With Spatial Intelligence, AI Will Understand the Real World | Fei-Fei Li | TED

Translator: Nguyen Hue Reviewer: Quỳnh Phương Flora

Let me show you something.

Để tôi cho bạn thấy điều này.

To be precise,

Nói chính xác là

I'm going to show you nothing.

tôi sẽ không cho bạn thấy gì cả.

This was the world 540 million years ago.

Đây là thế giới 540 triệu năm trước.

Pure, endless darkness.

Chỉ có màn đêm vô tận

It wasn't dark due to a lack of light.

Nó không tối vì thiếu ánh sáng, mà là vì thiếu tầm nhìn

It was dark because of a lack of sight.

Although sunshine did filter 1,000 meters

Dù ánh sáng mặt trời xuyên qua 1.000 mét

beneath the surface of ocean,

bên dưới bề mặt đại dương,

a light permeated from hydrothermal vents to seafloor,

một tia sáng từ các lỗ thông hơi thủy nhiệt đến đáy biển,

brimming with life,

tràn ngập sự sống,

there was not a single eye to be found in these ancient waters.

nhưng không có một con mắt nào được tìm thấy trong những vùng nước cổ đại này.

No retinas, no corneas, no lenses.

Không võng mạc, không giác mạc, không có ống kính.

So all this light, all this life went unseen.

Vì vậy, tất cả ánh sáng này, tất cả sự sống này đều không được thấy.

There was a time that the very idea of seeing didn't exist.

Có một thời gian mà chính việc nhìn thấy không tồn tại.

It [had] simply never been done before.

Nó đơn giản là chưa bao giờ được thực hiện trước đây.

Until it was.

Cho đến khi nó xảy ra.

So for reasons we're only beginning to understand,

Cho nên, vì những lý do mà chúng ta chỉ mới bắt đầu hiểu,

trilobites, the first organisms that could sense light, emerged.

Bọ ba thuỳ, những sinh vật đầu tiên có thể cảm nhận được ánh sáng, đã xuất hiện.

They're the first inhabitants of this reality that we take for granted.

Chúng là những cư dân đầu tiên của thực tế này mà chúng ta coi là điều hiển nhiên.

First to discover that there is something other than oneself.

Là loài đầu tiên khám phá ra rằng có một cái gì đó khác ngoài chính nó.

A world of many selves.

Một thế giới của nhiều bản thân.

The ability to see is thought to have ushered in Cambrian explosion,

Khả năng nhìn được cho là đã mở ra vụ nổ kỷ Cambri,

a period in which a huge variety of animal species

một thời kỳ mà rất nhiều loài động vật được ghi nhận

entered fossil records.

vào hồ sơ hóa thạch.

What began as a passive experience,

Những gì bắt đầu như một trải nghiệm thụ động,

the simple act of letting light in,

hành động đơn giản là để ánh sáng đi vào,

soon became far more active.

nhanh chóng trở nên tích cực hơn nhiều.

The nervous system began to evolve.

Hệ thống thần kinh bắt đầu phát triển.

Sight turning to insight.

Tầm nhìn chuyển sang cái nhìn sâu sắc.

Seeing became understanding.

Nhìn thấy trở thành sự hiểu biết.

Understanding led to actions.

Sự hiểu biết dẫn đến hành động.

And all these gave rise to intelligence.

Và tất cả những điều này đã làm nảy sinh trí thông minh.

Today, we're no longer satisfied with just nature's gift of visual intelligence.

Ngày nay, chúng ta không còn hài lòng với năng khiếu trí tuệ thị giác tự nhiên.

Curiosity urges us to create machines to see just as intelligently as we can,

Sự tò mò thúc đẩy ta tạo ra những cỗ máy để nhìn một cách thông minh nhất có thể,

if not better.

nếu không muốn nói là tốt hơn.

Nine years ago, on this stage,

Chín năm trước, trong giai đoạn này,

I delivered an early progress report on computer vision,

tôi đã đưa ra một báo cáo tiến bộ ban đầu về thị giác máy tính,

a subfield of artificial intelligence.

một lĩnh vực phụ của trí tuệ nhân tạo.

Three powerful forces converged for the first time.

Ba lực lượng mạnh mẽ hội tụ lần đầu tiên.

Aa family of algorithms called neural networks.

Một họ thuật toán gọi là mạng nơ-ron.

Fast, specialized hardware called graphic processing units,

Phần cứng nhanh, chuyên dụng được gọi là đơn vị xử lý đồ họa

or GPUs.

hoặc GPU.

And big data.

Và dữ liệu lớn.

Like the 15 million images that my lab spent years curating called ImageNet.

Giống như 15 triệu hình ảnh

mà lab của tôi đã dành nhiều năm để quản lý được gọi là ImageNet.

Together, they ushered in the age of modern AI.

Cùng nhau, họ mở ra thời đại của AI hiện đại.

We've come a long way.

Chúng ta đã đi một chặng đường dài.

Back then, just putting labels on images was a big breakthrough.

Hồi đó, chỉ cần dán nhãn lên hình ảnh là một bước đột phá lớn.

But the speed and accuracy of these algorithms just improved rapidly.

Nhưng tốc độ và độ chính xác của các thuật toán này

vừa được cải thiện nhanh chóng.

The annual ImageNet challenge, led by my lab,

Thử thách ImageNet hàng năm, do phòng thí nghiệm của tôi dẫn đầu,

gauged the performance of this progress.

đã đánh giá hiệu suất của tiến trình này.

And on this plot, you're seeing the annual improvement

Và trên đồ thị này, bạn đang thấy các mô hình cải tiến

and milestone models.

và cột mốc hàng năm.

We went a step further

Chúng tôi đã tiến thêm một bước

and created algorithms that can segment objects

và tạo ra các thuật toán có thể phân đoạn các đối tượng

or predict the dynamic relationships among them

hoặc dự đoán mối quan hệ động giữa chúng

in these works done by my students and collaborators.

các công việc này do các sinh viên và cộng tác viên của tôi thực hiện.

And there's more.

Và còn nhiều hơn nữa.

Recall last time I showed you the first computer-vision algorithm

Nhớ lại lần trước tôi đã cho bạn xem thuật toán thị giác máy tính đầu tiên

that can describe a photo in human natural language.

có thể mô tả một bức ảnh bằng ngôn ngữ tự nhiên của con người.

That was work done with my brilliant former student, Andrej Karpathy.

Đó là công việc tôi thực hiện với học trò xuất sắc của tôi,

Andrej Karpathy.

At that time, I pushed my luck and said,

Lúc đó, tôi liều lĩnh và nói,

"Andrej, can we make computers to do the reverse?"

“Andrej, chúng ta có thể chế tạo máy tính để làm điều ngược lại không?”

And Andrej said, "Ha ha, that's impossible."

Và Andrej nói, “Ha ha, điều đó là không thể.”

Well, as you can see from this post,

Chà, như bạn có thể thấy từ bài đăng này,

recently the impossible has become possible.

gần đây điều không thể đã trở nên khả thi.

That's thanks to a family of diffusion models

Đó là nhờ một dòng mô hình khuếch tán

that powers today's generative AI algorithm,

cấp năng lượng cho thuật toán AI tạo ra ngày nay,

which can take human-prompted sentences

có thể lấy các câu do con người yêu cầu

and turn them into photos and videos

và biến chúng thành ảnh và video

of something that's entirely new.

của một thứ hoàn toàn mới.

Many of you have seen the recent impressive results of Sora by OpenAI.

Nhiều trong số các bạn đã thấy kết quả ấn tượng gần đây của Sora by OpenAI.

But even without the enormous number of GPUs,

Nhưng ngay cả khi không có số lượng GPU khổng lồ,

my student and our collaborators

sinh viên của tôi và các cộng tác viên của chúng tôi

have developed a generative video model called Walt

đã phát triển một mô hình video tổng hợp có tên Walt

months before Sora.

vài tháng trước Sora.

And you're seeing some of these results.

Và bạn đang thấy một số kết quả này.

There is room for improvement.

Có chỗ để cải thiện.

I mean, look at that cat's eye

Ý tôi là, hãy nhìn vào mắt con mèo đó

and the way it goes under the wave without ever getting wet.

và cách nó đi dưới làn sóng mà không bao giờ bị ướt.

What a cat-astrophe.

Thật là một thảm họa mèo.

(Laughter)

(Tiếng cười)

And if past is prologue,

Và nếu quá khứ là lời mở đầu,

we will learn from these mistakes and create a future we imagine.

chúng ta sẽ học hỏi từ những sai lầm này và tạo ra một tương lai mà ta tưởng tượng.

And in this future,

Và trong tương lai này,

we want AI to do everything it can for us,

chúng ta muốn AI làm mọi thứ có thể cho chúng ta

or to help us.

hoặc giúp đỡ chúng ta.

For years I have been saying

Trong nhiều năm, tôi đã nói

that taking a picture is not the same as seeing and understanding.

rằng chụp ảnh không giống như nhìn và hiểu.

Today, I would like to add to that.

Hôm nay, tôi muốn thêm vào điều đó.

Simply seeing is not enough.

Chỉ cần nhìn thôi là chưa đủ.

Seeing is for doing and learning.

Nhìn là để làm và học hỏi.

When we act upon this world in 3D space and time,

Khi chúng ta hành động trên thế giới này trong không gian và thời gian 3D,

we learn, and we learn to see and do better.

chúng ta học hỏi, và chúng ta học cách nhìn và làm tốt hơn.

Nature has created this virtuous cycle of seeing and doing

Thiên nhiên đã tạo ra chu kỳ nhìn và làm đạo đức này được

powered by “spatial intelligence.”

cung cấp bởi “trí thông minh không gian”.

To illustrate to you what your spatial intelligence is doing constantly,

Để minh họa cho bạn những gì trí thông minh không gian của bạn đang làm liên tục,

look at this picture.

hãy nhìn vào bức tranh này.

Raise your hand if you feel like you want to do something.

Hãy giơ tay lên nếu bạn cảm thấy muốn làm điều gì đó.

(Laughter)

(Cười)

In the last split of a second,

Trong giây phút cuối cùng,

your brain looked at the geometry of this glass,

bộ não của bạn đã nhìn vào hình dạng của chiếc tách này,

its place in 3D space,

vị trí của nó trong không gian 3D,

its relationship with the table, the cat

mối quan hệ của nó với cái bàn, con mèo

and everything else.

và mọi thứ khác.

And you can predict what's going to happen next.

Và bạn có thể dự đoán những gì sẽ xảy ra tiếp theo.

The urge to act is innate to all beings with spatial intelligence,

Sự thôi thúc hành động là bẩm sinh

đối với tất cả những sinh vật có trí thông minh không gian,

which links perception with action.

liên kết nhận thức với hành động.

And if we want to advance AI beyond its current capabilities,

Và nếu chúng ta muốn nâng cao AI vượt ra ngoài khả năng hiện tại của nó,

we want more than AI that can see and talk.

chúng ta muốn nhiều hơn là AI mà có thể nhìn và nói chuyện.

We want AI that can do.

Chúng ta muốn AI hành động.

Indeed, we're making exciting progress.

Thật vậy, chúng ta đang đạt được những tiến bộ thú vị.

The recent milestones in spatial intelligence

Các cột mốc gần đây trong trí thông minh không gian

is teaching computers to see, learn, do

là dạy máy tính nhìn, học, làm

and learn to see and do better.

và học cách nhìn và làm tốt hơn.

This is not easy.

Điều này không dễ dàng.

It took nature millions of years to evolve spatial intelligence,

Thiên nhiên phải mất hàng triệu năm để phát triển trí thông minh không gian,

which depends on the eye taking light,

điều này phụ thuộc vào mắt chụp ánh sáng,

project 2D images on the retina

chiếu hình ảnh 2D lên võng mạc

and the brain to translate these data into 3D information.

và não để chuyển những dữ liệu này thành thông tin 3D.

Only recently, a group of researchers from Google

Chỉ gần đây, một nhóm các nhà nghiên cứu từ Google

are able to develop an algorithm to take a bunch of photos

mới có thể phát triển một thuật toán để chụp một loạt ảnh

and translate that into 3D space,

và chuyển chúng thành không gian 3D,

like the examples we're showing here.

giống như các ví dụ chúng tôi đang hiển thị ở đây.

My student and our collaborators have taken a step further

Học sinh của tôi và các cộng tác viên của chúng tôi đã tiến thêm một bước nữa

and created an algorithm that takes one input image

và tạo ra một thuật toán lấy một hình ảnh đầu vào

and turn that into 3D shape.

và biến nó thành hình dạng 3D.

Here are more examples.

Dưới đây là nhiều ví dụ.

Recall, we talked about computer programs that can take a human sentence

Ta đã nói về các chương trình máy tính có thể chấp nhận văn bản của con người

và biến nó thành video.

and turn it into videos.

A group of researchers in University of Michigan

Một nhóm các nhà nghiên cứu tại Đại học Michigan

have figured out a way to translate that line of sentence

đã tìm ra cách dịch dòng câu đó

into 3D room layout, like shown here.

thành bố cục phòng 3D, như được hiển thị ở đây.

And my colleagues at Stanford and their students

Và các đồng nghiệp của tôi tại Stanford và các sinh viên của họ

have developed an algorithm that takes one image

đã phát triển một thuật toán lấy một hình ảnh

and generates infinitely plausible spaces

và tạo ra không gian vô cùng hợp lý

for viewers to explore.

cho người xem khám phá.

These are prototypes of the first budding signs of a future possibility.

Đây là những nguyên mẫu của những dấu hiệu nảy chồi đầu tiên về khả năng tương lai.

One in which the human race can take our entire world

Một nơi mà loài người có thể chiếm lấy toàn bộ thế giới của chúng ta

and translate it into digital forms

và chuyển nó thành các hình thức kỹ thuật số

and model the richness and nuances.

và mô hình hóa sự phong phú và sắc thái.

What nature did to us implicitly in our individual minds,

Những gì thiên nhiên đã làm với ta ngầm trong tâm trí cá nhân của ta,

spatial intelligence technology can hope to do

công nghệ trí tuệ không gian có thể hy vọng làm được

for our collective consciousness.

cho ý thức tập thể của chúng ta.

As the progress of spatial intelligence accelerates,

Khi sự tiến bộ của trí thông minh không gian tăng tốc,

a new era in this virtuous cycle is taking place in front of our eyes.

một kỷ nguyên mới trong chu kỳ đạo đức này đang diễn ra trước mắt chúng ta.

This back and forth is catalyzing robotic learning,

Điều này qua lại đang xúc tác cho việc học robot,

a key component for any embodied intelligence system

một thành phần quan trọng cho bất kỳ hệ thống trí thông minh hiện thân nào

that needs to understand and interact with the 3D world.

cần hiểu và tương tác với thế giới 3D.

A decade ago,

Một thập kỷ trước,

ImageNet từ phòng thí nghiệm của tôi

ImageNet from my lab

enabled a database of millions of high-quality photos

đã kích hoạt một cơ sở dữ liệu gồm hàng triệu bức ảnh chất lượng cao

to help train computers to see.

để giúp đào tạo máy tính nhìn thấy.

Today, we're doing the same with behaviors and actions

Ngày nay, chúng ta đang làm tương tự với các hành vi và hành động

to train computers and robots how to act in the 3D world.

để đào tạo máy tính và robot cách hành động trong thế giới 3D.

But instead of collecting static images,

Nhưng thay vì thu thập hình ảnh tĩnh,

we develop simulation environments powered by 3D spatial models

chúng tôi phát triển các môi trường mô phỏng hỗ trợ bởi mô hình không gian 3D

so that the computers can have infinite varieties of possibilities

để máy tính có thể có vô số khả năng

to learn to act.

học để hành động.

And you're just seeing a small number of examples

Và bạn chỉ thấy một số ví dụ nhỏ

to teach our robots

để dạy robot của chúng tôi

in a project led by my lab called Behavior.

trong một dự án do phòng thí nghiệm của tôi dẫn đầu có tên là Hành vi.

We’re also making exciting progress in robotic language intelligence.

Chúng tôi cũng đạt được những tiến bộ thú vị về trí thông minh ngôn ngữ robot.

Using large language model-based input,

Sử dụng đầu vào dựa trên mô hình ngôn ngữ lớn, học sinh của tôi

my students and our collaborators are among the first teams

và cộng tác viên của chúng tôi là một trong những nhóm đầu tiên có thể

that can show a robotic arm performing a variety of tasks

cho thấy cánh tay robot thực hiện nhiều nhiệm vụ khác nhau

based on verbal instructions,

dựa trên hướng dẫn bằng lời nói,

like opening this drawer or unplugging a charged phone.

như mở ngăn kéo này hoặc rút phích cắm điện thoại đã sạc.

Or making sandwiches, using bread, lettuce, tomatoes

Hoặc làm bánh sandwich, sử dụng bánh mì, rau diếp, cà chua

and even putting a napkin for the user.

và thậm chí đặt khăn ăn cho người dùng.

Typically I would like a little more for my sandwich,

Thông thường tôi muốn nhiều hơn một chút cho sandwich của mình,

but this is a good start.

nhưng đây là một khởi đầu tốt đẹp.

(Laughter)

(Tiếng cười)

In that primordial ocean, in our ancient times,

Trong đại dương nguyên thủy đó, trong thời cổ đại của chúng ta,

the ability to see and perceive one's environment

khả năng nhìn và nhận thức môi trường của một người

kicked off the Cambrian explosion of interactions with other life forms.

đã kích hoạt sự bùng nổ tương tác giữa kỷ Cambri với các dạng sống khác.

Today, that light is reaching the digital minds.

Ngày nay, ánh sáng đó đang đến với tâm trí kỹ thuật số.

Spatial intelligence is allowing machines

Trí thông minh không gian cho phép các máy móc

to interact not only with one another,

tương tác không chỉ với nhau,

but with humans, and with 3D worlds,

mà với con người và với thế giới 3D,

real or virtual.

thực hoặc ảo.

And as that future is taking shape,

Và khi tương lai đó đang hình thành,

it will have a profound impact to many lives.

nó sẽ có tác động sâu sắc đến nhiều cuộc sống.

Let's take health care as an example.

Hãy lấy chăm sóc sức khỏe làm ví dụ.

For the past decade,

Trong thập kỷ qua,

my lab has been taking some of the first steps

phòng thí nghiệm của tôi đã thực hiện một số bước đầu tiên

in applying AI to tackle challenges that impact patient outcome

trong việc áp dụng AI để giải quyết những thách thức

cái ảnh hưởng đến kết quả của bệnh nhân

and medical staff burnout.

và sự kiệt sức của nhân viên y tế.

Together with our collaborators from Stanford School of Medicine

Cùng với các cộng tác viên của chúng tôi từ Trường Y Stanford

and partnering hospitals,

và các bệnh viện đối tác,

we're piloting smart sensors

chúng tôi đang thử nghiệm các cảm biến thông minh có thể

that can detect clinicians going into patient rooms

phát hiện các bác sĩ lâm sàng đi vào phòng bệnh nhân

without properly washing their hands.

mà không rửa tay đúng cách.

Or keep track of surgical instruments.

Hoặc theo dõi các dụng cụ phẫu thuật.

Or alert care teams when a patient is at physical risk,

Hoặc cảnh báo các nhóm chăm sóc khi bệnh nhân có nguy cơ vật lý,

such as falling.

chẳng hạn như ngã.

We consider these techniques a form of ambient intelligence,

Chúng tôi coi những kỹ thuật này là một dạng trí thông minh xung quanh,

like extra pairs of eyes that do make a difference.

giống như cặp mắt bổ sung tạo ra sự khác biệt.

But I would like more interactive help for our patients, clinicians

Nhưng tôi muốn sự trợ giúp tương tác hơn cho bệnh nhân, bác sĩ lâm sàng

and caretakers, who desperately also need an extra pair of hands.

và người chăm sóc của chúng ta, những người cũng rất cần thêm một đôi tay.

Imagine an autonomous robot transporting medical supplies

Hãy tưởng tượng một robot tự động vận chuyển vật tư y tế

while caretakers focus on our patients

trong khi người chăm sóc tập trung vào bệnh nhân của chúng ta

or augmented reality, guiding surgeons to do safer, faster

hay tăng cường thực tế, hướng dẫn bác sĩ phẫu thuật làm việc an toàn, nhanh hơn

and less invasive operations.

và các hoạt động ít xâm lấn hơn.

Or imagine patients with severe paralysis controlling robots with their thoughts.

Hoặc tưởng tượng những bệnh nhân bị liệt nghiêm trọng

điều khiển robot bằng suy nghĩ của họ.

That's right, brainwaves, to perform everyday tasks

Đúng vậy, sóng não, để thực hiện các công việc hàng ngày

that you and I take for granted.

mà bạn và tôi coi là điều hiển nhiên.

You're seeing a glimpse of that future in this pilot study from my lab recently.

Bạn đang nhìn thấy một cái nhìn thoáng qua về tương lai đó

trong nghiên cứu thí điểm này từ lab của tôi gần đây.

In this video, the robotic arm is cooking a Japanese sukiyaki meal

Trong video này, cánh tay robot đang nấu một bữa ăn sukiyaki Nhật Bản

controlled only by the brain electrical signal,

chỉ được điều khiển bởi tín hiệu điện não, được thu thập

non-invasively collected through an EEG cap.

không xâm lấn thông qua nắp điện não đồ.

(Applause)

(Vỗ tay)

Thank you.

Cảm ơn.

The emergence of vision half a billion years ago

Sự xuất hiện của tầm nhìn nửa tỷ năm trước

turned a world of darkness upside down.

đã làm đảo lộn một thế giới bóng tối.

It set off the most profound evolutionary process:

Nó bắt đầu quá trình tiến hóa sâu sắc nhất:

the development of intelligence in the animal world.

sự phát triển trí thông minh trong thế giới động vật.

AI's breathtaking progress in the last decade is just as astounding.

Sự tiến bộ ngoạn mục của AI trong thập kỷ qua cũng đáng kinh ngạc không kém.

But I believe the full potential of this digital Cambrian explosion

Nhưng tôi tin rằng toàn bộ tiềm năng của vụ nổ kỷ Cambri kỹ thuật số này

won't be fully realized until we power our computers and robots

sẽ không được nhận ra đầy đủ

cho đến khi ta cung cấp năng lượng cho máy tính và robot của chúng ta

with spatial intelligence,

bằng trí thông minh không gian,

just like what nature did to all of us.

giống như những gì thiên nhiên đã làm với tất cả chúng ta.

Đây là thời điểm thú vị để dạy người bạn đồng hành

It’s an exciting time to teach our digital companion

kỹ thuật số của chúng ta học cách suy luận

to learn to reason

and to interact with this beautiful 3D space we call home,

và tương tác với không gian 3D tuyệt đẹp mà chúng ta gọi là nhà này,

and also create many more new worlds that we can all explore.

đồng thời tạo ra nhiều thế giới mới hơn mà tất cả chúng ta có thể khám phá.

To realize this future won't be easy.

Để nhận ra tương lai này sẽ không dễ dàng.

It requires all of us to take thoughtful steps

Nó đòi hỏi tất cả chúng ta phải thực hiện các bước chu đáo

and develop technologies that always put humans in the center.

và phát triển các công nghệ luôn đặt con người vào trung tâm.

But if we do this right,

Nhưng nếu chúng ta làm đúng điều này,

the computers and robots powered by spatial intelligence

máy tính và robot được hỗ trợ bởi trí thông minh không gian

will not only be useful tools

sẽ không chỉ là những công cụ hữu ích

but also trusted partners

mà còn là những đối tác đáng tin cậy

to enhance and augment our productivity and humanity

để nâng cao và nâng cao năng suất và nhân văn của chúng ta

while respecting our individual dignity

trong khi tôn trọng phẩm giá cá nhân của chúng ta

and lifting our collective prosperity.

và nâng cao sự thịnh vượng chung của chúng ta.

What excites me the most in the future

Điều khiến tôi phấn khích nhất trong tương lai

is a future in which that AI grows more perceptive,

là một tương lai trong đó AI phát triển nhận thức hơn, sâu sắc hơn

insightful and spatially aware,

và nhận thức về không gian hơn,

and they join us on our quest

nó tham gia cùng chúng tôi trên con đường này

to always pursue a better way to make a better world.

luôn theo đuổi cách tốt hơn vì thế giới tốt đẹp hơn.

Thank you.

Xin cảm ơn.

(Applause)

(Vỗ tay)