Mùa đông AI
| Một phần của loạt bài về |
| Trí tuệ nhân tạo (AI) |
|---|
_artificial_intelligence_icon.png){kind=icon} |
Mùa đông AI (tiếng Anh: AI winter) là giai đoạn mà việc nghiên cứu trí tuệ nhân tạo (AI) bị suy giảm mạnh về mức độ quan tâm, nguồn tài trợ và đầu tư thương mại.[1] Hiện tượng này thường xuất hiện sau các giai đoạn kỳ vọng quá mức đối với AI, khi những hứa hẹn về tiến bộ công nghệ không đạt được trong thời gian ngắn như dự đoán, dẫn đến sự thất vọng trong giới học thuật, truyền thông và nhà đầu tư. Hệ quả là nhiều chương trình nghiên cứu bị cắt giảm ngân sách, các dự án thương mại thất bại và uy tín của toàn bộ lĩnh vực bị suy giảm.[2]
Thuật ngữ AI winter xuất hiện phổ biến từ năm 1984 trong cuộc họp thường niên của AAAI (Hiệp hội thúc đẩy sự phát triển trí tuệ nhân tạo, tiếng Anh Association for the Advancement of Artificial Intelligence, khi đó còn mang tên American Association of Artificial Intelligence). Tại đây, hai nhà nghiên cứu hàng đầu là Roger Schank và Marvin Minsky đã cảnh báo rằng sự hưng phấn của giới doanh nghiệp đối với AI trong thập niên 1980 đang vượt quá năng lực thực tế của công nghệ. Họ cho rằng sau giai đoạn lạc quan thái quá sẽ là một phản ứng dây chuyền gồm bi quan trong cộng đồng nghiên cứu, chỉ trích từ truyền thông, cắt giảm tài trợ và cuối cùng là sự đình trệ nghiêm trọng của nghiên cứu AI. Cái tên này đựoc lấy cảm hứng từ mùa đông hạt nhân, khi giai đoạn này được ví như một thảm họa tương tự đối với ngành nghiên cứu AI.[2]
Trong lịch sử, AI thường được xem là đã trải qua hai giai đoạn mùa đông lớn: giai đoạn thứ nhất khoảng từ năm 1974 đến 1980, và giai đoạn thứ hai từ năm 1987 đến khoảng đầu thập niên 2000.[3] Xen giữa hai giai đoạn này là thời kỳ phục hồi ngắn nhờ sự bùng nổ của hệ chuyên gia trong thập niên 1980. Mùa đông AI thứ hai dần chấm dứt vào cuối thập niên 2000 và đầu thập niên 2010, khi các tiến bộ trong học sâu, dữ liệu lớn và phần cứng tính toán giúp AI đạt được những thành tựu thực tiễn rõ rệt, đặc biệt sau chiến thắng của AlexNet tại cuộc thi ImageNet Large Scale Visual Recognition Challenge năm 2012. Sự kiện này thường được xem là bước ngoặt mở đầu cho làn sóng phát triển AI hiện đại.[4]
Các giai đoạn đầu (1966–1973)
Thất bại của dịch máy và báo cáo ALPAC (1966)
Một trong những đợt phát triển sớm nhất của trí tuệ nhân tạo gắn liền với nghiên cứu dịch máy. Sau khi Warren Weaver công bố bản ghi nhớ nổi tiếng về dịch máy năm 1949, nhiều nhà nghiên cứu tin rằng việc tự động dịch giữa các ngôn ngữ tự nhiên sẽ sớm trở thành hiện thực.[5] Trong bối cảnh Chiến tranh Lạnh, chính phủ Hoa Kỳ đặc biệt quan tâm đến khả năng dịch nhanh các tài liệu khoa học và quân sự từ tiếng Nga sang tiếng Anh, vì vậy đã đầu tư mạnh cho lĩnh vực này từ giữa thập niên 1950.[6]
Sự kiện nổi bật nhất là cuộc trình diễn Georgetown-IBM năm 1954, khi một hệ thống máy tính dịch được 49 câu tiếng Nga sang tiếng Anh. Báo chí thời đó mô tả đây là bước đột phá lớn với các tiêu đề như “bộ não robot dịch tiếng Nga sang tiếng Anh của nhà vua”.[7] Tuy nhiên trên thực tế, hệ thống chỉ hoạt động trên một tập câu được lựa chọn sẵn với vốn từ khoảng 250 từ.[6]
Các nhà nghiên cứu khi đó đã đánh giá thấp độ khó của vấn đề dịch các từ đồng âm. Để dịch chính xác, máy tính không chỉ cần quy tắc ngữ pháp mà còn cần hiểu ngữ cảnh và tri thức thường thức của con người. Điều này khiến nhiều hệ thống dịch máy tạo ra các kết quả sai lệch nghiêm trọng. Ví dụ nổi tiếng thường được nhắc đến là câu “the spirit is willing but the flesh is weak” (Tinh thần thì sẵn sàng, nhưng thể xác thì không đủ khả năng), sau khi dịch qua lại giữa tiếng Anh và tiếng Nga đã trở thành “rượu vodka thì ngon nhưng thịt đã ôi”.[3]
Năm 1964, Hội đồng Nghiên cứu Quốc gia Hoa Kỳ thành lập Ủy ban Cố vấn Xử lý Ngôn ngữ Tự động (ALPAC) để đánh giá tiến độ của dịch máy. Báo cáo ALPAC công bố năm 1966 kết luận rằng dịch máy khi đó chậm hơn, tốn kém hơn và kém chính xác hơn dịch giả con người, đồng thời không có bằng chứng cho thấy những đột phá lớn sẽ sớm xảy ra. Sau khi đã chi khoảng 20 triệu đô la Mỹ, chính phủ Hoa Kỳ quyết định cắt giảm phần lớn nguồn tài trợ cho nghiên cứu dịch máy.[2][8]
Thất bại của mạng neuron một lớp (1969)
Trước khi các phương pháp suy luận ký hiệu (symbolic reasoning) trở thành hướng nghiên cứu chủ đạo, nhiều nhà khoa học tin rằng trí thông minh nhân tạo có thể được xây dựng bằng cách mô phỏng trực tiếp hoạt động của não bộ thông qua các mạng neuron nhân tạo đơn giản. Từ những năm 1940, Warren McCulloch và Walter Pitts đã đề xuất mô hình neuron logic đầu tiên; sau đó Marvin Minsky cũng phát triển hệ thống SNARC (Stochastic Neural Analog Reinforcement Calculator). Tuy nhiên, các hệ thống ban đầu này không tạo ra được những kết quả thực tiễn như kỳ vọng và dần bị bỏ qua vào cuối thập niên 1950.[9]
Trong bối cảnh đó, các chương trình thao tác ký hiệu như Logic Theorist và General Problem Solver đạt được nhiều thành công rõ rệt hơn, khiến giới nghiên cứu cho rằng suy luận logic mới là bản chất của trí thông minh. Dù vậy, nghiên cứu về perceptron, một dạng mạng neuron nhân tạo một lớp do Frank Rosenblatt đề xuất, vẫn tiếp tục phát triển mạnh nhờ chính uy tín và sự lạc quan của Rosenblatt. Ông từng dự đoán rằng perceptron cuối cùng có thể “học, ra quyết định và dịch ngôn ngữ”.[2]
Bước ngoặt xảy ra năm 1969 khi Marvin Minsky và Seymour Papert xuất bản cuốn Perceptrons, trong đó họ chỉ ra những giới hạn toán học quan trọng của perceptron một lớp, đặc biệt là việc nó không thể học được nhiều hàm đơn giản như phép XOR hoặc các bài toán yêu cầu phân tách phi tuyến.[10] Mặc dù bản thân các mạng nhiều lớp không chịu giới hạn này, vào thời điểm đó chưa có phương pháp hiệu quả để huấn luyện chúng. Thuật toán lan truyền ngược vẫn chưa được phổ biến rộng rãi và phải đến giữa thập niên 1980 mới trở thành công cụ thực tiễn.[11]
Hệ quả là phần lớn nguồn tài trợ dành cho các dự án mạng neuron bị cắt giảm trong thập niên 1970 và đầu thập niên 1980. Nghiên cứu về mạng neuron không biến mất hoàn toàn, nhưng bị đẩy ra ngoài dòng chính của AI trong một thời gian dài.[3] Chỉ đến giữa thập niên 1980, nhờ công trình của John Hopfield, David Rumelhart và nhiều nhà nghiên cứu khác, mạng neuron mới được phục hồi mạnh mẽ và trở lại vị trí trung tâm trong AI.[3]
Mùa đông AI lần thứ nhất (1973–1980)
Báo cáo Lighthill
Năm 1973, giáo sư Sir James Lighthill được Quốc hội Anh giao nhiệm vụ đánh giá tình trạng nghiên cứu trí tuệ nhân tạo tại Vương quốc Anh. Bản báo cáo của ông, về sau được gọi là báo cáo Lighthill (Lighthill report), đã trở thành một trong những sự kiện quan trọng nhất dẫn đến mùa đông AI đầu tiên.[2][12][13]
Lighthill chỉ trích mạnh mẽ việc AI không đạt được các “mục tiêu khoa trương” (grandiose objectives) mà lĩnh vực này từng hứa hẹn. Ông cho rằng phần lớn thành công của AI khi đó chỉ xuất hiện trong các bài toán nhỏ thực hiện trong môi trường thí nghiệm được kiểm soát chặt chẽ, còn khi áp dụng vào các vấn đề thực tế thì các phương pháp này nhanh chóng thất bại. Số lượng khả năng cần xem xét tăng quá nhanh khiến các thuật toán suy luận hoặc tìm kiếm trở nên không khả thi về mặt tính toán.[3][12]
Báo cáo này gây tranh cãi lớn. Trong cùng năm 1973, chương trình Controversy của BBC tổ chức cuộc tranh luận nổi tiếng mang tên The General Purpose Robot is a Mirage, trong đó Lighthill đối đầu với Donald Michie, John McCarthy và Richard Gregory. Phía phản đối cho rằng ông đã đánh giá quá bi quan và bỏ qua những tiến bộ thật sự của ngành.[14] Tuy nhiên, ảnh hưởng chính trị của báo cáo vẫn rất lớn.
Sau báo cáo Lighthill, phần lớn hoạt động nghiên cứu AI tại Anh bị cắt giảm hoặc giải thể. Chỉ một số trung tâm như Edinburgh, Essex và Sussex còn duy trì nghiên cứu đáng kể. Phải đến năm 1983, khi chính phủ Anh triển khai dự án Alvey, đầu tư khoảng 350 triệu bảng Anh để đáp trả Dự án Máy tính Thế hệ thứ Năm của Nhật Bản, nghiên cứu AI tại Anh mới phục hồi trên quy mô lớn.[15]
Báo cáo Lighthill thường được xem là dấu mốc chính thức mở đầu cho mùa đông AI lần thứ nhất tại châu Âu.
DARPA cắt giảm tài trợ đầu thập niên 1970
Trong thập niên 1960, phần lớn nghiên cứu AI tại Hoa Kỳ được tài trợ bởi ARPA (sau này là DARPA, Cơ quan Chỉ đạo các Dự án Nghiên cứu Quốc phòng Tiên tiến của Hoa Kỳ). Dưới thời J. C. R. Licklider, cơ quan này theo đuổi triết lý “tài trợ cho con người, không phải cho dự án”, cho phép các nhà nghiên cứu hàng đầu như Marvin Minsky, John McCarthy, Herbert A. Simon và Allen Newell sử dụng ngân sách khá tự do mà không phải chứng minh ngay giá trị ứng dụng quân sự.[2]
Tình hình thay đổi sau khi Tu chính án Mansfield được thông qua năm 1969. Quy định mới yêu cầu DARPA chỉ tài trợ cho những nghiên cứu có mục tiêu quân sự trực tiếp và rõ ràng, thay vì các nghiên cứu cơ bản mang tính định hướng dài hạn.[16] Điều này khiến nhiều dự án AI truyền thống gặp khó khăn vì phần lớn chúng chưa thể chứng minh khả năng ứng dụng thực tiễn trong thời gian ngắn.
Tình hình càng trở nên bất lợi khi cả báo cáo Lighthill ở Anh lẫn các đánh giá nội bộ của DARPA ở Mỹ đều cho rằng phần lớn nghiên cứu AI khó có thể tạo ra kết quả hữu ích trong tương lai gần. DARPA bắt đầu chuyển ngân sách sang các dự án có mục tiêu cụ thể hơn như xe tăng tự hành, hệ thống quản lý chiến trường và hỗ trợ ra quyết định quân sự. Đến năm 1974, việc xin tài trợ cho các dự án AI tổng quát đã trở nên rất khó khăn.[16]
Nhà nghiên cứu Hans Moravec cho rằng nguyên nhân một phần đến từ chính các nhà khoa học AI, khi họ đã đưa ra những lời hứa quá lạc quan để giành tài trợ. Theo ông, khi các kết quả thực tế không đạt được như cam kết ban đầu, DARPA dần mất kiên nhẫn và quyết định “dạy cho họ một bài học” bằng cách cắt mạnh các hợp đồng nghiên cứu trị giá hàng triệu đô la mỗi năm.[2]
Dù nhiều dự án thất bại, một số hệ thống ứng dụng cụ thể vẫn thành công. Tiêu biểu là hệ thống quản lý chiến trường Dynamic Analysis and Replanning Tool (DART), về sau được sử dụng hiệu quả trong Chiến tranh vùng Vịnh và được cho là đã tiết kiệm hàng tỷ đô la chi phí hậu cần quân sự.[3] Thành công này cũng củng cố quan điểm của DARPA rằng AI chỉ nên được tài trợ khi gắn với các mục tiêu thực dụng rõ ràng.
Thất bại của chương trình hiểu lời nói
Năm 1971, DARPA khởi động chương trình Speech Understanding Research (SUR), một dự án kéo dài năm năm với mục tiêu đầy tham vọng là xây dựng hệ thống có thể nhận dạng lời nói gần thời gian thực từ một tập từ vựng giới hạn.[17] Đây là một trong những dự án AI lớn nhất được DARPA tài trợ trong giai đoạn đầu thập niên 1970.
Ba nhóm chính tham gia chương trình là Đại học Carnegie Mellon, Bolt Beranek and Newman, và System Development Corporation phối hợp với Viện Nghiên cứu Stanford. Trong đó, hệ thống HARPY của CMU đạt kết quả tốt nhất và là hệ thống tiến gần nhất đến các mục tiêu ban đầu của dự án.[17]
Tuy nhiên, hiệu năng cao của HARPY phần lớn đạt được nhờ việc “mã hóa cứng” rất nhiều thông tin về các câu có thể xuất hiện vào cơ sở tri thức của hệ thống. Nói cách khác, hệ thống chỉ hoạt động tốt khi đầu vào nằm trong một phạm vi rất hẹp đã được dự đoán trước, mà không thể phổ quát hóa đến các kiến thức khác. Nó không thể xử lý linh hoạt ngôn ngữ tự nhiên như DARPA từng kỳ vọng, chẳng hạn như hiểu các lệnh nói tự do từ phi công trong tình huống thực tế.[2]
DARPA cho rằng họ đã bị lừa bởi những lời “hứa hẹn quá mức” từ các nhà khoa học. Cơ quan này kỳ vọng một hệ thống hiểu lời nói thực dụng, nhưng nhận lại một chương trình chỉ hoạt động trong điều kiện hạn chế và phụ thuộc nặng vào tri thức cài sẵn. Năm 1974, DARPA hủy hợp đồng trị giá khoảng 3 triệu đô la Mỹ mỗi năm với nhóm nghiên cứu tại Carnegie Mellon.[2]
Sự kiện này trở thành một ví dụ điển hình cho khoảng cách giữa kỳ vọng và khả năng thực tế của AI thời kỳ đầu. Dù vậy, nhiều kỹ thuật phát triển trong chương trình SUR vẫn đặt nền tảng cho các hệ thống thương mại thành công nhiều năm sau đó, bao gồm các phương pháp như mô hình Markov ẩn. Đến năm 2001, thị trường nhận dạng giọng nói đã đạt quy mô khoảng 4 tỷ đô la Mỹ.[16]
Tranh luận học thuật: có thật sự tồn tại một “mùa đông AI” hay không?
Mặc dù cụm từ “mùa đông AI” thường được dùng để mô tả giai đoạn 1973–1980, một số nhà sử học khoa học cho rằng cách gọi này có thể gây hiểu lầm, đặc biệt đối với giai đoạn đầu tiên.
Nhà sử học công nghệ Thomas Haigh lập luận rằng thực tế không tồn tại một “mùa đông AI” toàn diện trong thập niên 1970, mà chủ yếu là sự cắt giảm tài trợ đối với một số phòng thí nghiệm lớn và các dự án quy mô lớn phụ thuộc vào DARPA hoặc chính phủ Anh.[18]
Theo Haigh, nếu xét số lượng nhà nghiên cứu và tốc độ phát triển học thuật, AI trong thập niên 1970 vẫn tiếp tục mở rộng nhanh chóng. Ông lấy ví dụ về lượng thành viên của SIGART—nhóm chuyên ngành về AI của ACM. Khi báo cáo Lighthill được công bố năm 1973, SIGART có khoảng 1.241 thành viên, gần gấp đôi năm 1969; đến giữa năm 1978, con số này đã tăng lên khoảng 3.500 thành viên, tức gần gấp ba chỉ trong năm năm.[18] Theo quan điểm này, “mùa đông” đầu tiên không phải là sự suy thoái của toàn bộ ngành AI, mà là sự kết thúc của một số lời hứa quá tham vọng và sự chuyển dịch từ nghiên cứu tổng quát sang các hướng ứng dụng cụ thể hơn. Nói cách khác, đó là một cuộc điều chỉnh kỳ vọng hơn là sự sụp đổ hoàn toàn của lĩnh vực này.
Dù vậy, trong phần lớn tài liệu lịch sử AI, giai đoạn 1973–1980 vẫn thường được gọi là mùa đông AI lần thứ nhất vì ảnh hưởng rất rõ của nó đối với nguồn tài trợ, uy tín học thuật và niềm tin của công chúng vào trí tuệ nhân tạo.[2]
Giai đoạn phục hồi ngắn: hệ thống chuyên gia (1980–1987)
Sau các đợt cắt giảm tài trợ trong thập niên 1970, trí tuệ nhân tạo bước vào một giai đoạn phục hồi mạnh mẽ trong đầu thập niên 1980 nhờ sự thành công của hệ chuyên gia (expert system). Đây thường được xem là một “mùa xuân” ngắn ngủi nằm giữa hai mùa đông AI lớn.[2][3]
Hệ chuyên gia là các chương trình thuộc trường phái AI ký hiệu khi tận dụng các quy luật cụ thể, được thiết kế để mô phỏng khả năng ra quyết định của chuyên gia con người trong một lĩnh vực hẹp như y học, cấu hình máy tính hoặc chẩn đoán kỹ thuật. Thay vì học từ dữ liệu, chúng hoạt động chủ yếu bằng cách sử dụng một cơ sở tri thức gồm hàng nghìn luật dạng điều kiện nếu-thì và một bộ suy diễn để đưa ra kết luận.[3]
Ví dụ thương mại nổi tiếng nhất là hệ thống XCON, được phát triển tại Đại học Carnegie Mellon cho Digital Equipment Corporation. XCON được dùng để tự động cấu hình các hệ thống máy tính VAX phức tạp cho khách hàng và được ước tính đã giúp DEC tiết kiệm khoảng 40 triệu đô la Mỹ chỉ trong sáu năm vận hành.[2] Thành công của XCON khiến các tập đoàn trên toàn thế giới nhanh chóng đầu tư vào AI. Đến năm 1985, các doanh nghiệp được cho là đã chi hơn 1 tỷ đô la Mỹ cho các hệ chuyên gia và các phòng ban AI nội bộ.[19] Một ngành công nghiệp mới hình thành để hỗ trợ xu hướng này, bao gồm các công ty phần mềm như Teknowledge và IntelliCorp, cũng như các công ty phần cứng như Symbolics và Lisp Machines Inc.
Đặc biệt, nhiều công ty phát triển các máy Lisp (Lisp machines), những máy tính chuyên dụng được tối ưu hóa để chạy ngôn ngữ lập trình Lisp, vốn là ngôn ngữ chủ đạo của nghiên cứu AI tại Hoa Kỳ. Các máy này được xem là nền tảng phần cứng lý tưởng cho hệ chuyên gia và trở thành biểu tượng của làn sóng thương mại hóa AI trong thập niên 1980.[2]
Sự bùng nổ này cũng khiến thuật ngữ “AI winter” lần đầu tiên được nhắc đến rộng rãi. Tại hội nghị thường niên của AAAI năm 1984, Roger Schank và Marvin Minsky cảnh báo rằng sự hưng phấn của giới doanh nghiệp đang vượt quá khả năng thực tế của công nghệ, y hệt như những gì đã từng xảy ra trong mùa đông đầu tiền. Họ dự đoán rằng nếu các hệ chuyên gia không đáp ứng được kỳ vọng thương mại, sự thất vọng sẽ nhanh chóng dẫn đến cắt giảm đầu tư và một mùa đông AI mới.[2] Dự đoán này nhanh chóng trở thành hiện thực. Chỉ vài năm sau, thị trường máy Lisp sụp đổ, nhiều hệ chuyên gia bộc lộ những hạn chế nghiêm trọng trong triển khai thực tế, và AI bước vào mùa đông lần thứ hai từ cuối thập niên 1980.
Mùa đông AI lần thứ hai (1987–2000)
Sụp đổ của thị trường máy Lisp
Đến giữa thập niên 1980, sự phát triển của hệ chuyên gia gắn chặt với các máy Lisp (Lisp machines), tức các máy tính chuyên dụng được tối ưu hóa để chạy ngôn ngữ lập trình Lisp, nền tảng chính của nhiều hệ thống AI thương mại thời đó. Các công ty như Symbolics, Lisp Machines Inc. và Texas Instruments đã xây dựng cả một ngành công nghiệp xoay quanh loại phần cứng này.[2]
Tuy nhiên, từ năm 1987, thị trường này bắt đầu sụp đổ nhanh chóng. Các máy trạm đa dụng của Sun Microsystems và sau đó là máy tính cá nhân của Apple và IBM ngày càng mạnh hơn, rẻ hơn và dễ sử dụng hơn. Đồng thời, các công ty như Lucid và Franz Lisp cung cấp môi trường Lisp chạy trực tiếp trên các hệ thống UNIX thông thường, khiến khách hàng không còn lý do kinh tế để mua những máy Lisp đắt đỏ và chuyên biệt.[20]
Chỉ trong thời gian ngắn, một ngành công nghiệp trị giá khoảng nửa tỷ đô la Mỹ gần như biến mất. Đến đầu thập niên 1990, phần lớn các công ty thương mại Lisp đã thất bại hoặc rút khỏi thị trường, bao gồm Symbolics, Lisp Machines Inc., Lucid và nhiều doanh nghiệp khác.[2]
Sự sụp đổ của thị trường máy Lisp không chỉ là thất bại của một nền tảng phần cứng, mà còn mang ý nghĩa biểu tượng: nó đánh dấu sự tan rã của làn sóng thương mại hóa AI đầu tiên trong thập niên 1980.
Sự chững lại của hệ thống chuyên gia
Cùng với sự sụp đổ của máy Lisp, nhiều hệ chuyên gia cũng bộc lộ những hạn chế nghiêm trọng khi được triển khai lâu dài trong môi trường doanh nghiệp.
Các hệ thống thành công ban đầu như XCON cho thấy AI có thể tạo ra giá trị kinh tế thực tế, nhưng việc duy trì chúng về lâu dài lại rất tốn kém. Mỗi khi quy trình kinh doanh thay đổi hoặc xuất hiện ngoại lệ mới, cơ sở tri thức phải được cập nhật thủ công bởi các chuyên gia và kỹ sư tri thức. Hệ thống không thể tự học hay tự thích nghi như các phương pháp học máy hiện đại.[2]
Ngoài ra, hệ chuyên gia thường bị xem là “giòn” (brittle): chúng hoạt động tốt trong phạm vi rất hẹp đã được thiết kế trước, nhưng có thể đưa ra những kết luận vô lý khi gặp tình huống bất thường hoặc dữ liệu ngoài dự kiến. Những vấn đề lý thuyết như tính khả thi của việc liệt kê toàn bộ các tiền điều kiện (preconditions) cần thiết để một hành động trong thế giới thực đạt được kết quả mong muốn và độ phức tạp tính toán của các hệ thống duy trì chân lý (truth maintenance systems) cũng khiến việc mở rộng hệ chuyên gia trở nên khó khăn.[19]
Kết quả là đến đầu thập niên 1990, nhiều doanh nghiệp bắt đầu từ bỏ các hệ chuyên gia quy mô lớn hoặc thu hẹp đáng kể đầu tư vào AI. Nhiều công ty phát triển các hệ thống này buộc phải thu nhỏ quy mô, chuyển sang các hướng như lý luận dựa trên trường hợp, cơ sở dữ liệu, hoặc công nghệ hướng đối tượng.
Kết thúc Dự án Máy tính Thế hệ thứ Năm của Nhật Bản
Năm 1981, Bộ Công nghiệp và Thương mại Quốc tế Nhật Bản (MITI) khởi động Dự án Máy tính Thế hệ thứ Năm (Fifth Generation Computer Systems project) với ngân sách khoảng 850 triệu đô la Mỹ. Mục tiêu của dự án là xây dựng các hệ thống có thể hội thoại tự nhiên, dịch ngôn ngữ, hiểu hình ảnh và suy luận gần giống con người.[2]
Dự án tạo ra ảnh hưởng quốc tế rất lớn. Hoa Kỳ và châu Âu đều coi đây là thách thức chiến lược trong cạnh tranh công nghệ, góp phần thúc đẩy các chương trình như Strategic Computing Initiative của DARPA và Alvey Programme của Anh.
Tuy nhiên, đến đầu thập niên 1990, phần lớn các mục tiêu ban đầu vẫn không đạt được, y hệt như những gì diễn ra với mùa đông đầu tiên hay các hệ thống chuyên gia. Các hệ thống logic song song và suy luận tri thức mà dự án theo đuổi không tạo ra bước đột phá như kỳ vọng. Dự án kết thúc chính thức vào ngày 1 tháng 6 năm 1992.[19]
Sáng kiến Điện toán Chiến lược bị cắt giảm tài trợ
Năm 1983, để đáp trả dự án thế hệ thứ năm của Nhật Bản, DARPA khởi động chương trình Sáng kiến Điện toán Chiến lược (Strategic Computing Initiative, SCI), một chương trình quy mô lớn nhằm thúc đẩy nghiên cứu AI, siêu máy tính và vi điện tử phục vụ quốc phòng. Đến năm 1985, chương trình đã chi khoảng 100 triệu đô la Mỹ cho 92 dự án tại 60 tổ chức, bao gồm trường đại học, phòng thí nghiệm chính phủ và doanh nghiệp tư nhân.[9]
Ban đầu, SCI vẫn bao gồm những mục tiêu dài hạn khá tham vọng, kể cả các hướng nghiên cứu gần với trí tuệ nhân tạo tổng quát. Tuy nhiên, khi Jack Schwarz trở thành giám đốc Văn phòng Công nghệ Xử lý Thông tin (IPTO) năm 1987, chính sách thay đổi mạnh mẽ. Schwarz cho rằng các hệ chuyên gia chỉ là “lập trình thông minh” (clever programming) chứ không phải đột phá thực sự, và ông cắt giảm ngân sách AI một cách dứt khoát. Theo quan điểm của ông, DARPA nên “lướt theo con sóng” công nghệ có triển vọng rõ ràng thay vì tiếp tục đầu tư vào những hướng chưa chứng minh được hiệu quả; và AI, theo ông, không phải là “làn sóng tiếp theo”.[9]
Phần lớn chương trình SCI bị thu hẹp mạnh. Chỉ một số dự án cụ thể như hệ thống hỗ trợ phi công, xe tự hành mặt đất và hệ thống DART còn tiếp tục tồn tại.[9] Việc DARPA rút lui lần thứ hai khỏi đầu tư AI quy mô lớn được xem là dấu mốc quan trọng khẳng định sự bắt đầu của mùa đông AI lần thứ hai.
Kết thúc mùa đông AI (2000–2012)
AI dần phục hồi dưới tên gọi mới
Trong suốt thập niên 1990 và đầu những năm 2000, thuật ngữ “trí tuệ nhân tạo” vẫn mang nhiều ý nghĩa tiêu cực trong giới đầu tư và học thuật do ảnh hưởng của hai mùa đông AI trước đó. Nhiều công ty và phòng thí nghiệm tránh sử dụng trực tiếp thuật ngữ AI, thay vào đó chuyển sang các tên gọi ít gây tranh cãi hơn như học máy (machine learning), khai phá dữ liệu (data mining), nhận dạng mẫu (pattern recognition) hoặc “hệ thống thông minh”.[3]
Hiện tượng này thường được gọi là AI effect: khi một kỹ thuật AI trở nên đủ phổ biến và hoạt động đáng tin cậy, người ta không còn xem nó là “AI” nữa mà chỉ coi đó là công nghệ thông thường. Ví dụ, nhận dạng ký tự quang học, công cụ tìm kiếm hay các hệ thống lập lịch tự động thường không còn được quảng bá như AI dù chúng phát triển trực tiếp từ các nghiên cứu trong lĩnh vực này.[9]
Trong giai đoạn này, AI không biến mất mà chuyển dịch trọng tâm sang các phương pháp có thể đo lường và ứng dụng rõ ràng hơn, đặc biệt là học máy thống kê. Các kỹ thuật như máy véc-tơ hỗ trợ (SVM), mô hình Markov ẩn (HMM), mạng Bayes và các phương pháp xác suất dần thay thế phần lớn hệ chuyên gia truyền thống trong xử lý tiếng nói, thị giác máy tính và phân tích dữ liệu.[3]
Bước ngoặt của học sâu
Từ giữa thập niên 2000, ba yếu tố quan trọng bắt đầu thay đổi cục diện: sự bùng nổ của dữ liệu số (big data), sự phát triển mạnh của bộ xử lý đồ họa (GPU), và sự cải thiện trong việc huấn luyện các mạng neuron nhiều lớp.
Năm 2006, Geoffrey Hinton cùng các cộng sự công bố các phương pháp huấn luyện hiệu quả hơn cho mạng nhiều tầng, góp phần phục hồi niềm tin vào học sâu.[21] Đồng thời, các hệ thống nhận dạng tiếng nói tại IBM, Google và Microsoft bắt đầu cho thấy mạng neuron sâu có thể vượt qua các phương pháp thống kê truyền thống trong những bài toán thực tế quy mô lớn.
Khác với perceptron một lớp trước đây, các mạng sâu có thể học được các biểu diễn phân cấp phức tạp trực tiếp từ dữ liệu lớn nhờ thuật toán lan truyền ngược.[22] Nhờ GPU, việc huấn luyện các mô hình này trở nên khả thi về mặt thời gian và chi phí, mở đường cho sự phục hồi của mạng neuron sau nhiều thập niên bị xem là hướng nghiên cứu bên lề.
AlexNet và bước ngoặt ImageNet năm 2012
Dấu mốc thường được xem là chấm dứt mùa đông AI là chiến thắng của AlexNet tại cuộc thi ImageNet Large Scale Visual Recognition Challenge (ILSVRC) năm 2012.
AlexNet là một mạng neuron tích chập sâu do Alex Krizhevsky, Ilya Sutskever và Geoffrey Hinton phát triển tại Đại học Toronto. Trong cuộc thi phân loại ảnh ImageNet năm 2012, hệ thống này đạt tỉ lệ lỗi top-5 khoảng 15,3%, thấp hơn rất xa so với mức 26,2% của phương pháp tốt nhì, tạo nên một bước nhảy lớn hiếm thấy trong lịch sử thị giác máy tính.[23]
Kết quả này thuyết phục cả giới học thuật lẫn công nghiệp rằng học sâu không còn chỉ là một hướng nghiên cứu lý thuyết, mà đã trở thành phương pháp thực dụng có thể vượt trội rõ rệt so với các kỹ thuật trước đó. Sau năm 2012, nguồn tài trợ cho AI tăng mạnh trở lại; các tập đoàn lớn như Google, Facebook, Microsoft và Baidu bắt đầu đầu tư quy mô lớn vào nghiên cứu học sâu.[24]
Vì vậy, nhiều nhà sử học công nghệ xem giai đoạn khoảng 2010–2012, đặc biệt là chiến thắng của AlexNet tại ImageNet, là dấu mốc kết thúc thực sự của mùa đông AI lần thứ hai và mở đầu cho làn sóng phát triển AI hiện đại.[4][25]
Hậu kỳ: cơn sốt AI từ thập niên 2020
Sau khi mùa đông AI lần thứ hai kết thúc vào đầu thập niên 2010, lĩnh vực này bước vào giai đoạn tăng trưởng mạnh nhất trong lịch sử, thường được gọi là cơn sốt AI (AI boom) hoặc "mùa xuân AI". Mức độ đầu tư, số lượng công bố khoa học, bằng sáng chế và nhu cầu tuyển dụng đều tăng nhanh, đặc biệt trong các lĩnh vực học sâu, thị giác máy tính, xử lý ngôn ngữ tự nhiên và AI tạo sinh. [26]
Một số cột mốc quan trọng của giai đoạn này bao gồm chiến thắng của AlphaGo trước Lee Sedol năm 2016, sự thành công của kiến trúc transformer từ năm 2017, bước tiến lớn của AlphaFold trong dự đoán cấu trúc protein năm 2020, và đặc biệt là sự phổ biến đại chúng của ChatGPT sau khi được OpenAI phát hành cuối năm 2022. Chỉ trong hai tháng đầu, ChatGPT đã đạt khoảng 100 triệu người dùng hoạt động hằng tháng, trở thành một trong những ứng dụng tiêu dùng phát triển nhanh nhất thời điểm đó.[27]
Đến giữa thập niên 2020, các tập đoàn công nghệ lớn như Google, Microsoft, Meta, Amazon và Nvidia đã đầu tư hàng trăm tỷ đô la Mỹ vào trung tâm dữ liệu, GPU và hạ tầng AI. Theo Brookings Institution, riêng các công ty công nghệ lớn được dự đoán sẽ chi khoảng 364 tỷ đô la Mỹ cho AI trong năm 2025, làm dấy lên các cuộc tranh luận về khả năng hình thành một “bong bóng AI” tương tự các chu kỳ hưng phấn trước đó.[28]
Một số nhà nghiên cứu và nhà phân tích cảnh báo rằng nếu kỳ vọng thương mại tiếp tục vượt quá năng lực thực tế của công nghệ, đặc biệt trong các lĩnh vực như trí tuệ nhân tạo tổng quát hoặc khả năng sinh lợi của AI tạo sinh; lĩnh vực nghiên cứu AI có thể đối mặt với một mùa đông AI thứ ba một khi bóng bóng AI này vỡ. Các dấu hiệu thường được nhắc đến bao gồm mức đầu từ khủng lồ với tăng trưởng chỉ phụ thuộc vào các khoản đầu từ tuần hoàn, trong khi chi phí hạ tầng quá lớn, khó khăn trong việc thương mại hóa, sự phụ thuộc vào nguồn điện và chuỗi cung ứng bán dẫn, cũng như khả năng các mô hình ngày càng lớn nhưng cải thiện hiệu năng ngày càng chậm.[29][28]
Tham khảo
- ^ "AI Expert Newsletter: W is for Winter". Bản gốc lưu trữ ngày 9 tháng 11 năm 2013. Truy cập ngày 26 tháng 4 năm 2026.
- ^ a b c d e f g h i j k l m n o p q r Crevier, Daniel (1993). AI: the tumultuous history of the search for artificial intelligence. New York, NY: Basic Books. ISBN 978-0-465-02997-6.
- ^ a b c d e f g h i j Russell, Stuart; Norvig, Peter (2003). Artificial Intelligence: A Modern Approach (ấn bản thứ 2). Prentice Hall. tr. 24. ISBN 978-0-13-790395-5.
- ^ a b Christian, Brian (2020). The Alignment Problem: Machine Learning and Human Values. W. W. Norton & Company. tr. 24. ISBN 978-0-393-86833-3.
- ^ Weaver, Warren (1955). "Translation". Trong William N. Locke; A. Donald Booth (biên tập). Machine Translation of Languages: Fourteen Essays. Technology Press of the Massachusetts Institute of Technology; John Wiley & Sons. tr. 15–23. ISBN 978-0262120029.
- ^ a b Kuka, Valerie (ngày 30 tháng 6 năm 2023). "The Story of AI Winters and What it Teaches Us Today". Turing Post. Bản gốc lưu trữ ngày 12 tháng 7 năm 2023. Truy cập ngày 26 tháng 4 năm 2026.
- ^ "Electronic Brain Translates Russian" (PDF). Chemical and Engineering News. 1954. Truy cập ngày 26 tháng 4 năm 2026.
- ^ Hutchins, John (2005). "The History of Machine Translation in a Nutshell" (PDF). Bản gốc (PDF) lưu trữ ngày 13 tháng 7 năm 2019. Truy cập ngày 26 tháng 4 năm 2026.
- ^ a b c d e McCorduck, Pamela (2004). Machines Who Think. A K Peters. tr. 52–107. ISBN 978-1568812052.
- ^ Minsky, Marvin; Papert, Seymour (1969). Perceptrons: An Introduction to Computational Geometry. MIT Press. ISBN 0-262-13043-2.
- ^ Sejnowski, Terrence J. (2018). The deep learning revolution. Cambridge, Massachusetts London, England: The MIT Press. ISBN 978-0-262-03803-4.
- ^ a b Lighthill, James (1973). Artificial Intelligence: A General Survey. Science Research Council.
- ^ McCarthy, John (ngày 1 tháng 9 năm 1974). "Artificial intelligence: a paper symposium: Professor Sir James Lighthill, FRS. Artificial Intelligence: A General Survey. In: Science Research Council, 1973". Artificial Intelligence. Quyển 5 số 3. tr. 317–322. doi:10.1016/0004-3702(74)90016-2. ISSN 0004-3702.
- ^ "BBC Controversy: Lighthill Debate 1973". Artificial Intelligence Applications Institute. 1973. Truy cập ngày 26 tháng 4 năm 2026.
- ^ Howe, J. (tháng 11 năm 1994). "Artificial Intelligence at Edinburgh University: A Perspective". Bản gốc lưu trữ ngày 17 tháng 8 năm 2007. Truy cập ngày 26 tháng 4 năm 2026.
- ^ a b c NRC (1999). "Developments in Artificial Intelligence". Funding a Revolution: Government Support for Computing Research. National Academy Press.
- ^ a b Engelmore, Robert; Morgan, A. J., biên tập (1988). Blackboard systems. The Insight series in artificial intelligence. Wokingham, England ; Reading, Mass: Addison-Wesley. ISBN 978-0-201-17431-1.
- ^ a b Haigh, Thomas (ngày 4 tháng 12 năm 2023). "There Was No "First AI Winter"". Communications of the ACM. Bản gốc lưu trữ ngày 4 tháng 12 năm 2023. Truy cập ngày 26 tháng 4 năm 2026.
- ^ a b c Newquist, HP (1994). The Brain Makers: Genius, Ego, and Greed in the Quest for Machines That Think. Macmillan/SAMS. tr. 189–201. ISBN 978-0-9885937-1-8.
- ^ Hendler, James (tháng 3–4 năm 2008). "Avoiding Another AI Winter". IEEE Intelligent Systems. Truy cập ngày 26 tháng 4 năm 2026.
- ^ Hinton, Geoffrey E.; Osindero, Simon; Teh, Yee-Whye (tháng 7 năm 2006). "A Fast Learning Algorithm for Deep Belief Nets". Neural Computation (bằng tiếng Anh). Quyển 18 số 7. tr. 1527–1554. doi:10.1162/neco.2006.18.7.1527. ISSN 0899-7667.
- ^ Rumelhart, David E.; Hinton, Geoffrey E.; Williams, Ronald J. (tháng 10 năm 1986). "Learning representations by back-propagating errors". Nature (bằng tiếng Anh). Quyển 323 số 6088. tr. 533–536. doi:10.1038/323533a0. ISSN 1476-4687.
- ^ Krizhevsky, Alex; Sutskever, Ilya; Hinton, Geoffrey E. (2017). "ImageNet Classification with Deep Convolutional Neural Networks". Communications of the ACM. Quyển 60 số 6. tr. 84–90. doi:10.1145/3065386.
- ^ Sejnowski, Terrence J. (2018). The Deep Learning Revolution. MIT Press. tr. 181–186. ISBN 978-0-262-03803-4.
- ^ Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016). Deep learning. Adaptive computation and machine learning. Cambridge, Massachusetts: The MIT Press. ISBN 978-0-262-03561-3.
- ^ David, Joel M.; de Souza, Gustavo; Schommer, Adalyn G. (ngày 18 tháng 2 năm 2026). "Firm Growth from the Artificial Intelligence Boom". Chicago Fed Letter. doi:10.21033/cfl-2026-518. ISSN 0895-0164.
- ^ Milmo, Dan (ngày 2 tháng 2 năm 2023). "ChatGPT reaches 100 million users two months after launch". The Guardian. Truy cập ngày 26 tháng 4 năm 2026.
- ^ a b West, Darrell M. (ngày 7 tháng 11 năm 2025). "Is there an AI bubble?". Brookings Institution. Truy cập ngày 26 tháng 4 năm 2026.
- ^ Sparks, Matthew (ngày 26 tháng 11 năm 2024). "Growing Signs of AI Development Slowdown". Georgetown Law Institute for Technology Law & Policy. Truy cập ngày 26 tháng 4 năm 2026.