Khi AI trở thành từ khóa nổi bật của năm 2023, Trung Quốc đã sớm đặt nền móng từ 6 năm trước. Theo "Kế hoạch Phát triển AI Thế Hệ Mới" trong Kế hoạch 5 Năm lần thứ 13 vào 2016, nước này đã bắt đầu triển khai mục tiêu vươn lên dẫn đầu thế giới vào năm 2025 và xác định trở thành điểm nổi bật toàn cầu về đổi mới AI vào năm 2030, đặt AI làm trọng tâm để thúc đẩy cải tiến công nghiệp và chuyển đổi kinh tế.
Nhà khoa học Trung Quốc đang phát triển phương pháp mới cho việc huấn luyện AI, tích hợp kiến thức sẵn có như định luật vật lý và toán học, tạo ra "nhà khoa học AI" có khả năng tiến hành thí nghiệm và giải các vấn đề khoa học.
Bài báo Cell Press Nexus của các nhà nghiên cứu Trung Quốc cho thấy học sâu đã cải tiến nghiên cứu khoa học qua phân tích dữ liệu lớn nhưng cần thêm kiến thức cơ bản để tăng độ chính xác. Họ đã phát triển quy tắc cho AI tự chọn và tích hợp kiến thức, nâng cao hiệu quả.
Sora của OpenAI với khả năng biến văn bản thành video, có thể mô tả thực tế nhưng gặp hạn chế về mô phỏng thế giới vật lý. Dù được đào tạo từ dữ liệu hình ảnh lớn, Sora thiếu hiểu biết về nguyên tắc vật lý như trọng lực. Chen Yuntian từ EIT nhấn mạnh: "Mà không hiểu thế giới, mô hình chỉ tái tạo dữ liệu chứ không thể hiện thực tế".
Chen Yuntian, đồng tác giả và giáo sư tại EIT, nói rằng một mô hình AI mà thiếu hiểu biết cơ bản chỉ đơn giản tái tạo dữ liệu, không thực sự mô tả thực tế. Xu Hao từ Đại học Bắc Kinh, cũng là đồng tác giả, nhấn mạnh rằng tích hợp kiến thức con người vào AI có thể nâng cao hiệu quả và suy luận, nhưng cần tìm cách cân bằng giữa dữ liệu và kiến thức.
Nhóm nghiên cứu đã kiểm chứng phương pháp mới này qua việc tối ưu hóa mô hình giải phương trình toán đa biến và dự đoán kết quả thí nghiệm hóa học. Phương pháp mới này cải thiện khả năng đánh giá "mức độ quan trọng của các quy tắc", xác định ảnh hưởng của một quy tắc đặc biệt đến dự đoán của mô hình AI. AI sau đó sẽ học các quy tắc tối ưu - chẳng hạn như định luật vật lý, để tạo ra kết quả thực tế hơn.
Tuy nhiên, họ cũng nhận ra rằng việc thêm nhiều dữ liệu khiến mô hình ưu tiên quy tắc chung hơn là cụ thể, có thể ảnh hưởng đến chất lượng kết quả trong các ngành như sinh học và hóa học. Dẫu vậy, nhóm tin rằng phương pháp này sẽ cải thiện khả năng tự học của AI, giúp nó tự định hình kiến thức và quy tắc mà không cần sự can thiệp của con người.
