Thuật toán mới giúp AI tạo sinh đáp ứng các yêu cầu an toàn nghiêm ngặt

Mới đây, các nhà nghiên cứu tại Viện Công nghệ Massachusetts (MIT), Mỹ đã phát triển một phương pháp mới giúp các mô hình trí tuệ nhân tạo (AI) tạo sinh tìm ra những giải pháp chất lượng cao, đồng thời tuân thủ các yêu cầu nghiêm ngặt về an toàn, vật lý hoặc nhiệm vụ.

Phương pháp này có thể mở rộng khả năng ứng dụng AI trong những lĩnh vực mà một kết quả “gần đúng” là chưa đủ. Nghiên cứu được công bố trên Tạp chí IEEE Transactions on Pattern Analysis and Machine Intelligence.

Trong nhiều ứng dụng thông thường, một câu trả lời hợp lý hoặc gần với yêu cầu có thể được chấp nhận. Tuy nhiên, đối với những lĩnh vực có yêu cầu cao về an toàn, chẳng hạn lập kế hoạch chuyển động cho robot trong nhà máy, điều khiển các hệ thống vật lý hay xử lý hình ảnh, kết quả do AI tạo ra không chỉ cần có chất lượng tốt mà còn phải đáp ứng tuyệt đối một số điều kiện nhất định.

Các điều kiện này được gọi là “ràng buộc cứng” (hard constraints) - những yêu cầu không được phép vi phạm trong bất kỳ trường hợp nào.

Để giải quyết vấn đề này, nhóm nghiên cứu MIT đã phát triển thuật toán mang tên HardFlow, cho phép mô hình AI có nhiều không gian hơn để tìm kiếm giải pháp trong quá trình tạo dữ liệu, nhưng vẫn bảo đảm kết quả cuối cùng đáp ứng đầy đủ các ràng buộc bắt buộc.

Cho AI nhiều “tự do” hơn khi tìm kiếm giải pháp

Hiện nay, các mô hình AI tạo sinh được huấn luyện sẵn, bao gồm các mô hình khuếch tán như Stable Diffusion hay các mô hình flow matching (khớp dòng chảy), có khả năng tạo dữ liệu mới bằng cách từng bước biến đổi dữ liệu nhiễu ngẫu nhiên thành kết quả phù hợp với yêu cầu của người dùng.

Tuy nhiên, trong những tình huống liên quan trực tiếp đến an toàn, một giải pháp “gần đúng” vẫn có thể dẫn đến hậu quả nghiêm trọng.

Chẳng hạn, khi lập quỹ đạo cho một robot di chuyển trong nhà máy đông người, một đường đi gần như chính xác nhưng lệch một khoảng nhỏ vẫn có thể khiến robot va chạm với người lao động.

Các phương pháp hiện nay thường sử dụng kỹ thuật lấy mẫu dựa trên phép chiếu (projection-based sampling), theo đó các kết quả trung gian của mô hình liên tục bị điều chỉnh để tuân thủ các ràng buộc trong suốt quá trình tạo dữ liệu.

Theo nhóm nghiên cứu, cách tiếp cận này có một hạn chế đáng kể: việc áp đặt ràng buộc ở tất cả các bước có thể khiến mô hình mất đi khả năng khám phá những phương án tốt hơn.

Zeyang Li, nghiên cứu sinh ngành kỹ thuật cơ khí tại MIT và là tác giả chính của nghiên cứu, cho biết yếu tố quan trọng nhất đối với việc đáp ứng các ràng buộc là kết quả cuối cùng, bởi toàn bộ quá trình trung gian sau đó sẽ không còn được sử dụng.

Do đó, thay vì bắt buộc từng bước trung gian phải thỏa mãn mọi điều kiện, HardFlow cho phép mô hình linh hoạt hơn trong quá trình tìm kiếm, miễn là kết quả cuối cùng vừa khả thi vừa đáp ứng đầy đủ các yêu cầu bắt buộc.

Kết hợp AI tạo sinh với lý thuyết điều khiển

Một điểm đáng chú ý của HardFlow là nhóm nghiên cứu đã chuyển bài toán tạo mẫu có ràng buộc thành một bài toán tối ưu hóa quỹ đạo, sử dụng các công cụ của lĩnh vực điều khiển tối ưu.

Cách tiếp cận này cho phép thuật toán từng bước định hướng quá trình tạo dữ liệu của mô hình đến mục tiêu mong muốn, thực hiện những điều chỉnh nhỏ trong quá trình tìm kiếm nhưng chỉ áp đặt nghiêm ngặt các ràng buộc lên kết quả cuối cùng.

Theo Navid Azizan, tác giả chính của công trình, lý thuyết điều khiển cung cấp một khuôn khổ hiệu quả để xác định cách thức tối ưu cho những điều chỉnh này. Tuy nhiên, tối ưu hóa quỹ đạo của một mạng nơ-ron lớn không phải nhiệm vụ đơn giản. Các mô hình AI hiện đại có thể bao gồm hàng trăm lớp xử lý dữ liệu kết nối với nhau, khiến bài toán tối ưu hóa trở nên rất phức tạp.

Để khắc phục vấn đề này, nhóm nghiên cứu khai thác cấu trúc của các mô hình flow matching, chia bài toán lớn thành một chuỗi các bài toán nhỏ hơn theo từng bước. Sau đó, họ sử dụng một số phép biến đổi và phương pháp xấp xỉ để xây dựng thuật toán có khả năng tính toán hiệu quả và mở rộng cho những mô hình lớn.

Một ưu điểm khác của việc xây dựng HardFlow dưới dạng bài toán tối ưu hóa là thuật toán không chỉ đáp ứng các ràng buộc an toàn mà còn có thể đồng thời tối ưu những mục tiêu khác. Ví dụ, trong bài toán lập đường đi cho robot, HardFlow có thể tìm một quỹ đạo không xảy ra va chạm, đồng thời giúp robot di chuyển đến mục tiêu theo con đường ngắn hoặc nhanh hơn.

Tiềm năng cho các ứng dụng AI yêu cầu độ an toàn cao

Nhóm nghiên cứu đã thử nghiệm HardFlow trong nhiều nhiệm vụ khác nhau, bao gồm thao tác robot, di chuyển trong mê cung và chỉnh sửa hình ảnh dựa trên hướng dẫn văn bản.

Kết quả cho thấy phương pháp mới đáp ứng đầy đủ các ràng buộc được đặt ra, đồng thời thường xuyên cho chất lượng giải pháp tốt hơn so với các phương pháp đối chứng.

Trong một thử nghiệm, HardFlow giúp cánh tay robot tránh được các vật cản nhưng vẫn tìm được đường đi nhanh đến vật thể mục tiêu. Trong khi đó, một số phương pháp khác hoặc dẫn đến va chạm, hoặc tạo ra những quỹ đạo khiến robot mất nhiều thời gian hơn để hoàn thành nhiệm vụ. Đáng chú ý, thời gian tính toán của HardFlow tương đương, thậm chí thấp hơn, so với nhiều phương pháp cạnh tranh.

Một ưu điểm quan trọng khác là HardFlow hoạt động ở giai đoạn triển khai (deployment time). Điều này đồng nghĩa phương pháp có thể được kết hợp với các mô hình AI tạo sinh đã được huấn luyện trước mà không cần huấn luyện lại toàn bộ mô hình.

Theo các nhà nghiên cứu, đặc điểm này giúp HardFlow có khả năng trở thành một công cụ linh hoạt cho những ứng dụng mà AI phải tuân thủ nghiêm ngặt các quy tắc an toàn, định luật vật lý hoặc các yêu cầu chuyên biệt khác.

Trong tương lai, nhóm nghiên cứu dự kiến tiếp tục mở rộng khuôn khổ này theo hướng cho phép bản thân mô hình AI cũng được cập nhật trong quá trình tối ưu hóa. Qua đó, hệ thống có thể thích ứng tốt hơn, đồng thời cải thiện cả khả năng đáp ứng ràng buộc và chất lượng của kết quả được tạo ra./.