Khối óc của con người rất rất khác so với những con chip bán dẫn bên trong mỗi bộ vi xử lý máy tính. Đơn giản thôi, nguồn năng lượng của khối óc đến từ lượng máu dẫn lên, còn với vi xử lý thì là nguồn điện cấp vào. Nhưng dĩ nhiên điều đó không thể ngăn cản các nhà khoa học so sánh hai thứ đó với nhau. Như Alan Turing từng nói vào năm 1952: “Chúng ta không cần quan tâm cái thực tế rằng bộ não con người trông như một bát cháo nguội.” Nghe hơi rùng mình, nhưng ý của Turing rất đơn giản, kết cấu ra sao không quan trọng, mà quan trọng là khả năng tính toán.
Ngày nay, những hệ thống trí thông minh nhân tạo phức tạp nhất đều được ứng dụng một công nghệ machine learning có chiều sâu, gọi là deep learning. Những thuật toán được triển khai bằng cách phân tích một khối lượng dữ liệu khổng lồ thông qua những lớp kết nối dày đặc, gọi là deep neural network. Giống hệt như cái tên, các nhà khoa học và nhà nghiên cứu hiện tại mô phỏng cách bộ não con người hoạt động và học tập hàng ngày để tạo ra trí thông minh nhân tạo. Hoặc, chí ít, đó là những gì các nhà thần kinh học hiểu về nơ ron thần kinh suốt từ những năm 1950, khi mô hình perceptron được khai sinh. Nhưng kể từ đó, hiểu biết của con người về mức độ phức tạp về mặt điện toán của một nơ ron thần kinh đơn lẻ đã được mở rộng hơn rất nhiều.

Thực tế là, một nơ ron thần kinh trong não bộ con người phức tạp hơn rất nhiều so với một node của deep neural network trong các hệ thống deep learning. Nhưng phức tạp hơn cỡ nào?
Để trả lời câu hỏi ấy, ba nhà khoa học David Beniaguev, Idan Segev và Michael London thuộc đại học Jerusalem, Israel đã tiến hành mô phỏng, huấn luyện một hệ thống deep neural nhân tạo bắt chước cách một nơ ron sinh học vận hành. Kết quả cho thấy, để mô phỏng được độ phức tạp của một nơ ron thần kinh, thì máy móc phải hình thành từ 5 đến 8 lớp “nơ ron nhân tạo” hoạt động kết nối với nhau một cách chặt chẽ.
Chính các tác giả của công trình nghiên cứu này cũng không lường trước được mức độ phức tạp như vậy. Ông Beniaguev cho rằng, ban đầu họ nghĩ chỉ cần từ 3 đến 4 lớp neural network là đủ ghi nhận lại sức mạnh điện toán của một nơ ron riêng lẻ.

Timothy Lillicrap của DeepMind, đơn vị nghiên cứu AI thuộc Google cho rằng, phát hiện mới này có thể sẽ thay đổi lối suy nghĩ về cách một nơ ron thần kinh vận hành, trong bối cảnh nghiên cứu trí thông minh nhân tạo. Lối suy nghĩ đơn giản nhất giữa trí thông minh nhân tạo và trí thông minh con người là cách chúng xử lý thông tin chiều đến. Cả hai loại nơ ron này đều nhận tín hiệu đầu vào, và dựa vào dữ liệu đó để xác định xem có gửi tín hiệu tới nơ ron khác hay không. Đối với trí thông minh nhân tạo, chỉ cần một phép tính là có thể đưa ra kết luận, nhưng với nơ ron sinh học, mọi thứ phức tạp hơn nhiều.
Các nhà thần kinh học đã sử dụng hàm input-output để dựng mô hình mối tương quan giữa dữ liệu chiều đến, được một nơ ron thần kinh sinh học nhận được thông qua những chuỗi “rễ” dài, gọi là dendrites, và quyết định gửi tín hiệu thông tin ấy cho những nơ ron thần kinh khác.
Hàm tính toán này là chìa khóa căn bản để con người mô phỏng mức độ phức tạp của một nơ ron thần kinh đơn lẻ trong não bộ. Các nhà nghiên cứu bắt đầu bằng việc mô phỏng quy mô lớn chức năng nhận và chuyển dữ liệu của hai nơ ron thần kinh nằm ở đầu và cuối một chuỗi dendrite trên vỏ não của chuột. Sau đó họ chuyển mô phỏng này vào một deep neural network với tối đa 256 nơ ron nhân tạo mỗi lớp. Rồi sau đó họ tăng số lớp deep neural này cho tới khi máy tính mô phỏng chính xác 99% theo từng mili giây cái cách nơ ron thần kinh tự nhiên tương tác, nhận và gửi tín hiệu thông tin. Họ phát hiện ra rằng, để mô phỏng chính xác cách 1 nơ ron tự nhiên hoạt động, máy tính phải tạo ra từ 5 đến 8 lớp deep neural network, nhân với 256 nơ ron mỗi lớp, là cần ít nhất 1000 nơ ron nhân tạo để mô phỏng 1 nơ ron tự nhiên.

Đôi khi con số chỉ được thể hiện ở mức tương đối. Michael London cho rằng: “Mối quan hệ giữa số lớp nơ ron nhân tạo và mức độ phức tạp của hệ thống chưa rõ ràng.” Không thể xác định một cách tuyệt đối, rằng cần 1000 nơ ron nhân tạo để mô phỏng 1 nơ ron tự nhiên đồng nghĩa với việc bộ não con người hoạt động phức tạp hơn 1000 lần so với máy móc. Chắc chắn sẽ tới lúc, một nơ ron đơn lẻ trong hệ thống trí thông minh nhân tạo sẽ mô phỏng được 1 nơ ron trong bộ não con người, nhưng điều đó cần rất rất nhiều thời gian và dữ liệu để máy móc học một cách hiệu quả.
Bản thân cuộc nghiên cứu này của người Israel cũng mở ra được nhiều khám phá và nền tảng mới cho những nghiên cứu AI trong tương lai. Vài người khác thì cho rằng, vì kết quả nghiên cứu này, các nhà thần kinh học cũng nên tập trung nghiên cứu sức mạnh của một nơ ron thần kinh đơn lẻ trong chuỗi kim tự tháp.
Theo Quanta Magazine

so sánhainghiên cứukhoa họcmô phỏngnão bộthần kinh họctrí thông minh nhân tạoneural network