AI Không Thể Thay Thế Giáo Dục—Trừ Khi Chúng Ta Cho Phép

(SeaPRwire) –   Khi các buổi lễ tốt nghiệp tôn vinh lời hứa về một thế hệ sinh viên mới, một câu hỏi lớn được đặt ra: liệu AI có làm cho nền giáo dục của họ trở nên vô nghĩa?

Nhiều CEO nghĩ vậy. Họ mô tả một tương lai nơi AI sẽ thay thế các kỹ sư, bác sĩ và giáo viên. CEO của Meta gần đây đã dự đoán AI sẽ thay thế các kỹ sư cấp trung viết mã máy tính của công ty. Giám đốc điều hành của NVIDIA thậm chí còn tuyên bố bản thân việc viết mã đã trở nên lỗi thời.

Mặc dù Bill Gates thừa nhận tốc độ phát triển chóng mặt của AI là “sâu sắc và thậm chí có một chút đáng sợ”, nhưng ông ca ngợi cách nó có thể làm cho kiến thức tinh hoa trở nên phổ cập. Ông cũng hình dung một thế giới nơi AI thay thế các lập trình viên, bác sĩ và giáo viên, cung cấp lời khuyên y tế chất lượng cao và dạy kèm miễn phí.

Bất chấp những lời thổi phồng, AI không thể “suy nghĩ” cho chính nó hoặc hành động nếu không có con người – hiện tại là như vậy. Thật vậy, liệu AI có tăng cường khả năng học tập hay làm suy yếu sự hiểu biết hay không phụ thuộc vào một quyết định quan trọng: Liệu chúng ta có cho phép AI chỉ dự đoán các mẫu? Hay chúng ta sẽ yêu cầu nó giải thích, biện minh và bám sát các quy luật của thế giới chúng ta?

AI cần đến phán đoán của con người, không chỉ để giám sát đầu ra của nó mà còn để nhúng các biện pháp bảo vệ khoa học giúp định hướng, nền tảng và khả năng giải thích cho nó.

gần đây đã so sánh chatbot AI với một sinh viên khá giỏi tham gia một kỳ thi vấn đáp. “Khi họ biết câu trả lời, họ sẽ nói cho bạn biết, và khi họ không biết câu trả lời, họ thực sự giỏi trong việc nói dối,” ông nói tại một sự kiện tại Đại học Pennsylvania. Vì vậy, theo Sokal, trừ khi người dùng biết nhiều về một chủ đề nhất định, người ta có thể không bắt được một chatbot “nói dối”. Đối với tôi, điều đó nắm bắt một cách hoàn hảo cái gọi là “kiến thức” của AI. Nó bắt chước sự hiểu biết bằng cách dự đoán các chuỗi từ nhưng thiếu nền tảng khái niệm.

Đó là lý do tại sao các hệ thống AI “sáng tạo” và có về việc liệu các mô hình ngôn ngữ lớn có thực sự nắm bắt được sắc thái văn hóa hay không. Khi giáo viên rằng gia sư AI có thể cản trở khả năng tư duy phản biện của học sinh, hoặc bác sĩ chẩn đoán sai thuật toán, họ xác định cùng một sai sót: máy học rất giỏi trong việc nhận dạng mẫu, nhưng thiếu kiến thức sâu sắc có được từ kinh nghiệm tích lũy, có hệ thống của con người và phương pháp khoa học.

Đó là nơi một cung cấp một con đường phía trước. Nó tập trung vào việc nhúng kiến thức của con người trực tiếp vào cách máy móc học hỏi. PINNs (Physics-Informed Neural Networks) và MINNs (Mechanistically Informed Neural Networks) là những ví dụ. Tên có vẻ kỹ thuật, nhưng ý tưởng rất đơn giản: AI sẽ tốt hơn khi nó tuân theo các quy tắc, cho dù đó là định luật vật lý, hệ thống sinh học hay động lực xã hội. Điều đó có nghĩa là chúng ta vẫn cần con người không chỉ sử dụng kiến thức mà còn tạo ra nó. AI hoạt động tốt nhất khi nó học hỏi từ chúng ta.

Tôi thấy điều này trong công việc của mình với MINNs. Thay vì để một thuật toán đoán những gì hiệu quả dựa trên dữ liệu trong quá khứ, chúng tôi lập trình nó để tuân theo các nguyên tắc khoa học đã được thiết lập. Lấy một địa phương làm ví dụ. Đối với loại hình kinh doanh này, thời gian nở hoa là tất cả. Thu hoạch quá sớm hoặc quá muộn làm giảm hiệu lực của tinh dầu, gây tổn hại đến chất lượng và lợi nhuận. Một AI có thể lãng phí thời gian để sàng lọc các mẫu không liên quan. Tuy nhiên, một MINN bắt đầu với sinh học thực vật. Nó sử dụng các phương trình liên kết nhiệt, ánh sáng, sương giá và nước với sự nở hoa để đưa ra các dự đoán kịp thời và có ý nghĩa về mặt tài chính. Nhưng nó chỉ hoạt động khi nó biết thế giới vật lý, hóa học và sinh học hoạt động như thế nào. Kiến thức đó đến từ khoa học, do con người phát triển.

Hãy tưởng tượng việc áp dụng phương pháp này để phát hiện ung thư: các khối u vú phát ra nhiệt do tăng lưu lượng máu và sự trao đổi chất, và AI dự đoán có thể phân tích hàng ngàn hình ảnh nhiệt để xác định các khối u chỉ dựa trên các mẫu dữ liệu. Tuy nhiên, một MINN, giống như gần đây , sử dụng dữ liệu nhiệt độ bề mặt cơ thể và nhúng các quy luật truyền nhiệt sinh học trực tiếp vào mô hình. Điều đó có nghĩa là, thay vì đoán, nó hiểu cách nhiệt di chuyển qua cơ thể, cho phép nó xác định điều gì sai, nguyên nhân gây ra nó, tại sao và chính xác ở đâu bằng cách sử dụng vật lý của dòng nhiệt qua mô. Trong một trường hợp, một MINN đã dự đoán vị trí và kích thước của khối u trong vòng vài milimét, hoàn toàn dựa trên cách ung thư phá vỡ chữ ký nhiệt của cơ thể.

Bài học rút ra rất đơn giản: con người vẫn rất cần thiết. Khi AI trở nên tinh vi, vai trò của chúng ta không biến mất. Nó đang thay đổi. Con người cần phải “gọi là nói dối” khi một thuật toán tạo ra điều gì đó kỳ quái, thiên vị hoặc sai. Đó không chỉ là một điểm yếu của AI. Đó là thế mạnh lớn nhất của con người. Điều đó có nghĩa là kiến thức của chúng ta cũng cần phải phát triển để chúng ta có thể điều khiển công nghệ, kiểm soát nó, đảm bảo nó làm những gì chúng ta nghĩ nó làm và giúp đỡ mọi người trong quá trình này.

Mối đe dọa thực sự không phải là AI đang trở nên thông minh hơn. Đó là chúng ta có thể ngừng sử dụng trí thông minh của mình. Nếu chúng ta coi AI như một lời tiên tri, chúng ta có nguy cơ quên cách đặt câu hỏi, lý luận và nhận ra khi điều gì đó không có ý nghĩa. May mắn thay, tương lai không phải diễn ra như thế này.

Chúng ta có thể xây dựng các hệ thống minh bạch, dễ hiểu và dựa trên kiến thức tích lũy của con người về khoa học, đạo đức và văn hóa. Các nhà hoạch định chính sách có thể tài trợ cho nghiên cứu về AI có thể giải thích được. Các trường đại học có thể đào tạo sinh viên kết hợp kiến thức chuyên môn với các kỹ năng kỹ thuật. Các nhà phát triển có thể áp dụng các khuôn khổ như MINNs và PINNs, yêu cầu các mô hình phải đúng với thực tế. Và tất cả chúng ta — người dùng, cử tri, công dân — có thể yêu cầu AI phục vụ khoa học và sự thật khách quan, không chỉ các mối tương quan.

Sau hơn một thập kỷ giảng dạy thống kê và mô hình khoa học cấp đại học, giờ đây tôi tập trung vào việc giúp sinh viên hiểu cách các thuật toán hoạt động “bên dưới” bằng cách tự tìm hiểu các hệ thống, thay vì sử dụng chúng một cách máy móc. Mục tiêu là nâng cao kiến thức trên các ngôn ngữ liên kết với nhau của toán học, khoa học và mã hóa.

Cách tiếp cận này là cần thiết ngày nay. Chúng ta không cần thêm người dùng nhấp vào “tạo” trên các mô hình hộp đen. Chúng ta cần những người có thể hiểu logic của AI, mã và toán học của nó, và bắt được “lời nói dối” của nó.

AI sẽ không làm cho giáo dục trở nên không liên quan hoặc thay thế con người. Nhưng chúng ta có thể thay thế chính mình nếu chúng ta quên cách suy nghĩ độc lập và tại sao khoa học và sự hiểu biết sâu sắc lại quan trọng.

Sự lựa chọn không phải là từ chối hay chấp nhận AI. Đó là liệu chúng ta có đủ kiến thức và thông minh để hướng dẫn nó hay không.

“`