Ngày nay, AI phổ biến khắp nơi, được sử dụng thường xuyên trong cuộc sống thường ngày, chẳng hạn như trợ lý ảo Alexa của Amazon và Siri của Apple, để nhận ra ai và cái gì trong ảnh, phát hiện thư rác hoặc ô tô thông minh. Để tìm hiểu công nghệ AI là gì? Mời bạn theo dõi bài viết dưới đây của GhienCongNghe nhé.

Công nghệ AI là gì?

Trí tuệ nhân tạo là sự mô phỏng các quá trình thông minh của con người bằng máy móc, đặc biệt là hệ thống máy tính. Các ứng dụng cụ thể của AI bao gồm hệ thống chuyên gia, xử lý ngôn ngữ tự nhiên, nhận dạng giọng nói và thị giác máy.

Khi sự cường điệu xung quanh AI ngày càng gia tăng, các nhà cung cấp đã tranh giành nhau để quảng bá cách các sản phẩm và dịch vụ của họ sử dụng AI. Thường những gì họ gọi là AI chỉ đơn giản là một thành phần của AI.

Chẳng hạn như học máy. AI yêu cầu nền tảng là phần cứng và phần mềm chuyên dụng để viết và đào tạo các thuật toán học máy. Không có ngôn ngữ lập trình nào đồng nghĩa với AI, nhưng một số ít, bao gồm Python, R và Java, rất phổ biến.

Nói chung, các hệ thống AI hoạt động bằng cách nhập một lượng lớn dữ liệu đào tạo được gắn nhãn, phân tích dữ liệu để tìm các mối tương quan và các mẫu, đồng thời sử dụng các mẫu này để đưa ra dự đoán về các trạng thái trong tương lai.

Bằng cách này, một chatbot được cung cấp các ví dụ về các cuộc trò chuyện văn bản có thể học cách tạo ra các cuộc trao đổi giống như thật với mọi người hoặc một công cụ nhận dạng hình ảnh có thể học cách xác định và mô tả các đối tượng trong hình ảnh bằng cách xem lại hàng triệu ví dụ.

Lập trình AI tập trung vào ba kỹ năng nhận thức: học hỏi, suy luận và tự điều chỉnh.

• Các quá trình học hỏi. Khía cạnh này của lập trình AI tập trung vào việc thu thập dữ liệu và tạo ra các quy tắc về cách biến dữ liệu thành thông tin có thể hành động. Các quy tắc, được gọi là thuật toán, cung cấp cho các thiết bị tính toán hướng dẫn từng bước về cách hoàn thành một nhiệm vụ cụ thể.
• Các quy trình suy luận. Khía cạnh này của lập trình AI tập trung vào việc lựa chọn thuật toán phù hợp để đạt được kết quả mong muốn.
• Các quy trình tự điều chỉnh. Khía cạnh này của lập trình AI được thiết kế để liên tục tinh chỉnh các thuật toán và đảm bảo chúng cung cấp kết quả chính xác nhất có thể.

Các ứng dụng sử dụng trí tuệ nhân tạo

Trí tuệ nhân tạo đã xâm nhập vào nhiều thị trường trong cuộc sống hiện tại của con người. Dưới đây là những ứng dụng đã được sử dụng thường ngày:

Ứng dụng của trí tuệ nhân tạo trong đời sống

• AI trong chăm sóc sức khỏe. Đặt cược lớn nhất là cải thiện kết quả của bệnh nhân và giảm chi phí. Các công ty đang áp dụng học máy để chẩn đoán tốt hơn và nhanh hơn con người.
• AI trong kinh doanh. Các thuật toán học máy đang được tích hợp vào nền tảng phân tích và quản lý quan hệ khách hàng (CRM) để khám phá thông tin về cách phục vụ khách hàng tốt hơn. Chatbots đã được tích hợp vào các trang web để cung cấp dịch vụ ngay lập tức cho khách hàng.
• AI trong giáo dục. AI có thể tự động hóa việc chấm điểm, giúp các nhà giáo dục có thêm thời gian. Nó có thể đánh giá học sinh và thích ứng với nhu cầu của họ, giúp họ làm việc theo tốc độ của riêng mình.
• AI trong tài chính. AI trong các ứng dụng tài chính cá nhân, chẳng hạn như Intuit Mint hoặc TurboTax, đang phá vỡ các tổ chức tài chính. Các ứng dụng như vậy thu thập dữ liệu cá nhân và cung cấp lời khuyên tài chính.
• AI trong luật. Quá trình khám phá, sàng lọc qua các tài liệu, quy luật thường quá sức đối với con người. Sử dụng AI để giúp tự động hóa các quy trình sử dụng nhiều lao động của ngành luật đang tiết kiệm thời gian và cải thiện dịch vụ khách hàng.
• AI trong sản xuất. Sản xuất đã đi đầu trong việc kết hợp robot vào quy trình làm việc. Ví dụ, các rô bốt công nghiệp đã từng được lập trình để thực hiện các nhiệm vụ đơn lẻ và tách rời khỏi công nhân của con người.
• AI trong ngân hàng. Các ngân hàng đang sử dụng thành công các chatbot để làm cho khách hàng của họ biết về các dịch vụ và dịch vụ cũng như xử lý các giao dịch mà không cần đến sự can thiệp của con người. Trợ lý ảo AI đang được sử dụng để cải thiện và cắt giảm chi phí tuân thủ các quy định ngân hàng.
• AI trong giao thông vận tải. Ngoài vai trò cơ bản của AI trong việc vận hành các phương tiện tự hành, các công nghệ AI được sử dụng trong giao thông vận tải để quản lý giao thông, dự đoán độ trễ chuyến bay và giúp vận chuyển đường biển an toàn và hiệu quả hơn.
• AI trong bảo mật. AI và máy học đang đứng đầu danh sách từ khóa mà các nhà cung cấp bảo mật sử dụng ngày nay để phân biệt các dịch vụ của họ. Những thuật ngữ đó cũng đại diện cho các công nghệ thực sự khả thi. Bằng cách phân tích dữ liệu và sử dụng logic để xác định các điểm tương đồng với mã độc đã biết, AI có thể đưa ra cảnh báo về các cuộc tấn công mới.

Ứng dụng của AI trong sản xuất

AI được ứng dụng vào nhiều lĩnh vực sản xuất khác nhau. Dưới đây là các ví dụ:

Tự động hóa. Khi kết hợp với công nghệ AI, các công cụ tự động hóa có thể mở rộng khối lượng và loại tác vụ được thực hiện. Một ví dụ là tự động hóa quy trình bằng robot (RPA), một loại phần mềm tự động hóa các tác vụ xử lý dữ liệu dựa trên quy tắc, lặp đi lặp lại do con người thực hiện theo truyền thống.

Khi được kết hợp với máy học và các công cụ AI mới nổi, RPA có thể tự động hóa các phần lớn hơn của công việc doanh nghiệp, cho phép các BOT chiến thuật của RPA truyền tải trí thông minh từ AI và phản ứng với các thay đổi của quy trình.

Máy học. Đây là khoa học về việc làm cho một máy tính hoạt động mà không cần lập trình. Học sâu là một tập con của học máy, nói một cách rất đơn giản, có thể được coi là sự tự động hóa của phân tích dự đoán. Có ba loại thuật toán học máy:

• Học tập có giám sát. Tập dữ liệu được gắn nhãn để các mẫu có thể được phát hiện và sử dụng để gắn nhãn các tập dữ liệu mới.
• Học không giám sát. Tập dữ liệu không được gắn nhãn và được sắp xếp theo những điểm tương đồng hoặc khác biệt.
• Học tăng cường. Các tập dữ liệu không được gắn nhãn nhưng sau khi thực hiện một hành động hoặc một số hành động, hệ thống AI sẽ nhận được phản hồi.

Thị giác máy. Công nghệ này mang lại cho máy khả năng nhìn. Thị giác máy chụp và phân tích thông tin hình ảnh bằng máy ảnh, chuyển đổi tương tự sang kỹ thuật số và xử lý tín hiệu kỹ thuật số.

Nó thường được so sánh với thị lực của con người, nhưng thị giác máy không bị ràng buộc bởi sinh học và có thể được lập trình để nhìn xuyên tường chẳng hạn. Nó được sử dụng trong một loạt các ứng dụng từ nhận dạng chữ ký đến phân tích hình ảnh y tế.

Thị giác máy tính, vốn tập trung vào xử lý hình ảnh dựa trên máy, thường được ghép với thị giác máy.

Xử lý ngôn ngữ tự nhiên (NLP). Đây là quá trình xử lý ngôn ngữ của con người bằng một chương trình máy tính. Một trong những ví dụ cũ và nổi tiếng nhất của NLP là tính năng phát hiện thư rác, xem xét dòng tiêu đề và văn bản của email và quyết định xem nó có rác hay không.

Các phương pháp tiếp cận NLP hiện tại dựa trên máy học. Các nhiệm vụ NLP bao gồm dịch văn bản, phân tích tình cảm và nhận dạng giọng nói.

Người máy. Lĩnh vực kỹ thuật này tập trung vào thiết kế và sản xuất robot. Robot thường được sử dụng để thực hiện các nhiệm vụ mà con người khó thực hiện hoặc thực hiện một cách nhất quán.

Ví dụ, robot được sử dụng trong dây chuyền lắp ráp sản xuất xe hơi hoặc của NASA để di chuyển các vật thể lớn trong không gian. Các nhà nghiên cứu cũng đang sử dụng máy học để chế tạo các robot có thể tương tác trong môi trường xã hội.

Xe ô tô tự lái. Xe tự hành sử dụng kết hợp tầm nhìn máy tính, nhận dạng hình ảnh và học sâu để xây dựng kỹ năng tự động điều khiển phương tiện khi đang ở trên một làn đường nhất định và tránh các chướng ngại vật bất ngờ, chẳng hạn như người đi bộ.

Deep Learning

Phần lớn AI của Narrow được hỗ trợ bởi những đột phá trong học máy và học sâu. Hiểu được sự khác biệt giữa trí tuệ nhân tạo, học máy và học sâu có thể gây nhầm lẫn. Nhà đầu tư mạo hiểm Frank Chen cung cấp một cái nhìn tổng quan tốt về cách phân biệt giữa chúng:

“Trí tuệ nhân tạo là một tập hợp các thuật toán và trí thông minh để cố gắng bắt chước trí thông minh của con người. Học máy là một trong số đó và học sâu là một trong những kỹ thuật học máy đó.”

Nói một cách đơn giản, máy học cung cấp dữ liệu máy tính và sử dụng các kỹ thuật thống kê để giúp nó “học” cách hoàn thành một nhiệm vụ ngày càng tốt hơn mà không cần được lập trình cụ thể cho nhiệm vụ đó, loại bỏ nhu cầu hàng triệu dòng mã được viết.

Học máy bao gồm cả học có giám sát (sử dụng tập dữ liệu được gắn nhãn) và học không giám sát (sử dụng tập dữ liệu không được gắn nhãn).

Học sâu là một loại học máy chạy đầu vào thông qua kiến ​​trúc mạng thần kinh lấy cảm hứng từ sinh học. Mạng nơ-ron chứa một số lớp ẩn mà qua đó dữ liệu được xử lý, cho phép máy đi sâu vào quá trình học, tạo kết nối và trọng số đầu vào để có kết quả tốt nhất.

Ưu và nhược điểm của công nghệ AI là gì?

Mạng nơ-ron nhân tạo và công nghệ trí tuệ nhân tạo học sâu đang nhanh chóng phát triển, chủ yếu là do AI xử lý lượng lớn dữ liệu nhanh hơn nhiều và đưa ra dự đoán chính xác hơn khả năng của con người.

Mặc dù khối lượng dữ liệu khổng lồ được tạo ra hàng ngày sẽ chôn vùi một nhà nghiên cứu con người, nhưng các ứng dụng AI sử dụng máy học có thể lấy dữ liệu đó và nhanh chóng biến nó thành thông tin có thể hành động.

Theo cách viết này, nhược điểm chính của việc sử dụng AI là rất tốn kém để xử lý lượng lớn dữ liệu mà lập trình AI yêu cầu.

Ưu điểm:

• Giỏi các công việc theo định hướng chi tiết.
• Giảm thời gian cho các tác vụ nặng về dữ liệu.
• Mang lại kết quả nhất quán.
• Các tác nhân ảo do AI hỗ trợ luôn sẵn sàng.

Nhược điểm

• Đắt tiền.
• Yêu cầu chuyên môn sâu về kỹ thuật.
• Nguồn cung cấp hạn chế về công nhân có trình độ để xây dựng các công cụ AI.
• Chỉ biết những gì nó đã được hiển thị.
• Thiếu khả năng khái quát hóa từ nhiệm vụ này sang nhiệm vụ khác.

4 loại trí tuệ nhân tạo AI là gì?

Arend Hintze, một trợ lý giáo sư về sinh học tích hợp và khoa học máy tính và kỹ thuật tại Đại học Bang Michigan, giải thích trong một bài báo năm 2016 rằng AI có thể được phân loại thành bốn loại.

Bắt đầu với các hệ thống thông minh theo nhiệm vụ cụ thể đang được sử dụng rộng rãi ngày nay và tiến dần đến các hệ thống có tri giác, gồm các danh mục như sau:

Loại 1: Máy phản ứng

Một cỗ máy phản ứng tuân theo những nguyên tắc cơ bản nhất của AI và như tên gọi của nó, chỉ có khả năng sử dụng trí thông minh của nó để nhận thức và phản ứng với thế giới trước mặt nó. Máy phản ứng không thể lưu trữ bộ nhớ và kết quả là không thể dựa vào những kinh nghiệm trong quá khứ để đưa ra quyết định trong thời gian thực.

Nhận thức thế giới một cách trực tiếp có nghĩa là các máy phản ứng được thiết kế để chỉ hoàn thành một số nhiệm vụ chuyên biệt hạn chế. Tuy nhiên, việc cố ý thu hẹp thế giới quan của máy phản ứng không phải là bất kỳ loại biện pháp cắt giảm chi phí nào và thay vào đó có nghĩa là loại AI này sẽ đáng tin cậy và đáng tin cậy hơn.

Một ví dụ khác về máy phản ứng chơi trò chơi là AlphaGo của Google. AlphaGo cũng không có khả năng đánh giá các nước đi trong tương lai nhưng dựa vào mạng lưới thần kinh của riêng mình để đánh giá các diễn biến của trò chơi hiện tại, giúp nó có lợi thế hơn Deep Blue trong một trò chơi phức tạp hơn.

Mặc dù bị giới hạn về phạm vi và không dễ thay đổi, trí tuệ nhân tạo máy phản ứng có thể đạt được mức độ phức tạp và mang lại độ tin cậy khi được tạo ra để hoàn thành các nhiệm vụ có thể lặp lại.

Loại 2: Bộ nhớ hạn chế

Trí tuệ nhân tạo có bộ nhớ hạn chế có khả năng lưu trữ dữ liệu và dự đoán trước đó khi thu thập thông tin và cân nhắc các quyết định tiềm năng – về cơ bản là nhìn vào quá khứ để tìm manh mối về những gì có thể xảy ra tiếp theo. Trí tuệ nhân tạo có bộ nhớ hạn chế phức tạp hơn và thể hiện nhiều khả năng hơn so với các máy phản ứng.

Bộ nhớ hạn chế AI được tạo ra khi một nhóm liên tục đào tạo mô hình về cách phân tích và sử dụng dữ liệu mới hoặc môi trường AI được xây dựng để các mô hình có thể tự động được đào tạo và đổi mới.

Khi sử dụng bộ nhớ giới hạn AI trong học máy, phải tuân theo sáu bước: Phải tạo dữ liệu đào tạo, phải tạo mô hình học máy, mô hình phải có khả năng đưa ra dự đoán, mô hình phải có khả năng nhận được phản hồi của con người hoặc môi trường, rằng phản hồi phải được lưu trữ dưới dạng dữ liệu và các bước này phải được nhắc lại như một chu kỳ.

Có ba mô hình học máy chính sử dụng trí tuệ nhân tạo có bộ nhớ hạn chế:

• Học tập củng cố, học cách đưa ra dự đoán tốt hơn thông qua việc thử-và-sai lặp đi lặp lại.
• Bộ nhớ Ngắn hạn Dài hạn (LSTM), sử dụng dữ liệu trong quá khứ để giúp dự đoán mục tiếp theo trong một trình tự. Các LTSM xem thông tin gần đây hơn là quan trọng nhất khi đưa ra dự đoán và dữ liệu chiết khấu từ xa hơn trong quá khứ, mặc dù vẫn sử dụng nó để đưa ra kết luận
• Mạng đối thủ tạo ra tiến hóa (E-GAN), phát triển theo thời gian, phát triển để khám phá các con đường được sửa đổi một chút dựa trên kinh nghiệm trước đó với mỗi quyết định mới. Mô hình này không ngừng theo đuổi con đường tốt hơn và sử dụng các mô phỏng và thống kê, hoặc cơ hội, để dự đoán kết quả trong suốt chu kỳ đột biến tiến hóa của nó.

Loại 3: Lý thuyết tâm lý

Lý thuyết về Tâm lý chỉ là trên lý thuyết. Chúng ta vẫn chưa đạt được khả năng công nghệ và khoa học cần thiết để đạt đến cấp độ trí tuệ nhân tạo tiếp theo này.

Khái niệm này dựa trên tiền đề tâm lý là hiểu rằng các sinh vật sống khác có suy nghĩ và cảm xúc ảnh hưởng đến hành vi của bản thân. Về mặt máy AI, điều này có nghĩa là AI có thể hiểu cách con người, động vật và các máy móc khác cảm thấy và đưa ra quyết định thông qua sự tự phản ánh và quyết tâm.

Sau đó sẽ sử dụng thông tin đó để đưa ra quyết định của riêng họ. Về cơ bản, máy móc sẽ phải có khả năng nắm bắt và xử lý khái niệm “tâm lý”, những dao động của cảm xúc trong quá trình ra quyết định và một loạt các khái niệm tâm lý khác trong thời gian thực, tạo ra mối quan hệ hai chiều giữa con người và trí tuệ nhân tạo.

Loại 4: Tự nhận thức

Một khi lý thuyết về Tâm lý có thể được thiết lập trong trí thông minh nhân tạo, đôi khi trong tương lai, bước cuối cùng sẽ là để AI trở nên tự nhận thức. Loại trí tuệ nhân tạo này sở hữu ý thức cấp độ con người và hiểu được sự tồn tại của chính nó trên thế giới, cũng như sự hiện diện và trạng thái cảm xúc của người khác.

Nó sẽ có thể hiểu những gì người khác có thể cần dựa trên những gì họ truyền đạt cho họ cũng như cách họ truyền đạt nó.

Tự nhận thức trong trí tuệ nhân tạo dựa vào cả việc các nhà nghiên cứu con người hiểu được tiền đề của ý thức và sau đó học cách tái tạo để có thể xây dựng nó thành máy móc.

Lịch sử của công nghệ AI là gì?

Người máy thông minh và những sinh vật nhân tạo lần đầu tiên xuất hiện trong thần thoại Hy Lạp cổ đại về thời cổ đại. Sự phát triển của thuyết âm tiết và việc sử dụng suy luận suy diễn của Aristotle là một thời điểm then chốt trong hành trình tìm hiểu trí thông minh của nhân loại.

Mặc dù nguồn gốc lâu đời và sâu sắc, nhưng lịch sử của trí tuệ nhân tạo như chúng ta nghĩ về nó ngày nay kéo dài chưa đầy một thế kỷ. Sau đây là một cái nhìn nhanh về một số sự kiện quan trọng nhất trong AI.

Những năm 1940

• (1943) Warren McCullough và Walter Pitts xuất bản “Phép tính logic về ý tưởng nội tại trong hoạt động thần kinh.” Bài báo đã đề xuất mô hình toán học đầu tiên để xây dựng mạng nơ-ron.
• (1949) Trong cuốn sách Tổ chức hành vi: Lý thuyết tâm lý thần kinh, Donald Hebb đề xuất lý thuyết rằng các đường dẫn thần kinh được tạo ra từ trải nghiệm và kết nối giữa các nơ-ron trở nên mạnh mẽ hơn khi chúng được sử dụng thường xuyên hơn. Học tiếng Hebbian tiếp tục là một mô hình quan trọng trong AI.

Những năm 1950

• (1950) Alan Turing xuất bản cuốn “Máy tính và trí thông minh, đề xuất cái mà ngày nay được gọi là Phép thử Turing, một phương pháp để xác định xem máy móc có thông minh hay không.
• (1950) Các sinh viên đại học Harvard Marvin Minsky và Dean Edmonds đã xây dựng SNARC, máy tính mạng nơ-ron đầu tiên.
• (1950) Claude Shannon xuất bản bài báo “Lập trình máy tính để chơi cờ.”
• (1950) Isaac Asimov xuất bản cuốn “Ba định luật của người máy.”
• (1952) Arthur Samuel phát triển một chương trình tự học để chơi cờ caro.
• (1954) Thí nghiệm dịch máy của Georgetown-IBM tự động dịch 60 câu tiếng Nga được lựa chọn cẩn thận sang tiếng Anh.
• (1956) Cụm từ trí tuệ nhân tạo được đặt ra tại “Dự án nghiên cứu mùa hè Dartmouth về trí tuệ nhân tạo.” Được dẫn dắt bởi John McCarthy, hội nghị xác định phạm vi và mục tiêu của AI, được nhiều người coi là sự ra đời của trí tuệ nhân tạo như chúng ta biết ngày nay.
• (1956) Allen Newell và Herbert Simon chứng minh Logic Theorist (LT), chương trình lý luận đầu tiên.
• (1958) John McCarthy phát triển ngôn ngữ lập trình AI Lisp và xuất bản bài báo “Chương trình với Nhận thức chung”. Bài báo đề xuất giả thuyết Tư vấn Taker, một hệ thống AI hoàn chỉnh với khả năng học hỏi kinh nghiệm hiệu quả như con người.
• (1959) Allen Newell, Herbert Simon và J.C. Shaw phát triển Máy giải quyết vấn đề chung (GPS), một chương trình được thiết kế để bắt chước cách giải quyết vấn đề của con người.
• (1959) Herbert Gelernter phát triển chương trình Prover Định lý Hình học.
• (1959) Arthur Samuel sử dụng thuật ngữ máy học khi làm việc tại IBM.
• (1959) John McCarthy và Marvin Minsky thành lập Dự án Trí tuệ Nhân tạo MIT.

Những năm 1960

• (1963) John McCarthy bắt đầu Phòng thí nghiệm AI tại Stanford.
• (1966) Báo cáo của Ủy ban Cố vấn Xử lý Ngôn ngữ Tự động (ALPAC) của chính phủ Hoa Kỳ nêu chi tiết về sự thiếu tiến bộ trong nghiên cứu bản dịch bằng máy, một sáng kiến ​​lớn trong Chiến tranh Lạnh với hứa hẹn dịch tiếng Nga tự động và tức thời. Báo cáo ALPAC dẫn đến việc hủy bỏ tất cả các dự án MT do chính phủ tài trợ.
• (1969) Hệ thống chuyên gia thành công đầu tiên được phát triển trong DENDRAL, một chương trình XX và MYCIN, được thiết kế để chẩn đoán nhiễm trùng máu, được tạo ra tại Stanford.

Những năm 1970

• (1972) Ngôn ngữ lập trình logic PROLOG được tạo ra.
• (1973) “Báo cáo Lighthill,” mô tả chi tiết những thất vọng trong nghiên cứu AI, được chính phủ Anh công bố và dẫn đến việc cắt giảm nghiêm trọng nguồn tài trợ cho các dự án trí tuệ nhân tạo.
• (1974-1980) Sự thất vọng với tiến độ phát triển của AI dẫn đến việc cắt giảm đáng kể các khoản tài trợ học tập của DARPA. Kết hợp với báo cáo ALPAC trước đó và “Báo cáo Lighthill” của năm trước, nguồn tài trợ trí tuệ nhân tạo cạn kiệt và các gian hàng nghiên cứu. Giai đoạn này được gọi là “Mùa đông AI đầu tiên.”

Những năm 1980

• (1980) Các tập đoàn thiết bị kỹ thuật số phát triển R1 (còn được gọi là XCON), hệ thống chuyên gia thương mại thành công đầu tiên. Được thiết kế để định cấu hình các đơn đặt hàng cho các hệ thống máy tính mới, R1 khởi động một đợt bùng nổ đầu tư vào các hệ thống chuyên gia sẽ kéo dài trong phần lớn thập kỷ, kết thúc hiệu quả “Mùa đông AI” đầu tiên.
• (1982) Bộ Thương mại Quốc tế và Công nghiệp Nhật Bản khởi động dự án Hệ thống Máy tính Thế hệ Thứ năm đầy tham vọng. Mục tiêu của FGCS là phát triển hiệu suất giống như siêu máy tính và là nền tảng để phát triển AI.
• (1983) Để đáp lại FGCS của Nhật Bản, chính phủ Hoa Kỳ khởi động Sáng kiến ​​Điện toán Chiến lược để cung cấp các nghiên cứu do DARPA tài trợ trong lĩnh vực máy tính tiên tiến và trí tuệ nhân tạo.
• (1985) Các công ty đang chi hơn một tỷ đô la mỗi năm cho các hệ thống chuyên gia và toàn bộ ngành công nghiệp được gọi là thị trường máy Lisp đang hình thành để hỗ trợ họ. Các công ty như Symbolics và Lisp Machines Inc. xây dựng các máy tính chuyên dụng để chạy trên ngôn ngữ lập trình AI Lisp.
• (1987-1993) Khi công nghệ máy tính được cải thiện, các lựa chọn thay thế rẻ hơn xuất hiện và thị trường máy Lisp sụp đổ vào năm 1987, mở ra “Mùa đông AI thứ hai”. Trong thời kỳ này, các hệ thống chuyên gia tỏ ra quá đắt để duy trì và cập nhật, cuối cùng không còn được ưa chuộng.

Những năm 1990

• (1991) Lực lượng Hoa Kỳ triển khai DART, một công cụ lập kế hoạch và kế hoạch hậu cần tự động, trong Chiến tranh vùng Vịnh.
• (1992) Nhật Bản chấm dứt dự án FGCS vào năm 1992, với lý do thất bại trong việc đáp ứng các mục tiêu đầy tham vọng đã vạch ra trước đó một thập kỷ.
• (1993) DARPA kết thúc Sáng kiến ​​Điện toán Chiến lược vào năm 1993 sau khi chi gần 1 tỷ đô la và không đạt được kỳ vọng.
• (1997) Deep Blue của IBM đánh bại nhà vô địch cờ vua thế giới Gary Kasparov.

Những năm 2000

• (2005) STANLEY, một chiếc xe tự lái, đã giành chiến thắng trong cuộc thi DARPA Grand Challenge.
• (2005) Quân đội Hoa Kỳ bắt đầu đầu tư vào các robot tự động như “Big Dog” của Boston Dynamics và “PackBot” của iRobot.
• (2008) Google tạo ra đột phá trong nhận dạng giọng nói và giới thiệu tính năng này trong ứng dụng dành cho iPhone.

2010-2014

• (2011) Watson của IBM vượt qua cuộc cạnh tranh trên Jeopardy.
• (2011) Apple phát hành Siri, một trợ lý ảo hỗ trợ AI thông qua hệ điều hành iOS.
• (2012) Andrew Ng, người sáng lập dự án Google Brain Deep Learning, cung cấp một mạng lưới thần kinh bằng cách sử dụng các thuật toán học sâu 10 triệu video YouTube như một bộ đào tạo. Mạng nơ-ron đã học cách nhận ra một con mèo mà không cần biết mèo là gì, mở ra kỷ nguyên đột phá cho mạng lưới thần kinh và tài trợ học tập sâu.
• (2014) Google tạo ra chiếc ô tô tự lái đầu tiên vượt qua bài kiểm tra lái xe cấp tiểu bang.
• (2014) Alexa của Amazon, một ngôi nhà ảo được phát hành.

2015-2021

• (2016) AlphaGo của Google DeepMind đánh bại nhà vô địch cờ vây thế giới Lee Sedol. Sự phức tạp của trò chơi Trung Quốc cổ đại được coi là một trở ngại lớn cần phải giải quyết trong AI.
• (2016) “Công dân robot” đầu tiên, một robot hình người tên là Sophia, được tạo ra bởi Hanson Robotics và có khả năng nhận dạng khuôn mặt, giao tiếp bằng lời nói và biểu hiện trên khuôn mặt.
• (2018) Google phát hành công cụ xử lý ngôn ngữ tự nhiên BERT, giảm bớt rào cản trong việc dịch và hiểu bằng các ứng dụng học máy.
• (2018) Waymo ra mắt dịch vụ Waymo One, cho phép người dùng khắp khu vực đô thị Phoenix yêu cầu đón khách từ một trong những phương tiện tự lái của công ty.
• (2020) Baidu phát hành thuật toán LinearFold AI của mình cho các nhóm khoa học và y tế đang làm việc để phát triển một loại vắc-xin trong giai đoạn đầu của đại dịch SARS-CoV-2. Thuật toán có thể dự đoán trình tự RNA của virus chỉ trong 27 giây, nhanh hơn 120 lần so với các phương pháp khác.

Xem thêm:

• Metaverse là gì? Liệu có một tương lai hứa hẹn nào cho Metaverse?
• Siri là gì? Cùng làm quen với cô trợ lý ảo nhà Apple
• Google Assistant là gì? Cô trợ lý ảo đa di năng của nhà Google

Vậy là qua bài viết trên, các bạn đã được tìm hiểu công nghệ AI là gì và ứng dụng của nó trong cuộc sống thường ngày của chúng ta. Nếu cảm thấy bài viết này có ích, hãy Like & Share để GhienCongNghe tiếp tục ra mắt những bài viết chất lượng hơn nhé.