Trí tuệ nhân tạo hẹp (ANI)

Đặc điểm cốt lõi

Đặc điểm xác định của ANI là tính chuyên môn hóa của nó. Các hệ thống này thường được phát triển bằng cách sử dụng các tập dữ liệu lớn có liên quan đến chức năng được chỉ định của chúng, thường tận dụng các kỹ thuật học máy (ML) . Các đặc điểm chính bao gồm:

• Theo nhiệm vụ cụ thể: Được thiết kế cho một mục đích duy nhất hoặc một tập hợp rất hạn chế các nhiệm vụ có liên quan chặt chẽ, như chơi cờ vua, nhận dạng khuôn mặt ( nhận dạng khuôn mặt ) hoặc dịch ngôn ngữ.
• Dựa trên dữ liệu: Hiệu suất phụ thuộc rất nhiều vào chất lượng và số lượng dữ liệu đào tạo được sử dụng trong quá trình phát triển. Các mô hình đào tạo phổ biến bao gồm học có giám sát , học không giám sát và học tăng cường .
• Hướng tới mục tiêu: Hoạt động dựa trên các thuật toán và thông số do nhà phát triển đặt ra để đạt được các mục tiêu cụ thể, có thể đo lường được.
• Thiếu ý thức: Hệ thống ANI không có nhận thức về bản thân, cảm giác hoặc hiểu biết thực sự; chúng mô phỏng trí thông minh trong phạm vi hẹp của chúng dựa trên các mẫu học được từ dữ liệu. Bạn có thể khám phá tài liệu Ultralytics để biết thêm chi tiết về cách các mô hình này được đào tạo và triển khai.

Sự khác biệt với các loại AI khác

Để hiểu được ANI, cần phải phân biệt nó với các dạng AI lý thuyết tiên tiến hơn:

• Trí tuệ nhân tạo tổng quát (AGI) : Thường được gọi là AI mạnh , AGI đề cập đến những cỗ máy lý thuyết có khả năng nhận thức giống con người, có khả năng hiểu, học và áp dụng trí thông minh vào nhiều nhiệm vụ khác nhau, tương tự như con người. Các tổ chức như Google DeepMind và OpenAI đang tích cực nghiên cứu các con đường hướng tới AGI. AGI vẫn chủ yếu là lý thuyết và là một bước tiến đáng kể vượt xa khả năng ANI hiện tại.
• Trí tuệ siêu nhân tạo (ASI): Đây là một giai đoạn tương lai giả định mà AI vượt qua trí thông minh của con người trên hầu hết mọi lĩnh vực có giá trị kinh tế. ASI đại diện cho một mức độ thông minh vượt xa cả những bộ óc thông minh nhất của con người, một khái niệm được các nhà tư tưởng như Nick Bostrom khám phá chi tiết.

Trong khi ANI cung cấp năng lượng cho các ứng dụng phức tạp, nó hoạt động hoàn toàn dựa trên dữ liệu lập trình và đào tạo, mà không có sự hiểu biết thực sự hoặc khả năng khái quát hóa vượt ra ngoài nhiệm vụ được chỉ định.

Ứng dụng trong thế giới thực

ANI rất phổ biến trong công nghệ hiện đại. Sau đây là hai ví dụ nổi bật:

1. Hệ thống thị giác máy tính (CV) : Các mô hình như Ultralytics YOLO , bao gồm các phiên bản như YOLOv8 và YOLO11 , là những ví dụ điển hình của ANI. Chúng vượt trội trong các tác vụ trực quan cụ thể như phát hiện đối tượng (xác định và định vị đối tượng bằng hộp giới hạn ), phân đoạn thể hiện (phác thảo các thể hiện đối tượng riêng lẻ) và ước tính tư thế (phát hiện các điểm chính trên cơ thể). Các khả năng này rất quan trọng trong nhiều lĩnh vực khác nhau như xe tự hành để điều hướng (xem phương pháp của Waymo ), tăng cường hệ thống an ninh , tự động hóa kiểm soát chất lượng sản xuất và hỗ trợ phân tích hình ảnh y tế . Các nền tảng như Ultralytics HUB tạo điều kiện thuận lợi cho việc đào tạo và triển khai các mô hình CV chuyên biệt như vậy. Bạn có thể tìm thấy các so sánh giữa các mô hình YOLO trong tài liệu của chúng tôi.
2. Hệ thống xử lý ngôn ngữ tự nhiên (NLP) : Các trợ lý ảo như Siri của Apple và Amazon Alexa , các chatbot tinh vi được sử dụng trong dịch vụ khách hàng và các công cụ dịch máy như Google Translate đều được hỗ trợ bởi ANI. Chúng được đào tạo trên các tập dữ liệu văn bản khổng lồ để hiểu và tạo ra ngôn ngữ của con người cho các ứng dụng cụ thể như trả lời câu hỏi, làm theo lệnh hoặc dịch văn bản giữa các ngôn ngữ. Mặc dù rất thành thạo trong các nhiệm vụ này, nhưng chúng lại thiếu kiến thức rộng về thế giới hoặc lý luận thông thường bên ngoài phạm vi được đào tạo của chúng. Các khuôn khổ như Hugging Face Transformers cung cấp các công cụ để xây dựng các mô hình NLP như vậy.

Các ví dụ phổ biến khác về ANI bao gồm các hệ thống đề xuất được sử dụng bởi các nền tảng như Netflix và Spotify , bộ lọc thư rác email và phần mềm được sử dụng trong mô hình tài chính . Việc phát triển và triển khai các hệ thống này ngày càng liên quan đến việc cân nhắc cẩn thận về đạo đức AI để đảm bảo tính công bằng và ngăn ngừa sự thiên vị có hại, được hướng dẫn bởi các tổ chức như Đối tác về AI và các nguyên tắc của AI có thể giải thích (XAI) .