Các nhà nghiên cứu đã phát triển một thuật toán AI mới mang tên Torque Clustering, được đánh giá là tiến gần hơn đến trí thông minh tự nhiên so với các phương pháp hiện tại. Thuật toán này cải thiện đáng kể khả năng học hỏi và khám phá quy luật trong dữ liệu một cách độc lập, không cần sự hướng dẫn của con người.
Torque Clustering có thể phân tích dữ liệu khổng lồ một cách hiệu quả và tự động trong nhiều lĩnh vực như sinh học, hóa học, thiên văn học, tâm lý học, tài chính và y học, giúp phát hiện các mô hình bệnh tật, gian lận tài chính hoặc hành vi con người.
“Trong tự nhiên, động vật học bằng cách quan sát, khám phá và tương tác với môi trường mà không cần hướng dẫn cụ thể. Làn sóng tiếp theo của AI học không giám sát hướng tới việc mô phỏng cách học này,”
Giáo sư danh dự CT Lin từ Đại học Công nghệ Sydney (UTS) cho biết.
“Hầu hết các công nghệ AI hiện nay dựa vào học có giám sát, một phương pháp yêu cầu dữ liệu phải được gán nhãn bởi con người để AI có thể dự đoán và tìm ra mối quan hệ. Tuy nhiên, cách tiếp cận này có nhiều hạn chế như chi phí cao, tốn thời gian và khó áp dụng cho các bài toán phức tạp hoặc quy mô lớn.”
Một bài báo mô tả phương pháp Torque Clustering với tiêu đề “Autonomous clustering by fast find of mass and distance peaks” vừa được xuất bản trên tạp chí IEEE Transactions on Pattern Analysis and Machine Intelligence, một trong những tạp chí hàng đầu về trí tuệ nhân tạo.
Bước Đột Phá Trong Học Không Giám Sát
Torque Clustering vượt trội hơn các phương pháp học không giám sát truyền thống, tạo ra một sự thay đổi mô hình tiềm năng. Thuật toán này hoàn toàn tự động, không cần thông số đầu vào và có thể xử lý tập dữ liệu lớn với hiệu suất tính toán vượt trội.
Nó đã được kiểm tra trên 1.000 tập dữ liệu đa dạng và đạt điểm trung bình 97.7% theo thước đo thông tin tương hỗ điều chỉnh (AMI) – một chỉ số đánh giá chất lượng phân cụm. Trong khi đó, các phương pháp tiên tiến khác chỉ đạt khoảng 80%.
“Điểm khác biệt của Torque Clustering là nền tảng dựa trên khái niệm mô-men xoắn (torque), cho phép thuật toán nhận diện cụm dữ liệu một cách tự động và thích ứng linh hoạt với các loại dữ liệu có hình dạng, mật độ và mức độ nhiễu khác nhau,” Tiến sĩ Jie Yang, tác giả chính của nghiên cứu, cho biết.
“Nó được lấy cảm hứng từ sự cân bằng mô-men xoắn trong tương tác hấp dẫn khi các thiên hà hợp nhất. Dựa trên hai thuộc tính tự nhiên của vũ trụ là khối lượng và khoảng cách, phương pháp này không chỉ có ý nghĩa thực tiễn mà còn mang giá trị khoa học sâu sắc.”
“Năm ngoái, Giải Nobel Vật lý được trao cho các khám phá nền tảng giúp phát triển học máy có giám sát với mạng nơ-ron nhân tạo. Học máy không giám sát được lấy cảm hứng từ nguyên lý mô-men xoắn có tiềm năng tạo ra tác động tương tự,” Tiến sĩ Yang nhấn mạnh.
Hướng Tới Trí Tuệ Nhân Tạo Hoàn Toàn Tự Chủ
Torque Clustering có thể hỗ trợ phát triển trí tuệ nhân tạo tổng quát (AGI), đặc biệt trong lĩnh vực robot và hệ thống tự động, bằng cách tối ưu hóa chuyển động, điều khiển và ra quyết định. Phương pháp này dự kiến sẽ thay đổi hoàn toàn lĩnh vực học không giám sát, mở đường cho sự ra đời của AI thực sự tự chủ.
Mã nguồn mở của Torque Clustering hiện đã được công bố để các nhà nghiên cứu có thể tiếp tục phát triển và ứng dụng.
Tìm hiểu thêm tại: https://chatgpt.com/
