CHUẨN BỊ CHO TƯƠNG LAI CỦA TRÍ TUỆ NHÂN TẠO

CHUẨN BỊ CHO TƯƠNG LAI CỦA TRÍ TUỆ NHÂN TẠO MỤC LỤC LỜI NÓI ĐẦU 1 GIỚI THIỆU 1.1 Lược sử TTNT 1.2 Trí tuệ nhân tạo gì? 1.3 Hiện trạng phát triển TTNT CÁC ỨNG DỤNG CỦA TTNT CHO HÀNG HÓA CÔNG 11 TRÍ TUỆ NHÂN TẠO TRONG CHÍNH PHỦ 13 TRÍ TUỆ NHÂN TẠO VÀ QUY ĐỊNH 14 Nghiên cứu điển hình: Xe ô-tô máy bay tự trị 16 NGHIÊN CỨU VÀ LỰC LƯỢNG LAO ĐỘNG 21 5.1 Giám sát tiến độ TTNT 21 5.2 Hỗ trợ liên bang cho TTNT 23 5.3 Phát triển đa dạng lực lượng lao động 25 5.4 Thách thức đa dạng 27 TRÍ TUỆ NHÂN TẠO, TỰ ĐỘNG HÓA VÀ KINH TẾ 28 CÔNG BẰNG, AN TOÀN, VÀ QUẢN TRỊ 29 7.1 Luật pháp, Công bằng, trách nhiệm 29 7.2 An toàn kiểm soát 32 NHỮNG SỰ CÂN NHẮC VÀ AN NINH TOÀN CẦU 35 8.1 Hợp tác quốc tế 35 8.2 Trí tuệ nhân tạo an ninh mạng 36 8.3 Trí tuệ nhân tạo hệ thống vũ khí 37 KẾT LUẬN 39 LỜI NÓI ĐẦU Những tiến công nghệ Trí tuệ nhân tạo mở thị trường hội cho tiến lĩnh vực quan trọng y tế, giáo dục, lượng môi trường Trong năm gần đây, máy móc vượt người việc thực số nhiệm vụ cụ thể đó, chẳng hạn số khía cạnh nhận dạng hình ảnh Các chuyên gia dự báo tiếp tục có tiến nhanh chóng lĩnh vực trí tuệ nhân tạo chuyên ngành Mặc dù không máy móc thể trí tuệ ứng dụng rộng rãi tương đương vượt người vòng 20 năm tới, kỳ vọng đạt vượt hiệu suất người ngày nhiều nhiệm vụ Để góp phần chuẩn bị tương lai, Trí tuệ nhân tạo đóng vai trò ngày cao, nghiên cứu tiến hành khảo sát trạng Trí tuệ nhân tạo, ứng dụng tiềm nó, vấn đề nảy sinh xã hội sách công tiến Trí tuệ nhân tạo, đồng thời đưa khuyến cáo cho hành động cụ thể quan phủ chủ thể Tổng luận "Chuẩn bị cho tương lai trí tuệ nhân tạo" dựa Báo cáo tên Tiểu ban Máy học trí tuệ nhân tạo Hội đồng KH&CN Quốc gia Hoa Kỳ xây dựng để thúc đẩy phối hợp liên ngành, cung cấp tư vấn kỹ thuật sách chủ đề liên quan đến Trí tuệ nhân tạo, theo dõi phát triển công nghệ Trí tuệ nhân tạo ngành công nghiệp, cộng đồng nghiên cứu Chính phủ Trong năm tới, Trí tuệ nhân tạo tiếp tục đóng góp vào tăng trưởng kinh tế công cụ có giá trị cho cải thiện giới, ngành công nghiệp, xã hội dân phủ với để phát triển khía cạnh tích cực công nghệ, quản lý rủi ro thách thức Trí tuệ nhân tạo, đảm bảo người có hội giúp đỡ việc xây dựng xã hội gia tăng Trí tuệ nhân tạo thụ hưởng lợi ích Cục Thông tin khoa học công nghệ quốc gia xin trân trọng giới thiệu CỤC THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ QUỐC GIA CÁC CHỮ VIẾT TẮT DARPA Cục Dự án nghiên cứu quốc phòng cao cấp (Hoa Kỳ) FAA Cục Hàng không liên bang LAWS Hệ thống vũ khí sát thương tự động NC&PT Nghiên cứu khoa học phát triển công nghệ NHTSA Cục an toàn giao thông đường cao tốc quốc gia NIH Viện Y tế quốc gia (Hoa Kỳ) NSF Quỹ Khoa học Quốc gia (Hoa Kỳ) NSTC Hội đồng KH&CN Quốc gia (Hoa Kỳ) OSTP Văn phòng Chính sách Khoa học Công nghệ (Hoa Kỳ) STEM Khoa học, công nghệ, kỹ thuật toán học TTNT Trí tuệ nhân tạo UAS Hệ thống bay không người lái CHUẨN BỊ CHO TƯƠNG LAI CỦA TRÍ TUỆ NHÂN TẠO GIỚI THIỆU Trí tuệ nhân tạo (TTNT) có tiềm giúp giải số thách thức lớn mà xã hội phải đối mặt Xe ô-tô thông minh cứu hàng trăm nghìn mạng sống năm toàn giới, tăng khả động cho người già người khuyết tật Các tòa nhà thông minh tiết kiệm lượng giảm lượng khí thải cacbon Y học xác kéo dài tuổi thọ nâng cao chất lượng sống Chính phủ thông minh phục vụ người dân cách nhanh chóng hơn, xác, tiết kiệm tiền bạc Giáo dục với tăng cường TTNT giúp giáo viên cung cấp cho đứa trẻ giáo dục mở sống an toàn đầy đủ Đó vài số lợi ích tiềm năng, công nghệ phát triển với xem xét đầy đủ lợi ích với nguy thách thức Hoa Kỳ đầu nghiên cứu TTNT, chủ yếu hỗ trợ nguồn kinh phí tài trợ nghiên cứu Liên bang triển khai phòng thí nghiệm phủ Hỗ trợ Chính phủ Mỹ cho NC&PT TTNT công khai thực thông qua chương trình Nghiên cứu phát triển Công nghệ thông tin Mạng hỗ trợ chủ yếu Cục Dự án nghiên cứu quốc phòng cao cấp (DARPA), Quỹ Khoa học Quốc gia (NSF), Viện Y tế quốc gia (NIH), Văn phòng Nghiên cứu Hải quân (ONR) Cơ quan dự án nghiên cứu tình báo tiên tiến (IARPA) Những nỗ lực nghiên cứu quốc gia lớn Sáng kiến điện toán chiến lược quốc gia, Sáng kiến liệu lớn, Sáng kiến Nghiên cứu não thông qua Các công nghệ thần kinh sáng tạo tiên tiến (BRAIN) gián tiếp đóng góp cho tiến nghiên cứu TTNT Những lợi ích dự kiến công nghệ TTNT vô to lớn, làm tăng thêm sức sống kinh tế quốc gia làm tăng suất hạnh phúc nhân dân 1.1 Lược sử TTNT Chế tạo máy tính với trí thông minh giống người ước mơ chuyên gia máy tính kể từ buổi bình minh máy tính điện tử Mặc dù thuật ngữ "trí tuệ nhân tạo" nêu vào năm 1956, gốc rễ lĩnh vực xuất phát từ năm 1940 ý tưởng TTNT kết tinh báo tiếng vào năm 1950 Alan Turing, "Máy tính điện tử Trí tuệ." Bài báo Turing đặt câu hỏi: "Liệu máy tư duy?" Nó đề xuất kiểm tra để trả lời câu hỏi đó, nêu khả máy tính lập trình để học kinh nghiệm giống đứa trẻ Trong thập kỷ tiếp theo, lĩnh vực TTNT trải qua thăng trầm số vấn đề nghiên cứu TTNT tỏ khó khăn so với dự kiến số nghiên cứu chứng minh vượt qua với công nghệ thời điểm Cho đến cuối thập niên 1990, tiến nghiên cứu TTNT bắt đầu gia tăng, nhà nghiên cứu tập trung nhiều vấn đề nhánh TTNT ứng dụng TTNT với vấn đề thực tế nhận dạng hình ảnh chẩn đoán y tế Dấu mốc khởi đầu chiến thắng máy tính chơi cờ vua Deep Blue IBM trước nhà vô địch giới Garry Kasparov vào năm 1997 Các đột phá quan trọng khác bao gồm Phần tử nhận thức Học Tổ chức (CALO) DARPA, dẫn đến ứng dụng công nghệ Siri Apple Inc; Chiến thắng máy tính hỏi-đáp Watson IBM chương trình trò chơi truyền hình "Jeopardy!"; thành công đáng ngạc nhiên xe tự lái thi Grand Challenge năm 2000 Làn sóng tiến đam mê TTNT khoảng năm 2010, ba yếu tố hỗ trợ lẫn là: tồn liệu lớn từ nguồn bao gồm thương mại điện tử, doanh nghiệp, phương tiện truyền thông xã hội, khoa học, phủ…; cung cấp nguyên liệu cho thuật toán phương pháp nghiên cứu máy học tiên tiến; qua dựa vào khả máy tính công suất mạnh Trong thời gian này, tốc độ cải thiện gây ngạc nhiên cho chuyên gia TTNT Ví dụ, kiểm tra thách thức nhận dạng hình ảnh thông thường có phần trăm tỷ lệ lỗi người lỗi đo được, kết tốt TTNT cải thiện từ tỷ lệ lỗi 26 phần trăm năm 2011 xuống 3,5 phần trăm năm 2015 Cùng với đó, ngành công nghiệp tăng cường đầu tư vào TTNT Trong năm 2016, Giám đốc điều hành Google, Sundar Pichai cho biết, "Máy học [một nhánh TTNT] cách thay đổi cốt lõi mà qua suy nghĩ lại cách thức làm thứ Chúng thận trọng áp dụng lên tất sản phẩm chúng tôi, tìm kiếm, quảng cáo, YouTube, Play Và ngày đầu, bạn thấy - theo cách có hệ thống - áp dụng máy học tất lĩnh vực này." Quan điểm TTNT ảnh hưởng rộng rãi đến cách phần mềm tạo cung cấp giám đốc ngành công nghệ chia sẻ rộng rãi, có Ginni Rometty IBM, người nói tổ chức bà đánh cược công ty vào TTNT 1.2 Trí tuệ nhân tạo gì? TTNT chưa có định nghĩa thống nhà nghiên cứu chấp nhận rộng rãi Một số định nghĩa tương đối TTNT hệ thống máy tính thể hành vi thường coi đòi hỏi trí thông minh Một số khác định nghĩa TTNT hệ thống có khả giải hợp lý vấn đề phức tạp có hành động thích hợp để đạt mục tiêu hoàn cảnh gặp phải thực tế Các chuyên gia đưa phân loại khác vấn đề giải pháp TTNT Tài liệu TTNT phổ biến sử dụng phân loại sau đây: (1) hệ thống có tư người (ví dụ, mạng lưới thần kinh kiến trúc nhận thức); (2) hệ thống hành động người (ví dụ, thông qua kiểm tra Turing qua xử lý ngôn ngữ tự nhiên; biểu diễn tri thức, suy luận tự động học tập), (3) hệ thống tư hợp lý (ví dụ, giải logic, suy luận, tối ưu hóa); (4) hệ thống hành động hợp lý (ví dụ, phần tử phần mềm thông minh robot đạt mục tiêu thông qua nhận thức, lên kế hoạch, lý luận, học tập, giao tiếp, định, hành động) Một cách độc lập, nhà đầu tư mạo hiểm Frank Chen chia nhỏ không gian vấn đề TTNT thành năm nhóm chính: suy luận logic, thể tri thức, lập kế hoạch định hướng, xử lý ngôn ngữ tự nhiên, nhận thức Còn nhà nghiên cứu TTNT, Pedro Domingos gán cho nhà nghiên cứu TTNT thành năm "nhóm" dựa phương pháp họ sử dụng: "Nhóm biểu tượng" sử dụng hợp lý luận dựa biểu tượng trừu tượng, "Nhóm liên kết" xây dựng cấu trúc lấy cảm hứng từ não người; "Nhóm tiến hóa" sử dụng phương pháp lấy cảm hứng từ tiến hóa Darwin; "Nhóm Bayes" sử dụng suy luận theo xác suất; "Nhóm analog" ngoại suy từ trường hợp tương tự thấy trước Sự đa dạng vấn đề giải pháp TTNT, tảng TTNT đánh giá hoạt động người độ xác thuật toán, gây khó khăn cho việc xác định rõ ràng khác biệt tạo nên TTNT không Ví dụ, nhiều kỹ thuật sử dụng để phân tích khối lượng lớn liệu nhà nghiên cứu TTNT phát triển chúng định nghĩa thuật toán hệ thống "Dữ liệu lớn" (Big Data) Trong số trường hợp, quan điểm thay đổi, nghĩa vấn đề coi cần có cho TTNT trước giải quyết, có giải pháp lại coi việc xử lý liệu thông thường Mặc dù ranh giới TTNT không chắn có xu hướng thay đổi theo thời gian, điều quan trọng mục tiêu nghiên cứu ứng dụng TTNT qua năm tự động hóa lặp lại hành vi thông minh 1.3 Hiện trạng phát triển TTNT Cho đến nay, có nhiều tiến đáng kể TTNT Hẹp (Narrow AI), nhằm giải lĩnh vực ứng dụng cụ thể chơi trò chơi chiến lược, dịch thuật, xe tự lái, nhận diện hình ảnh TTNT Hẹp hỗ trợ nhiều dịch vụ thương mại lên kế hoạch chuyến đi, hệ thống khuyến nghị người mua hàng nhắm mục tiêu quảng cáo, tìm kiếm ứng dụng quan trọng chẩn đoán y tế, giáo dục nghiên cứu khoa học Tất ứng dụng có lợi ích xã hội đáng kể góp phần vào sức sống kinh tế quốc gia TTNT phổ quát (đôi gọi trí tuệ phổ quát nhân tạo, AGI) hệ thống TTNT tương lai có khả thể hành vi thông minh rõ ràng tiên tiến người phạm vi đầy đủ nhiệm vụ nhận thức TTNT khoảng cách lớn với thách thức khó khăn TTNT phổ quát Những nỗ lực để đạt TTNT phổ quát cách mở rộng giải pháp TTNT hẹp đạt tiến triển nhiều thập kỷ nghiên cứu Cộng đồng chuyên gia trí TTNT phổ quát đạt sau nhiều thập kỷ Con người từ lâu suy đoán tác động máy tính ngày trở nên thông minh người Một số dự đoán TTNT đủ thông minh thực nhiệm vụ phát triển hệ thống thông minh hơn, chí tốt hơn, đến lượt chúng sử dụng để tạo hệ thống thông minh nữa, vậy, dẫn đến suy luận "bùng nổ trí thông minh" "kỳ dị", máy móc nhanh chóng vượt xa người trí tuệ Trong viễn cảnh đen tối trình này, máy móc siêu thông minh vượt khả người để hiểu kiểm soát chúng Nếu máy tính đưa vào kiểm soát nhiều hệ thống quan trọng, kết tàn phá, lúc người không kiểm soát vận mệnh mình, chí tồi tệ đến mức bị tuyệt chủng Kịch từ lâu chủ đề câu chuyện khoa học viễn tưởng, tuyên bố gần số nhà lãnh đạo ngành công nghiệp có ảnh hưởng nêu bật nỗi lo sợ Quan điểm tích cực tương lai nhiều nhà nghiên cứu nhận thấy, phát triển hệ thống thông minh làm việc người giúp đỡ, trợ lý, huấn luyện, đồng đội người, thiết kế để hoạt động cách an toàn có đạo đức Đánh giá Ban công nghệ Hội đồng KH&CN Quốc gia Hoa Kỳ (NSTC) lo ngại lâu dài TTNT phổ quát siêu thông minh có ảnh hưởng đến sách hành Các sách Chính phủ liên bang nên áp dụng thời gian ngắn đến trung bình Cách tốt để xây dựng lực giải rủi ro tích lũy dài hạn công rủi ro nghiêm trọng thấy nay, an ninh, bảo mật rủi ro an toàn, đầu tư vào nghiên cứu khả dài hạn làm kiểm soát thách thức chúng Ngoài ra, nghiên cứu ứng dụng lĩnh vực tiếp tục phát triển, người thực TTNT phủ doanh nghiệp nên tiếp cận tiến với việc cân nhắc thỏa đáng vấn đề xã hội đạo đức dài hạn - không vấn đề kỹ thuật - mà tiến báo trước Mặc dù thận trọng trước khả ngày siêu trí tuệ có hại trở thành thực, lo ngại động lực sách công TTNT Máy học Máy học phương pháp tiếp cận kỹ thuật quan trọng TTNT sở nhiều tiến ứng dụng thương mại gần TTNT Máy học đại trình thống kê bắt đầu với tập hợp liệu cố gắng để đưa quy tắc quy trình thủ tục giải thích liệu dự đoán liệu tương lai Phương pháp tiếp cận - học từ liệu - tương phản với phương pháp "hệ chuyên gia" cũ cho TTNT, lập trình viên ngồi với chuyên gia người để tìm hiểu quy tắc tiêu chí sử dụng để định, đưa quy tắc thành mã phần mềm Hệ chuyên gia nhằm mục đích cạnh tranh với nguyên tắc chuyên gia người sử dụng, máy học dựa phương pháp thống kê để tìm quy trình thủ tục định hoạt động tốt thực tế Lợi máy học sử dụng trường hợp không khả thi khó viết quy tắc rõ ràng để giải vấn đề Ví dụ, công ty điều hành dịch vụ trực tuyến sử dụng máy học để phát nỗ lực đăng nhập người sử dụng lừa đảo Công ty bắt đầu với tập liệu lớn lần đăng nhập khứ, với lần gắn nhãn gian lận không sử dụng lợi ích gợi ý (hindsight) Dựa tập liệu này, công ty sử dụng máy học để đưa quy tắc áp dụng cho lần đăng nhập tương lai dự đoán đăng nhập nhiều khả lừa đảo phải chịu thử thách vượt qua thêm biện pháp bảo mật Theo nghĩa đó, máy học thuật toán để giải vấn đề cụ thể, mà cách tiếp cận tổng quát để tìm giải pháp cho nhiều vấn đề khác nhau, dựa liệu chúng Để áp dụng máy học, người thực bắt đầu với tập hợp liệu lịch sử, chia thành đào tạo kiểm tra Người thực lựa chọn mô hình, hay cấu trúc toán học đặc trưng cho loạt quy tắc định với thông số điều chỉnh khác Có thể hình dung mô hình "hộp" áp dụng quy tắc, thông số núm điều chỉnh mặt trước hộp điều khiển cho hộp hoạt động Trong thực tế, mô hình có nhiều triệu thông số Người thực xác định hàm mục tiêu sử dụng để đánh giá mức độ cần thiết sản phẩm thu kết lựa chọn thông số cụ thể Hàm mục tiêu thường có phần cho mô hình thật phù hợp với liệu đào tạo, phần cho việc sử dụng quy tắc đơn giản Đào tạo mô hình trình điều chỉnh thông số để tối đa hóa hàm mục tiêu Đào tạo bước kỹ thuật khó máy học Một mô hình với hàng triệu thông số có kết khả lớn nhiều so với thuật toán nào, thuật toán đào tạo thành công phải thông minh cách chúng khám phá không gian tập hợp thông số để tìm tập hợp tốt với mức độ nỗ lực tính toán khả thi Khi mô hình đào tạo, người thực sử dụng kiểm tra để đánh giá độ xác hiệu mô hình Mục tiêu máy học để tạo mô hình đào tạo khái quát hóa - xác không ví dụ liệu đào tạo, mà trường hợp tương lai mà chưa gặp trước Mặc dù nhiều mô hình đạt mức hiệu suất tốt so với người nhiệm vụ hẹp gắn nhãn hình ảnh, mô hình tốt thất bại theo cách lường trước Ví dụ, nhiều mô hình gắn nhãn hình ảnh tạo hình ảnh rõ ràng nhiễu ngẫu nhiên người, dán nhãn cách sai trái đối tượng cụ thể với tự tin cao mô hình đào tạo Một thách thức khác việc sử dụng máy học thường trích xuất hay tạo giải thích đơn giản cho việc mô hình đào tạo cụ thể có hiệu Do mô hình đào tạo có số lượng lớn thông số thay đổi - thường lên tới hàng trăm triệu nhiều - việc đào tạo mang lại mô hình "hoạt động", theo nghĩa phù hợp với liệu, không thiết phải mô hình hoạt động đơn giản Trong việc định người, độ mờ đục trình thường đủ thông tin lý định vậy, người định trình bày rõ lý định "cảm thấy đúng." Với máy học, tất thứ thủ tục định biết đến với xác toán học, đơn giản nhiều thông tin để giải thích cách rõ ràng Học sâu Trong năm gần đây, vài số tiến ấn tượng máy học thuộc nhánh học sâu (deep learrning), gọi mạng học sâu Học sâu sử dụng cấu trúc lỏng lẻo lấy cảm hứng từ não người, bao gồm tập hợp đơn vị (hay "nơron thần kinh") Mỗi đơn vị kết hợp tập giá trị đầu vào để sản sinh giá trị đầu ra, giá trị lại chuyển cho tế bào thần kinh khác tuyến Ví dụ, ứng dụng nhận dạng hình ảnh, lớp đơn vị thứ kết hợp liệu thô ảnh để nhận dạng mẫu đơn giản hình ảnh; lớp đơn vị thứ hai kết hợp kết lớp để nhận mẫu - - mẫu; lớp thứ ba kết hợp kết lớp thứ hai; tiếp diễn Các mạng học sâu thường sử dụng nhiều lớp - đến 100 - thường sử dụng số lượng lớn đơn vị lớp, phép nhận dạng mẫu xác vô phức tạp liệu Trong năm gần đây, lý thuyết làm để xây dựng đào tạo mạng học sâu xuất hiện, có hệ thống máy tính nhanh hơn, lớn hơn, cho phép sử dụng mạng học sâu lớn nhiều Sự thành công đáng kể mạng lớn nhiều nhiệm vụ máy học làm bất ngờ cho số chuyên gia, nguyên nhân sóng nhiệt tình nhà nghiên cứu thực hành TTNT dấn thân vào lĩnh vực máy học Tự chủ tự động TTNT thường áp dụng cho hệ thống điều khiển thiết bị truyền động vật lý kích hoạt vận hành trực tuyến Khi TTNT tiếp xúc Một giới TTNT hỗ trợ đòi hỏi công dân thông thạo liệu tức có khả đọc, sử dụng, giải thích, truyền đạt giao tiếp liệu, tham gia vào tranh luận sách vấn đề bị ảnh hưởng TTNT Giáo dục khoa học liệu sớm tiểu học hay trung học giúp cải thiện thông thạo liệu toàn quốc, đồng thời trang bị cho sinh viên khái niệm khoa học liệu tiên tiến chương trình sau trung học Giáo dục TTNT thành phần Chương trình Khoa học máy tính cho Mọi người, sáng kiến Tổng thống giúp tất học sinh Mỹ từ mẫu giáo đến trung học học khoa học máy tính trang bị kỹ tư tính toán cần cho nhà sáng tạo, không người tiêu dùng, kinh tế kỹ thuật số, công dân tích cực giới dựa công nghệ Nền kinh tế Mỹ nhanh chóng chuyển đổi, nhà giáo dục lẫn lãnh đạo doanh nghiệp ngày nhận khoa học máy tính kỹ "cơ mới" cần thiết cho hội kinh tế động xã hội Khoa học máy tính cho Mọi người xây dựng dựa nỗ lực bậc cha mẹ, giáo viên, nhà lãnh đạo trường học, nhà lãnh đạo khu vực tư nhân khắp đất nước cách để đáp ứng thách thức chuẩn bị lực lượng lao động tương lai cho nhu cầu kinh tế dựa TTNT 5.4 Thách thức đa dạng Tất ngành đối mặt với thách thức làm để đa dạng hóa lực lượng lao động TTNT Việc thiếu đa dạng giới tính chủng tộc lực lượng lao động TTNT phản ánh thiếu đa dạng ngành công nghiệp công nghệ lĩnh vực khoa học máy tính nói chung Phát triển hết tiềm người dân Mỹ, đặc biệt lĩnh vực STEM, kinh doanh, công nghiệp công nghệ ưu tiên Chính quyền Tầm quan trọng cá nhân bao gồm đa dạng tảng, kinh nghiệm sắc, đặc biệt phụ nữ thành viên nhóm sắc dân tộc truyền thống diện STEM, thách thức quan trọng ưu tiên cao khoa học máy tính TTNT Chỉ 18 phần trăm sinh viên tốt nghiệp khoa học máy tính phụ nữ, giảm từ mức đỉnh 37 phần trăm 1984 Mặc dù thiếu liệu nhân học báo cáo lực lượng lao động TTNT, có số thống kê Tại Hội nghị Hệ thống xử lý thông tin thần kinh (NIPS) năm 2015, hội nghị lớn năm nghiên cứu TTNT, 13,7 phần trăm người tham gia hội nghị phụ nữ Sau nhìn thấy đại diện thấp 27 tương tự hội nghị máy thông minh, lúc người nữ diễn giả từ ngành công nghiệp, giám đốc điều hành đồng sáng lập Textio, công ty khởi nghiệp áp dụng TTNT cho soạn email thông báo việc làm tuyển dụng, định điều tra thêm ngôn ngữ tuyển dụng ngành công nghiệp Khi công ty phân tích 78.768 danh sách vị trí công việc kỹ thuật, họ phát thấy thông tin việc làm cho kỹ sư phần mềm lĩnh vực máy thông minh có số thiên vị nam giới nhiều gấp đôi lĩnh vực khác Thách thức đa dạng không giới hạn giới tính So với tỷ lệ dân cư họ dân số Hoa Kỳ, người Mỹ gốc Phi, gốc Tây Ban Nha, thành viên nhóm thiểu số chủng tộc dân tộc khác có diện vô thấp lực lượng lao động STEM, khoa học máy tính, lực lượng lao động công nghiệp công nghệ, kể lĩnh vực TTNT Nhiều ý kiến chuyển tới OSTP thảo luận thách thức đa dạng Các bình luận tập trung vào tầm quan trọng TTNT tạo sử dụng cho nhóm dân cư đa dạng Làm giúp tránh hậu tiêu cực phát triển TTNT tập trung phạm vi hẹp, bao gồm nguy thành kiến phát triển thuật toán, cách tận dụng phổ rộng kinh nghiệm, tảng, quan điểm Các chủ đề bao trùm rộng rãi hội thảo công cộng Một số nghiên cứu tác động thiếu đa dạng lực lượng lao động TTNT lên thiết kế công nghệ TTNT tác động xã hội TTNT Sự phong phú nghiên cứu tăng lên tụt hậu so với tài liệu nhu cầu phát triển lực lượng lao động TTNT rộng TRÍ TUỆ NHÂN TẠO, TỰ ĐỘNG HÓA VÀ KINH TẾ Hiệu kinh tế trung tâm TTNT ngắn hạn tự động hóa nhiệm vụ mà làm tự động trước Có số tiền lệ lịch sử cho sóng tự động hóa mà từ học hỏi, số cách thức TTNT khác Chính phủ phải hiểu tác động tiềm để đua sách tổ chức hỗ trợ lợi ích TTNT, đồng thời giảm thấp thiệt hại Giống sóng đổi khứ, TTNT tạo lợi ích thiệt hại Lợi ích chủ yếu sóng trước tự động hóa tăng suất; sóng tự động hóa không khác Ví dụ, nghiên cứu robot năm 2015 17 quốc gia nhận thấy chúng 28 bổ sung ước tính trung bình 0,4 điểm phần trăm vào tăng trưởng GDP hàng năm nước từ năm 1993 đến năm 2007, chiếm phần mười tăng trưởng GDP tổng nước thời gian Tuy nhiên, vấn đề quan trọng phát sinh từ sóng tự động hóa trước tác động tiềm số loại công việc ngành định tác động dẫn đến bất bình đẳng thu nhập Do TTNT có khả loại bỏ làm giảm tiền lương số công việc, đặc biệt việc làm đòi hỏi kỹ thấp trung bình, sách can thiệp cần thiết để đảm bảo lợi ích kinh tế TTNT chia sẻ rộng rãi bất bình đẳng giảm không trở thành hậu tồi tệ Các vấn đề sách kinh tế xuất tự động hóa dựa TTNT quan trọng chúng nhóm công tác riêng tập trung giải Nhà Trắng tiến hành nghiên cứu liên ngành bổ sung tác động kinh tế tự động hóa kinh tế phản ứng sách đế xuất CÔNG BẰNG, AN TOÀN, VÀ QUẢN TRỊ Khi công nghệ TTNT triển khai rộng rãi hơn, chuyên gia kỹ thuật nhà phân tích sách nêu lên quan ngại hậu ý muốn Việc sử dụng TTNT để đưa định liên quan người, thường thay định thực người tổ chức, dẫn đến quan tâm làm để đảm bảo công lý, công trách nhiệm giải trình - giống quan tâm nêu lên trước nội dung "dữ liệu lớn" Việc sử dụng TTNT để điều khiển thiết bị giới vật chất dẫn đến lo ngại an toàn, đặc biệt hệ thống tiếp xúc với tất phức tạp môi trường người Ở mức độ kỹ thuật liên quan đến thách thức công an toàn Trong hai trường hợp, nhà thực hành cố gắng tránh bị kỳ thị cố ý hay thất bại, để tránh hậu ý muốn, để tạo chứng cần thiết để bên liên quan tự tin biện minh thất bại không mong đợi khó xảy 7.1 Luật pháp, Công bằng, trách nhiệm Một chủ đề phổ biến hội thảo Luật Quản trị, TTNT cho Hàng hóa xã hội, Tác động kinh tế xã hội cần thiết đảm bảo TTNT thúc đẩy công lý công bằng, trình dựa TTNT bên 29 liên quan chịu trách nhiệm Vấn đề nhấn mạnh trước Báo cáo Dữ liệu lớn Chính quyền xuất tháng 5/2014, báo cáo Dữ liệu lớn, Các hệ thống thuật toán, Cơ hội, Quyền dân xuất tháng 5/2016 Trong hệ thống tư pháp hình sự, số mối quan tâm lớn với Dữ liệu lớn thiếu liệu thiếu liệu có chất lượng TTNT cần có liệu tốt Nếu liệu không đầy đủ sai lệch, TTNT làm trầm trọng thêm vấn đề sai lệch Điều quan trọng sử dụng TTNT bối cảnh tư pháp hình phải nhận thức hạn chế liệu Các vấn đề tương tự ảnh hưởng đến việc thuê tuyển lao động Nếu mô hình máy học sử dụng để sàng lọc ứng viên xin việc, liệu sử dụng để đào tạo mô hình phản ánh định khứ có tính chất thiên vị, kết để trì thiên vị khứ Ví dụ, tìm kiếm ứng viên giống thuê khứ thiên vị hệ thống hướng vào thuê nhiều người giống người có nhóm, xem xét ứng cử viên tốt với đầy đủ đa dạng ứng viên tiềm Để đối phó với mối lo ngại này, số diễn giả hội thảo trao đổi minh bạch cao công cụ TTNT sử dụng cho mục đích công cộng Một diễn giả so sánh vai trò TTNT với vai trò quan hành việc định công Thẩm quyền giao cho quan chuyên môn đặc thù quan đó, việc giao thẩm quyền bị hạn chế bảo vệ quy trình, biện pháp thúc đẩy tính minh bạch giám sát, giới hạn phạm vi thẩm quyền giao Một số diễn giả kêu gọi phát triển lý thuyết tương tự làm trì trách nhiệm trao quyền định cho máy Những mối quan tâm minh bạch không tập trung vào liệu thuật toán sử dụng, mà khả có số hình thức giải thích định dựa TTNT Cũng hội thảo, chuyên gia TTNT cảnh báo có thách thức vốn có việc tìm hiểu, dự đoán, giải thích hành vi hệ thống TTNT tiên tiến, phức tạp hệ thống khối lượng lớn liệu mà chúng sử dụng Khó khăn việc hiểu kết máy học mâu thuẫn với quan niệm sai lầm phổ biến mà thuật toán phức tạp luôn làm 30 nhà thiết kế chúng lựa chọn để chúng làm, thiên vị chui vào thuật toán thân nhà phát triển bị thiên vị có ý thức vô thức Điều chắn nhà phát triển công nghệ muốn sản xuất thuật toán thiên vị làm vậy, thiên vị vô thức khiến cho người sử dụng không đủ nỗ lực để ngăn chặn thiên vị Tuy nhiên, thực tế, nhà phát triển thiên vị với ý định tốt vô tình tạo hệ thống với kết thành kiến, nhà phát triển hệ thống TTNT không hiểu đủ rõ để ngăn chặn kết không mong đợi Moritz Hardt cho ví dụ minh họa thiên vị vô tình xuất từ trình máy học Ông công nhận mô hình máy học đào tạo để phân biệt tên thật người dân với tên giả Mô hình xác định tên có nhiều khả giả phần tên riêng (firstname) độc đáo tập liệu Quy tắc tiên đoán toàn dân số, tên giả nhiều khả cách điệu độc đáo Tuy nhiên, có nhóm dân tộc thiểu số dân cư nhỏ có xu hướng sử dụng tên riêng khác với nhóm dân cư chiếm đa số, tên khác biệt nhiều khả mẫu, nhiều khả xếp loại nhầm thành tên giả Tác động phát sinh đối xử đặc biệt với tên nhóm dân tộc thiểu số, liệu đầu vào không đại diện chung cho dân số, mà đơn giản nhóm dân tộc thiểu số Andrew Moore, Trưởng khoa Khoa học máy tính Đại học Carnegie Mellon, cung cấp quan điểm thách thức TTNT hậu không lường trước hội thảo công nghệ, an toàn, kiểm soát TTNT Ông lập luận ngày nay, mờ thuật toán TTNT, cách hiệu để giảm thiểu nguy kết ý muốn thông qua mở rộng thử nghiệm điều để có danh sách dài loại xấu xảy ra, để loại trừ kết cách tạo nhiều kiểm tra chuyên biệt để tìm kiếm chúng Đào tạo đạo đức cho sinh viên người thực hành TTNT phần cần thiết giải pháp Lý tưởng nhất, sinh viên học TTNT, khoa học máy tính, hay khoa học liệu tiếp xúc với chương trình giảng dạy thảo luận vấn đề đạo đức liên quan chủ đề ninh Tuy nhiên, đạo đức không đủ Đạo đức giúp người sử dụng hiểu rõ trách nhiệm tất bên liên quan, việc giáo dục đạo 31 đức cần phải tăng cường với tính kỹ thuật để đưa ý định tốt vào thực tế việc có đề phòng kỹ thuật hệ thống chế tạo thử nghiệm Khi người sử dụng cố gắng làm cho hệ thống TTNT công có trách nhiệm hơn, có hội để làm cho công nghệ trợ giúp thực trách nhiệm rào cản Nghiên cứu để cải thiện khả giải nghĩa kết máy học ví dụ Với mô hình giải nghĩa giúp người hiểu định cho phép họ chất vấn giả định quy trình đằng sau Có số phương pháp kỹ thuật để nâng cao trách nhiệm mạnh mẽ định thuật toán phức tạp Một hệ thống thử nghiệm "trong tự nhiên" cách đưa vào tình quan sát hành vi Một hệ thống bị kiểm tra hộp đen, tiếp nhận đầu vào tổng hợp hành vi theo dõi, cho phép kiểm tra hành vi tình mà không xảy tự nhiên Một số tất chi tiết kỹ thuật thiết kế hệ thống công bố, cho phép nhà phân tích tái tạo phân tích khía cạnh hành vi bên mà khó mô tả thử nghiệm Trong số trường hợp, công bố thông tin giúp công chúng đánh giá rủi ro sai lệch hệ thống, giữ lại thông tin khác hệ thống làm độc quyền hay tài sản riêng, 7.2 An toàn kiểm soát Tại hội thảo, chuyên gia TTNT nói yếu tố hạn chế việc triển khai TTNT giới thực quan ngại an toàn kiểm soát Nếu người sử dụng tự tin hợp lý hệ thống an toàn kiểm soát, cho việc triển khai hệ thống không tạo nguy chấp nhận hậu xấu nghiêm trọng, hệ thống không nên triển khai Một thách thức lớn an toàn kiểm soát hệ thống chế tạo an toàn chuyển từ "thế giới khép kín" phòng thí nghiệm "thế giới mở" bên ngoài, nơi xảy điều đoán trước Trong giới mở, hệ thống có khả gặp phải đối tượng tình không dự tính thiết kế chế tạo Thích ứng cách êm thấm với tình không lường trước khó khăn cần thiết cho hoạt động an toàn 32 Về chủ đề an toàn khả dự báo TTNT, số diễn giả trích dẫn báo gần có tựa đề "Các vấn đề chắn an toàn TTNT", tác giả báo phát biểu hội thảo Công nghệ, An toàn, Kiểm soát Báo cáo sử dụng ví dụ robot tự trị dọn dẹp nhà cửa Phần tổng quan báo đưa danh sách dài loại vấn đề thực tế phát sinh việc chế tạo robot hiệu an toàn, trích dẫn đây: Tránh tác dụng phụ tiêu cực: Làm đảm bảo robot làm vệ sinh không làm phiền môi trường theo cách tiêu cực theo đuổi mục đích nó, ví dụ cách gõ lên bình để robot làm vệ sinh nhanh hơn? Chúng ta làm điều mà không cần định tay tất thứ robot không nên làm phiền? Tránh thưởng: Làm đảm bảo robot làm không chơi chức thưởng ban cho? Ví dụ, thưởng cho robot đạt môi trường vết bẩn, vô hiệu hóa "con mắt" không tìm thấy vết bẩn nào, phủ lên chỗ bẩn vật liệu mà nhìn xuyên qua, đơn giản trốn có người xung quanh để họ nói cho loại bẩn Khả mở rộng giám sát: Làm đảm bảo hiệu robot làm tôn trọng khía cạnh mục tiêu đắt tiền để thường xuyên đánh giá đào tạo? Ví dụ, nên loại bỏ thứ không thuộc ai, đặt sang bên thứ thuộc (nó cần xử lý giấy gói kẹo vứt lung tung khác với điện thoại di động vứt lung tung) Việc hỏi người liên quan xem họ có bị thứ dùng kiểm tra điều này, việc kiểm tra phải tương đối không thường xuyên, robot tìm thấy cách để làm điều đắn thông tin hạn chế? Thăm dò an toàn: Làm để đảm bảo robot dọn nhà chuyển động thăm dò với hậu xấu? Ví dụ, robot nên thử nghiệm với chiến lược lau nhà, đưa khăn lau ướt vào ổ điện ý tưởng tồi Khả chuyển đổi mạnh mẽ: Làm để đảm bảo robot làm vệ sinh nhận biết được, khả thực mạnh mẽ, môi trường khác với môi trường đào tạo nó? Ví dụ, gi 33 học để làm sàn nhà nhà máy nguy hiểm văn phòng Những ví dụ minh họa cho việc "sự thông minh" hệ thống TTNT chuyên sâu không nông cạn: hệ thống có khả siêu phàm để phát bụi bẩn tối ưu hóa chiến lược lau chùi nó, tránh đưa khăn lau ướt lên ổ cắm điện Một cách để mô tả vấn đề phổ quát là: làm cung cấp cho máy thông minh nhận biết thông thường? Các nhà nghiên cứu có tiến chậm chạp loại vấn đề Kỹ thuật an toàn TTNT Một chủ đề phổ biến hội thảo Công nghệ, An toàn Kiểm soát nhu cầu kết nối phương pháp TTNT giới mở với lĩnh vực kỹ thuật an toàn rộng lớn Kinh nghiệm việc chế tạo loại hệ thống đặc biệt an toàn, chẳng hạn máy bay, nhà máy điện, cầu loại xe, giúp ích nhiều cho người sử dụng TTNT xác minh xác nhận, làm để xây dựng trường hợp an toàn công nghệ, làm để quản lý rủi ro, làm trao đổi với bên liên quan rủi ro Hiện nay, việc thực hành TTNT, đặc biệt lĩnh vực máy học có tốc độ phát triển nhanh, đòi hỏi khéo léo khoa học Một số khía cạnh thực hành không hẫu thuẫn lý thuyết phát triển dựa vào phán đoán trực giác thử nghiệm nhà thực hành Đây điều bất thường lĩnh vực công nghệ nổi, làm hạn chế việc áp dụng công nghệ thực tế Một số bên liên quan đề xuất yêu cầu phải phát triển TTNT vào lĩnh vực kỹ thuật trưởng thành Khi lĩnh vực kỹ thuật trưởng thành, chúng thường di chuyển từ giai đoạn "thủ công" ban đầu đặc trưng sáng tạo dựa vào trực giác tài không chuyên tinh thần tự mày mò; đến giai đoạn thương mại thứ hai bao gồm người thực hành có kỹ cao, cải tiến thực dụng, quy tắc ngón tay (kinh nghiệm) chấp nhận rộng rãi, tổ chức sản xuất để bán; đến giai đoạn trưởng thành tích hợp phương pháp nghiêm ngặt hơn, chuyên gia đào tạo, lý thuyết xây dựng hoàn chỉnh chuyên môn hóa sản phẩm cao Hầu hết lĩnh vực kỹ thuật, có lịch sử lâu nhiều so với TTNT đại, đạt đến giai đoạn trưởng thành Nói chung, lĩnh vực kỹ thuật trưởng thành có thành công lớn việc tạo hệ thống dự đoán được, đáng tin cậy, mạnh mẽ, 34 an toàn đảm bảo Việc tiếp tục tạo tiến đưa để TTNT trở thành lĩnh vực kỹ thuật trưởng thành điều khiện quan trọng để tạo hệ thống an toàn, kiểm soát phức tạp NHỮNG SỰ CÂN NHẮC VÀ AN NINH TOÀN CẦU Ngoài thách thức lâu dài TTNT vấn đề cụ thể liên quan đến công an toàn, TTNT đặt vấn đề sách liên quan quan hệ quốc tế, an ninh mạng, quốc phòng 8.1 Hợp tác quốc tế TTNT chủ đề quan tâm thảo luận quốc tế gần quốc gia, tổ chức đa phương bên liên quan khác bắt đầu đánh giá lợi ích thách thức TTNT Đối thoại hợp tác thực thể giúp thúc đẩy tiến NC&PT TTNT khai thác ứng dụng TTNT, đồng thời giải thách thức liên quan Đặc biệt, số đột phá TTNT kết trực tiếp gián tiếp hợp tác nghiên cứu liên quan đến người, nguồn lực, tổ chức nhiều quốc gia Như với sách kỹ thuật số khác, nước cần phải làm việc để xác định hội hợp tác phát triển khuôn khổ quốc tế giúp thúc đẩy NC&PT TTNT giải thách thức Hoa Kỳ, quốc gia đầu NC&PT TTNT, tiếp tục đóng vai trò then chốt việc phối hợp nghiên cứu toàn cầu thông qua đối thoại phủ với đối tác Sự tham gia quốc tế cần thiết để khám phá đầy đủ ứng dụng TTNT việc chăm sóc sức khỏe, tự động hóa sản xuất công nghệ thông tin truyền thông Các ứng dụng TTNT có khả để giải vấn đề toàn cầu phòng chống thiên tai ứng phó với biến đổi khí hậu, buôn bán động vật hoang dã, khoảng cách số, việc làm, thành phố thông minh Bộ Ngoại giao dự báo mối quan tâm riêng tư, an toàn xe tự lái, tác động TTNT lên xu hướng lao động lâu dài xem xét lĩnh vực sách liên quan đến TTNT bối cảnh quốc tế Với hỗ trợ ưu tiên sách đối ngoại Hoa Kỳ không gian này, bao gồm đảm bảo lãnh đạo quốc tế khả cạnh tranh kinh tế Hoa Kỳ, Chính phủ Hoa Kỳ tham gia vào NC&PT TTNT vấn đề sách thảo luận song phương với nước khác, bao gồm Nhật Bản, Hàn Quốc, Đức, Ba Lan, Vương quốc Anh Italia, 35 diễn đàn đa phương vấn đề sách TTNT quốc tế tác động kinh tế TTNT nêu lên Liên Hiệp Quốc, G-7, Tổ chức Hợp tác Phát triển Kinh tế (OECD), Tổ chức Hợp tác kinh tế châu Á-Thái Bình Dương (APEC) Chính phủ Hoa Kỳ hy vọng TTNT chủ đề ngày quan tâm cam kết quốc tế Hoa Kỳ cam kết hợp tác với công ty tổ chức tiêu chuẩn liên quan, để tạo điều kiện thuận lợi cho phát triển tiêu chuẩn quốc tế theo: dựa vào ngành công nghiệp; tình nguyện; theo hướng đồng thuận; dựa nguyên tắc minh bạch, công khai, nhu cầu thị trường Cách tiếp cận Hoa Kỳ thức hóa luật (NTTAA, PL 104-113) sách (OMB Thông tư A-119) tái khẳng định Chiến lược tiêu chuẩn Hoa Kỳ 8.2 Trí tuệ nhân tạo an ninh mạng Trí tuệ nhân tạo Hẹp ngày có ứng dụng quan trọng an ninh mạng, dự kiến đóng vai trò ngày tăng cho biên pháp phòng thủ (phản ứng) biện pháp công (chủ động) Hiện nay, việc thiết kế vận hành hệ thống an toàn đòi hỏi đầu tư lớn thời gian quan tâm chuyên gia Tự động hoá công việc chuyên môn này, phần hoàn toàn, cho phép bảo mật mạnh mẽ phạm vi rộng nhiều hệ thống ứng dụng với chi phí thấp đáng kể, làm tăng nhanh nhẹn phòng vệ không gian mạng Sử dụng TTNT giúp trì phản ứng nhanh cần có để phát phản ứng với tính đe dọa không gian mạng phát triển Có nhiều hội cho TTNT đặc biệt hệ thống máy học để giúp đối phó với phức tạp tuyệt đối không gian mạng hỗ trợ hiệu việc định người để phản ứng với công mạng Các hệ thống TTNT tương lai thực phân tích dự đoán để lường trước công mạng cách tạo mô hình đe dọa động từ nguồn liệu có sẵn lớn, biến đổi thường không đầy đủ Những liệu bao gồm cấu trúc liên kết trạng thái nút mạng, liên kết, thiết bị, kiến trúc, giao thức, mạng lưới TTNT phương pháp tiếp cận hiệu để diễn giải liệu này, chủ động xác định lỗ hổng an ninh, hành động để ngăn chặn giảm thiểu công tương lai Các kết cập nhật thi Thách thức lớn an ninh mạng (Cyber Grand Challenge-CGC) DARPA chứng minh tiềm phương 36 pháp CGC thiết kế để thúc đẩy phát triển hệ thống tự chủ, tiên tiến phát hiện, đánh giá, lỗ hổng phần mềm vá lỗi trước đối thủ có hội khai thác chúng Để tiếp sức cho nghiên cứu thi song song tiếp theo, tất mã hệ thống tự động tạo Chung kết CGC công bố mã nguồn mở cho phép người khác giải mã tìm hiểu chúng Các hệ thống TTNT có nhu cầu an ninh mạng riêng chúng Các ứng dụng dựa TTNT cần thực kiểm soát tốt an ninh mạng để đảm bảo tính toàn vẹn liệu chức thực hiện, bảo vệ riêng tư bảo mật, trì tính sẵn sàng Kế hoạch chiến lược NC&PT An ninh Mạng liên bang nêu bật nhu cầu "phát triển bận hành hệ thống an toàn bền vững." Những tiến an ninh mạng quan trọng việc đưa giải pháp TTNT an toàn vững vàng chống lại hoạt động độc hại mạng, đặc biệt khối lượng loại hình nhiệm vụ tiến hành phủ doanh nghiệp tư nhân sử dụng TTNT Hẹp tăng lên Cuối cùng, TTNT hỗ trợ việc lập kế hoạch, điều phối, tích hợp, đồng hóa, đạo hoạt động vận hành bảo vệ mạng hệ thống của phủ Mỹ cách hiệu quả, cung cấp hỗ trợ giúp cho hoạt động an toàn mạng lưới hệ thống khu vực tư nhân, cho phép hành động phù hợp với tất luật pháp, quy định điều ước áp dụng 8.3 Trí tuệ nhân tạo hệ thống vũ khí Hoa Kỳ kết hợp tính tự chủ vào số hệ thống vũ khí định từ nhiều năm qua Những cải tiến công nghệ cho phép sử dụng hệ thống vũ khí có độ xác cao an toàn hơn, hoạt động quân nhân đạo Vũ khí dẫn đường xác cho phép hoạt động hoàn thành đòi hỏi vũ khí với thiệt hại tài sản hơn, loại xe điều khiển từ xa giảm bớt rủi ro cho quân nhân họ cách xa khu vực nguy hiểm Tuy nhiên, việc đưa hệ thống vũ khí kiểm soát trực tiếp người liên quan đến số rủi ro nảy sinh vấn đề pháp lý đạo đức Chìa khóa để kết hợp hệ thống vũ khí tự động bán tự động vào kế hoạch quốc phòng cấu lực lượng Hoa Kỳ tiếp tục đảm bảo tất hệ thống vũ khí, bao gồm hệ thống vũ khí tự động, sử dụng cách phù hợp với luật nhân đạo quốc tế Ngoài ra, Chính phủ Hoa Kỳ cần tiếp tục thực bước thích hợp để kiểm soát phổ biến vũ 37 khí này, làm việc với đối tác đồng minh để phát triển tiêu chuẩn liên quan đến phát triển sử dụng hệ thống vũ khí Cụ thể, vài năm qua, vấn đề liên quan đến phát triển gọi "Hệ thống vũ khí sát thương tự động" (Lethal Weapon Autonomous Systems-LAWS) nêu lên chuyên gia kỹ thuật, nhà đạo đức, người khác cộng đồng quốc tế Hoa Kỳ tích cực tham gia thảo luận quốc tế diễn LAWS bối cảnh Hiệp ước Một số vũ khí thông thường (CCW), dự kiến tiếp tục thúc đẩy thảo luận quốc tế hệ thống vũ khí tiềm tương lai Các quốc gia CCW thảo luận vấn đề kỹ thuật, pháp luật, quân sự, đạo đức vấn đề khác liên quan đến công nghệ nổi, rõ ràng chưa có tiếng nói chung LAWS Một số nước gắn LAWS với máy bay điều khiển từ xa ("drone" quân sự), điều mà Hoa Kỳ phản đối, máy bay điều khiển từ xa, theo định nghĩa, người trức tiếp điều khiển máy bay có người lái Các ưu tiên Hoa Kỳ nhắc lại tất hệ thống vũ khí, tự động hay không, phải tuân thủ luật nhân đạo quốc tế, bao gồm nguyên tắc đặc biệt tương xứng Vì lý này, Hoa Kỳ liên tục ghi nhận tầm quan trọng trình xem xét loại vũ khí việc phát triển triển khai hệ thống vũ khí Chính phủ Hoa Kỳ tiến hành đánh giá toàn diện tác động tự chủ hệ thống phòng thủ Tháng 11/2012, Bộ Quốc phòng Mỹ (DoD) ban hành Chỉ thị DoD 3000,09: "Sự tự chủ Hệ thống vũ khí," vạch yêu cầu cho phát triển triển khai hệ thống vũ khí tự động bán tự động Các hệ thống vũ khí có khả tự chủ lựa chọn chốt mục tiêu vũ lực gây chết người cần có xem xét phê chuẩn quan chức cấp cao Bộ Quốc phòng trước hệ thống vũ khí phát triển thức lại lần phê chuẩn trước triển khai Chỉ thị Bộ Quốc phòng thị không cấm không khuyến khích phát triển này, đòi hỏi phải tiến hành cách cẩn thận sau xem xét phê duyệt quan chức quốc phòng cấp cao Trong vấn đề khác, Chỉ thị Bộ Quốc phòng yêu cầu hệ thống vũ khí tự động bán tự động phải kiểm tra chặt chẽ nhân viên phải đào tạo cách phù hợp việc sử dụng để thúc đẩy tiêu chuẩn quốc tế liên quan đến xung đột vũ trang Trí tuệ nhân tạo có khả đem lại lợi ích đáng kể loạt hoạt động liên quan đến quốc phòng Các hoạt động không gây sát thương 38 hậu cần, bảo trì, điều hành cứ, chăm só y tế cho cựu chiến binh, hỗ trợ y tế chiến trường sơ tán thương vong, quản lý nhân sự, định tuyếng, thông tin liên lạc, phòng thủ mạng, phân tích thông tin tình báo hưởng lợi từ TTNT, làm cho lực lượng quân đội Mỹ an toàn hiệu TTNT đóng vai trò quan trọng hệ thống để bảo vệ người tài sản cố định giá trị ngăn chặn công thông qua phương tiện không gây thương vong Cuối cùng, ứng dụng trở nên quan trọng Bộ Quốc phòng Với tiến công nghệ quân trí tuệ nhân tạo phạm vi rộng hơn, nhà khoa học, nhà chiến lược, chuyên gia quân đồng ý tương lai LAWS khó dự đoán tốc độ thay đổi diễn nhanh Nhiều khả sớm trở thành thực, nhanh chóng phát triển vận hành Chính quyền chủ động tham gia vào thảo luận liên ngành diễn để hướng tới sách vũ khí tự trị phù hợp với giá trị chung người, lợi ích an ninh quốc gia, nghĩa vụ quốc tế nước KẾT LUẬN Trí tuệ nhân tạo động lực tăng trưởng kinh tế tiến xã hội, ngành công nghiệp, xã hội dân sự, phủ, công chúng hỗ trợ phát triển công nghệ, với quan tâm chu đáo đến tiềm chúng để quản lý rủi ro chúng Chính phủ đóng số vai trò triệu tập thảo luận vấn đề quan trọng giúp đưa chương trình nghị cho tranh luận công cộng Chính phủ cần theo dõi an toàn tính công ứng dụng chúng phát triển thông qua khung pháp lý để khuyến khích đổi với bảo vệ công chúng Chính phủ cần hỗ trợ nghiên cứu ứng dụng TTNT vào hàng hóa công cộng, phát triển lực lượng lao động đa dạng có chuyên môn cao Và thân phủ cần sử dụng TTNT để phục vụ công chúng nhanh hơn, hiệu hơn, với chi phí thấp Nhiều lĩnh vực sách công, từ giáo dục mạng lưới an toàn kinh tế, quốc phòng, bảo vệ môi trường, tư pháp hình sự, thấy hội 39 thách thức tiến liên tục TTNT Chính phủ phải tiếp tục nâng cao lực để hiểu thích nghi với thay đổi Do công nghệ TTNT liên tục phát triển, người thực hành phải đảm bảo hệ thống dựa TTNT kiểm soát được; chúng hệ thống mở, minh bạch dễ hiểu; chúng làm việc hiệu với người; hoạt động họ phù hợp với giá trị khát vọng người Các nhà nghiên cứu người thực hành tăng cường ý họ đến thách thức này, cần tiếp tục tập trung vào chúng Phát triển nghiên cứu máy móc thông minh giúp hiểu rõ đánh giá tốt thông minh người Được sử dụng cách cẩn thận, TTNT tăng cường trí thông minh chúng ta, giúp vạch đường tốt khôn ngoan hướng phía trước Biên soạn: Trung tâm Phân tích thông tin TÀI LIỆU THAM KHẢO CHÍNH: "Preparing for the future of artificial intelligence" Office of Science and Technology Policy, 10/2016 “AAAI Presidential Panel on Long-Term AI Futures: 2008-2009 Study,” The Association for the Advancement of Artificial Intelligence, http://www.aaai.org/Organization/presidential-panel.php Artificial Intelligence:Opportunities and Risks Policy paper by the Eective Altruism Foundation, 12/2015 “Big Data: Seizing Opportunities, Preserving Values,” Executive Office of the President, May 2014, “One Hundred Year Study on Artificial Intelligence (AI100),” Stanford University, accessed August 1, 2016, https://ai100.stanford.edu “World Development Report 2016: Digital Dividends,” The World Bank Group, 2016, http://documents.worldbank.org/curated/en/896971468194972881/pdf/102725PUB-Replacement-PUBLIC.pdf 40 Tổng luận 11-2016 CHUẨN BỊ CHO TƯƠNG LAI CỦA TRÍ TUỆ NHÂN TẠO 41