Một nhóm các nhà khoa học máy tính tại Viện Công nghệ Massachusetts (MIT) vừa công bố một bài báo nghiên cứu mang tính bước ngoặt, giải quyết một trong những nút thắt lớn nhất của ngành trí tuệ nhân tạo hiện nay: sự phụ thuộc vào dữ liệu được gán nhãn bởi con người. Phương pháp mới có tên gọi là "Self-Guided Contrastive Learning" (SGCL - Tự học tương phản tự hướng dẫn) cho phép các mô hình AI tự khám phá cấu trúc và ý nghĩa của dữ liệu thô một cách hiệu quả vượt trội.
Thông thường, để huấn luyện một mô hình AI nhận diện hình ảnh hoặc hiểu ngôn ngữ, các kỹ sư phải tốn hàng triệu USD và hàng nghìn giờ lao động để gán nhãn cho từng dữ liệu đầu vào. Với SGCL, mô hình AI sẽ tự động tạo ra các giả thuyết về mối quan hệ giữa các phần tử dữ liệu, sau đó tự kiểm chứng và điều chỉnh trọng số thông qua một thuật toán tối ưu hóa vòng lặp kín. Kết quả thử nghiệm cho thấy, mô hình được huấn luyện bằng SGCL đạt độ chính xác tương đương với các mô hình truyền thống nhưng sử dụng ít hơn 95% dữ liệu có gán nhãn.
Đột phá này mở ra cơ hội lớn cho việc ứng dụng AI vào các lĩnh vực đặc thù nơi dữ liệu cực kỳ khan hiếm hoặc khó gán nhãn, chẳng hạn như y học chính xác (precision medicine), phân tích vật lý thiên văn hay dự báo thiên tai. Việc giảm thiểu sự phụ thuộc vào nhãn dữ liệu cũng giúp loại bỏ đáng kể các định kiến (bias) do con người vô tình đưa vào trong quá trình gán nhãn thủ công.
Nghiên cứu này ngay lập tức nhận được sự tán dương từ cộng đồng khoa học toàn cầu. Nhiều chuyên gia nhận định đây có thể là viên gạch nền móng cho thế hệ Trí tuệ nhân tạo tổng quát (AGI) tiếp theo, nơi các hệ thống máy tính có khả năng tự học hỏi và thích nghi với môi trường thực tế tương tự như cách bộ não trẻ em khám phá thế giới xung quanh.