.

But we're still doing it all wrong in many ways.

Nhưng chúng ta vẫn làm sai ở rất nhiều khía cạnh.

That's what I want to talk to you about today.

Đó là điều tôi muốn nói với bạn ngày hôm nay.

But first, let's talk about what AI can do.

Trước tiên, hãy nói về những thứ AI làm được.

So in the last decade, we've seen tremendous progress

Trong thập kỷ trước, chúng tôi đã thấy những tiến bộ vượt bậc

in how AI can help computers see, understand language,

trong cách AI giúp máy tính nhìn thấy và hiểu ngôn ngữ,

understand speech better than ever before.

hiểu lời nói hơn bao giờ hết.

Things that we couldn't do before, now we can do.

Những thứ trước đó ta không thể làm, bây giờ đã có thể.

If you think about computer vision alone,

Chỉ cần nghĩ về thị giác máy tính,

just in the last 10 years,

thì chỉ trong 10 năm qua,

computers have effectively developed the ability to see;

máy tính đã phát triển khả năng thị giác rất hiệu quả;

10 years ago, they couldn't see, now they can see.

10 năm trước chúng không thể nhìn giờ chúng đã có thể

You can imagine this has had a transformative effect

Bạn có thể nghĩ điều này đã có một hiệu ứng biến đổi

on what we can do with computers.

đối với những gì ta có thể làm với máy tính.

So let's look at a couple of the great applications

Chúng ta hãy xem xét một vài ứng dụng tuyệt vời

enabled by these capabilities.

được kích hoạt bởi những khả năng này.

We can better predict flooding, keep everyone safe,

Có thể dự báo lũ lụt tốt hơn giúp mọi người an toàn

using machine learning.

sử dụng máy học.

We can translate over 100 languages so we all can communicate better,

Ta có thể dịch hơn 100 ngôn ngữ để chúng ta có thể giao tiếp tốt hơn

and better predict and diagnose disease,

và dự báo và chẩn đoán bệnh tốt hơn,

where everyone gets the treatment that they need.

ở nơi mọi người nhận được sự điều trị họ cần.

So let's look at two key components

Vậy ta hãy nhìn vào hai yếu tố chính

that underlie the progress in AI systems today.

nền tảng của sự tiến bộ của hệ thống AI ngày nay.

The first is neural networks,

Đầu tiên là mạng nơ-ron nhân tạo

a breakthrough approach to solving some of these difficult problems

một cách tiếp cận đột phá để giải quyết một số vấn đề khó khăn này

that has really shone in the last 15 years.

thứ đã thực sự tỏa sáng trong 15 năm qua.

But they're not a new idea.

Nhưng không phải một ý tưởng mới.

And the second is computational power.

Và thứ hai là năng lực điện toán.

It actually takes a lot of computational power

Thực sự cần rất nhiều năng lực điện toán

to make neural networks able to really sing,

để làm mạng nơ-ron có thể thực sự hoạt động,

and in the last 15 years, we’ve been able to halve that,

và trong 15 năm qua, chúng ta đã có thể giảm chúng đi một nửa,

and that's partly what's enabled all this progress.

đó là thứ đã một phần giúp sự tiến bộ này diễn ra.

But at the same time, I think we're doing several things wrong,

Nhưng đồng thời, tôi nghĩ chúng ta đang làm sai một vài thứ,

and that's what I want to talk to you about

và đó là những thứ tôi muốn nói với bạn

at the end of the talk.

tại cuối buổi hôm nay.

First, a bit of a history lesson.

Trước tiên là một chút bài học lịch sử.

So for decades,

Trong nhiều thập kỷ,

almost since the very beginning of computing,

gần như kể từ khởi nguyên của điện toán,

people have wanted to be able to build computers

mọi người đã muốn có thể chế tạo máy tính

that could see, understand language, understand speech.

mà có thể thấy, hiểu ngôn ngữ, hiểu lời nói.

The earliest approaches to this, generally,

Cách tiếp cận đầu tiên cho mục tiêu đó,

people were trying to hand-code all the algorithms

là việc mọi người thử viết mã cho các thuật toán

that you need to accomplish those difficult tasks,

cần thiết để hoàn thành các nhiệm vụ khó khăn kia,

and it just turned out to not work very well.

và nó hóa ra không hoạt động tốt lắm.

But in the last 15 years, a single approach

Nhưng trong 15 năm qua, một cách tiếp cận duy nhất

unexpectedly advanced all these different problem spaces all at once:

bất ngờ vượt qua đồng thời tất cả các vấn đề khác nhau này:

neural networks.

mạng nơ-ron nhân tạo.

So neural networks are not a new idea.

Nên mạng nơ-ron không còn mới nữa.

They're kind of loosely based

Chúng hơi dựa trên

on some of the properties that are in real neural systems.

một số thuộc tính trong các hệ thống thần kinh thực tế.

And many of the ideas behind neural networks

Và nhiều ý tưởng đằng sau mạng nơ-ron

have been around since the 1960s and 70s.

đã có từ những năm 1960 và 70.

A neural network is what it sounds like,

Mạng nơ-ron giống như tên của nó,

a series of interconnected artificial neurons

là một loạt các nơ-ron nhân tạo được liên kết với nhau

that loosely emulate the properties of your real neurons.

mô phỏng gần giống các tính chất các nơ-ron thần kinh của bạn.

An individual neuron in one of these systems

Một nơ-ron của một trong những hệ thống này

has a set of inputs,

có một bộ thông tin đầu vào,

each with an associated weight,

mỗi thông tin có một trọng số,

and the output of a neuron

và đầu ra của một nơ-ron

is a function of those inputs multiplied by those weights.

là kết quả của thông tin đầu vào nhân với trọng số.

So pretty simple,

Chúng khá là đơn gian,

and lots and lots of these work together to learn complicated things.

và rất nhiều nơ-ron làm việc với nhau để học những thứ vô cùng phức tạp.

So how do we actually learn in a neural network?

Vậy chúng ta học như thế nào trong một mạng nơ-ron nhân tạo?

It turns out the learning process

Hóa ra, quá trình học

consists of repeatedly making tiny little adjustments

bao gồm việc liên tục có những sự thay đổi nhỏ

to the weight values,

với những trọng số,

strengthening the influence of some things,

tăng cường sức ảnh hưởng của một số yếu tố

weakening the influence of others.

và giảm nhẹ ảnh hưởng của những thứ khác.

By driving the overall system towards desired behaviors,

Bằng sự điều hướng cả hệ thống đến những hành vi mong muốn,

these systems can be trained to do really complicated things,

ta có thể rèn luyện các hệ thống này làm những điều phức tạp,

like translate from one language to another,

như là dịch từ một ngôn ngữ này sang ngôn ngữ khác,

detect what kind of objects are in a photo,

phát hiện ra có những vật gì trong một bức ảnh,

all kinds of complicated things.

tất cả những thứ phức tạp.

I first got interested in neural networks

Tôi lần đầu hứng thú với mạng nơ-ron

when I took a class on them as an undergraduate in 1990.

khi tôi học một lớp học về chủ đề này ở trường đại học năm 1990.

At that time,

Khi đó,

neural networks showed impressive results on tiny problems,

mạng nơ-ron nhân tạo cho ra các kết quả ấn tượng với những vấn đề nhỏ bé,

but they really couldn't scale to do real-world important tasks.

nhưng lại không thể mở rộng ra giải quyết các vấn đề quan trọng ngoài thực tế.

But I was super excited.

Nhưng tôi vẫn rất hào hứng.

(Laughter)

(Tiếng cười)

I felt maybe we just needed more compute power.

Tôi nghĩ ta chỉ cần nhiều năng lực điện toán hơn.

And the University of Minnesota had a 32-processor machine.

Và Đại học Minnesota lúc đó có một chiếc máy tính với 32 bộ xử lý.

I thought, "With more compute power,

Tôi nghĩ, Với nhiều năng lực điện toán

boy, we could really make neural networks really sing."

chúng ta sẽ có thể thật sự khiến mạng nơ-ron trở nên nổi trội.”

So I decided to do a senior thesis on parallel training of neural networks,

Nên tôi quyết định làm một bài luận về việc dạy song song các mạng nơ-ron,

the idea of using processors in a computer or in a computer system

với ý tưởng là dùng các bộ xử lý của một máy tính hoặc trong một hệ thống máy

to all work toward the same task,

để tất cả thực hiện một tác vụ,

that of training neural networks.

huấn luyện mạng nơ-ron nhân tạo.

32 processors, wow,

32 bộ xử lý, chà,

we’ve got to be able to do great things with this.

ta chắc chắn có thể làm được nhiều điều tuyệt vời với chúng.

But I was wrong.

Nhưng tôi đã sai.

Turns out we needed about a million times as much computational power

Hóa ra chúng ta cần khoảng gấp 1 triệu lần nhiều năng lực điện toán

as we had in 1990

mà chúng ta có ở năm 1990

before we could actually get neural networks to do impressive things.

để thực sự khiến mạng nơ-ron nhân tạo tạo ra những điều ấn tượng.

But starting around 2005,

Nhưng bắt đầu từ khoảng năm 2005,

thanks to the computing progress of Moore's law,

nhờ có bước tiến về điện toán của định luật Moore,

we actually started to have that much computing power,

ta đã bắt đầu thực sự có năng lực điện toán như vậy,

and researchers in a few universities around the world started to see success

các nhà nghiên cứu ở một số trường đại học khắp thế giới đã nhìn thấy thành công

in using neural networks for a wide variety of different kinds of tasks.

trong việc sử dụng mạng nơ-ron cho hàng loạt các kiểu tác vụ khác nhau.

I and a few others at Google heard about some of these successes,

Tôi và một số người khác ở Google đã nghe về một số những thành công này,

and we decided to start a project to train very large neural networks.

và quyết định bắt đầu dự án huấn luyện một mạng lưới nơ-ron rất lớn.

One system that we trained,

Một mạng lưới chúng tôi

we trained with 10 million randomly selected frames

dạy với 10 triệu khung hình được chọn lựa ngẫu nhiên

from YouTube videos.

từ các video trên YouTube.

The system developed the capability

Hệ thống phát triển khả năng

to recognize all kinds of different objects.

để nhận ra các loại vật thể khác nhau.

And it being YouTube, of course,

Và ở trên YouTube, tất nhiên,

it developed the ability to recognize cats.

nó được phát triển khả năng để nhận diện các chú mèo.

YouTube is full of cats.

YouTube đầy rẫy mèo.

(Laughter)

(Tiếng cười)

But what made that so remarkable

Nhưng điều đáng chú ý là

is that the system was never told what a cat was.

hệ thống đó chưa bao giờ được dạy con mèo là gì.

So using just patterns in data,

Bằng việc sự dụng sự lặp lại trong dữ liệu,

the system honed in on the concept of a cat all on its own.

hệ thống đã tự mài dũa ý tưởng về một con mèo.

All of this occurred at the beginning of a decade-long string of successes,

Tất cả điều này xảy ra ở thời kỳ đầu của một thập niên của chuỗi các thành công

of using neural networks for a huge variety of tasks,

với việc dùng mạng nơ-ron nhân tạo cho vô vàn tác vụ,

at Google and elsewhere.

tại Google và nơi khác.

Many of the things you use every day,

Rất nhiều thứ bạn dùng mỗi ngày,

things like better speech recognition for your phone,

như nhận diện lời nói tốt hơn trên điện thoại của bạn

improved understanding of queries and documents

việc hiểu tốt hơn các câu hỏi hay văn bản

for better search quality,

để chất lượng tìm kiếm tốt hơn

better understanding of geographic information to improve maps,

việc hiểu tốt hơn về thông tin địa lý giúp cải thiện các bản đồ,

and so on.

vân vân.

Around that time,

Hồi đó,

we also got excited about how we could build hardware that was better tailored

chúng tôi còn hào hứng về việc khả năng xây dựng được phần cứng mà phù hợp hơn

to the kinds of computations neural networks wanted to do.

với những phép tính toán mà mạng nơ-ron muốn làm được.

Neural network computations have two special properties.

Việc tính toán sử dụng mạng nơ-ron có hai đặc tính.

The first is they're very tolerant of reduced precision.

Đầu tiên là chúng chấp nhận việc giảm tính chính xác.

Couple of significant digits, you don't need six or seven.

Chỉ cần vài chữ số quan trọng, không cần đến sáu bảy số.

And the second is that all the algorithms are generally composed

Và thứ hai là tất cả những thuật toán thường được tạo thành

of different sequences of matrix and vector operations.

từ chuỗi những ma trận và hoạt động véc-tơ khác nhau.

So if you can build a computer

Nếu bạn có thể tạo ra một máy tính

that is really good at low-precision matrix and vector operations

mà hoạt động tốt với những ma trận và hoạt động véc-tơ với tính chính xác thấp

but can't do much else,

nhưng không làm được nhiều thứ khác

that's going to be great for neural-network computation,

mà có ích cho việc tính toán của mạng nơ-ron nhân tạo,

even though you can't use it for a lot of other things.

cho dù bạn không thể dùng nó cho nhiều mục đích khác.

And if you build such things, people will find amazing uses for them.

Nếu tạo ra được chiếc máy đó, người ta sẽ tìm ra ứng dụng tuyệt vời.

This is the first one we built, TPU v1.

Đây là bản đầu tiên của chúng tôi, TPU v1.

"TPU" stands for Tensor Processing Unit.

TPU nghĩa là Bộ Xử Lý Ten-xơ.

These have been used for many years behind every Google search,

Chúng được dùng qua nhiều năm cho công cụ tìm kiếm của Google,

for translation,

để dịch thuật,

in the DeepMind AlphaGo matches,

trong các trận đấu DeepMind AlphaGo,

so Lee Sedol and Ke Jie maybe didn't realize,

nên có thể Lee Sedol và Ke Jie không nhận ra,

but they were competing against racks of TPU cards.

nhưng họ đã đấu với rất nhiều tủ rack chứa các thẻ TPU.

And we've built a bunch of subsequent versions of TPUs

Chúng tôi đã tạo ra nhiều phiên bản kế tiếp cho TPU.

that are even better and more exciting.

mà thậm chí còn tốt hơn và đỉnh hơn.

But despite all these successes,

Nhưng bất chấp tất cả các thành công này,

I think we're still doing many things wrong,

Tôi nghĩ chúng ta vẫn làm sai nhiều thứ,

and I'll tell you about three key things we're doing wrong,

và tôi sẽ nói với bạn ba điểm chính chúng ta đang làm sai,

and how we'll fix them.

và cách khắc phục chúng.

The first is that most neural networks today

Đầu tiên là hầu hết mạng nơ-ron ngày nay

are trained to do one thing, and one thing only.

được dạy để làm một tác vụ duy nhất

You train it for a particular task that you might care deeply about,

Bạn dạy nó 1 tác vụ bạn rất quan tâm,

but it's a pretty heavyweight activity.

nhưng đó lại là công việc khá nặng nhọc.

You need to curate a data set,

Bạn cần chọn ra một bộ dữ liệu,

you need to decide what network architecture you'll use

bạn cần quyết định kiến trúc mạng bạn sẽ dùng

for this problem,

cho tác vụ này,

you need to initialize the weights with random values,

bạn phải khởi chạy các trọng số với giá trị ngẫu nhiên,

apply lots of computation to make adjustments to the weights.

áp dụng rất nhiều phép tính toán để thay đổi các trọng số.

And at the end, if you’re lucky, you end up with a model

Và cuối cùng, nếu bạn may mắn, bạn sẽ có được một mô hình

that is really good at that task you care about.

mà làm rất giỏi nhiệm vụ mà bạn nó muốn làm.

But if you do this over and over,

Nhưng nếu bạn lặp đi lặp lại,

you end up with thousands of separate models,

bạn sẽ có được hàng ngàn mô hình biệt lập,

each perhaps very capable,

mỗi mô hình đều rất thành thạo,

but separate for all the different tasks you care about.

nhưng lại thực hiện độc lập các tác vụ mà bạn muốn làm.

But think about how people learn.

Hãy nghĩ về cách con người học.

In the last year, many of us have picked up a bunch of new skills.

Năm vừa qua, nhiều người chúng ta học hàng loạt những kỹ năng mới.

I've been honing my gardening skills,

Tôi đã rèn luyện kỹ năng làm vườn,

experimenting with vertical hydroponic gardening.

thử nghiệm với kỹ thuật thủy canh chiều dọc.

To do that, I didn't need to relearn everything I already knew about plants.

Để làm được, tôi không cần học lại tất cả những thứ tôi đã biết về cây cối.

I was able to know how to put a plant in a hole,

Tôi đã biết cách đặt cây vào trong lỗ,

how to pour water, that plants need sun,

cách tưới cây, và việc cây cần ánh nắng,

and leverage that in learning this new skill.

và tận dụng những kiến thức đó để học kỹ năng mới này.

Computers can work the same way, but they don’t today.

Máy tính có thể làm được vậy, nhưng giờ chúng chưa làm được.

If you train a neural network from scratch,

Nếu bạn huấn luyện một mạng nơ-ron từ đầu,

it's effectively like forgetting your entire education

nó giống như việc quên đi tất cả những điều bạn được dạy

every time you try to do something new.

mỗi khi bạn cố học một thứ gì mới.

That’s crazy, right?

Điên dồ, phải không?

So instead, I think we can and should be training

Thay vào đó, tôi nghĩ chúng ta có thể và nên rèn luyện

multitask models that can do thousands or millions of different tasks.

các mô hình có thể làm hàng ngàn, triệu tác vụ khác nhau.

Each part of that model would specialize in different kinds of things.

Mỗi phần của mô hình đó sẽ chuyên môn hóa những thứ khác nhau.

And then, if we have a model that can do a thousand things,

Và nếu chúng ta có một mô hình có thể làm hàng ngàn tác vụ,

and the thousand and first thing comes along,

và đến tác vụ thứ 1001,

we can leverage the expertise we already have

ta có thể tận dụng chuyên môn chúng ta đã có

in the related kinds of things

với những kiến thức liên quan

so that we can more quickly be able to do this new task,

để chúng ta có thể nhanh chóng làm được tác vụ mới này,

just like you, if you're confronted with some new problem,

giống như bạn, nếu bạn đối diện với vấn đề mới,

you quickly identify the 17 things you already know

bạn nhanh chóng xác định 17 điều bạn đã biết

that are going to be helpful in solving that problem.

mà sẽ giúp giải quyết vấn đề đó.

Second problem is that most of our models today

Vấn đề thứ hai là hầu hết các mô hình của ta có ngày nay

deal with only a single modality of data --

chỉ xử lý một dạng dữ liệu duy nhất,

with images, or text or speech,

như hình ảnh, hoặc chữ hoặc lời nói,

but not all of these all at once.

chứ không thể xử lý đồng thời.

But think about how you go about the world.

Nhưng nghĩ về cách bạn đón nhận thế giới.

You're continuously using all your senses

Bạn liên tục dùng tất cả các giác quan

to learn from, react to,

để học hỏi, phản ứng lại,

figure out what actions you want to take in the world.

để quyết định được những hành động bạn muốn thực hiện.

Makes a lot more sense to do that,

Như vậy hợp lý hơn,

and we can build models in the same way.

bạn có thể xây dựng mô hình theo cách đó.

We can build models that take in these different modalities of input data,

Chúng ta có thể xây dựng mô hình tiếp nhận các kiểu dữ liệu đầu vào khác nhau,

text, images, speech,

chữ viết, hình ảnh, lời nói,

but then fuse them together,

nhưng kết hợp chúng với nhau,

so that regardless of whether the model sees the word "leopard,"

để bất kể mô hình nhìn thấy từ “con báo”,

sees a video of a leopard or hears someone say the word "leopard,"

hay nhìn thấy một video hình con báo hay nghe thấy ai đó nói từ “con báo”,

the same response is triggered inside the model:

thì phản ứng tương tự kích hoạt trong mô hình:

the concept of a leopard

ý niệm về một con báo

can deal with different kinds of input data,

có thể xử lý với dạng dữ liệu đầu vào khác nhau,

even nonhuman inputs, like genetic sequences,

kể cả với dữ liệu không từ con người, như là chuỗi gen,

3D clouds of points, as well as images, text and video.

đám mây 3D của các điểm, cũng như là hình ảnh, chữ viết và video.

The third problem is that today's models are dense.

Vấn đề thứ ba là sự dày đặc của các mô hình hiện tại.

There's a single model,

Với một mô hình riêng lẻ,

the model is fully activated for every task,

nó đó sẽ được kích hoạt toàn bộ cho mỗi tác vụ,

for every example that we want to accomplish,

mà chúng ta muốn thực hiện,

whether that's a really simple or a really complicated thing.

bất kể đó là một việc rất đơn giản hay rất phức tạp.

This, too, is unlike how our own brains work.

Điều này, cũng không giống cách bộ não hoạt động.

Different parts of our brains are good at different things,

Các phần khác nhau của bộ não giỏi những việc khác nhau,

and we're continuously calling upon the pieces of them

và chúng liên tục kết nối các vùng của bộ não

that are relevant for the task at hand.

mà liên quan đến công việc ta muốn làm.

For example, nervously watching a garbage truck

Ví dụ, bạn đang lo lắng nhìn chiếc xe rác

back up towards your car,

lùi đến chiếc ô tô của bạn,

the part of your brain that thinks about Shakespearean sonnets

thì phần não bộ nghĩ về các bài thơ sonnet của Shakespear

is probably inactive.

chắc sẽ không hoạt động.

(Laughter)

(Tiếng cười)

AI models can work the same way.

Mô hình AI có thể hoạt động tương tự

Instead of a dense model,

Thay cho mô hình dày đặc,

we can have one that is sparsely activated.

ta có thể tạo mô hình kích hoạt từng phần.

So for particular different tasks, we call upon different parts of the model.

Với mỗi tác vụ khác nhau, ta sẽ kích hoạt từng phần khác nhau của mô hình.

During training, the model can also learn which parts are good at which things,

Trong lúc huấn luyện, mô hình có thể học được phần nào thực hiện tốt việc gì,

to continuously identify what parts it wants to call upon

để liên tục nhận diện phần nào của mô hình cần kích hoạt

in order to accomplish a new task.

để có thể thực hiện một tác vụ mới.

The advantage of this is we can have a very high-capacity model,

Lợi ích là chúng ta có thể có những mô hình với công suất lớn,

but it's very efficient,

nhưng lại rất hiệu quả,

because we're only calling upon the parts that we need

vì chúng ta chỉ kích hoạt các phần mô hình chúng ta cần

for any given task.

cho một tác vụ nhất định.

So fixing these three things, I think,

Việc khắc phục được ba điểm này, tôi nghĩ

will lead to a more powerful AI system:

sẽ dẫn đến một hệ thống AI mạnh mẽ hơn:

instead of thousands of separate models,

thay vì hàng ngàn mô hình biệt lập,

train a handful of general-purpose models

ta dạy một lượng mô hình tổng quát

that can do thousands or millions of things.

mà có thể làm hàng ngàn, triệu thứ.

Instead of dealing with single modalities,

Thay vì xử lý một dạng dữ liệu,

deal with all modalities,

ta xử lý tất cả các dạng,

and be able to fuse them together.

và có thể kết hợp chúng với nhau.

And instead of dense models, use sparse, high-capacity models,

Thay cho mô hình dày đặc, ta dùng các mô hình công suất lớn, rải rác,

where we call upon the relevant bits as we need them.

mà ta sẽ kích hoạt các phần liên quan ta cần đến.

We've been building a system that enables these kinds of approaches,

Chúng tôi đang xây dựng hệ thống có thể thực hiện các cách tiếp cận này,

and we’ve been calling the system “Pathways.”

và chúng tôi gọi hệ thống này là “Lộ trình.”

So the idea is this model will be able to do

Ý tưởng là mô hình này có thể làm

thousands or millions of different tasks,

hàng ngàn, triệu tác vụ khác nhau,

and then, we can incrementally add new tasks,

rồi ta có thể ngày càng cộng thêm tác vụ mới,

and it can deal with all modalities at once,

và có thể xử lý nhiều dạng dữ liệu cùng lúc,

and then incrementally learn new tasks as needed

và học thêm nhiều tác vụ mới

and call upon the relevant bits of the model

và kích hoạt các phần liên quan của mô hình

for different examples or tasks.

cho các ví dụ và tác vụ khác nhau.

And we're pretty excited about this,

Và chúng tôi rất hào hứng với nó,

we think this is going to be a step forward

chúng tôi nghĩ đây sẽ là một bước tiến

in how we build AI systems.

trong cách xây hệ thống AI

But I also wanted to touch on responsible AI.

Nhưng tôi cũng muốn đề cập đến AI có trách nhiệm.

We clearly need to make sure that this vision of powerful AI systems

Chúng ta rõ ràng cần đảm bảo rằng tầm nhìn về hệ thống AI mạnh mẽ này

benefits everyone.

có lợi cho mọi người.

These kinds of models raise important new questions

Kiểu mô hình này đặt ra các câu hỏi mới quan trọng

about how do we build them with fairness,

về cách ta xây dựng chúng với sự công bằng

interpretability, privacy and security,

sự dễ hiểu, riêng tư và bảo mật,

for all users in mind.

cho tất cả người dùng.

For example, if we're going to train these models

Ví dụ, nếu chúng ta sẽ huấn luyện các mô hình này

on thousands or millions of tasks,

với hàng ngàn, triệu tác vụ,

we'll need to be able to train them on large amounts of data.

chúng ta sẽ cần huấn luyện chúng với một lượng lớn dữ liệu.

And we need to make sure that data is thoughtfully collected

Và chúng ta cần đảm bảo dữ liệu được thu thập với sự thận trọng

and is representative of different communities and situations

và mang tính đại diện các cộng đồng và tình huống khác nhau

all around the world.

trên toàn thế giới.

And data concerns are only one aspect of responsible AI.

Và dữ liệu chỉ là một khía cạnh của AI có trách nhiệm.

We have a lot of work to do here.

Chúng ta còn nhiều việc phải làm.

So in 2018, Google published this set of AI principles

Vậy nên năm 2018, Google đã xuất bản bộ quy tắc AI này

by which we think about developing these kinds of technology.

khi chúng tôi nghĩ về việc phát triển những kiểu công nghệ này.

And these have helped guide us in how we do research in this space,

Và chúng đã hướng dẫn chúng tôi trong cách làm nghiên cứu trong mảng này,

how we use AI in our products.

cách dùng AI trong các sản phẩm.

And I think it's a really helpful and important framing

Và tôi nghĩ đó là một bộ khung rất hữu ích và quan trọng

for how to think about these deep and complex questions

trong cách nghĩ về những câu hỏi sâu và quan trọng đó

about how we should be using AI in society.

về cách chúng ta nên dùng AI trong xã hội.

We continue to update these as we learn more.

Chúng tôi tiếp tục cập nhật bộ quy tắc đó khi chúng tôi hiểu nhiều điều hơn.

Many of these kinds of principles are active areas of research --

Rất nhiều quy tắc này là những lĩnh vực nghiên cứu đang tiến hành

super important area.

những lĩnh vực siêu quan trọng.

Moving from single-purpose systems that kind of recognize patterns in data

Dịch chuyển từ các hệ thống một-mục-đích mà nhận ra khuôn mẫu trong dữ liệu

to these kinds of general-purpose intelligent systems

sang các hệ thống thông minh đa-mục-đích như vậy

that have a deeper understanding of the world

với hiểu biết sâu sắc hơn về thế giới

will really enable us to tackle

sẽ giúp chúng ta động đến

some of the greatest problems humanity faces.

các vấn đề quan trọng nhất mà nhân loại phải đối mặt.

For example,

Ví dụ,

we’ll be able to diagnose more disease;

ta có thể chuẩn đoán được nhiều bệnh hơn;

we'll be able to engineer better medicines

ta có thể tạo ra các loại thuốc tốt hơn

by infusing these models with knowledge of chemistry and physics;

bằng cách kết hợp các mô hình này với tri thức hóa học và vật lý;

we'll be able to advance educational systems

chúng ta sẽ có thể cải tiến các hệ thống giáo dục

by providing more individualized tutoring

bằng việc dạy kèm được cá nhân hóa hơn

to help people learn in new and better ways;

để giúp con người học theo cách mới và tốt hơn;

we’ll be able to tackle really complicated issues,

chúng ta có thể động đến các vấn đề rất phức tạp,

like climate change,

như biến đổi khí hậu,

and perhaps engineering of clean energy solutions.

và có thể là kiến tạo giải pháp năng lượng sạch.

So really, all of these kinds of systems

Nên thật sự, tất cả các kiểu hệ thống này

are going to be requiring the multidisciplinary expertise

sẽ cần có chuyên môn đa ngành

of people all over the world.

của con người trên toàn thế giới.

So connecting AI with whatever field you are in,

Vậy nên hãy kết nối AI với bất kỳ lĩnh vực nào bạn đang làm việc,

in order to make progress.

để tạo ra bước tiến.

So I've seen a lot of advances in computing,

Tôi đã thấy rất nhiều bước tiến trong điện toán,

and how computing, over the past decades,

và cách điện toán, trong vài thập kỷ qua,

has really helped millions of people better understand the world around them.

đã giúp hàng triệu người hiểu hơn về thế giới quanh họ.

And AI today has the potential to help billions of people.

Và AI ngày nay có khả năng giúp hàng tỷ người.

We truly live in exciting times.

Chúng ta đang sống ở thời đại đầy kỳ thú.

Thank you.

Cảm ơn.

(Applause)

(Tiếng vỗ tay)

Chris Anderson: Thank you so much.

Chris Anderson: Cảm ơn rất nhiều.

I want to follow up on a couple things.

Tôi muốn nối tiếp với một vài điểm.

This is what I heard.

Đây là những gì tôi nghe được.

Most people's traditional picture of AI

Cái nhìn thông thường của mọi người về AI

is that computers recognize a pattern of information,

là những chiếc máy tính nhận ra một khuôn mẫu của thông tin,

and with a bit of machine learning,

với một chút về máy học,

they can get really good at that, better than humans.

chúng có thể rất giỏi với việc đó, giỏi hơn con người.

What you're saying is those patterns

Vậy anh đang nói là các khuôn mẫu đó

are no longer the atoms that AI is working with,

không còn là những thứ AI tương tác cùng,

that it's much richer-layered concepts

mà là những ý tưởng có nhiều tầng nội dung

that can include all manners of types of things

bao gồm tất cả các dạng thông tin

that go to make up a leopard, for example.

và tạo thành, ví dụ như là một con báo.

So what could that lead to?

Vậy điều đó đưa chúng ta đến đâu?

Give me an example of when that AI is working,

Hãy cho tôi một ví dụ khi công nghệ AI đó đi vào vận hành,

what do you picture happening in the world

anh nghĩ điều gì sẽ xảy ra trên thế giới

in the next five or 10 years that excites you?

trong năm hay 10 năm tới mà khiến anh hào hứng?

Jeff Dean: I think the grand challenge in AI

Jeff Dean: tôi nghĩ thử thách lớn trong AI

is how do you generalize from a set of tasks

là làm sao để khái quát hóa từ chuỗi các tác vụ

you already know how to do

bạn đã biết làm

to new tasks,

thành những tác vụ mới,

as easily and effortlessly as possible.

một cách dễ dàng và không mất sức nhất.

And the current approach of training separate models for everything

Cách tiếp cận hiện tại là dạy các mô hình độc lập mọi thứ

means you need lots of data about that particular problem,

nghĩa là bạn cần rất nhiều dữ liệu về vấn đề cụ thể đó,

because you're effectively trying to learn everything

bởi vì bạn cần học hỏi mọi thứ một cách hiệu quả

about the world and that problem, from nothing.

về thế giới và vấn đề đó, từ con số không.

But if you can build these systems

Nhưng nếu có thể tạo các hệ thống

that already are infused with how to do thousands and millions of tasks,

đã biết cách làm hàng ngàn, triệu tác vụ,

then you can effectively teach them to do a new thing

thì bạn có thể dạy chúng một điều mới một cách hiệu quả

with relatively few examples.

chỉ với vài ví dụ.

So I think that's the real hope,

Tôi nghĩ đó mới là hy vọng thực sự,

that you could then have a system where you just give it five examples

là bạn có thể có một hệ thống mà bạn chỉ cho nó năm ví dụ

of something you care about,

về một thứ bạn quan tâm,

and it learns to do that new task.

và nó sẽ học cách làm tác vụ mới đó.

CA: You can do a form of self-supervised learning

CA: Bạn có thể thực hiện một dạng tự học

that is based on remarkably little seeding.

dựa trên chỉ một chút kiến thức nền.

JD: Yeah, as opposed to needing 10,000 or 100,000 examples

JD: đúng rồi, thay vì phải có 10,000 hay 100,000 ví dụ

to figure everything in the world out.

để hiểu được mọi thứ trên thế giới.

CA: Aren't there kind of terrifying unintended consequences

CA: Liệu có những hậu quả kinh hoàng ngoài dự tính

possible, from that?

có thể xảy ra không?

JD: I think it depends on how you apply these systems.

JD: Tôi nghĩ nó phụ thuộc vào cách bạn áp dụng hệ thống

It's very clear that AI can be a powerful system for good,

Rất rõ ràng là AI có thể là một hệ thống mạnh mẽ cho mục đích tốt.,

or if you apply it in ways that are not so great,

hay nếu bạn áp dụng nó theo cách không tốt,

it can be a negative consequence.

thì có thể gây ra hậu quả xấu.

So I think that's why it's important to have a set of principles

Đó là lí do tại sao tôi nghĩ cần có một bộ quy tắc

by which you look at potential uses of AI

để nhìn vào các công dụng tiềm năng của AI

and really are careful and thoughtful about how you consider applications.

và cân nhắc một cách rất thận trọng những ứng dụng của nó.

CA: One of the things people worry most about

CA: Một trong những điều con người lo lắng nhất

is that, if AI is so good at learning from the world as it is,

là nếu AI trở nên quá giỏi trong việc học hỏi về thế giới hiện tại

it's going to carry forward into the future

nó có thể sẽ mang đến tương lai

aspects of the world as it is that actually aren't right, right now.

những khía cạnh hiện tại không tốt của thế giới.

And there's obviously been a huge controversy about that

Và rõ ràng đã có một cuộc tranh cãi về điều này

recently at Google.

gần đây ở Google.

Some of those principles of AI development,

Một trong số những quy tắc đó của việc phát triển AI,

you've been challenged that you're not actually holding to them.

Các anh đã bị chất vấn về việc không thực sự thực hiện chúng.

Not really interested to hear about comments on a specific case,

Tôi không muốn nghe bình luận về trường hợp cụ thể nào,

but ... are you really committed?

nhưng ... các anh có thật sự cam kết với việc này?

How do we know that you are committed to these principles?

Làm sao để chúng tôi biết anh cam kết với các quy tắc này?

Is that just PR, or is that real, at the heart of your day-to-day?

Đó liệu là PR, hay thật sự là cốt lõi của công việc hằng ngày của các anh?

JD: No, that is absolutely real.

JD: Không, chúng là thật.

Like, we have literally hundreds of people

Chúng tôi có gần như hàng trăm người

working on many of these related research issues,

đang làm về nhiều vấn đề nghiên cứu liên quan này

because many of those things are research topics

vì rất nhiều trong số đó là các đề tài nghiên cứu

in their own right.

thuộc sở hữu của họ.

How do you take data from the real world,

Cách để bạn lấy dữ liệu từ thế giới thực,

that is the world as it is, not as we would like it to be,

của hiện tại, chứ không phải thế giới chúng ta mong muốn,

and how do you then use that to train a machine-learning model

và cách để bạn dùng dữ liệu đó để dạy các mô hình máy học

and adapt the data bit of the scene

và thích ứng dữ liệu từ hoàn cảnh

or augment the data with additional data

hoặc tăng thêm nguồn dữ liệu

so that it can better reflect the values we want the system to have,

để nó có thể phản ánh những giá trị mà ta muốn hệ thống sẽ có,

not the values that it sees in the world?

không phải các giá trị nó thấy trong thế giới?

CA: But you work for Google,

CA: Nhưng anh làm việc cho Google,

Google is funding the research.

Google tài trợ các nghiên cứu.

How do we know that the main values that this AI will build

Làm sao để chúng tôi biết những giá trị nền tàng mà hệ thống AI này sẽ xây dựng

are for the world,

để dành cho thế giới,

and not, for example, to maximize the profitability of an ad model?

chứ không phải, ví dụ như để tối đa hóa lợi nhuận của một mô hình quảng cáo?

When you know everything there is to know about human attention,

Khi anh biết mọi điều cần biết về sự quan tâm của con người,

you're going to know so much

anh sẽ biết quá nhiều điều

about the little wriggly, weird, dark parts of us.

về những phần kì cục, đen tối của chúng tôi.

In your group, are there rules about how you hold off,

Trong nhóm của anh, có các quy tắc về việc khi nào sẽ kìm lại,

church-state wall between a sort of commercial push,

ranh giới giữa việc thúc đẩy thương mại,

"You must do it for this purpose,"

“Bạn phải làm điều đó cho mục đích này”

so that you can inspire your engineers and so forth,

để có thể truyền cảm hứng cho các kỹ sư của anh vv,

to do this for the world, for all of us.

để làm vì thế giới, và tất cả chúng ta.

JD: Yeah, our research group does collaborate

JD: Nhóm nghiên cứu chúng tôi có hợp tác

with a number of groups across Google,

với một số các nhóm khác trong Google,

including the Ads group, the Search group, the Maps group,

bao gồm nhóm Quảng cáo, nhóm Tìm Kiếm, và nhóm Bản đồ,

so we do have some collaboration, but also a lot of basic research

chúng tôi có vài sự hợp tác, nhưng cũng là những nghiên cứu cơ bản

that we publish openly.

mà chúng tôi xuất bản rộng rãi.

We've published more than 1,000 papers last year

Chúng tôi xuất bản hơn 1000 nghiên cứu năm ngoái

in different topics, including the ones you discussed,

về các chủ đề khác nhau, gồm có các thứ anh vừa bàn đến

about fairness, interpretability of the machine-learning models,

về sự công bằng, sự dễ hiểu của các mô hình máy học,

things that are super important,

những điều vô cùng quan trọng,

and we need to advance the state of the art in this

và chúng ta cần cải tiến tới mức cao nhất

in order to continue to make progress

để tiếp tục có được các bước tiến

to make sure these models are developed safely and responsibly.

bảo đảm các mô hình này được phát triển an toàn và có trách nhiệm.

CA: It feels like we're at a time when people are concerned

CA: Tôi cảm thấy chúng ta đang ở thời đại mà con người lo lắng

about the power of the big tech companies,

về sức mạnh của các công ty công nghệ lớn,

and it's almost, if there was ever a moment to really show the world

và gần như luôn có một khoảnh khắc để cho thế giới thấy rằng

that this is being done to make a better future,

điều này được thực hiện để khiến tương lai tốt đẹp hơn.

that is actually key to Google's future,

điều đó chính là chìa khóa của tương lai của Google,

as well as all of ours.

cũng như là của chúng ta.

JD: Indeed.

JD: Đúng vậy

CA: It's very good to hear you come and say that, Jeff.

CA: Thật tuyệt khi anh đã đến đây và diễn thuyết, Jeff.

Thank you so much for coming here to TED.

Cảm ơn anh rất nhiều đã đến tham dự TED.

JD: Thank you.

JD: Xin cảm ơn

(Applause)

(Tiếng vỗ tay)