AI vật lý – Áp dụng thực tiễn
Lê Quang Văn tổng hợp, giải thích và thực hiện phần kỹ thuật số.
Trong bài thứ hai về AI vật lý, chúng tôi trình bày chi tiết cách hoạt động của AI vật lý với dữ liệu cảm biến và những trường hợp áp dụng thực tế.
AI tạo sinh và các mô hình ngôn ngữ lớn đã mở ra những con đường mới cho sự đổi mới và hiểu biết trên toàn lĩnh vực kỹ thuật số. Điều này trở nên khả thi vì mô hình ngôn ngữ lớn được đào tạo trên các bộ dữ liệu văn bản internet khổng lồ có thể học cấu trúc cơ bản của ngôn ngữ. Điều gì sẽ xảy ra nếu các mô hình AI cũng có thể tìm hiểu cấu trúc cơ bản của các hành vi vật lý - thế giới vật lý xung quanh chúng ta thay đổi như thế nào theo không gian và thời gian? AI có thể giúp chúng ta hiểu hành vi của các hệ thống, đồ vật và con người trong thế giới thực?
Tại Archetype AI, chúng tôi tin rằng sự hiểu biết này có thể giúp giải quyết các vấn đề quan trọng nhất của nhân loại. Đó là lý do tại sao chúng tôi đang xây dựng một loại AI mới: AI vật lý, sự hợp nhất của trí tuệ nhân tạo với dữ liệu cảm biến trong thế giới thực, cho phép nhận thức, hiểu và lý luận theo thời gian thực về thế giới vật lý. Tầm nhìn của chúng tôi là mã hóa toàn bộ thế giới vật chất, nắm bắt các cấu trúc cơ bản và các mô hình ẩn của các hành vi vật lý.
Chúng tôi đang xây dựng mô hình nền tảng AI đầu tiên tìm hiểu về thế giới vật lý trực tiếp từ dữ liệu cảm biến, với mục tiêu giúp hiểu được các mô hình hành vi phức tạp của thế giới xung quanh chúng ta. Chúng tôi gọi nó là Mô hình hành vi lớn, hoặc LBM. Đây là cách nó hoạt động.
Lấy dữ liệu từ thế giới thực
Mô hình ngôn ngữ lớn lấy dữ liệu từ văn bản — kho văn bản khổng lồ mà con người đã thêm vào internet trong vài thập kỷ qua. Nhưng đó là mức độ hiểu biết của nó.
Trang web chỉ ghi lại một cái nhìn thoáng qua về bản chất thực sự của thế giới vật chất. Để thực sự hiểu các hành vi trong thế giới thực, một mô hình AI phải có khả năng diễn giải nhiều hơn dữ liệu thân thiện với con người như văn bản và hình ảnh. Nhiều hiện tượng vật lý nằm ngoài nhận thức trực tiếp của con người: chuyển động quá nhanh, phức tạp hoặc đơn giản nằm ngoài phạm vi những gì các giác quan sinh học của chúng ta có thể phát hiện. Ví dụ, chúng ta không thể nhìn thấy hoặc nghe thấy nhiệt độ của các vật thể hoặc thành phần hóa học của không khí. Một mô hình AI chỉ được đào tạo dựa trên cách giải thích của con người về thế giới vật chất vốn đã bị hạn chế và thiên vị trong sự hiểu biết của nó.
Mô hình nền tảng của chúng tôi tìm hiểu về thế giới vật lý trực tiếp từ dữ liệu cảm biến. Không chỉ máy ảnh và micrô, mà cả cảm biến nhiệt độ, cảm biến quán tính, radar, LIDAR, hồng ngoại, cảm biến áp suất, cảm biến hóa học và môi trường, v.v. Chúng ta được bao quanh bởi các cảm biến nắm bắt các đặc tính không gian, thời gian và vật chất phong phú của thế giới.
Các cảm biến khác nhau đo lường các tính chất và hiện tượng vật lý khác nhau có liên quan và tương quan. Để mã hóa toàn bộ thế giới vật lý, thông tin từ tất cả các cảm biến này phải được mã hóa, hợp nhất và xử lý thành một biểu diễn duy nhất. Sự hợp nhất này cho phép một cách tiếp cận toàn diện trong việc nhận thức và hiểu thế giới vật chất. Bằng cách cho phép mô hình nhập dữ liệu cảm biến trực tiếp từ thế giới vật lý, chúng ta có thể giúp nó tìm hiểu về thế giới mà không có thành kiến hoặc giới hạn nhận thức của con người.
Cũng giống như hàng petabyte văn bản trên web củng cố khả năng suy luận giống như con người của mô hình ngôn ngữ lớn, sự giàu có của dữ liệu cảm biến thế giới thực này có thể cho phép AI vật lý phát triển khả năng diễn giải và lý luận về thế giới vật lý.
Nhưng dữ liệu cảm biến không phải là văn bản. Kết hợp dữ liệu cảm biến đa phương thức vào mô hình AI không đơn giản vì các cảm biến khác nhau tạo ra các tín hiệu thô rất khác nhau: không chỉ ở định dạng dữ liệu mà còn ở thông tin mà dữ liệu đại diện. Các kỹ thuật học máy hiện tại yêu cầu một mô hình xử lý tùy chỉnh cho từng loại cảm biến. Cách tiếp cận này làm cho việc hợp nhất và giải thích