Startup 2 tỉ đô la 'dạy' robot biết cách suy nghĩ

Sử dụng công nghệ học sâu (deep learning), một lĩnh vực của trí tuệ nhân tạo (AI), công ty khởi nghiệp (startup) giá trị nhất Nhật Bản Preferred Networks có thể giúp các robot công nghiệp biết suy nghĩ, phân tích để hoạt động thông minh hơn thay vì chỉ lặp đi lặp lại tác vụ đã được lập trình sẵn.

	Cựu CEO Visa gia nhập startup phát triển thẻ thanh toán tiền ảo
	Từ nhân viên giao hàng Amazon đến chủ startup giao đồ ăn nhanh
	‘Bóc mẻ’ thương vụ PayPal thâu tóm startup iZettle 2,2 tỷ USD

Robot công nghiệp có thể tự học việc

startup 2 ti do la day robot biet cach suy nghi

Toru Nishikawa (phải) và Daisuke Okanohara, hai đồng sáng lập của Preferred Networks. Ảnh: Bloomberg

Hãng tin Bloomberg ngày 16-5 cho biết, công ty Preferred Networks, là start-up có giá trị nhất Nhật Bản nhờ vòng gọi vốn vào năm ngoái, định giá công ty này ở mức hơn hai tỉ đô la Mỹ.

Hai kỹ sư khoa học máy tính Toru Nishikawa và Daisuke Okanohara thành lập Preferred Networks vào năm 2014 và quyết định tập trung vào việc phát triển các máy móc công nghiệp thông minh, một hướng đi khôn ngoan vì Nhật Bản có sẵn thế mạnh về các các thiết bị sản xuất hiện đại và các đối thủ hàng đầu về AI như Google và Facebook vẫn chưa xâm nhập vào lãnh địa này.

Một trong những người đầu tiên bị thuyết phục bởi tầm nhìn của Nishikawa và Okanohara là ông Yoshiharu Inaba, Chủ tịch công ty sản xuất robot công nghiệp lớn nhất thế giới Fanuc (Nhật Bản). Ông là một doanh nhân nổi tiếng thận trọng và là một kỹ sư xuất sắc, người đã sáng chế ra nhiều công cụ quan trọng cho dây chuyền sản xuất ô tô, Inaba đồng ý gặp hai nhà sáng lập của Preferred Networks vào đầu năm 2015.

Cuộc trò chuyện diễn ra trong một tiếng đồng hồ đã thuyết phục Inaba đầu tư 9 triệu đô la Mỹ vào công ty của hai nhà khoa học máy tính trẻ cũng như cho phép họ tiếp cận một số bí mật thương mại quan trọng nhất của ông, đó là những khối lượng dữ liệu khổng lồ được tạo ra bởi hàng ngàn robot trong các dây chuyền sản xuất tại nhà máy của Fanuc.

Bốn tháng sau, Toyota đầu tư 10 triệu đô la Mỹ vào Preferred Networks và vào tháng 8 năm ngoái, tiếp tục rót thêm 100 triệu đô la Mỹ nữa. Các công ty có thế mạnh sản xuất khác như Hitachi, Mizuho Financial Group và Mitsui cũng góp vốn đầu tư cho Preferred Networks vào tháng 12-2017.

Điều khiến Preferred Networks khác biệt với hàng trăm start-up khác trong lĩnh vực AI là công ty này kết hợp AI với sức mạnh sản xuất của Nhật Bản. Các thuật toán học sâu phụ thuộc vào phân tích dữ liệu và Preferred Networks có cách tiếp cận dữ liệu độc đáo. Các thỏa thuận hợp tác với Toyota và Fanuc, cho phép Preferred Networks tiếp cận các nhà máy hàng đầu thế giới.

Trong khi Google sử dụng dữ liệu từ cỗ máy tìm kiếm và Facebook khai thác dữ liệu từ mạng xã hội của nó để vươn lên trở thành những thế lực hàng đầu về AI, Preferred Networks lại tìm cơ hội phân tích dữ liệu từ hoạt động của robot để cải thiện quy trình sản xuất.

Các robot công nghiệp của Fanuc được sản xuất bằng những đội quân robot khác. Chúng làm việc dưới sự giám sát của năm nhân viên.

“Những gì tôi chứng kiến là các robot này sản xuất ra những robot khác mà không có sự can thiệp của con người. Nếu duy trì các robot này hoạt động liên tục, dữ liệu thu được là vô hạn”, Nishikawa, Chủ tịch kiêm Giám đốc điều hành Preferred Networks, nói.

Tuy nhiên, Nishikawa nhận thấy rằng dù nhà máy của Fanuc rất hiện đại nhưng công nghệ AI lại không được ứng dụng.

Với sự hỗ trợ công nghệ học sâu theo thời gian thực của Preferred Networks, các robot sản xuất của Fanuc được nâng cao hiệu quả hoạt động rõ rệt.

Các robot công nghiệp chỉ thực sự hiệu quả khi làm một tác vụ lặp đi lặp lại với sự chính xác cao. Tuy nhiên, khi dây chuyền sản xuất thay đổi, các kỹ sư phải mất nhiều ngày để viết một chương trình mới, điều chỉnh hoạt động của các robot này. Nếu được trang bị nên tảng học sâu, các robot trên một dây chuyền sản xuất có thể tự học và “tự dạy” nhau tác vụ mới một cách nhanh chóng.

Robot gắp vật thể của Fanuc sử dụng nền tảng học sâu tăng cường của Preferred Networks để tự học một tác vụ mới. Nó cố gắng gắp các vật thể trong khi tự quay video quá trình này. Mỗi lần gắp thành công hay thất bại, nó sẽ tự rút ra kinh nghiệm để cải thiện cho lần gắp sau.

Shohei Hido, Giám đốc nghiên cứu của Preferred Networks, cho biết chỉ trong vòng tám tiếng, robot này có thể gắp chính xác vật thể với tỷ lệ thành công 90%. Khi tám robot của Fanuc làm việc song song cùng nhau, chúng có thể học hỏi tác vụ mới chỉ trong vòng một tiếng thay vì tám tiếng.

Đó là nhờ các robot này truyền những gì chúng học được vào một mạng nơ-ron nhân tạo, nơi các robot khác có thể học hỏi đồng thời “chia sẻ” kinh nghiệm của chúng, giúp quá trình tự học diễn ra nhanh hơn.

“Phải mất 10 năm để đào tạo một thợ máy lành nghề và kiến thức của họ không thể được truyền thụ sang người khác nhanh chóng. Nhưng khi bạn có một chuyên gia robot, bạn có thể nhân rộng kiến thức đó ra bất tận”, ông Yoshiharu Inaba nói.

Ứng dụng công nghệ học sâu cho xe tự lái

Preferred Networks không chỉ tập trung phát triển các thuật toán học sâu theo thời gian thực trong sản xuất mà còn trong nhiều lĩnh vực khác bao gồm y tế, bán lẻ, an ninh mạng và xe tự lái.

Hãng xe Toyota, cổ đông lớn nhất của Preferred Networks, đã rót tổng cộng cho công ty này 110 triệu đô la Mỹ khi đặt cược rằng các thuật toán học sâu do Preferred Networks phát triển sẽ giúp Toyota cạnh tranh với xe tự lái của Waymo, công ty con của tập đoàn công nghệ Alphabet .

Tại Triển lãm hàng điện tử tiêu dùng Las Vegas năm 2016, Preferred Networks đã sử dụng các ô tô đồ chơi để trình diễn năng lực của công nghệ học sâu. Sáu chiếc ô tô đồ chơi chạy vòng trong một không gian có chướng ngại vật. Ban đầu, các ô tô đồ chơi này liên tục đụng nhau khi di chuyển nhưng sau hai tiếng, chúng chạy vòng tròn và có thể né nhau một cách tài tình như thế có những tài xế chuyên nghiệp đang cầm lái ở bên trong.

Điều đáng ngạc nhiên là không hề có một lập trình viên con người nào viết các hướng dẫn để điều khiển chúng. Thay vào đó, nhờ được trang bị công nghệ họd sâu, những chiếc ô tô đồ chơi này tự học hỏi các quy tắc hoạt động từ kinh nghiệm và quá trình học hỏi được thúc đẩy nhanh bằng cách chia sẻ kinh nghiệm thông qua một mạng nơ-ron nhân tạo.