Google DeepMind và AlphaGo: Bước nhảy vọt của AI tự học và nước đi 37 làm rung chuyển Seoul
Cờ vây có số lượng thế cờ nhiều hơn tổng số nguyên tử trong toàn bộ vũ trụ quan sát được. Năm 2016, cỗ máy AlphaGo của DeepMind đã đánh bại huyền thoại thế giới Lee Sedol bằng nước đi 37 đi ngược lại 3.000 năm lịch sử nhân loại. Giải mã cơ chế Học tăng cường (Reinforcement Learning) và tương lai của Trí tuệ nhân tạo tổng quát (AGI).
1. Pháo đài bất khả xâm phạm cuối cùng của trí tuệ con người
Vào năm 1997, cỗ máy tính Deep Blue của IBM đã gây sốc toàn cầu khi đánh bại đại kiện tướng cờ vua số một thế giới Garry Kasparov. Nhưng trong mắt các nhà nghiên cứu khoa học máy tính, cờ vua vẫn chỉ là một bài toán tính toán cơ học: Deep Blue chiến thắng nhờ sức mạnh tính toán thô (Brute-force) có thể duyệt qua hàng trăm triệu nước đi mỗi giây.
Suốt hai thập kỷ sau đó, các chuyên gia tin rằng có một pháo đài mà máy tính không bao giờ có thể chinh phục được trong ít nhất 10 đến 20 năm nữa: Cờ vây (Go).
Khác với cờ vua (bàn cờ 8x8 với 64 ô), cờ vây thi đấu trên bàn cờ 19x19 với 361 điểm giao cắt. Số lượng thế cờ hợp lệ tiềm năng trong cờ vây ước tính lên tới $10^{170}$ – con số này lớn hơn gấp nhiều lần tổng số lượng nguyên tử tồn tại trong toàn bộ vũ trụ quan sát được (khoảng $10^{80}$). Không một siêu máy tính nào trên Trái Đất có đủ bộ nhớ hay thời gian để vét cạn các nước đi cờ vây bằng tính toán thô.
Người chơi cờ vây đỉnh cao không chỉ tính toán logic, mà họ dựa vào trực giác, cảm giác hình cờ và vẻ đẹp thẩm mỹ.
Thế nhưng, vào tháng 3 năm 2016 tại Seoul (Hàn Quốc), một sự kiện lịch sử đã diễn ra trước sự theo dõi của hơn 200 triệu khán giả truyền hình:
Huyền thoại cờ vây người Hàn Quốc – người từng giành 18 danh hiệu vô địch thế giới Lee Sedol – đã thất bại nặng nề với tỷ số 1-4 trước một chương trình trí tuệ nhân tạo mang tên AlphaGo, do công ty khởi nghiệp DeepMind tại London (thuộc sở hữu của Google) phát triển.
2. Deep Reinforcement Learning: Trí tuệ tự học từ số 0
Được thành lập vào năm 2010 bởi thần đồng cờ vua kiêm tiến sĩ thần kinh học Demis Hassabis cùng các cộng sự Shane Legg và Mustafa Suleyman, DeepMind theo đuổi một triết lý hoàn toàn khác biệt với AI truyền thống:
Thay vì lập trình các bộ quy tắc cố định (Expert Systems) do con người dạy, DeepMind áp dụng phương pháp Học tăng cường sâu (Deep Reinforcement Learning) – mô phỏng cách bộ não sinh học học hỏi thông qua tương tác, thử - sai và nhận phần thưởng từ môi trường.
CƠ CHẾ HỌC TĂNG CƯỜNG CỦA DEEPMIND
┌────────────────────────────────────────────────────────────────────────┐
│ TÁC TỬ AI (DeepMind Agent) │
└───────────────────┬────────────────────────────────▲───────────────────┘
│ │
│ Hành động (Action) │ Quan sát & Điểm thưởng
▼ │ (Observation & Reward)
┌────────────────────────────────────────────────────┴───────────────────┐
│ MÔI TRƯỜNG (Game / Bàn cờ) │
│ - Không được nạp trước luật chơi chi tiết │
│ - Chỉ nhận đầu vào là điểm ảnh thô (Pixels) và điểm số (Score) │
│ - Mục tiêu duy nhất: TỐI ĐA HÓA PHẦN THƯỞNG DÀI HẠN │
└────────────────────────────────────────────────────────────────────────┘Trước khi thách thức cờ vây, DeepMind đã chứng minh sức mạnh của mô hình này trên 49 tựa game cổ điển của hệ máy Atari 2600 (như Pong, Space Invaders, Breakout):
- Trong trò chơi Breakout (đập gạch), AI ban đầu chơi rất ngớ ngẩn, liên tục làm rơi bóng.
- Sau 200 ván chơi, AI đã bắt đầu đón bóng thành thạo.
- Đến ván thứ 300, điều kỳ diệu đã xảy ra: AI tự mình phát hiện ra một chiến lược tối thượng mà không cần con người chỉ bảo: Nó đào một đường hầm xuyên thủng góc cạnh bàn gạch để đưa quả bóng bay lên góc trên cùng, để quả bóng tự do nảy liên hoàn phía sau bức tường gạch và ghi điểm số tối đa.
Áp dụng vào cờ vây, DeepMind kết hợp hai mạng nơ-ron sâu cực mạnh:
- Mạng chính sách (Policy Network): Giúp AI thu hẹp phạm vi tìm kiếm, đánh giá và chỉ chọn ra những nước đi triển vọng nhất giống như trực giác của con người.
- Mạng giá trị (Value Network): Dự đoán xác suất thắng thua của thế cờ hiện tại thay vì phải tính toán đến tận cùng ván đấu, kết hợp với thuật toán Tìm kiếm cây Monte Carlo (MCTS).
3. Nước đi 37 và khoảnh khắc trực giác máy móc
Trận đấu giữa AlphaGo và Lee Sedol tại Seoul không chỉ là một cuộc so tài thể thao trí tuệ, mà là khoảnh khắc triết học sâu sắc về bản chất của trí thông minh.
Khoảnh khắc gây chấn động nhất diễn ra ở Ván 2, Nước đi thứ 37 (Move 37):
Khi trận đấu đang ở thế giằng co căng thẳng, AlphaGo đã đặt một quân cờ đen tại vị trí dòng thứ 5 từ mép bàn cờ. Trong suốt hơn 3.000 năm lịch sử cờ vây, đây là một nước đi bị cấm kỵ: Các kỳ thủ được dạy từ nhỏ rằng đặt quân cờ ở dòng thứ 5 trong giai đoạn khai cuộc là hoàn toàn vô dụng và sẽ bị đối phương bao vây tiêu diệt.
KHOẢNH KHẮC NƯỚC ĐI 37 TRONG VÁN 2:
AlphaGo đặt quân cờ vào dòng 5 (Move 37)
│
▼
Các bình luận viên đại kiện tướng ngỡ ngàng: "Đây là một lỗi lập trình!"
│
▼
Lee Sedol chết lặng, đứng dậy rời khỏi phòng thi đấu hơn 15 phút
│
▼
50 nước đi sau: Nước đi 37 phát huy tác dụng bao quát toàn cục bàn cờ
Nó kết nối hoàn hảo với các nhóm quân xa xôi, bóp nghẹt hoàn toàn thế trận của Lee Sedol
│
▼
KẾT LUẬN: ĐÂY KHÔNG PHẢI LỖI, MÀ LÀ MỘT TRÍ TUỆ CHIẾN LƯỢC VƯỢT NGOÀI TRÍ TƯỞNG TƯỢNG CỦA CON NGƯỜISau trận đấu, nhóm kỹ sư DeepMind tiết lộ dữ liệu: Hệ thống tính toán rằng xác suất một kỳ thủ con người đi nước đi đó là dưới 1 phần 10.000. AlphaGo đã nhìn thấy một không gian chiến lược mà loài người chưa từng khám phá ra trong suốt 3 thiên niên kỷ.
Tuy nhiên, loài người cũng có khoảnh khắc tỏa sáng của riêng mình: Ở Ván 4, Nước đi 78 (Move 78 - “Nước đi thần thánh”), Lee Sedol đã thực hiện một nước nêm cờ kỳ ảo xuyên thủng tính toán của AlphaGo, khiến hệ thống rơi vào trạng thái bối rối và mang về chiến thắng duy nhất cho con người. Đó là trận thua duy nhất của AlphaGo trước một kỳ thủ nhân loại.
Chưa dừng lại ở đó, DeepMind tiếp tục phát triển phiên bản AlphaGo Zero: Phiên bản này hoàn toàn không sử dụng bất kỳ dữ liệu ván cờ nào của con người. Bắt đầu từ con số 0 tròn trĩnh, AlphaGo Zero chỉ tự chơi cờ với chính nó hàng triệu ván trong 40 ngày. Kết quả: Nó đánh bại phiên bản AlphaGo từng thắng Lee Sedol với tỷ số tuyệt đối 100-0.
4. Bốn bài học sâu sắc từ cuộc cách mạng DeepMind
Chiến thắng của DeepMind không dừng lại trên bàn cờ mà mở ra kỷ nguyên mới cho toàn bộ nền văn minh:
- AI không còn bị giới hạn bởi định kiến của con người: Khi con người dạy AI, chúng ta vô tình truyền dạy cả những thói quen và định kiến sai lầm tích lũy hàng nghìn năm. Việc AlphaGo Zero vượt trội hơn nhờ tự học chứng minh rằng trí tuệ máy móc có thể tìm ra những quy luật tự nhiên sâu sắc hơn nếu được giải phóng khỏi lối mòn tư duy con người.
- Từ giải trí đến giải quyết các bài toán khoa học cơ bản: Demis Hassabis đã chứng minh cờ vây chỉ là bài tập thử nghiệm. DeepMind sau đó đã dùng chính kiến trúc này để giải bài toán Gấp cuộn Protein 50 năm của sinh học (AlphaFold) – giải mã cấu trúc của hơn 200 triệu protein, thúc đẩy ngành dược phẩm và y sinh toàn cầu tiến bước cả thế kỷ.
- Hiệu quả thực tế tại các cơ sở hạ tầng công nghiệp: Bằng việc ứng dụng thuật toán học máy vào hệ thống điều hòa tại các trung tâm dữ liệu khổng lồ của Google, DeepMind đã cắt giảm tới 40% năng lượng làm mát, tiết kiệm hàng trăm triệu USD chi phí tiền điện mỗi năm.
- Sự hợp tác giữa trực giác con người và sức mạnh máy móc: Lee Sedol từng chia sẻ rằng sau khi thi đấu với AlphaGo, tư duy cờ vây của ông đã thay đổi hoàn toàn và ông cảm thấy mình tự do hơn trong các nước đi. AI không sinh ra để tiêu diệt con người, mà là tấm gương phản chiếu giúp nhân loại nhận ra những giới hạn của chính mình để bứt phá.
📜 Xem toàn bộ transcript gốc tiếng Anh (2,261 từ)
Văn bản phụ đề nguyên bản tiếng Anh trích xuất trực tiếp từ video của ColdFusion phục vụ tra cứu và đối chiếu: