Học sâu truyền thống thường yêu cầu các mô hình AI phải trải qua quá trình huấn luyện khổng lồ trước khi triển khai, và chúng thường gặp khó khăn khi đối mặt với những tình huống chưa từng gặp trong dữ liệu huấn luyện. Để giải quyết triệt để vấn đề này, phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo (CSAIL) thuộc MIT hôm nay đã công bố một bài báo khoa học đột phá về thế hệ tiếp theo của Mạng nơ-ron lỏng (LNNs).
Khác với các mạng nơ-ron truyền thống có các thông số (trọng số) cố định sau khi huấn luyện, LNNs sở hữu các phương trình toán học có khả năng thay đổi linh hoạt dựa trên dữ liệu đầu vào liên tục. Nghiên cứu mới của MIT đã tối ưu hóa thuật toán này để giảm thiểu tài nguyên tính toán xuống gấp 10 lần, cho phép triển khai trực tiếp trên các chip xử lý rìa (edge computing) công suất thấp gắn trên robot hoặc thiết bị bay không người lái (drone).
Trong các thử nghiệm thực địa, một chú robot bốn chân được trang bị LNNs đã có thể tự điều chỉnh dáng đi và giữ thăng bằng hoàn hảo khi di chuyển từ nền bê tông phẳng sang bãi bùn lầy, và cuối cùng là thảm băng trơn trượt — những kịch bản mà robot chạy AI truyền thống thường bị ngã hoặc đứng im do lỗi tính toán. Hệ thống hoàn toàn tự học hỏi và thích nghi chỉ trong vài mili giây dựa trên phản hồi từ các cảm biến lực học.
Giáo sư Daniela Rus, giám đốc CSAIL và là đồng tác giả nghiên cứu, nhận định: 'Đây là một bước tiến lớn cho ngành robot tự hành và các hệ thống tự lái an toàn. Bằng cách mô phỏng cách thức hoạt động của các hệ thần kinh sinh học đơn giản trong tự nhiên, chúng tôi đã tạo ra một AI không chỉ thông minh hơn mà còn có khả năng phục hồi và linh hoạt hơn trước những biến động không lường trước của thế giới thực.'