Video
Đăng bởi Ban biên tập OpenER ·
Tác giả giữ toàn bộ bản quyền (All Rights Reserved) — không phải giấy phép mở. Bạn vẫn xem và học miễn phí trên OpenER; muốn tái sử dụng cần xin phép tác giả.
PIETER ABBEEL
Hi, everyone. Welcome to the first lecture of CS 188 Artificial Intelligence.
Xin chào mọi người. Chào mừng các bạn đến với bài giảng đầu tiên của môn CS 188 Trí tuệ nhân tạo.
[APPLAUSE] So we have two instructors for the class. I am Pieter Abbeel. I'm a professor here at Berkeley.
[VỖ TAY] Lớp này có hai giảng viên. Tôi là Pieter Abbeel. Tôi là giáo sư ở Berkeley.
Aside from teaching, I do research in machine learning and robotics. In my very non-extensive spare time, I also try to play some tennis or go running.
Ngoài giảng dạy, tôi nghiên cứu về học máy và robot. Trong chút thời gian rảnh ít ỏi của mình, tôi cũng cố chơi tennis hoặc chạy bộ.
DAN KLEIN
Hi. I'm Dan Klein and I'm really loud. I'm Dan Klein and I'm a 14th year professor here at Berkeley. And I work on natural language processing.
Xin chào. Tôi là Dan Klein và giọng tôi rất to. Tôi là Dan Klein, giáo sư năm thứ 14 ở đây tại Berkeley. Tôi làm về xử lý ngôn ngữ tự nhiên.
And in my equally extensive free times, I like to do a lot of things.
Và trong thời gian rảnh cũng ít ỏi không kém, tôi thích làm rất nhiều thứ.
But I'm really into science fiction and video games, and all kinds of things I wish I had more time for, but we'll see a little bit of in this class.
Nhưng tôi mê khoa học viễn tưởng và trò chơi điện tử, và đủ thứ mà tôi ước có nhiều thời gian hơn để làm, nhưng chúng ta sẽ thấy một chút trong lớp này.
And we have a very small course staff here. I'm going to introduce them.
Đội ngũ trợ giảng của chúng ta khá nhỏ. Tôi sẽ giới thiệu họ.
And GSIs, if you could please wave your hands or jump up and down or do some webcast appropriate activity, that would be great.
Các GSI, xin hãy vẫy tay hoặc nhảy lên, hay làm gì đó phù hợp với webcast, thì tuyệt quá.
We have Aditya, Alex, Daniel, David, Ignasi, Jasmine, Jonathan, Katie, Laura, Mitchell, Nikhil, Nikita, Noah,
Chúng ta có Aditya, Alex, Daniel, David, Ignasi, Jasmine, Jonathan, Katie, Laura, Mitchell, Nikhil, Nikita, Noah,
Ronghang, Thanard, Wilson, and Yi. So we're really looking forward to getting to know you and letting you get to know us.
Ronghang, Thanard, Wilson và Yi. Chúng tôi rất mong được làm quen với các bạn và để các bạn hiểu về chúng tôi.
We're going to be your course staff and we're going to enjoy getting to do 188 with you this semester. I'll give it to Pieter for a little bit.
Chúng tôi sẽ là đội ngũ giảng dạy của các bạn và sẽ rất vui khi cùng các bạn học CS 188 trong học kỳ này. Tôi nhường lời cho Pieter một lát.
PIETER ABBEEL
All right. So let's start with a few logistical things. There's a website, which went up last night. It's at this URL.
Được rồi. Ta bắt đầu với vài việc hành chính. Có một trang web, mới lên tối qua. Ở địa chỉ này.
Check it out. A lot of the information you need for the course is on that website. And if it looks like what you see on this slide, you're probably in the right place.
Các bạn hãy xem thử. Rất nhiều thông tin cần cho môn học nằm trên trang web đó. Nếu nó giống như trên slide này, thì có lẽ bạn đã vào đúng chỗ.
Communication. There's a website for us to broadcast things to you. There's also announcements on Piazza, which will be our main forum for communication. If you have any questions, ask them on Piazza.
Về liên lạc. Có trang web để chúng tôi thông báo đến các bạn. Ngoài ra có thông báo trên Piazza, đây sẽ là diễn đàn liên lạc chính. Nếu có câu hỏi, hãy hỏi trên Piazza.
You can ask them publicly if you think other students would benefit from the answer, too. You can ask them privately if you think it's something more appropriate for just the course staff.
Bạn có thể hỏi công khai nếu nghĩ các bạn khác cũng được lợi từ câu trả lời. Bạn có thể hỏi riêng nếu nghĩ điều đó chỉ phù hợp với đội ngũ giảng dạy.
And if you think even that doesn't work, you can email us at the email address listed above. Course technology. We're going to use a few things.
Và nếu cách đó cũng không được, bạn có thể gửi email đến địa chỉ ghi ở trên. Công nghệ của môn học. Chúng ta sẽ dùng một vài thứ.
There's the website, there's Piazza, and there's also Gradescope. For Piazza and Gradescope, you need to make accounts.
Có trang web, có Piazza, và có cả Gradescope. Với Piazza và Gradescope, bạn cần tạo tài khoản.
If you don't have accounts yet, they'll be important to make accounts so you can for Piazza, participate in communication, and Grade Scope, submit work. The course is also webcast.
Nếu chưa có tài khoản, việc tạo tài khoản rất quan trọng: Piazza để tham gia trao đổi, còn Gradescope để nộp bài. Môn học cũng được webcast.
So if you miss a lecture or you want to rewatch this whole thing or something, you can do that online.
Nếu bạn lỡ một buổi hoặc muốn xem lại toàn bộ bài giảng, bạn có thể xem trực tuyến.
This is orchestrated by campus, so we don't control exactly when these things come online, but usually it comes online relatively soon after lecture. We also have some edited videos.
Việc này do nhà trường thực hiện nên chúng tôi không kiểm soát chính xác khi nào video lên, nhưng thường là khá sớm sau buổi giảng. Chúng tôi cũng có một số video đã chỉnh sửa.
So a couple of years ago, we had some GSIs slice and dice lecture videos to cut out any quiet spots and make a lecture that normally is an hour and 20 minutes into an hour and two minutes.
Vài năm trước, một số GSI đã cắt ghép video bài giảng để bỏ các đoạn im lặng và biến buổi giảng thường dài một tiếng 20 phút thành một tiếng hai phút.
And so we'll post those, too, in case you want to watch some of these things slightly faster.
Chúng tôi cũng sẽ đăng các video đó, nếu bạn muốn xem nhanh hơn một chút.
OK. Prereqs. Often it's been listed us CS 61A or CS 61B and CS 70 or MATH 55.
Được rồi. Điều kiện tiên quyết. Thường được ghi là CS 61A hoặc CS 61B, và CS 70 hoặc MATH 55.
If you can parse that, you're probably in good shape. What we actually recommend is much simpler to parse — 61a and 61b and 70.
Nếu bạn hiểu được dòng đó thì có lẽ bạn ổn. Điều chúng tôi khuyên thì dễ hiểu hơn nhiều: 61A, 61B và 70.
There'll be a lot of math mostly in the second half of the course and a bunch of programming. But keep in mind, this is not a programming class.
Sẽ có nhiều toán, chủ yếu ở nửa sau môn học, và khá nhiều lập trình. Sẽ có nhiều toán, chủ yếu ở nửa sau môn học, và khá nhiều lập trình. Nhưng lưu ý, đây không phải là lớp lập trình.
This is programming to put things into practice that you see in lecture rather than learning to program like you would do in the 61 series.
Lập trình ở đây để áp dụng những gì bạn học trong bài giảng, chứ không phải học lập trình như trong chuỗi môn 61.
Work and grading. There are five programming projects. They're all in Python. You can either work in a group of just yourself or a group of two.
Bài tập và chấm điểm. Có năm dự án lập trình. Tất cả đều bằng Python. Bạn có thể làm một mình hoặc theo nhóm hai người.
You get five late days as a budget for the entire semester, but you can use at most two for any given project.
Bạn có năm ngày nộp trễ cho cả học kỳ, nhưng mỗi dự án dùng tối đa hai ngày.
So anything comes up — your sick for a day or whatever, somebody needs your attention and you can't work on the project, just use a late day and no need to contact us for these.
Vậy nếu có chuyện gì xảy ra, bạn bị ốm một ngày, hay ai đó cần bạn chăm sóc và bạn không làm dự án được, cứ dùng một ngày trễ, không cần báo chúng tôi.
You use that budget whatever way you'd like to, but it's capped at five total. There are 11 homework assignments. Each homework will have an electronic part and a written part.
Bạn dùng quỹ ngày đó tùy ý, nhưng tối đa là năm ngày. Có 11 bài tập về nhà. Mỗi bài có một phần điện tử và một phần viết.
Electronic, you work online. It's on Gradescope. You get to interactively solve these things. Gradescope will show you if you got it right or wrong.
Phần điện tử thì bạn làm trực tuyến. Nó nằm trên Gradescope. Bạn giải tương tác ngay trên đó. Gradescope sẽ cho biết bạn làm đúng hay sai.
You can keep working on it till you get it right. You can work alone, you can work in discussion with others.
Bạn có thể làm tiếp cho đến khi đúng. Bạn có thể làm một mình hoặc thảo luận với người khác.
But you have to submit your own work and your own understanding of that work. There's a written component. This will be typically on paper.
Nhưng bạn phải nộp bài của chính mình và sự hiểu biết của chính mình về bài làm đó. Còn có phần viết. Phần này thường làm trên giấy.
You can do it on a computer or print it out and do it on paper. Then you'll upload it into Gradescope. The way you'll solve it is, you'll either work alone or in groups.
Bạn có thể làm trên máy tính hoặc in ra rồi làm trên giấy. Sau đó bạn tải lên Gradescope. Cách làm là bạn có thể làm một mình hoặc theo nhóm.
But you still have to write up your own solution and submit your own work into the submission. Then there'll be a deadline a week later to self-assess your work on the previous homework.
Nhưng các em vẫn phải tự viết lời giải của mình và nộp bài làm của chính mình. Sau đó sẽ có một hạn nộp, một tuần sau, để tự đánh giá bài làm của bài tập trước.
So you'll first work through it and then submit. And then a week later, another deadline to compare your solution with our solution, and you'll be asked to describe the differences.
Tức là các em làm trước rồi mới nộp. Rồi một tuần sau lại có một hạn nữa để so sánh lời giải của các em với lời giải của chúng tôi, và các em sẽ phải mô tả những điểm khác nhau.
Written homework will be graded based on completion and effort.
Bài tập viết được chấm dựa trên việc hoàn thành và nỗ lực.
So if you put in the effort and complete it and then also self-assessed properly, you will get a full grade independent of exactly how accurately you solved everything in the first pass.
Nếu các em nỗ lực, hoàn thành bài và tự đánh giá đúng cách, các em sẽ được điểm tối đa, bất kể ở lần làm đầu các em giải chính xác đến đâu.
There will be two midterms, one final. We're using a fixed scale. What this means is that in principle, you could all have an A or an A plus at the end of the semester.
Sẽ có hai bài giữa kỳ và một bài cuối kỳ. Chúng tôi dùng thang điểm cố định. Điều này nghĩa là về nguyên tắc, tất cả các em đều có thể được A hoặc A+ vào cuối học kỳ.
Historically speaking, that is not what happens. So don't count on that. But we're not going to curve you.
Nhưng theo kinh nghiệm thì điều đó không xảy ra. Nên đừng trông chờ vào đó. Nhưng chúng tôi sẽ không chia theo đường cong phân phối.
If you happen to be this exceptional year where everybody is just as good as the A plus students of last year, no problem, then that's what it is.
Nếu năm nay đặc biệt xuất sắc, khi ai cũng giỏi như các bạn điểm A+ năm ngoái, thì không vấn đề gì, cứ vậy thôi.
Participation can help on the margins. So we love for you to participate on Piazza, help out in discussion.
Việc tham gia có thể giúp ích ở những trường hợp sát ngưỡng. Chúng tôi rất mong các em tham gia trên Piazza, giúp đỡ trong buổi thảo luận.
And if at grade decision time we see somebody is close to the margin, we'll go check and see, OK, did they help other students in the class?
Và khi quyết định điểm, nếu thấy ai đó sát ngưỡng, chúng tôi sẽ xem lại, xem bạn đó có giúp các sinh viên khác trong lớp không.
And if so, maybe we'll bump them up just a little.
Nếu có, có thể chúng tôi sẽ nâng điểm lên một chút.
Academic integrity policy. OK. Hopefully we don't have to say much about this and this is the only time this has to come up in this course.
Quy định về liêm chính học thuật. Được rồi. Hy vọng chúng tôi không phải nói nhiều về điều này và đây là lần duy nhất phải nhắc đến nó trong môn học.
What it boils down to is, don't represent anybody else's work as if it's your own. OK? That's essentially it.
Tóm lại là đừng trình bày bài làm của người khác như thể là của mình. Được chứ? Về cơ bản chỉ có vậy.
You can go read more details on the website, but that's what it comes down to.
Các em có thể đọc chi tiết trên trang web, nhưng tóm lại là như thế.
There are also contests.
Ngoài ra còn có các cuộc thi.
So throughout the course, about three times and then at the end of the semester, we'll have a final contest where you get to compete — submit your AIs to compete with other people's AIs, and see how they fare.
Trong suốt môn học, khoảng ba lần và cuối học kỳ, sẽ có một cuộc thi cuối cùng để các em thi đấu: nộp AI của mình để đấu với AI của người khác, và xem chúng thể hiện ra sao.
This competition will not determine grades. It is for glory, honor, and so forth, which you should try to always get.
Cuộc thi này không quyết định điểm số. Nó là vì vinh quang, danh dự, v.v., những thứ mà các em nên luôn cố giành lấy.
But it would not affect your grades directly. OK. So exams. There will be three exams total, two midterms, one final.
Nhưng nó không ảnh hưởng trực tiếp đến điểm. Được rồi. Về các kỳ thi. Có tổng cộng ba bài thi: hai giữa kỳ, một cuối kỳ.
These are the dates. These are the times. Put this in your calendar. There is no alternative.
Đây là các ngày thi. Đây là giờ thi. Hãy ghi vào lịch. Không có phương án thay thế.
That's it.
Vậy thôi.
Discussion sections. Right now, none of you are assigned to any particular discussion section. There are many, many, many discussion sections. You are welcome to attend any one of them that you like.
Các buổi thảo luận. Hiện giờ chưa ai trong các em được xếp vào buổi thảo luận cụ thể nào. Có rất, rất nhiều buổi thảo luận. Các em cứ thoải mái tham dự buổi nào mình thích.
You can go many times if you want. Maybe you go to all — whatever — 20 discussion sections. It's not recommended to do that, but you can.
Muốn đi nhiều lần cũng được. Có thể các em đi hết khoảng 20 buổi thảo luận. Không khuyến khích làm vậy, nhưng được.
There is a survey later this week where you can annotate your preferences. And that will go out. Watch Piazza. Annotate your preferences.
Cuối tuần này sẽ có một khảo sát để các em ghi nguyện vọng. Và nó sẽ được gửi ra. Hãy theo dõi Piazza. Hãy ghi nguyện vọng.
And that will help us balance who goes where. Because you'll see ahead of time what sections are going to be overcrowded or not, and can adjust accordingly. Bear with us.
Điều đó giúp chúng tôi cân đối ai học buổi nào. Vì các em sẽ biết trước những buổi nào sẽ quá đông hay không, và điều chỉnh cho phù hợp. Mong các em thông cảm.
Usually the first two weeks these things are overcrowded. But this will be less so as a couple of weeks have passed by. For a section, we'll also have a webcast.
Thường hai tuần đầu các buổi này hay quá đông. Nhưng sẽ bớt đi khi vài tuần trôi qua. Với buổi thảo luận, chúng tôi cũng có webcast.
One of the GSIs will work through the problems that are covered in section, and then provide a webcast by the end of the week. No section this week.
Một GSI sẽ giải các bài tập được đề cập trong buổi thảo luận, rồi đăng webcast vào cuối tuần. Tuần này không có buổi thảo luận.
We'll start next week. OK. Textbooks. Who here has bought a textbook this semester?
Chúng ta bắt đầu từ tuần sau. Được rồi. Sách giáo trình. Ai ở đây đã mua sách học kỳ này?
Raise of hands. OK. Still good fraction of people buying textbooks. OK.
Giơ tay nào. Được rồi. Vẫn còn khá nhiều người mua sách. Được.
Not too many though. So there is no required textbook for the class. But if you'd like to have a textbook and you'd like to read more, this is the textbook we recommend.
Nhưng cũng không nhiều lắm. Môn này không có sách bắt buộc. Nhưng nếu các em muốn có một cuốn sách và đọc thêm, thì đây là cuốn chúng tôi giới thiệu.
Keep in mind that we're not following exactly the way things are explained in this textbook, but it is a good book if you want to read more.
Lưu ý là chúng tôi không theo đúng cách giải thích trong cuốn sách này, nhưng nó là cuốn hay nếu các em muốn đọc thêm.
Laptops in lecture. So one thing that can happen with laptops in lecture is that the students behind you are curious what's on your screen and it's distractive for them.
Laptop trong giờ học. Một điều có thể xảy ra với laptop trong giờ học là các bạn ngồi sau tò mò xem trên màn hình của em có gì và bị phân tâm.
And so if you love using laptops in lecture, try to see a little bit to the sides or to the back so you're not a cause of distraction for the other students around you.
Vì vậy nếu các em thích dùng laptop trong giờ học, hãy ngồi sang bên cạnh hoặc ra phía sau để không làm phân tâm các bạn xung quanh.
It also turns out, the laptop can distract the person using the laptop. But that's more up to you to decide what you want to do. OK. Let's recap the announcements for this week.
Thực ra laptop cũng có thể làm chính người dùng phân tâm. Nhưng cái đó thì các em tự quyết định. Được rồi. Được rồi. Hãy tóm tắt các thông báo của tuần này.
You need to go check out the website. Register on Gradescope and Piazza. Homework zeros out. It's a math self-diagnostic.
Các em cần vào xem trang web. Đăng ký Gradescope và Piazza. Bài tập 0 sắp đến hạn. Đó là bài tự chẩn đoán về toán.
It's a way to check whether you're mathematically prepared for the second half of the course. OK?
Đó là cách để kiểm tra xem các em đã đủ nền tảng toán cho nửa sau của môn học hay chưa. Rõ chưa?
And so it's important to do now, because by the time we hit the second half, it's too late to decide whether or not you are prepared for the second half of the course.
Nên việc này quan trọng là phải làm ngay bây giờ, vì đến lúc vào nửa sau của môn thì đã quá muộn để quyết định xem các bạn có đủ sẵn sàng cho nửa sau của môn học hay không.
P0 is a Python tutorial to get you going with our autograders and just the general environment we'll be working in. There will be lab hours for this on Friday.
P0 là bài hướng dẫn Python để giúp các bạn làm quen với các autograder và môi trường chung mà chúng ta sẽ làm việc. Sẽ có giờ lab cho phần này vào thứ Sáu.
Especially if you happen to have trouble getting your Python environment set up or you want to use the lab machines, go to those office hours and you'll be helped out.
Đặc biệt nếu bạn gặp khó khăn khi cài đặt môi trường Python hoặc muốn dùng máy ở phòng lab, hãy đến giờ office hours đó và sẽ có người giúp bạn.
You don't need an instructional account, but if you want one, there are instructions on Piazza how you can get one.
Bạn không cần tài khoản instructional, nhưng nếu muốn có, trên Piazza có hướng dẫn cách lấy một tài khoản.
Also important is that sections will be pretty loosely assigned, so stay tuned on that. We'll start next week. There is still a wait list. Have some patience.
Một điều quan trọng nữa là các buổi section sẽ được phân khá linh hoạt, nên hãy theo dõi thông báo. Chúng ta sẽ bắt đầu vào tuần sau. Vẫn còn danh sách chờ. Hãy kiên nhẫn.
Hopefully this will sort itself out. We think it's likely everybody will make it in, but it's never sure.
Hy vọng mọi chuyện sẽ ổn thỏa. Chúng tôi nghĩ nhiều khả năng ai cũng vào được lớp, nhưng không chắc chắn.
While you're still on the wait list, make sure you do all the work for the class.
Khi bạn còn trong danh sách chờ, hãy chắc chắn làm mọi bài tập của lớp.
Otherwise, well, you'll have missed a lot of work and have missed a lot of points by the time you join.
Nếu không, bạn sẽ bỏ lỡ rất nhiều bài và mất nhiều điểm khi bạn vào lớp.
OK. So that's all for logistics. Any questions about logistics?
Được rồi. Vậy là hết phần hậu cần. Có câu hỏi nào về phần này không?
Great. Then we want to do a quick thing about the culture we're interested in having in this class and how we see the class.
Tốt. Giờ chúng tôi muốn nói nhanh về văn hóa mà chúng tôi muốn xây dựng trong lớp này và cách chúng tôi nhìn nhận môn học.
And not every class is the same in this way, so we'd like to take just a little bit of time to get this across.
Không phải lớp nào cũng giống nhau ở điểm này, nên chúng tôi muốn dành chút thời gian để truyền đạt điều đó.
Any class has to do a combination of instruction and assessment. Instruction for people to learn and assessment to then measure what people learn.
Lớp nào cũng phải kết hợp giữa giảng dạy và đánh giá. Giảng dạy để mọi người học, còn đánh giá để đo xem mọi người đã học được gì.
Instruction, in our mind, means you grow knowledge, you get to collaborate, even if you still have to, of course, submit your own work, and you get to keep working till you're successful.
Theo chúng tôi, giảng dạy nghĩa là bạn mở rộng kiến thức, được cộng tác, dù tất nhiên vẫn phải nộp bài làm của riêng mình, và được tiếp tục làm cho đến khi thành công.
And so that's just iterating, iterating, iterating on things. Assessment is very different.
Tức là cứ lặp đi lặp lại, cải tiến dần. Đánh giá thì rất khác.
It's where you just get an opportunity to show what your current state of your mind is on this topic that we're teaching you, and we'll measure how good that is.
Đó là cơ hội để bạn thể hiện hiện tại bạn hiểu đến đâu về chủ đề mà chúng tôi dạy, và chúng tôi sẽ đo mức độ đó.
You might be stopped before you're successful at solving everything. In our experience, these two don't mix very well. Something has to be either instruction or assessment.
Bạn có thể bị dừng lại trước khi giải xong mọi thứ. Theo kinh nghiệm của chúng tôi, hai việc này không trộn lẫn tốt. Một thứ phải là giảng dạy hoặc đánh giá.
It can't really be both at the same time. And so in this class, lecture, section, office hours, Piazza, homework, projects, those are all instruction.
Không thể vừa là cả hai cùng lúc. Vì vậy trong lớp này, bài giảng, section, office hours, Piazza, bài tập về nhà, project đều là giảng dạy.
They're all entities where you would be learning, get to discuss everything that's covered in them, get to keep working till you're completed.
Đó đều là nơi bạn học, được thảo luận mọi thứ được đề cập trong đó, và được tiếp tục làm cho đến khi hoàn thành.
For projects, you'll know from autograder what you've completed, have full grade, or not. Same for electronic homework. For written homework, you get to make corrections the week after to whatever you didn't have.
Với project, autograder sẽ cho bạn biết bạn đã hoàn thành, được điểm tối đa hay chưa. Bài tập điện tử cũng vậy. Với bài tập viết, bạn được sửa lại vào tuần sau những phần mình chưa làm đúng.
So all of these are for you to work till completion and get full grade on if you put in the effort. Exams are the place where assessment happens.
Tất cả những thứ này để bạn làm đến khi hoàn thành và đạt điểm tối đa nếu bạn bỏ công sức. Kỳ thi là nơi diễn ra việc đánh giá.
And so that's just what we need to do to still have some assessment in here. And you're on your own. So some historical statistics on the consequences of this kind of course structure.
Đó là điều chúng tôi cần làm để vẫn có phần đánh giá trong môn. Và bạn phải tự làm một mình. Đây là vài thống kê trước đây về hệ quả của cách tổ chức môn học này.
So the reason we like to do this is because this way, we can be in everything together, except for exams where everybody has to do their own thing.
Lý do chúng tôi thích cách này là vì như vậy chúng ta cùng nhau làm mọi thứ, trừ kỳ thi, nơi ai cũng phải tự làm.
But then historically what you might see happen is, homework and projects, you might work alone or together, iterate till you've learned it and nailed it.
Nhưng trước đây điều thường xảy ra là, bài tập và project, bạn làm một mình hay cùng nhau đều được, lặp lại đến khi học xong và làm tốt.
And this is what the histogram looks like for grades. So pretty much everybody nails it.
Đây là biểu đồ phân bố điểm của chúng. Gần như ai cũng làm rất tốt.
And then we're four or five weeks into the semester, everybody's looking at fixed scale grading like, I'm 100% till now. This is looking great.
Rồi khi đã qua bốn hay năm tuần của học kỳ, mọi người nhìn thang điểm cố định và nghĩ: mình đang được 100% đến giờ. Trông tuyệt quá.
Oh, my god, all of us are going to get an A plus in this class. Then the exam comes in.
Trời ơi, cả lớp sẽ được A+ môn này. Rồi kỳ thi đến.
And this is a real histogram from recent offering, and this is what it looks like. So we just want you to be prepared for this.
Đây là biểu đồ thật của một khóa gần đây, và nó trông như thế này. Chúng tôi chỉ muốn các bạn chuẩn bị tinh thần cho điều này.
And the reason is that it's very different to be working on your own than to be working in a group and getting to discuss everything and getting as much time as you might ever want to work on it.
Lý do là làm việc một mình rất khác so với làm theo nhóm, được thảo luận mọi thứ và có bao nhiêu thời gian tùy ý để làm.
So we have a few suggestions for this. First of all, there's a new component this year, the written homework, which allows you to emulate exam situation on your own.
Chúng tôi có vài gợi ý. Trước hết, năm nay có một thành phần mới, là bài tập viết, giúp bạn mô phỏng tình huống thi một mình.
So when you work on a written, you're free to discuss from the beginning.
Khi làm bài tập viết, bạn được tự do thảo luận ngay từ đầu.
But what we would recommend you do is, you take a half hour or an hour to just work on the written alone. Assess yourself. And based on that, you can see where you're at.
Nhưng chúng tôi khuyên bạn nên dành nửa tiếng đến một tiếng để tự làm bài tập viết một mình. Tự đánh giá bản thân. Dựa vào đó, bạn sẽ thấy mình đang ở đâu.
Should you study some more or not for this class? And then you go discuss, make sure you solve everything and so forth, and learn all the material.
Bạn có nên học thêm cho môn này không? Sau đó hãy đi thảo luận, đảm bảo giải hết mọi bài và nắm toàn bộ kiến thức.
OK. So that's all for logistics and class organization. Dan, giving it back to you.
Được rồi. Vậy là hết phần hậu cần và tổ chức lớp. Dan, xin trả lại cho thầy.
DAN KLEIN
Any questions about any of that? All right. We're going to talk about today today. So we're going to talk about what artificial intelligence actually is, what can AI do?
Có câu hỏi nào về những điều đó không? Được rồi. Hôm nay chúng ta sẽ nói về nội dung hôm nay. Chúng ta sẽ nói về trí tuệ nhân tạo thực sự là gì, AI làm được gì?
What can AI not do? What's the difference between what we think is possible and what actually is possible? And then we're going to talk about, what is this course?
AI không làm được gì? Khác biệt giữa những gì ta nghĩ là khả thi và những gì thực sự khả thi là gì? Sau đó ta sẽ nói về môn học này là gì.
What have all of you gotten yourselves into before it's too late?
Các bạn đã dấn thân vào chuyện gì trước khi quá muộn?
So one good way to see what people are thinking and dreaming about technology, and in particular artificial intelligence, is to look at things like science fiction.
Một cách hay để xem mọi người nghĩ gì và mơ ước gì về công nghệ, đặc biệt là trí tuệ nhân tạo, là nhìn vào khoa học viễn tưởng.
It's basically a story of an interplay and arc between hope and fear. So let's do a little pop culture quiz here. Tell me if you recognize any of this stuff.
Về cơ bản, đó là câu chuyện về sự tương tác và diễn biến giữa hy vọng và nỗi sợ. Giờ làm một bài đố nhỏ về văn hóa đại chúng nhé. Cho tôi biết các em có nhận ra cái nào không.
You know who these are? OK. Good. This is the '70s.
Các em biết đây là ai không? OK. Tốt. Đây là thập niên 70.
They appeared in the '70s. Who's the big gold one? C3PO. Good, you passed your first 188 point.
Họ xuất hiện vào những năm 70. Con màu vàng to kia là ai? C3PO. Tốt, các em đã có điểm 188 đầu tiên.
What does C3PO do?
C3PO làm gì nhỉ?
STUDENT
The translator.
Người phiên dịch.
DAN KLEIN
Translator. Google Translate with anxiety. [LAUGHTER] So no, we haven't completely been able to build C3PO, but Google translate works pretty well.
Phiên dịch. Google Translate nhưng hay lo lắng. [CƯỜI] Vậy là chúng ta chưa chế tạo được hoàn toàn C3PO, nhưng Google Translate hoạt động khá tốt.
We can translate between human languages, so we got that. How would the other guy? The trash can. Who's that?
Chúng ta dịch được giữa các ngôn ngữ của con người, vậy là xong phần đó. Còn nhân vật kia thì sao? Cái thùng rác. Là ai vậy?
What does R2-D2 do?
R2-D2 làm gì?
Silence, yeah. I don't actually know. He's spunky and does a little bit of everything. In AI, we don't yet know how to make things that are spunky.
Im lặng, ừ. Thật ra tôi cũng không biết. Nó lanh lợi và làm được chút ít mọi thứ. Trong AI, chúng ta chưa biết cách tạo ra thứ lanh lợi.
And actually, much more importantly, we don't actually know how to build AI systems that do a little bit of everything.
Và quan trọng hơn nhiều, chúng ta không biết cách xây dựng hệ thống AI làm được chút ít mọi thứ.
We know how to build systems that do one thing very well if they have enough data, if they have enough compute. And that's something that will show up a lot in this course.
Chúng ta biết xây dựng hệ thống làm một việc rất tốt nếu có đủ dữ liệu, đủ sức tính toán. Điều này sẽ xuất hiện rất nhiều trong môn học.
But fundamentally, this is the '70s, and in the '70s, what we think about AI and what that kind of technology could mean for the future, it's optimistic. These are helpful droids.
Nhưng về cơ bản, đây là thập niên 70, và vào những năm 70, cách ta nghĩ về AI và công nghệ đó có thể có ý nghĩa gì cho tương lai là lạc quan. Đây là những người máy hữu ích.
They help us do things, they take some work off our hands, and they make our lives better. Sometimes they complain a lot. But then let's fast forward a little bit.
Chúng giúp ta làm việc, gánh bớt công việc cho ta, và làm cuộc sống tốt đẹp hơn. Đôi khi chúng than phiền nhiều. Nhưng giờ tua nhanh một chút.
What was going on in the movies in the '80s? Killer robots from the future. It's getting a little darker. If you actually look at it, these Terminators look a lot like C3PO.
Phim ảnh thập niên 80 có gì? Robot sát thủ đến từ tương lai. Bắt đầu tối hơn rồi. Nếu nhìn kỹ, những Terminator này trông giống C3PO lắm.
Right? The difference here is the software. I guess the eyes glow red and that's scary, and it's got actually teeth. That's terrifying.
Đúng không? Khác biệt ở đây là phần mềm. Chắc là mắt đỏ rực nên đáng sợ, và còn có cả răng nữa. Kinh khủng.
I've never seen that before. Anyway, in the '80s, we start worrying about hardware. Maybe hardware could be scary. Maybe this technology that we're building could turn against us.
Tôi chưa từng thấy cái đó. Dù sao, thập niên 80 ta bắt đầu lo về phần cứng. Có thể phần cứng đáng sợ. Có thể công nghệ ta xây dựng sẽ quay lại chống ta.
In the '90s, we realized that software can be scary. Software can be very scary. And in fact, that's the difference between the hardware.
Thập niên 90, ta nhận ra phần mềm cũng có thể đáng sợ. Phần mềm có thể rất đáng sợ. Và thực tế, đó là điểm khác biệt so với phần cứng.
And so you can see here, where you're moving from hope that this technology can make our lives better to, what if it doesn't? What if the technology is dangerous?
Các em thấy ta chuyển từ hy vọng rằng công nghệ này làm cuộc sống tốt hơn sang câu hỏi: nếu nó không thì sao? Nếu công nghệ này nguy hiểm thì sao?
What if the robots come for us? 2000s. What's that? Cylons, Battlestar Galactica.
Nếu robot đến săn chúng ta thì sao? Thập niên 2000. Đây là gì? Cylon, Battlestar Galactica.
So what's the worry here? Well, we're shifting now from worrying that the AIs will defeat us or rise up, to a little bit more of a subtle worry.
Vậy nỗi lo ở đây là gì? Giờ ta chuyển từ lo AI sẽ đánh bại hay nổi dậy chống lại ta, sang một nỗi lo tinh tế hơn một chút. Nếu ta không phân biệt được thì sao?
What if we can't tell the difference? What if they're indistinguishable from us? And that's a very different kind of worry. What if we get replaced?
Nếu chúng không thể phân biệt với chúng ta thì sao? Đó là một kiểu lo rất khác. Nếu ta bị thay thế thì sao? Nỗi sợ ở đây không hẳn là chiến tranh, mà là bị thay thế.
The fear here is not so much about a war, but a replacement. Although I guess, there's basically a war there, too. And let's look at today. What's that?
Dù tôi đoán thực ra cũng có chiến tranh ở đó. Và hãy nhìn hiện nay. Đây là gì? Westworld.
Westworld. What to say about Westworld. So Westworld — today, I think our views on technology are complex. And so is Westworld.
Nói gì về Westworld đây. Westworld, ngày nay tôi nghĩ quan điểm của ta về công nghệ rất phức tạp. Westworld cũng vậy.
So here, we have a little bit of the, wouldn't it be lovely actually if we could build systems which are indistinguishable from humans? Or maybe that would be bad and maybe they'd rise up.
Ở đây có một phần là: sẽ thật tuyệt nếu ta xây dựng được các hệ thống không thể phân biệt với con người? Hoặc có thể điều đó tệ và chúng sẽ nổi dậy. Nhưng cũng có thể ổn, vì có thể chúng thật sự giỏi hơn chúng ta.
But maybe that'd be OK, because maybe they'd actually be better than us. I don't know.
Tôi không biết.
Anyway, there's this complex interplay between what we hope — the ways that technology could make us better and what we fear — things that could go wrong along the way.
Dù sao, có một sự tương tác phức tạp giữa điều ta hy vọng, tức là cách công nghệ làm ta tốt hơn, và điều ta sợ, tức là những thứ có thể hỏng trên đường đi. Và ta phải ghi nhớ điều đó khi nghĩ về những công nghệ này. Nhưng ta cũng cần kiểm tra thực tế xem ta đang ở đâu và làm được gì, không làm được gì.
And that's something that we have to keep in mind as we think about these technologies. But we also need a reality check about where we are and what we can and can't do.
Vậy hãy chuyển từ khoa học viễn tưởng và cách ta nghĩ về tương lai sang những gì trên tin tức.
So let's switch from science fiction and how we're thinking about the future to what's in the news.
Trước đây, các nhà văn khoa học viễn tưởng là người nghĩ xem AI sẽ làm gì và nó có thể thay đổi thế giới ra sao.
So it used to be that science fiction writers were the ones who got to think about, what is AI going to do and how could it change the world?
Nhưng giờ các phóng viên bình thường theo dõi các diễn biến và nghĩ về điều đang xảy ra ngay lúc này và làm sao truyền đạt nó cho xã hội.
But now everyday reporters get to watch developments and think about, what's happening right now and how can we communicate that to society? So you've probably seen a lot of these things in the news.
Chắc các em đã thấy nhiều thứ thế này trên tin tức. Đây là gì? Đây là Watson của IBM.
What's this? This is IBM's Watson.
30 năm trước, không thể tưởng tượng được là sẽ có một hệ thống AI đánh bại con người ở Jeopardy.
It was inconceivable 30 years ago that we would have a AI system that could beat humans at Jeopardy.
Có lẽ cũng không thể tưởng tượng là ta sẽ thử. rằng sẽ có một hệ thống AI có thể đánh bại con người ở Jeopardy.
It was maybe also inconceivable that we would try. This is probably the most complicated way to make $77,000 using AI technology.
Thậm chí, có lẽ người ta còn không tưởng tượng nổi là mình sẽ thử làm điều đó. Đây có lẽ là cách phức tạp nhất để kiếm 77.000 đô la bằng công nghệ AI.
But it's actually amazing and it's emblematic of what you can do when you combine computation on top of data.
Nhưng nó thực sự đáng kinh ngạc, và nó là biểu tượng cho những gì ta làm được khi kết hợp năng lực tính toán với dữ liệu.
Data accessing all of these things that we have written down out there on the web and databases, and computation to connect that up and do reasoning to figure out how to answer these questions, reason about consciouses, and so on.
Dữ liệu là mọi thứ ta đã viết ra trên web và trong các cơ sở dữ liệu, còn tính toán để kết nối chúng lại và suy luận nhằm tìm ra cách trả lời các câu hỏi này, suy luận về các khái niệm, v.v.
Really cool thing. You probably saw the headlines about Go. Games have been falling one by one. We'll talk about games a little bit more later in this lecture.
Thật tuyệt vời. Có lẽ các bạn đã thấy tin tức về cờ vây. Các trò chơi lần lượt bị chinh phục. Ta sẽ nói thêm về trò chơi ở phần sau của bài giảng này.
But this is an example of, I think, a real triumph.
Nhưng tôi nghĩ đây là một chiến thắng thực sự.
For a long time things like chess and checkers were games that we could play very well and we understood very well how to play.
Trong một thời gian dài, cờ vua và cờ đam là những trò ta chơi rất giỏi và hiểu rất rõ cách chơi.
But Go was something that was very hard to make progress on with AI methods.
Nhưng cờ vây thì rất khó đạt tiến bộ bằng các phương pháp AI.
And a combination of modern methods that we'll talk about later today and later in this course we're able to make a really big breakthrough.
Và nhờ kết hợp các phương pháp hiện đại mà hôm nay và trong khóa này ta sẽ học, ta đã tạo ra một bước đột phá thực sự lớn.
So you probably also saw that. That's amazing. There's all these things that you see on the news that we can do. But there's a lot of things we can't do.
Chắc các bạn cũng đã thấy tin đó. Thật đáng kinh ngạc. Có rất nhiều điều trên tin tức mà ta làm được. Nhưng cũng có rất nhiều điều ta chưa làm được.
There are things that are hard, where maybe we're making progress, but we're not there yet. So for example, automated driving, autonomous driving.
Có những việc khó, mà có thể ta đang tiến bộ nhưng vẫn chưa tới đích. Ví dụ như lái xe tự động, lái xe tự hành.
It's amazing what we can do with autonomous vehicles right now, but we're not there yet.
Hiện nay ta làm được nhiều điều tuyệt vời với xe tự hành, nhưng vẫn chưa tới đích.
To go back to science fiction, we do not yet have KITT, if you remember Knight Rider from the '70s. We can't do that yet.
Quay lại với khoa học viễn tưởng, ta vẫn chưa có KITT, nếu các bạn còn nhớ phim Knight Rider những năm 70. Ta chưa làm được điều đó.
We'll talk a little bit more — actually a lot more about autonomous driving later in this lecture and in this course.
Ta sẽ nói thêm một chút, thực ra là nhiều hơn nhiều về lái xe tự động ở phần sau bài giảng này và trong khóa học.
These are things we're able to do to varying degrees, which I think have been amazing and in the news.
Đây là những việc ta làm được ở các mức độ khác nhau, và tôi thấy chúng rất tuyệt vời và xuất hiện trên tin tức.
But people are also starting to take these accomplishments and think about what this means for the future.
Nhưng mọi người cũng bắt đầu lấy những thành tựu này và nghĩ xem chúng có ý nghĩa gì cho tương lai.
So for example, people are starting to look and say, all right, well, maybe we can totally change how we do health care. But maybe there's issues with that.
Ví dụ, người ta bắt đầu xem xét và nói, được rồi, có thể ta sẽ thay đổi hoàn toàn cách chăm sóc sức khỏe. Nhưng có thể có vấn đề.
Maybe there are some things we can do that we shouldn't or we should think through before we cross some of these technological lines.
Có thể có những việc ta làm được nhưng không nên, hoặc ta nên suy nghĩ kỹ trước khi vượt qua một số ranh giới công nghệ này.
Or maybe not just AI raises questions of things that we can do, but maybe shouldn't. Maybe there are existential questions.
Hoặc không chỉ AI đặt ra câu hỏi về những việc ta có thể làm nhưng có lẽ không nên. Có thể có những câu hỏi mang tính sống còn.
So famously, Elon Musk is worried that the biggest risk we face as a civilization is actually artificial intelligence. What if this stuff works? What if it works really well?
Nổi tiếng là Elon Musk lo rằng rủi ro lớn nhất mà nền văn minh ta đối mặt thực ra là trí tuệ nhân tạo. Nếu những thứ này hoạt động thì sao? Nếu chúng hoạt động rất tốt thì sao?
What if it doesn't do what we expect or what we want? How do we define what we want and how to keep these things safe? And it's not just Elon Musk.
Nếu nó không làm điều ta mong đợi hay muốn thì sao? Làm sao định nghĩa điều ta muốn và làm sao giữ cho những thứ này an toàn? Và không chỉ có Elon Musk.
Stephen Hawking famously said that he feared that AI could replace humans altogether. And you can start to see in these forward-looking worries starting to reflect what you see in the movies.
Stephen Hawking nổi tiếng với phát biểu rằng ông sợ AI có thể thay thế hoàn toàn con người. Và bạn có thể thấy những nỗi lo hướng tới tương lai này bắt đầu phản ánh những gì bạn thấy trong phim.
What if AI ruins our civilization, either in a spectacular or subtle way? What if humans get replaced? What's this future going to look like?
Nếu AI hủy hoại nền văn minh của ta, theo cách ngoạn mục hoặc tinh vi thì sao? Nếu con người bị thay thế thì sao? Tương lai đó sẽ ra sao?
But one thing we're going to have to think through in this class is not only the ethics of these issues, but also, where are we?
Nhưng một điều ta sẽ phải suy nghĩ trong lớp này không chỉ là đạo đức của những vấn đề này, mà còn là, ta đang ở đâu?
Where are the places where AI is really doing amazingly well and where are the places where we really don't know?
AI đang làm rất tốt ở những chỗ nào và ở những chỗ nào ta thực sự chưa biết?
So just as a cute example of something that AI is not going to replace humans anytime soon — I don't know if you know much about paint.
Đây là một ví dụ vui cho thấy AI sẽ không sớm thay thế con người đâu, không biết các bạn có rành về sơn không.
Yeah, I'm actually going to talk about paint. So when you have colors of paint, people name these colors of paint very carefully. This is Island Fog and it's some kind of blue or something.
Vâng, tôi thực sự sẽ nói về sơn. Khi bạn có các màu sơn, người ta đặt tên cho các màu này rất cẩn thận. Đây là Island Fog, một kiểu màu xanh nào đó.
Well, in a very cute experiment, a whole bunch of data about paints and RGB values was fed into a neural net. Can neural nets do everything? Well, they can't do this yet.
Trong một thí nghiệm rất thú vị, rất nhiều dữ liệu về màu sơn và giá trị RGB được đưa vào một mạng nơ-ron. Mạng nơ-ron làm được mọi thứ sao? Chưa làm được việc này đâu.
It was fed into a neural net. And new colors, new RGB values were input to the network, and the network was asked to generate names for paint.
Dữ liệu được đưa vào một mạng nơ-ron. Rồi các màu mới, giá trị RGB mới được nhập vào mạng, và mạng được yêu cầu tạo ra tên cho màu sơn.
Now, you tell me whether you are ready to replace the humans that name paint. Here's some paint names. Clardic Fug.
Giờ hãy nói xem các bạn đã sẵn sàng thay thế những người đặt tên sơn chưa. Đây là vài tên sơn. Clardic Fug.
My favorite is Bank Butt. [LAUGHTER] Maybe when the Terminators come for us, Skynet will paint them Bank Butt.
Tôi thích nhất là Bank Butt. [CƯỜI] Có thể khi Kẻ Hủy Diệt đến săn chúng ta, Skynet sẽ sơn chúng màu Bank Butt.
So really, there's a huge range of things, things we can't really even do.
Vậy nên có cả một phạm vi rất rộng, những việc ta thậm chí chưa thể làm.
We don't know how to do them or we don't have the sort of data necessary to do them or the methods.
Ta không biết cách làm, hoặc không có đủ dữ liệu cần thiết, hoặc không có phương pháp.
So things that we can do amazingly well that have real impact on our society today and are going to have increasing impact.
Còn những việc ta làm rất tốt và có tác động thực sự đến xã hội ngày nay sẽ còn tác động ngày càng lớn.
And one of the things we're going to try to do in this course is tease these things apart. What's the difference between what we can do, what we can't do?
Và một trong những điều ta sẽ cố gắng làm trong khóa này là phân tách rõ những điều đó. Đâu là khác biệt giữa những gì ta làm được và chưa làm được?
What are the big ideas that are going to keep recurring as we go through generation after generation of solving things, hitting walls, breaking through those walls, and advancing this technology?
Những ý tưởng lớn nào sẽ liên tục lặp lại qua hết thế hệ này đến thế hệ khác khi ta giải quyết vấn đề, chạm tường, phá vỡ những bức tường đó, và thúc đẩy công nghệ này?
So what is AI?
Vậy AI là gì?
Actually, famously, AI is a self-defeating definition. Because if you say, well, AI, that's all those things that require human intelligence.
Thực ra, AI nổi tiếng là một định nghĩa tự phá hủy. Vì nếu bạn nói, AI là mọi thứ đòi hỏi trí thông minh của con người.
And then as soon as you can do them, well, apparently they don't require human intelligence. And AI's famous at not claiming things. Like search, for example, I think has a big AI component.
Rồi ngay khi bạn làm được chúng, thì hóa ra chúng đâu có cần trí tuệ con người. AI nổi tiếng là hay bị "không nhận" thành quả. Ví dụ như tìm kiếm, tôi nghĩ nó có thành phần AI rất lớn.
But once we think of something as technologized or solved, sometimes you don't think about it as AI anymore. But let's take a step back and think about, how should we define AI?
Nhưng một khi ta coi điều gì đó đã được công nghệ hóa hay đã giải quyết xong, thì đôi khi ta không còn nghĩ nó là AI nữa. Nhưng hãy lùi lại một bước và nghĩ xem ta nên định nghĩa AI như thế nào?
And there have been multiple historical answers, that I think it's important both to understand the history of how we've gotten here, and also all the different fields that orbit each other in the AI sphere and how they relate to each other.
Trong lịch sử đã có nhiều câu trả lời, và tôi nghĩ điều quan trọng là hiểu cả lịch sử dẫn ta đến đây, lẫn tất cả các lĩnh vực khác nhau xoay quanh nhau trong thế giới AI và chúng liên hệ với nhau ra sao.
So the oldest answer of what is AI is, it's the science of making machines that think rationally. For now, let's take that to mean, think correctly. And this is the logistist tradition.
Câu trả lời lâu đời nhất cho câu hỏi AI là gì là: khoa học chế tạo những cỗ máy suy nghĩ một cách hợp lý. Tạm thời hiểu là suy nghĩ đúng đắn. Đây là truyền thống logic.
This goes back to Plato and Aristotle and things like modus ponens, figuring out, what are the rules that govern correct thought?
Nó có từ Plato và Aristotle và những thứ như modus ponens, tức là tìm ra các quy tắc nào chi phối tư duy đúng đắn?
If we have rules that govern correct thought, we can automate that and we can turn those logical rules into theorem, provers, and deduction systems. And thereby, turn computation into reasoning and thereby, behavior.
Nếu có các quy tắc chi phối tư duy đúng đắn, ta có thể tự động hóa chúng và biến các quy tắc logic đó thành các hệ chứng minh định lý và hệ suy diễn. Qua đó biến tính toán thành suy luận, và từ đó thành hành vi.
So this is the oldest approach. This is basically what drove AI early on. In, for example, the '80s, most of the methods were based on this idea of thinking in a correct way.
Đây là cách tiếp cận lâu đời nhất. Về cơ bản, nó thúc đẩy AI ở giai đoạn đầu. Ví dụ vào những năm 80, hầu hết các phương pháp đều dựa trên ý tưởng suy nghĩ theo cách đúng đắn.
And this didn't scale. There were some things missing from that approach. And people moved from trying to think in the right way to maybe trying to do other approaches.
Và cách này không mở rộng được. Cách tiếp cận đó còn thiếu một số thứ. Và mọi người chuyển từ cố gắng suy nghĩ đúng đắn sang thử những cách tiếp cận khác.
Another approach that has come up a lot historically is building machines that think like people. This really isn't so much AI anymore. This is actually more connected to cognitive science.
Một cách tiếp cận khác xuất hiện nhiều trong lịch sử là chế tạo những cỗ máy suy nghĩ như con người. Cái này thực ra không còn thuộc AI nhiều nữa. Nó liên quan nhiều hơn đến khoa học nhận thức.
This is trying to figure out, what's going on in our heads? What are these thought processes that our brains do?
Đó là cố tìm hiểu xem trong đầu ta đang diễn ra chuyện gì? Những quá trình tư duy nào mà bộ não ta thực hiện?
This is actually really important to AI, because we have exactly one general purpose intelligence system. It's in all of your heads.
Điều này thực sự rất quan trọng với AI, vì ta có đúng một hệ thống trí tuệ đa dụng. Nó nằm trong đầu tất cả các bạn.
And usually when we have an existence proof of a technology, we can reverse engineer it. Hasn't been so easy. Part of that is we don't really know yet what goes on inside our minds.
Thường khi đã có bằng chứng tồn tại của một công nghệ, ta có thể dịch ngược nó. Nhưng việc này không dễ. Một phần là vì ta chưa thực sự biết bên trong tâm trí ta diễn ra điều gì.
But it turns out, it doesn't actually matter that systems think in exactly a certain way.
Nhưng hóa ra, việc hệ thống suy nghĩ theo đúng một cách nhất định thực ra không quan trọng.
And we'll see this as soon as later in this lecture that it became less and less important what exactly the process of reasoning was, than the outcome and the action.
Ta sẽ thấy điều này ngay trong bài giảng này: quá trình suy luận cụ thể ra sao ngày càng ít quan trọng so với kết quả và hành động.
For example, when we talk about chess playing systems. They work very differently than humans, but they come up with similar moves.
Ví dụ, khi nói về các hệ thống chơi cờ vua. Chúng hoạt động rất khác con người, nhưng lại đưa ra những nước đi tương tự.
So people decided that maybe we should be building systems not based on how they think, but how they act.
Vì vậy mọi người quyết định rằng ta nên xây dựng hệ thống không dựa trên cách chúng suy nghĩ, mà dựa trên cách chúng hành động.
This is actually a very important change from thought processes to underlying to the resulting actions. And who's heard of the Turing test?
Đây là một thay đổi rất quan trọng, từ quá trình tư duy bên dưới sang các hành động kết quả. Ai đã nghe về phép thử Turing?
Very famous initial AI idea from Alan Turing, which says, one way to tell intelligence is to put a computer in one room and a human in another room, and have a human talk, presumably by typewriter, to both entities and see if you can tell them apart.
Một ý tưởng AI ban đầu rất nổi tiếng của Alan Turing, nói rằng một cách để nhận biết trí thông minh là đặt máy tính trong một phòng và con người trong phòng khác, rồi một người trò chuyện, chẳng hạn qua máy đánh chữ, với cả hai và xem có phân biệt được không.
And if they're functionally equivalent, well, you've achieved something. Maybe you've achieved intelligence or maybe you've just achieved human bluffability. Maybe that's like intelligence, maybe it was not.
Nếu chúng tương đương về chức năng thì bạn đã đạt được một điều gì đó. Có thể bạn đã đạt được trí thông minh, hoặc có thể chỉ là khả năng lừa được con người. Có thể nó giống trí thông minh, cũng có thể không.
It's a very influential philosophy of mind idea of the Turing test.
Phép thử Turing là một ý tưởng rất có ảnh hưởng trong triết học về tâm trí.
But the research that came out of it tended to be driven by the kinds of things that can fool people in the short run.
Nhưng nghiên cứu xuất phát từ đó thường bị chi phối bởi những thứ có thể đánh lừa con người trong thời gian ngắn.
So very important in any Turing test, don't spell too well, don't type too quickly. When somebody asks you for the square root of 7, don't answer.
Nên trong phép thử Turing, rất quan trọng: đừng viết đúng chính tả quá, đừng gõ quá nhanh. Khi ai hỏi căn bậc hai của 7 thì đừng trả lời.
But when they ask you what your favorite Shakespeare play is, you probably should answer.
Nhưng khi họ hỏi vở kịch Shakespeare yêu thích của bạn là gì, thì có lẽ bạn nên trả lời.
And so these kinds of things are very interesting, but they actually teach us just as much about people as they do about machines.
Những điều này rất thú vị, nhưng chúng cho ta biết về con người nhiều không kém về máy móc.
So as you can probably guess, the fourth square is where we will end up in this course. And the modern approach to AI, broadly speaking, has been to build systems that act rationally.
Như các bạn có thể đoán, ô thứ tư là nơi ta sẽ đến trong môn học này. Cách tiếp cận hiện đại với AI, nói chung, là xây dựng các hệ thống hành động hợp lý.
That means we focus on the decisions systems make. And rationally here — think meanings — means optimally. We build systems that act optimally.
Nghĩa là ta tập trung vào các quyết định mà hệ thống đưa ra. Và "hợp lý" ở đây, hiểu là, có nghĩa là tối ưu. Ta xây dựng các hệ thống hành động tối ưu.
And that brought in from initially, a logical logistist tradition — this brought in a whole history of optimization theory and let us tap into a whole bunch of new kinds of statistics and optimization and data that have really been important in making progress in AI.
Và điều đó, từ truyền thống logic ban đầu, đã đưa vào cả lịch sử lý thuyết tối ưu hóa và cho phép ta khai thác hàng loạt loại thống kê, tối ưu hóa và dữ liệu mới vốn rất quan trọng để tạo ra tiến bộ trong AI. thì chúng không còn được coi là AI nữa.
So you saw the word rational here a couple of times. Rational means something informally. Informally, when we talk about rationality, we mean maybe something about like, unemotional.
Các bạn thấy từ "hợp lý" xuất hiện vài lần ở đây. Theo nghĩa thông thường, từ này có một nghĩa. Thông thường khi nói về tính hợp lý, ta có thể hiểu là không cảm xúc.
But when we talk about rational in this course, we mean something very specific and technical. We mean it's a system that maximally achieves some predefined goals. It's not about what those goals are.
Nhưng khi nói "hợp lý" trong môn học này, ta muốn nói một điều rất cụ thể và mang tính kỹ thuật. Đó là một hệ thống đạt được tối đa một số mục tiêu đã định trước. Không quan trọng mục tiêu đó là gì.
You can have a robot that's designed to clean up dirt as well as possible. You might call it vacuum cleaner. You can have another robot that's designed to make things as messy as possible.
Bạn có thể có một robot được thiết kế để dọn bụi bẩn càng sạch càng tốt. Bạn có thể gọi nó là máy hút bụi. Bạn có thể có một robot khác được thiết kế để làm mọi thứ bừa bộn nhất có thể.
I don't what you'd call that. Call it a pet dog or something. And those two things might both be rational if they're optimally achieving the goals that they have set for them.
Tôi không biết bạn sẽ gọi nó là gì. Gọi là chó cưng chẳng hạn. Và cả hai thứ đó đều có thể là hợp lý nếu chúng đạt được mục tiêu của mình một cách tối ưu mà người ta đặt ra cho chúng.
So rationality only concerns the decisions that are being made, not the thought process behind them. There can be many ways to get to a correct decision.
Vậy tính hợp lý chỉ liên quan đến các quyết định được đưa ra, chứ không phải quá trình suy nghĩ đằng sau. Có nhiều cách để đi đến một quyết định đúng.
You can get that through computation, through looking at data, past experiences. And those goals are always going to be expressed in terms of the utility of different outcomes.
Bạn có thể đạt được nó bằng tính toán, bằng cách xem dữ liệu, kinh nghiệm trong quá khứ. Và các mục tiêu đó luôn được biểu diễn qua độ hữu dụng của các kết quả khác nhau.
You're in a situation, you have some actions you can take, it'll affect the world in some possibly unknown way. And then you have utilities over the results.
Bạn ở trong một tình huống, có một số hành động có thể thực hiện, chúng sẽ tác động đến thế giới theo một cách có thể chưa biết. Rồi bạn có độ hữu dụng trên các kết quả.
We'll unpack all of this during the rest of the lecture. But being rational, in a nutshell, is maximizing your expected utility. So this is an introduction to artificial intelligence.
Chúng ta sẽ làm rõ tất cả những điều này trong phần còn lại của bài giảng. Nhưng nói gọn lại, hợp lý là tối đa hóa độ hữu dụng kỳ vọng của bạn. Đây là môn nhập môn trí tuệ nhân tạo.
It would probably be better if we titled this course Computational Rationality. That's more like what we're going to talk about. But probably half of you wouldn't be here today.
Có lẽ sẽ tốt hơn nếu đặt tên môn này là Tính hợp lý trong tính toán. Đó mới là điều chúng ta sẽ nói tới. Nhưng có lẽ một nửa số bạn sẽ không có mặt hôm nay.
So we keep the title.
Nên chúng tôi giữ nguyên tên.
So if you take one thing from this course — if you're going to get a CS 188 tattoo, which I am not endorsing, it would be something like this.
Nếu bạn chỉ rút ra một điều từ môn này — nếu bạn định xăm hình CS 188, điều mà tôi không khuyến khích, thì nó sẽ là thế này.
Maximize your expected utility. It's a good lesson for life. But it's also really going to be the rest of this course, we're going to take our time unpacking these words.
Tối đa hóa độ hữu dụng kỳ vọng của bạn. Đó là một bài học tốt cho cuộc sống. Nhưng nó cũng thực sự là nội dung của cả môn học, chúng ta sẽ dành thời gian làm rõ từng từ này.
What does maximize mean? What are we maximizing over? What are the algorithms for finding optimal things in that sense? What is utility?
Tối đa hóa nghĩa là gì? Chúng ta tối đa hóa trên cái gì? Các thuật toán để tìm điều tối ưu theo nghĩa đó là gì? Độ hữu dụng là gì?
What are we trying to achieve? What is the expectation here? How does our uncertainty over the environment, the current state of the world, and the consequences of our actions enter into things?
Chúng ta đang cố đạt được điều gì? Kỳ vọng ở đây là gì? Sự không chắc chắn của chúng ta về môi trường, trạng thái hiện tại của thế giới, và hệ quả của hành động đi vào bài toán như thế nào?
So we're going to unpack this slide for a whole semester.
Vậy chúng ta sẽ phân tích slide này suốt cả học kỳ.
All right. I think one more thing and then I'm going to get Pieter back on the stage here. What about the brain?
Được rồi. Tôi nghĩ còn một điều nữa rồi tôi sẽ mời Pieter trở lại sân khấu. Còn bộ não thì sao?
So like I said, AI's really hard, but we have an existence proof of an intelligent system. There are 700 of them in this room right now. So why aren't we done?
Như tôi nói, AI rất khó, nhưng ta có bằng chứng tồn tại của một hệ thống thông minh. Hiện có 700 hệ thống như vậy trong phòng này. Vậy sao ta chưa làm xong?
Why haven't we reverse engineered this? Well, one, brains are very good at making rational decisions, but they're not perfect and you can get distracted by their limitations.
Sao ta chưa dịch ngược được nó? Thứ nhất, não rất giỏi đưa ra quyết định hợp lý, nhưng không hoàn hảo và bạn có thể bị phân tâm bởi những hạn chế của nó.
But really, the main issue is that brains aren't modular like software.
Nhưng vấn đề chính là não không có tính mô-đun như phần mềm.
We can't pull bits out and look at them, and see what they do, and put them back in, and replicate them, and follow that kind of modularity.
Ta không thể lấy từng phần ra xem chúng làm gì, rồi lắp lại, sao chép, và tận dụng kiểu mô-đun đó.
To the extent that brains are modular, it doesn't look like software modularity. Not in a way that we've been able to exploit.
Ở mức não có tính mô-đun, thì nó không giống mô-đun của phần mềm. Ít nhất không theo cách ta khai thác được.
There's a famous saying that brains are to intelligence as wings are to flight. People spend a long time trying to get mechanical flight to work. And we had existence proofs, we had birds.
Có câu nói nổi tiếng: não với trí thông minh như cánh với việc bay. Con người đã mất rất lâu để làm cho máy bay hoạt động. Và ta đã có bằng chứng tồn tại, đó là loài chim.
And one of the key things that made it possible to start getting automated flight was when we stopped trying to make them flap their wings.
Một điều then chốt giúp việc bay tự động trở nên khả thi là khi ta thôi cố làm cho chúng vỗ cánh.
So sometimes you want to follow the existence proof and sometimes you want to build things differently, because there's something about the engineering context which changes those assumptions.
Đôi khi bạn nên theo bằng chứng tồn tại, đôi khi nên xây dựng theo cách khác, vì bối cảnh kỹ thuật có điều gì đó làm thay đổi những giả định ấy.
But that doesn't mean we haven't learned anything from the brain. And we certainly have a ton more to learn from the brain. There are a couple of things we learn from the brain.
Nhưng không có nghĩa là ta chưa học được gì từ bộ não. Và chắc chắn ta còn rất nhiều điều để học từ não. Có vài điều ta học được từ bộ não.
One of the main ones is that there's really two components to making good decisions. Remember, that's what AI is going to be about, making good decisions in a context.
Một trong những điều chính là có hai thành phần để đưa ra quyết định tốt. Nhớ rằng AI chính là đưa ra quyết định tốt trong một bối cảnh.
One is memory. Data. You can make a good decision because you remember your experiences in the past.
Một là trí nhớ. Dữ liệu. Bạn quyết định tốt vì nhớ những kinh nghiệm trong quá khứ.
Or an advantage humans have is remembering reading about other people's experiences, so you don't actually have to make all the mistakes yourself.
Con người còn có lợi thế là nhớ những gì đã đọc về kinh nghiệm của người khác, nên bạn không phải tự mắc hết mọi sai lầm.
So for example, one reason I might not touch that fire is, I've done that before and it didn't go well, so I'm not going to do it again.
Ví dụ, một lý do tôi không chạm vào lửa là tôi từng làm vậy và không ổn, nên tôi sẽ không làm lại.
Another way to make good decisions is simulation, which is basically computation. Unrolling the consequences of your actions according to a model. What's going to happen next?
Một cách khác để quyết định tốt là mô phỏng, về cơ bản là tính toán. Triển khai hệ quả của hành động theo một mô hình. Điều gì sẽ xảy ra tiếp theo?
And playing what if in your head so that you can think through the consequence of things without actually trying them.
Và chơi trò "nếu thì" trong đầu để suy nghĩ về hệ quả của mọi việc mà không cần thử thật.
So maybe I don't touch that fire because I can like play it forward in my head and realize this is going to end poorly based on my model of how things work.
Có thể tôi không chạm vào lửa vì tôi có thể diễn ra trong đầu và nhận ra kết cục sẽ tệ, dựa trên mô hình của tôi về cách thế giới vận hành.
And of course for humans, those things are all intermeshed. That model came from data and experiences.
Và với con người, những thứ đó đan xen vào nhau. Mô hình đó đến từ dữ liệu và kinh nghiệm.
And so in this class, one of the things we're going to do is talk a lot about both how these two ways of making decisions are different, and also about how to interleave them as we get further into the course.
Trong môn này, một việc chúng ta sẽ làm là bàn nhiều về việc hai cách ra quyết định này khác nhau thế nào, và cũng về cách kết hợp chúng khi đi sâu hơn vào môn học.
So to look at this course broadly and think about, what are you guys going to go through for the next semester?
Nhìn tổng quát môn học và nghĩ xem, các bạn sẽ học những gì trong học kỳ tới?
Well, the first part is really about getting intelligence or smart behavior emerging from computation. So we're going to think about search, satisfying constraints, thinking about uncertainty and adversariality in the world.
Phần đầu thực sự nói về việc để trí thông minh hay hành vi thông minh xuất hiện từ tính toán. Chúng ta sẽ nghĩ về tìm kiếm, thỏa mãn ràng buộc, xử lý sự không chắc chắn và tính đối kháng trong thế giới.
And this is going to be about algorithms that, through computation, take a situation and figure out something smart to do. So the smart behavior comes from algorithms, from computation.
Đây là các thuật toán mà qua tính toán, nhận một tình huống và tìm ra việc thông minh cần làm. Vậy hành vi thông minh đến từ thuật toán, từ tính toán.
The second part of the course is going to be about making good decisions and having intelligence on the basis of data and statistics. And this is where machine learning comes in.
Phần thứ hai của môn học sẽ nói về việc đưa ra quyết định tốt và có trí thông minh dựa trên dữ liệu và thống kê. Và đây là lúc machine learning xuất hiện.
Here are all of your experiences. Here's a new situation. How should you act on the basis of what you've seen previously?
Đây là toàn bộ kinh nghiệm của bạn. Đây là một tình huống mới. Bạn nên hành động thế nào dựa trên những gì đã thấy trước đây?
And of course then, we'll be able to interleave these things as we get further into the course. And as we go throughout this course, we're going to talk about applications.
Và tất nhiên, chúng ta sẽ đan xen những phần này với nhau khi đi sâu hơn vào môn học. Và xuyên suốt môn học này, chúng ta sẽ nói về các ứng dụng.
What are you actually going to do with all of these methods and all of this intelligent behavior? Think about things like natural language, and vision, and robotics, and games.
Bạn thực sự sẽ làm gì với tất cả những phương pháp này và toàn bộ hành vi thông minh này? Hãy nghĩ đến ngôn ngữ tự nhiên, thị giác, robot và trò chơi.
So I think Pieter's going to come and tell you a little bit about what's happened, stories so far in AI.
Giờ thầy Pieter sẽ lên kể cho các bạn đôi chút về những câu chuyện đã xảy ra trong AI cho đến nay.
PIETER ABBEEL
So let's take a step back and think about the first time some people really started working on AI. And this was actually back in the '50s.
Hãy lùi lại một bước và nghĩ về lần đầu tiên người ta thực sự bắt đầu làm việc về AI. Đó là vào những năm 1950.
And the reason it started then is because that's when people started building computers. And initially, computers were thought of largely as just big calculators.
Lý do nó bắt đầu vào lúc đó là vì khi ấy người ta bắt đầu chế tạo máy tính. Ban đầu, máy tính phần lớn được xem chỉ như những chiếc máy tính bỏ túi cỡ lớn.
But some people started thinking of it as, if you can do calculations on numbers, maybe you can do calculations on other things and start building something that thinks.
Nhưng có người bắt đầu nghĩ rằng, nếu tính toán được trên các con số, thì có lẽ tính toán được trên những thứ khác và bắt đầu xây dựng một thứ biết suy nghĩ.
So let's watch a video from the early '60s, reflecting on the progress that was made in the '50s with these early computers and early ideas.
Hãy xem một video đầu thập niên 60, nhìn lại tiến bộ đạt được trong thập niên 50 với những chiếc máy tính và ý tưởng ban đầu này.
[VIDEO PLAYBACK] [MUSIC PLAYING] - The thinking machine.
[PHÁT VIDEO] [NHẠC] - Cỗ máy biết suy nghĩ.
- Hello again. With me tonight is Jerome B Wiesner, Director of the Research Laboratory of Electronics at MIT.
- Xin chào lại các bạn. Cùng tôi tối nay là Jerome B Wiesner, Giám đốc Phòng thí nghiệm Nghiên cứu Điện tử tại MIT.
Dr. Wiesner, what really worries me today is, what's going to happen to us if machines can think? And what interests me specifically is, can they? - Oh, that's a very fine question.
Tiến sĩ Wiesner, điều tôi lo nhất hiện nay là chuyện gì sẽ xảy ra với chúng ta nếu máy móc biết suy nghĩ? Và điều tôi đặc biệt quan tâm là: chúng có thể không? - Ồ, câu hỏi rất hay.
If you had asked me that question just a few years ago, I would've said it was very far-fetched. Today, I just have to admit, I don't really know.
Nếu ông hỏi tôi câu đó chỉ vài năm trước, tôi sẽ nói là rất viển vông. Hôm nay, tôi phải thừa nhận là tôi không thật sự biết.
I suspect if I come back four or five years, I'll say sure. But it is confusing. - Well, if you're confused, Doctor, how do you think I feel?
Tôi đoán bốn năm năm nữa quay lại, tôi sẽ nói chắc chắn rồi. Nhưng nó thật khó hiểu. - Nếu ông còn bối rối, thưa Tiến sĩ, thì ông nghĩ tôi cảm thấy thế nào?
- We're just really beginning to understand the capabilities of computers. I've got some film that will illustrate this point, which I think will amaze you.
- Chúng ta mới thực sự bắt đầu hiểu khả năng của máy tính. Tôi có một đoạn phim minh họa điều này, và tôi nghĩ sẽ làm ông kinh ngạc.
- That man isn't playing checkers against a computer, is he? - Sure, and it's playing pretty well.
- Người đàn ông đó không chơi cờ đam với máy tính chứ, phải không? - Đúng vậy, và nó chơi khá giỏi.
- Now, which color — - While most computer scientists saw it as a mere number-cruncher, a small group thought that the digital computer had a much grander destiny.
- Nào, màu nào — - Trong khi hầu hết nhà khoa học máy tính coi nó chỉ là cỗ máy tính toán số, một nhóm nhỏ cho rằng máy tính số có một vận mệnh lớn lao hơn nhiều.
Being a general purpose machine, it could be programmed to do things which in humans required intelligence. Playing games like checkers and chess, and solve brain-teasers.
Là một cỗ máy đa dụng, nó có thể được lập trình để làm những việc mà con người cần có trí thông minh. Chơi cờ đam, cờ vua và giải các câu đố hóc búa.
The field became known as artificial intelligence. - Can machines really think? Even the scientists argue that one. - I'm convinced that machines can and will think.
Lĩnh vực này được gọi là trí tuệ nhân tạo. - Máy móc có thật sự suy nghĩ được không? Ngay cả các nhà khoa học cũng tranh cãi về điều đó. - Tôi tin chắc máy móc có thể và sẽ suy nghĩ.
I don't mean that machines will behave like men. I don't think for a very long time we're going to have a difficult problem distinguishing a man from a robot.
Ý tôi không phải máy móc sẽ cư xử như con người. Tôi không nghĩ trong một thời gian rất dài chúng ta sẽ gặp khó khăn khi phân biệt người với robot.
And I don't think my daughter will ever marry a computer. But I think the computer will be doing the things that man do when we say they're thinking.
Và tôi không nghĩ con gái tôi sẽ lấy một chiếc máy tính. Nhưng tôi nghĩ máy tính sẽ làm những việc con người làm mà ta gọi là suy nghĩ.
I'm convinced that machines can and will think in our lifetime.
Tôi tin chắc máy móc có thể và sẽ suy nghĩ ngay trong đời chúng ta.
- I confidently expect that when a matter of 10 or 15 years, something will emerge from a laboratory which is not too far from the robot of science fiction fame.
- Tôi tự tin kỳ vọng rằng trong 10 hay 15 năm nữa, từ phòng thí nghiệm sẽ xuất hiện một thứ không quá xa so với robot nổi tiếng trong khoa học viễn tưởng.
- They had me reckon with ambiguity when they set out to use computers to translate languages. - A $500,000 super calculator, most versatile electronic brain known, translates Russian into English.
- Họ khiến tôi phải đối mặt với sự mơ hồ khi họ bắt đầu dùng máy tính để dịch ngôn ngữ. - Một siêu máy tính trị giá 500.000 đô la, bộ não điện tử đa năng nhất được biết đến, dịch tiếng Nga sang tiếng Anh.
Instead of mathematical wizardry, a sentence in Russian is to be fed — - One of the first non-numerical applications of computers, it was hyped as the solution to the Cold War obsession of keeping tabs on what the Russians were doing.
Thay vì phép màu toán học, một câu tiếng Nga được đưa vào — - Là một trong những ứng dụng phi số đầu tiên của máy tính, nó được thổi phồng như lời giải cho nỗi ám ảnh thời Chiến tranh Lạnh về việc theo dõi người Nga đang làm gì.
Claims were made that the computer would replace most human translators. - Present, of course, you're just in the experimental stage. When you go in for full scale production, what will the capacity be?
Người ta tuyên bố rằng máy tính sẽ thay thế hầu hết các dịch giả. - Hiện tại, tất nhiên, các ông mới ở giai đoạn thử nghiệm. Khi đi vào sản xuất quy mô lớn, công suất sẽ là bao nhiêu?
- We should be able to do about, with a modern commercial computer, about 1 to 2 million words an hour.
- Với một máy tính thương mại hiện đại, chúng tôi có thể làm khoảng 1 đến 2 triệu từ mỗi giờ.
And this will be quite an adequate speed to cope with the hole-out with the Soviet Union in just a few hours computer time a week.
Và tốc độ này khá đủ để đối phó với khối lượng từ Liên Xô chỉ trong vài giờ máy tính mỗi tuần.
- When do you hope to be able to achieve this peak? - If our experiments go well, then perhaps within five years or so.
- Khi nào ông hy vọng đạt được đỉnh đó? - Nếu thí nghiệm suôn sẻ, thì có lẽ trong vòng năm năm hoặc hơn.
- And finally, Mr. McDaniel, does this mean the end of human translators? - I would say yes for translators of scientific and technical material.
- Và cuối cùng, ông McDaniel, điều này có nghĩa là dịch giả con người sẽ chấm dứt không? - Tôi sẽ nói là có, với dịch giả tài liệu khoa học và kỹ thuật.
But as regards poetry and novels, no, I don't think we'll ever replace the translators for that type of material. - Mr. McDaniel, thank you very much. [END PLAYBACK] PIETER ABBEEL: All right.
Nhưng còn thơ và tiểu thuyết thì không, tôi không nghĩ chúng ta sẽ thay thế được dịch giả cho loại tài liệu đó. - Ông McDaniel, cảm ơn ông rất nhiều. [KẾT THÚC VIDEO] PIETER ABBEEL: Được rồi.
So this is dated 1961. Let's take a look at the history of things that were being worked on at the time.
Đây là video năm 1961. Hãy xem lịch sử những thứ đang được nghiên cứu vào thời đó.
'40s and '50s were the very early days. One of the first things people did was build a Boolean circuit model inspired by the brain.
Thập niên 40 và 50 là những ngày đầu tiên. Một trong những việc đầu tiên người ta làm là xây dựng mô hình mạch Boolean lấy cảm hứng từ bộ não.
Turing wrote his Computing Machinery and Intelligence book and Turing test started to exist. Then a lot of excitement.
Turing viết cuốn Computing Machinery and Intelligence và phép thử Turing ra đời. Rồi có rất nhiều hào hứng.
Early AI programs played checkers and do some theorem proving, it could do reasoning about geometry. The name artificial intelligence was coined in 1956.
Các chương trình AI đầu tiên chơi cờ đam và chứng minh định lý, nó có thể suy luận về hình học. Cái tên trí tuệ nhân tạo ra đời năm 1956.
And then in 1965, a complete algorithm came about for logical reasoning. So a lot of excitement, a lot of progress is being made. And people thought this is going to move very fast.
Rồi đến năm 1965, một thuật toán hoàn chỉnh cho suy luận logic xuất hiện. Thế là rất nhiều hào hứng, đạt được nhiều tiến bộ. Và mọi người nghĩ mọi thứ sẽ tiến rất nhanh.
Just like you saw in this video, they said, oh, maybe in five years we'll have machine translation solved. We're 55 years later, and we're maybe starting to get there.
Giống như các bạn thấy trong video này, họ nói, ồ, có lẽ trong năm năm nữa ta sẽ giải xong dịch máy. 55 năm sau, và có lẽ giờ ta mới bắt đầu tới đích.
So very optimistic views. From there, transition to knowledge-based approaches. So people thought, OK, we have these engines that can do logical theorem proving, reasoning, and so forth.
Những quan điểm rất lạc quan. Từ đó chuyển sang các phương pháp dựa trên tri thức. Người ta nghĩ, được rồi, ta có những bộ máy có thể chứng minh định lý logic, suy luận, v.v.
If we can just put enough knowledge, enough facts together — and fact one implies fact two, those kind of propositions — then maybe that allows us to reason about anything in the future and starts putting more and more information in these systems.
Nếu ta đưa vào đủ tri thức, đủ dữ kiện — dữ kiện một kéo theo dữ kiện hai, kiểu các mệnh đề như vậy — thì có lẽ ta có thể suy luận về bất cứ điều gì sau này và bắt đầu đưa ngày càng nhiều thông tin vào các hệ thống này.
But it didn't lead where people hoped for. In fact, things didn't work as well as hoped for at all. Not much money was made with AI.
Nhưng nó không đi đến đích như người ta hy vọng. Thực ra mọi thứ chẳng hiệu quả như mong đợi. AI không kiếm được mấy tiền.
Not much progress was made anymore along these lines.
Cũng không còn tiến bộ nhiều theo hướng này.
And this settled in an AI winter, where very little work happened on AI in industry, and very little funding from government would go to research labs that tried to work in AI.
Và rơi vào một mùa đông AI, khi rất ít công việc về AI diễn ra trong công nghiệp, và chính phủ rất ít tài trợ cho các phòng thí nghiệm nghiên cứu AI.
Then in the '90s, there was a resurgence through statistical approaches, where there was a lot of combining of new statistical ideas with sub-field expertise.
Rồi những năm 90, AI hồi sinh nhờ các phương pháp thống kê, khi người ta kết hợp nhiều ý tưởng thống kê mới với chuyên môn của từng lĩnh vực con.
Leading to an ability to reason about uncertainty and maybe an AI spring. And then 2012 onwards, deep learning started to come on the scene quite a lot.
Dẫn đến khả năng suy luận về sự bất định và có lẽ là một mùa xuân AI. Rồi từ 2012 trở đi, deep learning bắt đầu xuất hiện rất mạnh.
And people got just as excited again, it seems, as they were back in the '50s and '70s. And I guess we'll see if the cycle after repeats or not.
Và mọi người lại hào hứng như hồi những năm 50 và 70. Và ta sẽ xem chu kỳ có lặp lại hay không.
But one fundamental difference right now is that AI is used in many, many industries.
Nhưng có một khác biệt căn bản hiện nay là AI được dùng trong rất nhiều ngành.
And we'll give you some examples in the remainder of this lecture of many application domains where AI is already useful and can be expected to be even more useful in the foreseeable future.
Trong phần còn lại của bài giảng, chúng tôi sẽ cho các bạn ví dụ về nhiều lĩnh vực ứng dụng mà AI đã hữu ích và có thể còn hữu ích hơn nữa trong tương lai gần.
OK. So every lecture, about halfway through, we're going to take a two-minute break, which is going to happen right now. And then after the break, we'll start discussing what AI can do today.
Được rồi. Mỗi buổi học, khoảng giữa giờ, chúng ta sẽ nghỉ hai phút, và việc đó diễn ra ngay bây giờ. Sau giờ nghỉ, ta sẽ bàn về những gì AI làm được ngày nay.
Hi, everyone. Welcome back.
Chào mọi người. Chào mừng trở lại.
So let's take a look at what AI can do, and let's do it through a quiz. So we'll do a raise of hands for each one of these questions and see what you think.
Hãy xem AI có thể làm được gì, và ta sẽ làm qua một bài trắc nghiệm. Với mỗi câu hỏi, các bạn giơ tay xem các bạn nghĩ sao.
And then we'll see what we think and go from there. So which of the following can be done at present by an AI?
Rồi ta xem đáp án và đi tiếp. Việc nào sau đây AI hiện có thể làm được?
Play a decent game of table tennis. Who thinks that's possible? Raise your hand.
Chơi bóng bàn khá tốt. Ai nghĩ là có thể? Giơ tay lên.
OK. Yeah, about half of you. Well, let's reveal. Indeed.
Được. Vâng, khoảng một nửa các bạn. Ta xem đáp án nhé. Đúng vậy.
It might depend on what you call decent. You're not going to have a robot running around the table.
Còn tùy bạn gọi thế nào là khá tốt. Robot sẽ không chạy quanh bàn đâu.
But a robot that quietly plays back and forth with you is definitely available at this point.
Nhưng một robot đánh qua đánh lại nhẹ nhàng với bạn thì chắc chắn đã có.
DAN KLEIN
We already talked about this, but how about play a decent game of Jeopardy? Yup. Absolutely. So you might worry here that the computers are going to take all of our game shows from us.
Chúng ta đã nói về chuyện này, còn chơi Jeopardy khá tốt thì sao? Đúng. Hoàn toàn được. Có thể các bạn lo máy tính sẽ cướp hết các game show của chúng ta.
So far, that hasn't happened.
Cho đến giờ thì chưa.
PIETER ABBEEL
How about driving safely up a mountain road? Raise of hands.
Lái xe an toàn lên đường núi thì sao? Giơ tay nào.
So this actually happened in 2011. So this is a done thing. Under certain conditions and so forth, but it's happened.
Việc này thực ra đã xảy ra năm 2011. Nên là làm được rồi. Trong một số điều kiện nhất định, nhưng đã làm được.
DAN KLEIN
What about, drive safely along Telegraph Avenue? [LAUGHTER] Yeah. I don't know if I can drive safely on Telegraph Avenue. But this is actually really important.
Còn lái xe an toàn trên đại lộ Telegraph thì sao? [CƯỜI] Vâng. Tôi không biết mình có lái an toàn trên Telegraph Avenue được không. Nhưng điều này thực sự rất quan trọng.
We'll give it a question mark. Autonomous driving is getting better and better.
Ta cho nó một dấu hỏi. Lái xe tự động ngày càng tốt hơn.
But this goes to prove that just because you can do an initial step of a technology doesn't mean that once you get to real world conditions and complex environments and high safety standards, that you can still do that in an autonomous way.
Nhưng điều này chứng tỏ rằng làm được bước đầu của một công nghệ không có nghĩa là khi đến điều kiện thực tế, môi trường phức tạp và tiêu chuẩn an toàn cao, thì bạn vẫn làm được một cách tự động.
PIETER ABBEEL
How about buying a week's worth of groceries on the web?
Mua đồ tạp hóa cho cả tuần trên mạng thì sao?
Yeah. This is easy now. The computer just uses Instacart and everything will show up.
Vâng. Giờ việc này dễ rồi. Máy tính chỉ cần dùng Instacart là mọi thứ tự được giao đến.
DAN KLEIN
What about buy a week's worth of groceries at the Berkeley Bowl? That's a lot harder, right? It's packed, you've got to make sure you don't bump your car into other people.
Còn mua đồ tạp hóa cho cả tuần ở Berkeley Bowl thì sao? Khó hơn nhiều, đúng không? Chỗ đó đông nghịt, bạn phải tránh để xe đẩy không va vào người khác.
And then you've got to distinguish 73 varieties of Apple. And it's tricky, right? I give this one a no, I can't send a robot to go do my Berkeley Bowl shopping yet.
Rồi còn phải phân biệt 73 loại táo. Khó đấy, đúng không? Tôi cho câu này là không, tôi chưa thể gửi robot đi mua sắm ở Berkeley Bowl thay tôi.
PIETER ABBEEL
How about discovering and proving a new mathematical theorem?
Khám phá và chứng minh một định lý toán học mới thì sao?
OK. So a small number of people think this might be possible. We're giving it a question mark. AI is becoming pretty decent at proving things.
Được. Một số ít người nghĩ có thể làm được. Ta cho nó một dấu hỏi. AI đang chứng minh khá tốt.
If you give it a statement, it might figure out how to start from some actions to get to whether that statement is true or not.
Nếu bạn đưa một mệnh đề, nó có thể tìm ra cách xuất phát từ một số hành động để đi đến kết luận mệnh đề đó đúng hay sai.
But the big question then still is, what should it try to prove? So many things to prove. 5 plus 7 is 12. 5 plus 8 is 13.
Nhưng câu hỏi lớn vẫn là, nó nên chọn chứng minh điều gì? Có quá nhiều thứ để chứng minh. 5 cộng 7 bằng 12. 5 cộng 8 bằng 13.
So many, so many things. And so, when it's going to really decide what is worth proving and building abstractions around is a whole other question.
Quá nhiều, quá nhiều thứ. Vì vậy, việc thực sự quyết định điều gì đáng để chứng minh và xây dựng các phép trừu tượng hóa xung quanh nó lại là một câu hỏi hoàn toàn khác.
DAN KLEIN
How about converse successfully with another person for an hour? Can we do this? OK. I would say it depends greatly on the person.
Còn việc trò chuyện thành công với một người khác trong một tiếng thì sao? Làm được chưa? OK. Tôi nghĩ điều đó phụ thuộc rất nhiều vào người đó.
[LAUGHTER] But not in a general. So there's a whole history of computers basically bluffing. And chat bots, for a while, can bluff.
[CƯỜI] Nhưng nói chung thì chưa. Máy tính có cả một lịch sử đánh lừa người khác. Và chatbot thì có thể đánh lừa được một lúc.
And sooner or later, you figure out that you're either talking to a computer or this conversation is deeply weird in some other way.
Sớm muộn gì bạn cũng nhận ra rằng mình đang nói chuyện với máy tính hoặc cuộc trò chuyện này kỳ quặc theo một cách nào đó.
PIETER ABBEEL
How about performing a surgical operation?
Còn thực hiện một ca phẫu thuật thì sao?
OK. So keep your hands up if you say yes. OK. Now, continue to keep your hand up if you're happy to have a robot to open heart surgery on you?
OK. Ai nói có thì cứ giơ tay. OK. Giờ hãy tiếp tục giơ tay nếu bạn sẵn lòng để robot mổ tim hở cho mình?
[LAUGHTER] Couple of you. We do surgical robotics research in my lab. I'd love to find a few more participants. [LAUGHTER] I'll see you after lecture.
[CƯỜI] Có vài bạn. Phòng thí nghiệm của tôi nghiên cứu robot phẫu thuật. Tôi rất muốn tìm thêm vài người tham gia. [CƯỜI] Gặp tôi sau buổi học nhé.
Not really at this point. The surgeries that do happen with a robot tend to happen through a human operator still totally operating the robot to get the surgery done.
Thật ra thì ở thời điểm này chưa được. Những ca phẫu thuật có dùng robot vẫn thường do người điều khiển hoàn toàn vận hành robot để hoàn thành ca mổ.
DAN KLEIN
What about, translate spoken Chinese into spoken English in real time?
Còn dịch tiếng Trung nói sang tiếng Anh nói theo thời gian thực thì sao?
Yep. All the pieces of this actually work pretty well, at least under limited context and circumstances.
Được. Tất cả các thành phần này thực sự hoạt động khá tốt, ít nhất trong bối cảnh và điều kiện hạn chế.
PIETER ABBEEL
How about folding laundry and putting away the dishes?
Còn gấp quần áo và cất bát đĩa thì sao?
OK. Yeah. I think the mixed answer is pretty accurate in that there is some pretty cool initial results starting to do this.
OK. Vâng. Tôi nghĩ câu trả lời nửa nọ nửa kia là khá chính xác, vì đã có một số kết quả ban đầu khá hay về việc này.
But it's nowhere near the level that you can just get a robot at home that's going to do this for you.
Nhưng còn lâu mới đến mức bạn có thể mua một con robot về nhà làm việc này cho mình.
DAN KLEIN
What about writing an intentionally funny story?
Còn viết một câu chuyện cố ý gây cười thì sao?
One fun thing about this lecture is, we can more or less keep the same list and over time, things just move from one column to the other as AI begins to be able to do these things better and better.
Một điều thú vị của bài giảng này là chúng ta gần như giữ nguyên danh sách này và theo thời gian, các mục chuyển từ cột này sang cột kia khi AI làm những việc này ngày càng tốt hơn.
That said, this is a case where we still can't write intentionally funny stories. The keyword there is actually intentionally.
Dù vậy, đây là trường hợp mà ta vẫn chưa thể viết ra những câu chuyện cố ý gây cười. Từ khóa ở đây thực ra là "cố ý".
So let me give you some examples of what this means. And not just examples, but what it says about how we need to approach AI and what's going to work and what's not.
Để tôi đưa ra vài ví dụ về ý nghĩa của điều này. Không chỉ là ví dụ, mà còn là điều nó nói về cách ta cần tiếp cận AI và điều gì sẽ hiệu quả, điều gì không.
So let's go back in time to 1984. This is a very famous system from Roger Schank called the Tale-Spin system. It would basically have a bunch of characters.
Ta hãy quay ngược thời gian về năm 1984. Đây là một hệ thống rất nổi tiếng của Roger Schank tên là hệ thống Tale-Spin. Về cơ bản nó có một loạt nhân vật.
They're all animal — anthropomorphized animal characters and objects, and it would create stories by chaining things together. And let's see the kinds of things that it comes up with.
Toàn là động vật được nhân cách hóa và đồ vật, và nó tạo ra câu chuyện bằng cách nối các thứ lại với nhau. Hãy xem nó tạo ra những gì.
So here's a Tale-Spin story. "One day Joe Bear was hungry. He asked his friend Irving Bird where some honey was. Irving told him there was a beehive in the oak tree.
Đây là một câu chuyện của Tale-Spin. "Một ngày nọ, gấu Joe bị đói. Nó hỏi bạn mình là chim Irving xem mật ong ở đâu. Irving bảo có một tổ ong trên cây sồi.
Joe walked to the oak tree. He ate the beehive. The end." [LAUGHTER] So this is funny, but there's a glass is 90% full, glass is 10% empty kind of thing going on here.
Joe đi bộ đến cây sồi. Nó ăn tổ ong. Hết." [CƯỜI] Chuyện này buồn cười, nhưng cũng giống kiểu ly nước đầy 90% hay vơi 10%. tùy cách nhìn.
This is ridiculous. Like, what the heck's going on here? The bear is eating the beehive. That's ridiculous.
Thật vô lý. Chuyện quái gì đang xảy ra vậy? Con gấu ăn cả tổ ong. Vô lý thật.
There's actually a lot that's right here. Think about how much is right here. He's hungry. He wants some food.
Thực ra có rất nhiều điều đúng ở đây. Hãy nghĩ xem có bao nhiêu điều đúng. Nó đói. Nó muốn có thức ăn.
The right kind of food for a bear is honey. So he goes and asks. And the honey comes in the beehive that's over the oak tree.
Thức ăn phù hợp với gấu là mật ong. Nên nó đi hỏi. Và mật ong nằm trong tổ ong ở trên cây sồi.
So he has to go to the oak tree. It's all great until the end. One missing link, which is, you have to take the honey out of the beehive first.
Nên nó phải đến cây sồi. Mọi thứ đều ổn cho đến đoạn cuối. Thiếu một mắt xích: trước hết phải lấy mật ong ra khỏi tổ ong.
That's it. One missing link and the whole thing falls apart.
Chỉ vậy thôi. Thiếu một mắt xích là cả câu chuyện sụp đổ.
And this was actually the story of a major failure case of technologies from this era of AI in the '80s is, you try to write down all the knowledge and you write down all the rules, and all it takes is one missing link in the chain and you get crazy stuff.
Và đây thực sự là câu chuyện về một thất bại lớn của các công nghệ thời kỳ AI đó, những năm 80: bạn cố viết ra toàn bộ kiến thức và toàn bộ quy tắc, mà chỉ cần thiếu một mắt xích trong chuỗi là bạn nhận được kết quả điên rồ.
Let's see some more crazy stuff. "Henry Squirrel was thirsty. He walked over to the riverbank where his good friend Bill Bird was sitting. Henry slipped and fell in the river.
Hãy xem thêm vài thứ điên rồ nữa. "Sóc Henry bị khát. Nó đi đến bờ sông, nơi người bạn tốt là chim Bill đang ngồi. Henry trượt chân và rơi xuống sông.
Gravity drowned. The end." [LAUGHTER] It's a surprise ending, right?
Trọng lực chết đuối. Hết." [CƯỜI] Một cái kết bất ngờ, đúng không?
So what's wrong here again — a lot of the pieces are here. It's thirsty and then there's water. And then there's this drowning event. What went wrong here was actually linguistic.
Vậy lại sai ở đâu nữa nhỉ? Nhiều mảnh ghép ở đây đã đúng. Nó khát rồi có nước. Rồi có sự kiện chết đuối này. Điều sai ở đây thực ra là về ngôn ngữ.
It would still a weird story if — who is this? Henry drowned. But here, gravity drowned. What went wrong?
Câu chuyện vẫn sẽ kỳ lạ nếu — đây là ai vậy? Henry bị chết đuối. Nhưng ở đây, chính trọng lực chết đuối. Đã có chuyện gì sai?
The system knows there's a drowning and that's appropriate because there's water. And it knows that there's a — Henry drowns and that gravity does the drowning. But it dropped the wrong argument.
Hệ thống biết là có một vụ chết đuối và điều đó hợp lý vì có nước. Và nó biết là có một — Henry chết đuối và trọng lực là thứ gây ra việc đó. Nhưng nó đã bỏ sai đối số.
STUDENT
I think what it means is that gravity drowned Henry. But unfortunately, they've just dropped Henry because it [INAUDIBLE] the object.
Em nghĩ ý nó là trọng lực làm Henry chết đuối. Nhưng tiếc là nó lại bỏ mất Henry vì nó [KHÔNG NGHE RÕ] tân ngữ.
DAN KLEIN
Yeah, exactly. What's gone wrong here is linguistic. There's two arguments and it's dropped the wrong one. That's all it takes.
Đúng, chính xác. Lỗi ở đây là về ngôn ngữ. Có hai đối số và nó bỏ nhầm cái. Chỉ cần vậy thôi.
In the first one, there's a missing reasoning chain about containers. Here, there's a missing linguistic rule on how to render it. Crazy pants stories. Let's see another one.
Ở ví dụ đầu, thiếu một chuỗi suy luận về vật chứa. Ở đây, thiếu một quy tắc ngôn ngữ về cách diễn đạt nó. Những câu chuyện điên rồ. Xem thêm một câu nữa.
"Once upon a time, there was a dishonest fox and a vain crow. One day the crow was sitting in his tree, holding a piece of cheese in his mouth.
"Ngày xửa ngày xưa, có một con cáo gian xảo và một con quạ hợm hĩnh. Một hôm con quạ đậu trên cây, ngậm một miếng phô mai trong miệng.
He noticed that he was holding the piece of cheese. He became hungry and swallowed the cheese. The fox walked over to the crow. The end."
Nó nhận ra mình đang ngậm miếng phô mai. Nó thấy đói và nuốt miếng phô mai. Con cáo đi đến chỗ con quạ. Hết."
[LAUGHTER] It's fine, except there's this long digression about the cheese and that has nothing to do with the story. So there's nothing really ill formed here.
[CƯỜI] Cũng ổn, trừ đoạn lan man dài dòng về miếng phô mai chẳng liên quan gì đến câu chuyện. Nên thật ra không có gì sai về cấu trúc câu.
You can follow the story. The language makes it clear what's going on. But there's something wrong with — this is not how stories are structured.
Bạn vẫn theo dõi được câu chuyện. Ngôn ngữ cho thấy rõ chuyện gì đang xảy ra. Nhưng có gì đó không ổn — truyện không được xây dựng như thế này.
You don't rat hole about this cheese that you discover in your mouth if you're trying to tell a story about a fox walking over to the crow.
Bạn không sa đà vào miếng phô mai mà bạn phát hiện ra trong miệng, khi bạn đang kể chuyện con cáo đi đến chỗ con quạ.
So there's all these levels of things going on and all these different kinds of abstractions you have to get right.
Vậy là có rất nhiều tầng đang diễn ra và rất nhiều kiểu trừu tượng khác nhau mà bạn phải làm đúng.
And any one of those things having a missing link, and you get unintentionally funny stories.
Chỉ cần thiếu một mắt xích trong số đó, là bạn có những câu chuyện buồn cười ngoài ý muốn.
Now you might think that we've had a lot of progress now — we have data-driven methods, we have more compute, we have big computers, we have neural nets.
Bạn có thể nghĩ rằng ta đã tiến bộ nhiều rồi: có các phương pháp dựa trên dữ liệu, nhiều sức tính toán hơn, có máy tính lớn, có mạng nơ-ron.
Maybe we can write intentionally funny things. Not yet. So here, I think this is a hysterical example. This is from Janelle Shane, who does a lot of these kinds of trained neural nets.
Có lẽ ta có thể viết ra những thứ hài hước có chủ đích. Chưa được. Đây là một ví dụ rất buồn cười. Nó của Janelle Shane, người làm rất nhiều mạng nơ-ron được huấn luyện kiểu này.
She's responsible for the paint colors, as well. She trained a neural net on a bunch of, what do you get when you cross x and y kinds of jokes.
Cô ấy cũng là người làm ra các tên màu sơn. Cô huấn luyện một mạng nơ-ron trên một loạt câu đùa kiểu "lai giữa x và y thì được gì".
Let me read you some of them if you can see them. "What do you get when you cross a dog and a vampire? A bungee." Yeah, it doesn't really land.
Tôi đọc vài câu, nếu các bạn nhìn thấy. "Lai giữa chó và ma cà rồng thì được gì? Một cái bungee." Ừ, nghe không buồn cười lắm.
How about, "what do you get when you cross a street and a bungee with a cow? A bungee and a pig with a cow."
Còn câu này: "Lai giữa con đường và bungee với con bò thì được gì? Một cái bungee và con heo với con bò."
So, we still can't actually either tell the intentionally funny stories or the intentionally not funny stories. Weird stuff happens whatever you try to do.
Vậy là ta vẫn chưa thể kể những chuyện hài có chủ đích hay chuyện không hài có chủ đích một cách chủ động. Làm gì thì cũng có chuyện kỳ quặc xảy ra.
And in fact, one of the things that we've learned as a field sometimes is, sometimes the right thing to do is know your limitations.
Và thật ra, một điều mà ngành này học được là đôi khi việc đúng đắn nên làm là biết giới hạn của mình.
So at least at times if you've asked Siri, for example, to tell me a story, maybe it's better to not try.
Ví dụ, có lúc bạn bảo Siri kể cho một câu chuyện, có lẽ tốt hơn là đừng thử.
So there are a bunch of areas of AI where we're making incredible progress. And there's a bunch of areas where we're not.
Có nhiều lĩnh vực của AI đang tiến bộ đáng kinh ngạc. Và có nhiều lĩnh vực thì không.
And understanding where progress is being made and what walls we're going to hit can be very hard.
Hiểu được đâu là nơi đang tiến bộ và ta sẽ đụng phải bức tường nào là rất khó.
Because sometimes things you were sure were really, really hard, like Go, turn out to have solutions today. And other things that you're sure you're almost there, and you're not and it's really tricky.
Vì có những thứ ta từng chắc chắn là cực kỳ khó, như cờ vây, hóa ra ngày nay đã có lời giải. Còn những thứ khác ta tưởng sắp xong rồi, nhưng thực ra chưa và nó rất hóc búa.
So what I'm going to do now is start talking about some individual areas of AI and the kinds of problems people work on.
Giờ tôi sẽ bắt đầu nói về một số lĩnh vực riêng của AI và các loại bài toán mọi người làm.
And of course, for each of these problems, they get better and better every year.
Dĩ nhiên, với mỗi bài toán này, mỗi năm chúng lại tốt hơn.
But the overall decomposition of the world into different kinds of problems that interact in certain ways tends to be relatively stable. So I'm going talk about some.
Nhưng cách chia thế giới thành các loại bài toán tương tác với nhau theo những cách nhất định thì tương đối ổn định. Tôi sẽ nói về một vài lĩnh vực.
Pieter's going to come and talk about some of the others. And let's see what we can learn. We'll unpack a lot of this during the rest of the course.
Pieter sẽ lên nói về những lĩnh vực còn lại. Và xem ta học được gì. Ta sẽ đi sâu vào nhiều thứ này trong phần còn lại của khóa.
A lot of the application stuff will come at the end of the course.
Phần lớn các ứng dụng sẽ đến vào cuối khóa.
So in natural language — this is actually the area where I work — is a bunch of kinds of technologies that deal with different aspects of how humans communicate with each other, and therefore with computers under appropriate circumstances.
Trước hết là ngôn ngữ tự nhiên, lĩnh vực tôi đang làm việc — gồm nhiều loại công nghệ xử lý các khía cạnh khác nhau của cách con người giao tiếp với nhau, và do đó với máy tính trong những hoàn cảnh phù hợp.
So for example, speech recognition is taking the sounds that somebody says and mapping them onto basically text. Not necessarily understanding that text, but transcribing it.
Ví dụ, nhận dạng giọng nói là lấy âm thanh ai đó nói và chuyển thành văn bản. Không nhất thiết hiểu văn bản đó, mà chỉ chép lại.
Text to speech synthesis. This is the opposite. It's going from something you want to say to a WAV file that embodies that speech verbally.
Tổng hợp giọng nói từ văn bản. Đây là chiều ngược lại. Đi từ điều bạn muốn nói đến một tệp WAV chứa lời nói đó.
These are two areas which have undergone amazing progress in the past five to 10 years. A lot of that's been neural nets.
Đây là hai lĩnh vực đã có tiến bộ đáng kinh ngạc trong 5 đến 10 năm qua. Phần lớn nhờ mạng nơ-ron.
But actually, even before that, a lot of that was just large data methods applied appropriately. There's also dialog systems, which would fit in between.
Nhưng thật ra, ngay cả trước đó, phần lớn chỉ là các phương pháp dữ liệu lớn được áp dụng đúng cách. Còn có các hệ thống hội thoại, nằm ở giữa hai cái này.
When you say something to a system, what if it's going to actually formulate a response and say something back? This technology is nowhere near as far along.
Khi bạn nói gì đó với một hệ thống, nếu nó thật sự muốn soạn ra một câu trả lời thì sao và nói lại với bạn? Công nghệ này còn lâu mới tiến xa được như vậy.
This is something that we're still figuring out how to do, how to build a system that you can have a meaningful sustained conversation with. OK.
Đây là thứ chúng ta vẫn đang tìm cách làm: làm sao xây một hệ thống mà bạn có thể trò chuyện có ý nghĩa và kéo dài với nó. OK.
But let me give you an example on the text to speech front of the kinds of things that go into it, and how we are and aren't able to do a good job of it today.
Nhưng để tôi lấy một ví dụ về mảng chuyển văn bản thành giọng nói, xem những yếu tố nào tham gia vào đó, và hôm nay ta làm tốt được đến đâu, chưa tốt ở chỗ nào.
So this is an automatic transcription system. There have been big advances. The state of the art systems are actually better than this today, but I think it's a good example.
Đây là một hệ thống phiên âm tự động. Đã có những tiến bộ lớn. Các hệ thống tiên tiến nhất hiện nay thực ra tốt hơn cái này, nhưng tôi nghĩ nó là ví dụ hay.
[VIDEO PLAYBACK] - Friends, family, and classmates said their final goodbyes yesterday at her funeral in East Falls. [INAUDIBLE] on this day, a major — [END PLAYBACK] DAN KLEIN: OK.
[PHÁT VIDEO] - Bạn bè, gia đình và các bạn cùng lớp đã nói lời từ biệt cuối cùng hôm qua tại tang lễ của cô ấy ở East Falls. [KHÔNG NGHE RÕ] vào hôm nay, một — [KẾT THÚC PHÁT] DAN KLEIN: OK.
Let me go back to here. This is the important part. So, "friends, family, classmates said their final good buys yesterday." Good buys, like Best Buy here.
Để tôi quay lại chỗ này. Đây là phần quan trọng. Vậy, "friends, family, classmates said their final good buys yesterday." Good buys, như Best Buy vậy.
Something's gone wrong. And the way we think about speech recognition systems is, there's a part of doing speech recognition which is linking up the sounds to the phonemic units of the language.
Có gì đó sai rồi. Cách ta nghĩ về hệ thống nhận dạng giọng nói là có một phần của nhận dạng giọng nói nối âm thanh với các đơn vị âm vị của ngôn ngữ.
So figuring out that with all that noise present, the person said something that sounds like buy. That's the domain of the acoustic model.
Tức là xác định rằng dù có đủ thứ tiếng ồn, người đó đã nói một âm nghe như buy. Đó là phạm vi của mô hình âm học.
That's actually something we're extremely good at and have only gotten better at in recent times. The mistake here is not actually an acoustic mistake.
Phần này ta thực sự làm cực kỳ tốt và dạo gần đây còn tốt hơn nữa. Lỗi ở đây thực ra không phải lỗi âm học.
It does sound like good buys, it's just the wrong kind of bye. And the way you know that is contextual.
Nó đúng là nghe như good buys, chỉ là sai loại bye. Và ta biết điều đó nhờ ngữ cảnh.
And that context of, what words, even if they sound the same, are appropriate in this context? That's the domain of language modeling and that's something that we are not as good at.
Ngữ cảnh đó là: những từ nào, dù nghe giống nhau, thì phù hợp trong ngữ cảnh này? Đó là phạm vi của mô hình hóa ngôn ngữ, và đó là phần ta chưa giỏi bằng.
It's a much harder problem. Because the amount of context that you bring when you do speech recognition is vast. And it's been very hard to capture that.
Đó là bài toán khó hơn nhiều. Vì lượng ngữ cảnh bạn mang vào khi nhận dạng giọng nói là rất lớn. Và rất khó để nắm bắt nó.
With modern methods, we've been able to do a better job. But that's still the challenging part in speech recognition systems.
Với các phương pháp hiện đại, ta làm tốt hơn. Nhưng đó vẫn là phần thách thức trong các hệ thống nhận dạng giọng nói.
So that's speech technologies, but there's a whole bunch of other stuff that happens in natural language. For example, question answering, which you can think of Watson as a case of this.
Đó là công nghệ giọng nói, nhưng còn rất nhiều thứ khác xảy ra trong ngôn ngữ tự nhiên. Ví dụ, hỏi đáp, mà bạn có thể xem Watson là một trường hợp.
But in general, you want to be able to ask a question of maybe a structured database or maybe the web, or maybe something in between like Wikipedia, and get an answer back.
Nhưng nói chung, bạn muốn có thể đặt câu hỏi cho một cơ sở dữ liệu có cấu trúc, hoặc cho web, hoặc thứ ở giữa như Wikipedia, và nhận lại một câu trả lời.
That's different than search, where they say, here's a bunch of documents, good hunting. Say, here's your answer. I've compared a bunch of sources, this is the answer. It's a different problem.
Khác với tìm kiếm, kiểu như nói: đây là một đống tài liệu, chúc may mắn. Ở đây là nói: đây là câu trả lời của bạn. Tôi đã so sánh nhiều nguồn, đây là câu trả lời. Đó là một bài toán khác.
Machine translation. Remember back to C3PO. How many of you use Google Translate or something like that regularly? How about ever?
Dịch máy. Nhớ lại C3PO. Có bao nhiêu bạn dùng Google Translate hay thứ gì đó tương tự thường xuyên? Còn từng dùng thì sao?
Let's go for ever. All right. How many of you think it works well for your purposes? OK.
Thôi lấy loại từng dùng. Được rồi. Bao nhiêu bạn thấy nó chạy tốt cho mục đích của mình? OK.
I think it depends on the language pair, it depends on the kind of thing you're translating, it depends on your standards.
Tôi nghĩ nó phụ thuộc vào cặp ngôn ngữ, vào loại văn bản bạn dịch, và vào tiêu chuẩn của bạn.
Like, if you have no idea what that Chinese text means and now suddenly you can, more or less, muddle your way through the English translation. That's a lot better than the original.
Chẳng hạn, nếu bạn không biết đoạn tiếng Trung đó nghĩa gì mà giờ bỗng nhiên ít nhiều có thể mò ra ý qua bản dịch tiếng Anh. Thế là tốt hơn bản gốc nhiều rồi.
Sometimes machine translation between similar languages, like English and French, can work amazing.
Đôi khi dịch máy giữa các ngôn ngữ giống nhau, như Anh và Pháp, có thể rất tuyệt.
It depends on the amount of data, the difference between the language, the amount of compute you put into it, a whole bunch of different kinds of contextual factors.
Nó phụ thuộc vào lượng dữ liệu, độ khác biệt giữa các ngôn ngữ, lượng tính toán bạn bỏ vào, và hàng loạt loại yếu tố ngữ cảnh khác.
But machine translation works pretty well. Remember that video? Remember in the '50s, where they were like, yeah, we're about one experiment away from solving machine translation?
Nhưng dịch máy chạy khá tốt. Nhớ video đó không? Nhớ hồi thập niên 50, họ kiểu như, ừ, chỉ cần thêm một thí nghiệm nữa là giải xong dịch máy?
Yeah, it took 50 plus years, and we're still not done.
Ừ, mất hơn 50 năm, và ta vẫn chưa xong.
But that feeling like, oh yeah, we're going to do it and maybe there will still be poets, that kind of feeling, that's just the kind of thing that people say when you're at this part of the S curve and you don't think there's the other part of the S curve.
Nhưng cảm giác kiểu, ồ ta sẽ làm được và có lẽ vẫn còn nhà thơ, cảm giác đó, đó chính là kiểu điều người ta nói khi đang ở phần này của đường cong chữ S và không nghĩ tới phần còn lại của đường cong.
We don't know where we are on the S curve right now.
Ta không biết hiện giờ mình đang ở đâu trên đường cong chữ S.
We know that sooner or later, there's going to be limitations and that we're going to need new technologies to get past them, or maybe just new scale, maybe more compute.
Ta biết sớm muộn cũng sẽ có giới hạn và ta sẽ cần công nghệ mới để vượt qua, hoặc có thể chỉ cần quy mô mới, thêm tính toán.
But we don't know where we are on that S curve right now, so we have to be careful.
Nhưng ta không biết hiện giờ mình ở đâu trên đường cong chữ S, nên phải cẩn thận.
It is the case that machine translation kind of works now and it didn't work at all back then. Think about back there in the '50s, the computers they have, those supercomputers.
Đúng là dịch máy giờ đã tạm chạy được còn hồi đó thì hoàn toàn không. Nghĩ về thập niên 50, những máy tính họ có, những siêu máy tính đó.
Your phone has more power, your toaster has more power than a supercomputer from the '50s. And all I could do is look up words. Now we have better methods, but they're still not perfect.
Điện thoại của bạn mạnh hơn, cái máy nướng bánh mì còn mạnh hơn siêu máy tính thập niên 50. Và tất cả những gì nó làm được là tra từ. Giờ ta có phương pháp tốt hơn, nhưng vẫn chưa hoàn hảo.
And a whole bunch of other stuff falls under the domain of natural language. Web search, understanding how your query relates to what's on the page and mixing that with things like link analysis.
Và còn rất nhiều thứ khác thuộc lĩnh vực ngôn ngữ tự nhiên. Tìm kiếm web, hiểu truy vấn của bạn liên quan thế nào đến nội dung trên trang và kết hợp với những thứ như phân tích liên kết.
Or the big thing now is click stream data, about what people do and don't end up using and clicking on.
Hoặc thứ lớn hiện nay là dữ liệu click stream, về việc người ta cuối cùng dùng và nhấp vào cái gì, không vào cái gì.
Text classification, spam filtering, there's a whole bunch of things that basically anchor into natural language and analysis of natural language.
Phân loại văn bản, lọc thư rác, có hàng loạt thứ về cơ bản neo vào ngôn ngữ tự nhiên và việc phân tích ngôn ngữ tự nhiên.
Mapping natural language from one thing to another works a whole lot better than understanding it deeply today.
Ngày nay, ánh xạ ngôn ngữ tự nhiên từ dạng này sang dạng khác hoạt động tốt hơn nhiều so với việc hiểu nó một cách sâu sắc.
I'm going to hand it to Pieter.
Giờ tôi nhường lời cho Pieter.
PIETER ABBEEL
Another very important thing for an AI is to understand what's around them. And so this field is often called computer vision or perception.
Một điều rất quan trọng nữa đối với một AI là hiểu được những gì xung quanh nó. Lĩnh vực này thường được gọi là thị giác máy tính hay nhận thức.
And what it comes down to is that you somehow want to take in pixel values, which is just numbers, red, green, blue values of what's in that pixel, and then say something about what's there.
Về cơ bản, bằng cách nào đó, ta muốn nhận vào các giá trị pixel, vốn chỉ là những con số, các giá trị đỏ, xanh lá, xanh dương của pixel đó, rồi nói được điều gì đó về thứ đang có ở đó.
For example, in computer vision, people will study the problem of face detection and face recognition. Which is actually starting to work really well and a lot of companies are putting this to use today.
Chẳng hạn, trong thị giác máy tính, người ta nghiên cứu bài toán phát hiện khuôn mặt và nhận dạng khuôn mặt. Bài toán này thực sự đang bắt đầu hoạt động rất tốt và ngày nay nhiều công ty đang ứng dụng nó.
Semantic scene segmentation, where you look at a scene, a picture on the left, and turn it into the understood scene on the right, which then might feed into a control system for your car.
Còn phân đoạn cảnh theo ngữ nghĩa thì bạn nhìn một cảnh, là bức ảnh bên trái, và biến nó thành cảnh đã được hiểu ở bên phải, rồi có thể đưa vào hệ thống điều khiển xe của bạn.
Or 3D understanding. So what we have here, the color corresponds to depth. And so we see 3D understanding of what's going on in that scene, and also isolating out the people.
Hoặc hiểu 3D. Ở đây, màu sắc tương ứng với độ sâu. Như vậy ta thấy được cách hiểu 3D về những gì đang diễn ra trong cảnh đó, và cũng tách riêng được những người.
Let's go back to Terminator. So this is from Terminator 2. If you haven't watched it, it's recommended. Not for the class, just for a free time.
Quay lại với Terminator. Đây là cảnh trong Terminator 2. Nếu chưa xem thì tôi khuyên nên xem. Không phải cho môn học, mà để giải trí lúc rảnh.
Scan mode. Motorcycle, car, motorcycle. OK. So that's the movies.
Chế độ quét. Xe máy, ô tô, xe máy. OK. Đó là phim ảnh.
Now let's take a look at a real computer vision system.
Giờ hãy xem một hệ thống thị giác máy tính thực tế.
Cat, frog, fox, dalmatian, bulldog, frog, frog, frog, terminate frog.
Mèo, ếch, cáo, chó đốm, chó bulldog, ếch, ếch, ếch, tiêu diệt ếch.
OK. So the real computer vision system is starting to catch up with some of the sci-fi things, but not that it's a fully solved problem just yet.
OK. Vậy là hệ thống thị giác máy tính thực tế đang bắt đầu bắt kịp một số thứ trong khoa học viễn tưởng, nhưng chưa phải là bài toán đã được giải quyết trọn vẹn.
Now once you have a vision system, you can start making decisions based on what you see around you in the world.
Khi đã có hệ thống thị giác, bạn có thể bắt đầu ra quyết định dựa trên những gì thấy xung quanh trong thế giới.
Then maybe you can have a robot that actually do things in the world. Now, with robotics, there's many components. Part of it is mechanical engineering. You need to build the system.
Rồi có thể có một robot thực sự làm việc trong thế giới thực. Với robot học, có nhiều thành phần. Một phần là kỹ thuật cơ khí. Bạn cần chế tạo hệ thống.
Part of it is AI. And a big thing to keep in mind is that working in the real world is a lot harder than working in simulation.
Một phần là AI. Một điều quan trọng cần nhớ là làm việc trong thế giới thực khó hơn nhiều so với làm việc trong mô phỏng.
And so a lot of the challenge in robotics tie into the big challenge is how to get something working in the real world. It's across many, many verticals.
Nên phần lớn thách thức của robot học gắn với thách thức lớn là làm sao để một thứ chạy được trong thế giới thực. Nó trải rộng trên rất nhiều lĩnh vực.
It could be vehicles, rescue robots, flying robots, soccer, and so forth. In this class, we're going to focus on the AI side of things.
Có thể là xe cộ, robot cứu hộ, robot bay, bóng đá, v.v. Trong môn này, ta sẽ tập trung vào phần AI.
But keep in mind, somebody needs to do the mechanical engineering work to build these robots, too, and there's a lot of advances to be made there, too. So let's look at some examples.
Nhưng hãy nhớ rằng cũng cần có người làm phần kỹ thuật cơ khí để chế tạo các robot này, và ở đó cũng còn nhiều tiến bộ cần đạt được. Hãy xem vài ví dụ.
So people have built robots — can we lower the volume a little bit?
Người ta đã chế tạo các robot — giảm âm lượng xuống một chút được không?
So this is a lot like kindergartners playing soccer.
Trông giống hệt trẻ mẫu giáo đá bóng.
But things do happen.
Nhưng vẫn có chuyện xảy ra.
[APPLAUSE] Now, think back to optimizing your expected utility, rational decision making.
[VỖ TAY] Giờ hãy nghĩ lại về tối ưu hóa độ hữu dụng kỳ vọng, ra quyết định hợp lý.
What do you think it means when you're a robot dog and you're asked to kick a ball?
Theo bạn, điều đó có nghĩa gì khi bạn là một chú chó robot và được yêu cầu đá một quả bóng?
[LAUGHTER] Does this reinforce learning in action for you? We'll see reinforcement learning later.
[CƯỜI] Đây có phải là học tăng cường đang hoạt động không? Ta sẽ học về học tăng cường sau.
Here is a view from a self-driving car. This is Waymo footage. So there's many sensors. The Lidar, which is a laser range finding system, sends out laser beams.
Đây là góc nhìn từ một chiếc xe tự lái. Đây là đoạn phim của Waymo. Có nhiều cảm biến. Lidar, một hệ thống đo khoảng cách bằng laser, phát ra các tia laser.
And then measures how long it takes for that laser beam to reflect back, multiplies that time with the speed of light, and decides how far away something is.
Rồi đo thời gian để tia laser đó phản xạ trở lại, nhân thời gian đó với tốc độ ánh sáng, và xác định vật ở xa bao nhiêu.
There's also radar measuring distance. But that doesn't get the same resolution, but has the upside of not being as susceptible to weather conditions. And then, of course, cameras.
Cũng có radar đo khoảng cách. Nhưng nó không có cùng độ phân giải, mà có ưu điểm là không bị ảnh hưởng nhiều bởi điều kiện thời tiết. Và tất nhiên là camera.
And the feed from the cameras gets processed to understand the traffic conditions specificities that's not just in geometry. For example, the lights, the crossings, where the other cars are.
Hình ảnh từ camera được xử lý để hiểu các chi tiết của tình hình giao thông không chỉ nằm ở hình học. Ví dụ như đèn giao thông, các ngã giao nhau, vị trí của những chiếc xe khác.
And then a really important problem beyond that is to also understand, what will these other cars do in the near future? Anticipate that so you can do the right thing.
Và một bài toán thực sự quan trọng ngoài ra là cũng phải hiểu rằng, những chiếc xe khác sẽ làm gì trong tương lai gần? Dự đoán điều đó để bạn làm đúng việc.
Anticipating what they will do rather than just based where everybody is now.
Dự đoán những gì chúng sẽ làm, chứ không chỉ dựa vào vị trí hiện tại của mọi người.
Here is a robot that actually lives on the seventh floor of Sutardja Dai Hall here at Berkeley. And this robot is actually organizing the laundry. It's only if you have towels.
Đây là một robot thực sự nằm trên tầng bảy của tòa nhà Sutardja Dai Hall ở Berkeley. Robot này đang sắp xếp đồ giặt. Chỉ khi bạn có khăn tắm thôi.
The video is sped up 200 times. [LAUGHTER] So maybe only if you have five towels. But if you have five towels, this works really well.
Video được tua nhanh 200 lần. [CƯỜI] Có lẽ chỉ khi bạn có năm cái khăn. Nhưng nếu có năm cái khăn thì nó chạy rất tốt.
And actually, another interesting point here is that a lot of the work on this project was done by Berkeley undergraduate researchers.
Và một điểm thú vị khác là phần lớn công việc trong dự án này do các sinh viên đại học Berkeley nghiên cứu thực hiện.
So if you enjoy this class, talk to Dan and me, but also look on the Berkeley AI webpages, the listing of faculty.
Nên nếu thích môn này, hãy trao đổi với Dan và tôi, và cũng xem các trang web về AI của Berkeley, danh sách giảng viên.
A lot of us get undergraduate researchers involved and there's a lot of cool projects to be done. And of course, at some point these robots get tired of doing laundry.
Nhiều người trong chúng tôi cho sinh viên đại học tham gia nghiên cứu và có rất nhiều dự án thú vị để làm. Và tất nhiên, đến một lúc nào đó những robot này cũng chán giặt đồ.
Also, this one looks a lot like Terminator, but with only one red flashing eye.
Con này cũng trông rất giống Terminator, nhưng chỉ có một con mắt đỏ nhấp nháy.
And so we've seen robots take over our board games, our video games, our quizzes, and now our workouts.
Vậy là ta đã thấy robot chiếm lĩnh các trò chơi cờ bàn, trò chơi điện tử, các bài đố, và giờ là cả buổi tập thể dục.
Back to you, Dan.
Trả lại cho Dan.
DAN KLEIN
I don't know how I can follow soccer puppies, but — I'm going to talk a little bit — we alluded before to game playing.
Tôi không biết làm sao nối tiếp được mấy chú cún đá bóng, nhưng... Tôi sẽ nói một chút về chuyện chơi game, lúc nãy ta đã nhắc đến. Tôi sẽ nói về việc chơi trò chơi.
So there's actually a really long history, more than we can get into today, but we'll unpack some of it later in the course, about computers playing games.
Thật ra có một lịch sử rất dài, nhiều hơn mức ta nói được hôm nay, nhưng ta sẽ mổ xẻ một phần của nó ở các buổi sau: chuyện máy tính chơi trò chơi.
You remember in that video, even in the '50s, computers were starting to do things like play simple games, like checkers. And of course, they got better at those games.
Các bạn nhớ trong video đó, ngay từ thập niên 50, máy tính đã bắt đầu chơi các trò đơn giản như cờ đam. Và tất nhiên chúng ngày càng chơi giỏi hơn.
But even just being able to play the game, know the rules and code it, pick a move was impressive in the '50s. Computers got better and better.
Nhưng ngay cả việc chơi được, biết luật rồi lập trình và chọn nước đi cũng đã ấn tượng vào thập niên 50. Máy tính ngày càng giỏi hơn.
One of the most famous moments in AI history was in 1997 when Deep Blue played and defeated Kasparov, who was the human world champion at chess.
Một trong những khoảnh khắc nổi tiếng nhất lịch sử AI là năm 1997, khi Deep Blue thi đấu và đánh bại Kasparov, nhà vô địch cờ vua thế giới lúc đó.
So there was this moment when basically this giant refrigerator of a computer, which could do at the time 200 million board positions per second — that was unheard of back then.
Khi ấy có một khoảnh khắc là cái máy tính to như tủ lạnh này, lúc đó xử lý được 200 triệu thế cờ mỗi giây, một con số chưa từng có. Hồi đó chưa ai nghe đến tốc độ như vậy.
Now it's desktop speed. And it could just number-crunch, churn, dig through the search tree to think about what moves to make.
Giờ thì máy tính để bàn cũng đạt được. Nó chỉ việc tính toán dồn dập, đào sâu trong cây tìm kiếm để nghĩ xem đi nước nào.
And what was interesting is, this game play was described as intelligent, creative play. People understood the moves, even though, as far as we know, that's absolutely not how humans play chess.
Điều thú vị là lối chơi này được mô tả là thông minh và sáng tạo. Người ta hiểu các nước đi, dù theo ta biết con người hoàn toàn không chơi cờ như vậy.
But the same kinds of moves and strategies came out of the combinatorial structure of the game. Of course, you can do now, like I said before, the same with commodity parts.
Nhưng các nước đi và chiến lược tương tự lại xuất hiện từ cấu trúc tổ hợp của trò chơi. Tất nhiên giờ như tôi đã nói, ta làm được điều đó với phần cứng phổ thông.
I think a revealing thing not about AI, but about humans was in '96 when Kasparov beat Deep Blue, but Deep Blue put up a fight.
Tôi nghĩ có một điều cho thấy không phải về AI mà về con người: năm 96 Kasparov thắng Deep Blue, nhưng Deep Blue đã chống trả quyết liệt.
Kasparov said, I could feel, I could smell a new kind of intelligence across the table. I don't know what intelligence smells like.
Kasparov nói: tôi cảm nhận được, tôi ngửi thấy một dạng trí tuệ mới ở bên kia bàn cờ. Tôi không biết trí tuệ có mùi gì.
But in 1997, Deep Blue beat Kasparov, and Kasparov said, Deep Blue hasn't proven anything. So maybe that's a more comment on humans, but there are open questions here.
Nhưng năm 1997 Deep Blue thắng Kasparov, và ông nói: Deep Blue chẳng chứng minh được điều gì. Có lẽ đó là nhận xét về con người hơn, nhưng vẫn còn những câu hỏi mở ở đây.
Like, how does human cognition — how do we deal with this giant combinatorial space? We probably don't deal in the same way, but we come up with similar kinds of solutions.
Ví dụ, nhận thức của con người, ta xử lý không gian tổ hợp khổng lồ này thế nào? Có lẽ ta không làm theo cùng cách, nhưng ta đưa ra những lời giải tương tự.
How can humans compete at all? We don't try to compete with computers on taking the square root of numbers. That's just not a thing we compete on.
Làm sao con người cạnh tranh được? Ta không thử đua với máy tính trong việc khai căn bậc hai. Đó không phải thứ ta đi thi đấu.
But this is something where we're surprisingly evenly matched. It's really interesting. Other things since — in 2016, this is 20 years later, AlphaGo beating Lee Sedol.
Nhưng ở trò này, ta lại ngang tài ngang sức đến bất ngờ. Thật sự rất thú vị. Những chuyện khác sau đó: năm 2016, 20 năm sau, AlphaGo đánh bại Lee Sedol.
This is a huge advance. People used to say, OK, checkers, yeah, that's done. Chess, that's done. Systems are getting better and better.
Đây là bước tiến rất lớn. Người ta từng nói: cờ đam xong rồi. Cờ vua cũng xong rồi. Các hệ thống ngày càng tốt hơn.
But we're just so far from playing humans at Go. Because Go is this huge giant combinatorial space.
Nhưng chơi cờ vây thắng người thì còn rất xa. Vì cờ vây là một không gian tổ hợp cực kỳ lớn.
The branching factor is so high, the depth of the tree is so big, that we just couldn't conceive of computation not being bogged down in the exponential growth there.
Hệ số nhánh quá cao, cây quá sâu, đến mức ta không tưởng tượng nổi việc tính toán không bị sa lầy vì tăng trưởng theo hàm mũ.
But people came up with methods to do these sparse roll outs, combine that with machine learning, combine that with self-play, neural nets. And suddenly, what seemed impossible, actually made huge advances.
Nhưng người ta nghĩ ra cách chạy thử thưa (sparse roll out), kết hợp với machine learning, với tự chơi với chính mình, và mạng nơ-ron. Và bỗng nhiên, điều tưởng như bất khả thi lại có những bước tiến lớn.
Right now — maybe even right now, within an hour or two, maybe right this minute, there is a competition between OpenAI Five and Team paiN, which are human pros at Dota 2.
Ngay lúc này, có thể trong một hai giờ tới, thậm chí ngay phút này, đang có một cuộc thi đấu giữa OpenAI Five và Team paiN, các game thủ chuyên nghiệp Dota 2.
And there's some caveats here. Like, it's not entirely the same setup. They have access to slightly different information.
Có vài lưu ý ở đây. Chẳng hạn, thiết lập không hoàn toàn giống nhau. Hai bên có quyền truy cập thông tin hơi khác nhau.
But again, this is a case where there is a surprising even match and we'll see what happens.
Nhưng đây lại là trường hợp ngang tài ngang sức đến bất ngờ, ta sẽ xem sao.
One comment from the first match, which the humans won — go, team human — was that the AI play was actually completely different than how humans play.
Một nhận xét từ trận đầu, trận con người thắng, cố lên đội người, là lối chơi của AI hoàn toàn khác với cách con người chơi.
They twitch around a little bit, but then do weird strategies, but execute them incredibly well. It's a little bit different than how humans play. And we'll see what happens.
Chúng giật giật một chút, rồi dùng chiến thuật kỳ lạ, nhưng thực hiện cực kỳ tốt. Hơi khác với cách con người chơi. Ta sẽ xem chuyện gì xảy ra.
There's two more matches that are going to unfold. But again, surprising progress on games. So I don't know if this makes me happy or sad, as somebody who likes video games.
Còn hai trận nữa sẽ diễn ra. Dù sao, tiến bộ về trò chơi thật đáng ngạc nhiên. Tôi không biết điều này làm tôi vui hay buồn, vì tôi là người thích chơi game.
Like, well, I guess computers can play my video games for me.
Kiểu như, chắc máy tính chơi game giùm tôi được rồi.
But the good news is for at least Dota, if you're in the top 0.001% of players, you can still beat the computer — for like, the next month.
Nhưng tin vui là ít nhất với Dota, nếu bạn thuộc top 0,001% người chơi, bạn vẫn thắng được máy tính, trong khoảng tháng tới.
OK. So computers can play your video games for you, they can go to the gym for you. Turns out, they can also probably do your math homework for you.
OK. Vậy máy tính chơi game giúp bạn, tập gym giúp bạn. Hóa ra chúng cũng có thể làm bài tập toán giúp bạn.
There's a long tradition, like I said earlier, about logical inference. That's one of the earliest places that AI was applied. And we still have a lot of progress in real systems in theorem proving.
Như tôi nói lúc nãy, có một truyền thống lâu đời về suy luận logic. Đó là một trong những nơi đầu tiên AI được áp dụng. Và ta vẫn có nhiều tiến bộ trong các hệ thống thực tế về chứng minh định lý.
Also, these logical methods are used for things like fault diagnosis, cases where you need to really be able to trace through what the computers doing.
Các phương pháp logic này còn được dùng cho chẩn đoán lỗi, những trường hợp cần truy vết được chính xác máy tính đang làm gì.
A big issue with machine learning overall is often the computer does well, but you can't tell when it makes mistakes or what's gone wrong, or why it made the decision it made.
Một vấn đề lớn của machine learning nói chung là máy thường làm tốt, nhưng bạn không biết khi nào nó sai hay sai ở đâu, hay vì sao nó đưa ra quyết định đó.
And this has lots of consequences. But people have made lots of progress in logical systems taken very broadly.
Và điều này có nhiều hệ quả. Nhưng người ta đã đạt nhiều tiến bộ trong các hệ thống logic hiểu theo nghĩa rất rộng.
One particular place where there's been a ton is in satisfiability solvers, which are used for all kinds of things.
Một nơi có rất nhiều tiến bộ là các bộ giải bài toán thỏa mãn được (satisfiability solver), được dùng cho đủ thứ.
Maybe, as Pieter said earlier, one of the biggest things that's going on is, AI is everywhere now. It's not just chess and checkers. Applied AI automates all kinds of things.
Có lẽ, như Pieter đã nói lúc nãy, một trong những điều lớn nhất đang diễn ra là AI đang có mặt ở khắp nơi. Không chỉ là cờ vua hay cờ đam. AI ứng dụng tự động hóa đủ thứ.
In some ways, it's the glue or the electricity, as people say, of a lot of modern business.
Theo một cách nào đó, nó là chất keo, hay là điện, như người ta nói, của rất nhiều doanh nghiệp hiện đại.
So of course search engines, but also all that route planning, maps, traffic, logistics, things like medical diagnosis, help desks being automated, spam and fraud detection, all the intelligence in your camera, in your thermostat.
Tất nhiên là công cụ tìm kiếm, nhưng cũng có lập kế hoạch lộ trình, bản đồ, giao thông, hậu cần, chẩn đoán y khoa, bộ phận hỗ trợ được tự động hóa, phát hiện thư rác và gian lận, toàn bộ sự thông minh trong máy ảnh, trong bộ điều nhiệt của bạn.
All of that is increasingly being driven by AI to give you smarter devices, product recommendations, and increasingly much.
Tất cả những thứ đó ngày càng được AI điều khiển để mang đến thiết bị thông minh hơn, gợi ý sản phẩm, và ngày càng nhiều thứ khác.
So not only is AI doing more — not only can we do more, but we can do more kinds of things.
Vậy AI không chỉ làm được nhiều hơn — không chỉ làm được nhiều hơn, mà còn làm được nhiều loại việc hơn.
We still can't build one system that can do a little bit of everything. We build systems for each individual task.
Ta vẫn chưa thể xây dựng một hệ thống duy nhất có thể làm được một chút mọi thứ. Ta xây hệ thống riêng cho từng tác vụ.
But there are a lot of tasks that we can improve with AI augmentation now. So, what are we going to do in this course?
Nhưng có rất nhiều tác vụ mà ta có thể cải thiện nhờ AI hỗ trợ ngay bây giờ. Vậy trong khóa này ta sẽ làm gì?
Quick recap and we'll give you a demonstration to end the day here. We're going to talking about designing rational agents. That's an agent that perceives an ax.
Tóm tắt nhanh, rồi ta sẽ có một phần trình diễn để kết thúc buổi học hôm nay. Ta sẽ nói về việc thiết kế các tác tử hợp lý. Đó là một tác tử nhận thức được một cái rìu.
So think about this little guy here trying to get that apple down. The abstraction. It's a very important abstraction, is that you have an agent and you have an environment.
Hãy nghĩ đến anh chàng nhỏ này, đang cố hái quả táo xuống. Sự trừu tượng hóa. Đây là một sự trừu tượng hóa rất quan trọng, là bạn có một tác tử và một môi trường.
You control the agent, you don't control the environment. So what comes into the agents are percepts from the sensors. What goes out of the agents are actions from the actuators.
Bạn điều khiển tác tử, nhưng không điều khiển môi trường. Thứ đi vào tác tử là các percept từ cảm biến. Thứ đi ra khỏi tác tử là các hành động từ bộ chấp hành.
And the question mark in the middle, that's the agent's behavior. It's the agent function. That's what we write in this class.
Còn dấu chấm hỏi ở giữa, đó là hành vi của tác tử. Đó là hàm tác tử. Đó là thứ ta viết trong lớp này.
We write the decision making procedures that map from what you perceive to what you do. The environment responds, you might not know how. We're going to have to build that into our algorithms.
Ta viết các thủ tục ra quyết định ánh xạ từ những gì bạn nhận thức sang những gì bạn làm. Môi trường phản hồi, có thể bạn không biết nó phản hồi thế nào. Ta sẽ phải đưa điều đó vào thuật toán của mình.
So we talked about these characteristics. And that's what this course is about. Lots of different techniques for different kinds of conceptualization of the boundary between agent and environment.
Vậy ta đã nói về những đặc điểm này. Và đó là nội dung của khóa học này. Có rất nhiều kỹ thuật khác nhau cho những cách hình dung khác nhau về ranh giới giữa tác tử và môi trường.
We're going see a lot of examples of agents and environments and where that boundary is set. When you drive, it's your eyes and your hands that are basically the boundary.
Ta sẽ thấy nhiều ví dụ về tác tử, môi trường và nơi đặt ranh giới đó. Khi bạn lái xe, mắt và tay bạn về cơ bản là ranh giới.
But if you're an autonomous car, it's the camera and the control lines into the wheels. Something you may not have thought of as an agent is Pac-Man.
Nhưng nếu là xe tự lái, thì đó là camera và các đường điều khiển tới bánh xe. Một thứ có thể bạn chưa nghĩ là tác tử là Pac-Man.
So we're going to see a lot of Pac-Man in this course. Hopefully you'll recognize Pac-Man. Has anybody never played Pac-Man? Good.
Ta sẽ thấy rất nhiều Pac-Man trong khóa này. Hy vọng các bạn nhận ra Pac-Man. Có ai chưa từng chơi Pac-Man không? Tốt.
OK. If you have never played Pac-Man, but you're too embarrassed to admit it, go play a game of Pac-Man on 188. Pac-Man is an agent.
OK. Nếu bạn chưa từng chơi Pac-Man, nhưng ngại không dám nhận, hãy chơi thử một ván Pac-Man trên 188. Pac-Man là một tác tử.
Its sensors perceive the state of the world, which is the labeling of all the dots and ghost positions and all of that. Its actuators are like a little joystick — up, down, left, right.
Cảm biến của nó nhận biết trạng thái của thế giới, tức là việc gán nhãn tất cả các chấm và vị trí của ma và mọi thứ như vậy. Bộ chấp hành của nó giống như một cần điều khiển nhỏ — lên, xuống, trái, phải.
And then the environment is the ghosts, and who knows what they'll choose to do and how the world will evolve.
Còn môi trường là những con ma, và ai biết chúng sẽ chọn làm gì và thế giới sẽ diễn biến ra sao.
So we're going to show you to close out the day here — you want to come join? You will build this soon. OK.
Để kết thúc buổi học, chúng tôi sẽ cho các bạn xem — bạn muốn tham gia không? Các bạn sẽ sớm xây dựng cái này. OK.
So what I want you to do is, I want you think about — this is going to be Pac-Man. My hands are off the keyboard. This is being played by an algorithm.
Điều tôi muốn các bạn làm là suy nghĩ về — đây sẽ là Pac-Man. Tay tôi không chạm bàn phím. Nó đang được chơi bởi một thuật toán.
So this is going to be behavior that appears to be intelligent deriving from — who knows. You're going to build it. But start thinking today, what's going on here in the agent function?
Vậy đây sẽ là hành vi có vẻ thông minh xuất phát từ — ai biết được. Các bạn sẽ tự xây dựng nó. Nhưng hãy bắt đầu nghĩ từ hôm nay, trong hàm tác tử đang diễn ra điều gì?
What computations give rise to this kind of behavior? Do you want to do the honors?
Những tính toán nào tạo ra kiểu hành vi này? Bạn muốn làm vinh dự này không?
PIETER ABBEEL
Sure.
Được.
DAN KLEIN
So there it goes.
Nó chạy rồi đây.
[CROWD GASPS] [APPLAUSE] All right.
[KHÁN GIẢ THỐT LÊN] [VỖ TAY] Được rồi.
Yeah, so we're out of time today.
Vâng, hôm nay hết giờ rồi.
PIETER ABBEEL
See you next week. Bye. [APPLAUSE]
Hẹn gặp lại tuần sau. Tạm biệt. [VỖ TAY]
Đăng nhập để đánh giá học liệu này.
Đăng nhập để bình luận — chưa ai bình luận về học liệu này.
Không có khóa học liên quan.