Một con người vừa đánh bại trí tuệ nhân tạo trong Go. Điều đó quan trọng như thế nào? (This is the direct translation of the original title and follows Vietnamese reading habits.)

Vào năm 2016, có thông tin cho rằng AI đã đánh bại con người ở môn cờ vây. Bảy năm trôi qua nhanh chóng, và tin tức là con người đã đánh bại AI trong môn cờ vây. Nhưng không phải chúng tôi thông minh hơn giữa các lần thử — chúng tôi chỉ học cách khai thác các lỗi.

Cờ vây phức tạp đến mức nó làm cho cờ vua trông giống như tic tac toe. Cờ vây được chơi trên bàn cờ 19 x 19 (so với cờ vua chỉ 8 x 8) và một trò chơi thông thường có khoảng 150 nước đi có khoảng 10³⁶⁰ các bước di chuyển có thể xảy ra hoặc số 1 theo sau là 360 số không – một số khó nắm bắt. Để so sánh, ước tính có khoảng 10⁸² nguyên tử trong vũ trụ.

Tính toán mọi thứ trong trò chơi cờ vây là không thể, vì vậy người chơi thường dựa vào trực giác và kỹ năng nhận dạng mô hình của mình, đó là lý do tại sao cờ vây được coi là bất khả xâm phạm trước AI. Nhưng vào năm 2016, DeepMind’s AlphaGo đã bật tất cả những thứ đó lên. Bất chấp sự phản đối gay gắt từ những nhà vô địch của nhân loại, AI đang thành công và vượt lên trên con người.

Người chơi cờ vây giỏi nhất vào lúc này là KataGo, một thuật toán máy học tự dạy cách chơi, vượt trội hơn cả những lần lặp lại AI trước đó.

KataGo là một con quái vật, nó quét sạch mọi đối thủ trên sàn đấu. Nhưng các nhà nghiên cứu đã tìm thấy những điểm yếu hoặc lỗ hổng tiềm ẩn trong KataGo. Gần đây, một nhóm các nhà nghiên cứu đã xuất bản một bản in trước của nghiên cứu của họ, trong đó họ mô tả cách họ huấn luyện đối thủ AI của riêng mình, đặc biệt nhắm vào KataGo. Họ không muốn trở thành người chơi giỏi hơn, họ chỉ muốn đánh lừa AI.

“Đặc biệt, đối thủ của chúng tôi đã không giành chiến thắng bằng cách học cách chơi cờ vây tốt hơn KataGo – thực tế, đối thủ của chúng tôi đã bị đánh bại dễ dàng bởi những người nghiệp dư,” nhóm nghiên cứu viết trong bài báo của họ. “Ngược lại, kẻ thù của chúng ta đã chiến thắng bằng cách lừa KataGo mắc những sai lầm nghiêm trọng.”

Đây là nơi Kellin Pelrine bước vào. Pelrine là một người chơi giỏi, nhưng là một người nghiệp dư. Cụ thể, anh ta kém một bậc so với bảng xếp hạng nghiệp dư hàng đầu. Anh ấy cũng là một trong những tác giả của nghiên cứu, vì vậy anh ấy nhận thức được những điểm yếu của KataGo, vì vậy anh ấy nghĩ tại sao không thử sức mình với nó?

Rõ ràng, rất dễ tìm ra cách đánh bại AI bằng cách khai thác điểm yếu của nó. Pelrine đã đánh bại được KataGo 14 trên 15 lần. Để so sánh, KataGo đánh bại AlphaGo 100 lần trong số 100 lần và AlphaGo đánh bại những kỳ thủ giỏi nhất của con người với tỷ số 4-1.

Nhưng như thường lệ, vấn đề không phải là trò chơi mà là ý nghĩa của nó đối với tương lai của trí tuệ nhân tạo. Điểm mấu chốt là hiệu suất không phải lúc nào cũng chuyển thành mạnh mẽ. Thất bại này của thuật toán chơi cờ vây giống như một chiếc ô tô tự lái đâm vào một cái cây vì da có một màu nhất định. Nói cách khác, ngay cả khi thứ gì đó có vẻ hoạt động rất tốt, vẫn có thể có những tình huống khó khăn khiến nó hoạt động không tốt. Đây không phải là vấn đề trong cờ vây và thậm chí còn là vấn đề hơn khi AI bước vào thế giới thực, vì vậy đây là một câu chuyện cảnh báo quan trọng.

Điều quan trọng, chiến thuật của Pelrine chắc chắn rất dễ bị con người phát hiện. Anh ta chỉ đơn giản là tạo ra một vòng đá để bao quanh quân cờ của đối thủ, nhưng sau đó bắt đầu thực hiện các nước đi ở góc bàn cờ để đánh lạc hướng AI. Nó không hoàn toàn tầm thường, Pelrine nói, nhưng cũng không khó lắm.

Tuy nhiên, các hệ thống nhân tạo không có khả năng ứng phó với các tình huống mà chúng không được chuẩn bị. Họ không có “ý thức chung”. Trên thực tế, đây là lý do tại sao AI chơi game lại quan trọng đến vậy: nó dạy chúng ta về cách các thuật toán này hoạt động — không chỉ về cơ hội và hiệu suất, mà còn về những sai sót có thể xảy ra.

Người ta thường tìm thấy các lỗ hổng và cách khai thác trong các hệ thống AI. Trớ trêu thay, điều này cũng được thực hiện với sự trợ giúp của máy tính, nhưng lĩnh vực này rất quan trọng và thường bị bỏ quên. Càng ngày, chúng ta càng thấy AI được áp dụng vào thế giới với rất ít sự xác thực. Có lẽ, chỉ có thể thôi, chúng ta nên học hỏi từ những loại sự kiện này và chú ý hơn đến cách chúng ta sử dụng những hệ thống như vậy trong cuộc sống thực.