Chương 1: Khái niệm về trí tuệ nhân tạo và bảo hộ quyền sở hữu trí tuệ đối với sản phẩm của trí tuệ nhân tạo Chương 2: Pháp luật và thực tiễn bảo hộ quyền sở hữu trí tuệ đối với các sản phẩm của trí tuệ nhân tạo trên thế giới Chương 3: Kiến nghị hoàn thiện pháp luật Việt Nam về bảo hộ quyền SỞ hữu trí tuệ đôi với sản phâm của trí tuệ nhân tạo CHUONG 1: KHÁI QUÁT VE TRÍ TUỆ NHÂN TẠO VÀ BẢO HO QUYEN SỞ HỮU TRÍ TUE DOI VOI SAN PHAM CUA TRÍ TUỆ NHAN TAO 1. Khái quát về trí tuệ nhân tao 1. Khai niệm trí tuệ nhán tao Có thé nói, khái niệm TTNT không còn xa lạ với bat cứ ai. Đúng như tên gọi, TTNT là cơ chế mô phỏng trí tuệ con người.
Cụ thể, TTNT là một chuỗi các công nghệ, các công nghệ này giúp máy tính thực hiện các tác vụ tương tự với các khả năng của con người, ví dụ như khả năng nhìn, hiểu và dịch ngôn ngữ, phân tích dữ liệu, đưa ra các gợi ý, v. Nói rộng ra, đây là một lĩnh vực khoa học liên quan đến việc xây dựng hệ thống máy tính, máy móc có thể suy luận, học hỏi và hoạt động — những việc vốn thường đòi hỏi trí thông minh của con người, hoặc liên quan đến một lượng dit liệu có quy mô vượt quá những gi con người có thé phân tích. TTNT là một lĩnh vực rộng lớn liên quan đến nhiều ngành khác nhau, bao gồm khoa học máy tính, phân tích và thống kê dữ liệu, kỹ thuật phần cứng và phần mềm, ngôn ngữ học, khoa học thần kinh và thậm chí cả triết học và tâm lý học. Nhìn từ góc độ thực tiễn hơn, TTNT là một tập hợp các công nghệ, được sử dụng dé phân tích dữ liệu, dự đoán và dự báo, phân loại đối tượng, xử lý ngôn ngữ tự nhiên, dé xuất, truy xuất dữ liệu thông minh, v.
Công nghệ TTNT có thê được chia thành 3 nhóm, hay có thê được hình dung thành 3 làn sóng phát triển chính, bao gồm: làn sóng thứ nhất là thời kì của TTNT thời kì đầu, còn gọi là thời kì cua Symbolic AI (tạm dịch: TTNT biểu tượng); làn sóng thứ hai là thời kì của công nghệ TTNT được áp dụng phổ biến hiện nay — công nghệ học máy (machine learning) va TTNT hướng dữ liệu; làn sóng thứ ba là thời kì của công nghệ TTNT dự báo được sử dụng trong tương lai. Cụ thể hơn về các công nghệ này như sau: Làn sóng thứ nhất: Symbolic AI 3 Theo https://cloud.com/learn/what-is-artificial-intelligence 6 Symbolic AI là các phương pháp phát triển máy móc thông minh bằng cách mã hóa kiến thức và kinh nghiệm thành các bộ quy tắc ma máy có thé thực thi. Công nghệ này được gọi là Symbolic AI hay TINT biểu tượng vì nó hoạt động dựa trên lý luận mang tinh gan biéu tượng (ví dụ: nếu X=Y và Y=Z thì X=Z) dé hình dung và giải quyết van dé. Day là cách tiếp cận chính đối với các ứng dụng sử dụng TTNT từ những năm 1950 đến những năm 1990.
Ngày nay, dù có các phương pháp tiếp cận khác thống trị lĩnh vực này nhưng Symbolic AI vẫn được sử dụng trong nhiều trường hợp, từ đơn giản như máy điều nhiệt đến phức tạp như robot tiên tiến. Làn sóng thứ hai: công nghệ học máy và TTNT hướng đữ liệu. Công nghệ học máy đề cập đến một loạt các kỹ thuật tự động hóa quá trình mà các thuật toán “học”. Phương pháp này khác với cách tiếp cận ở làn sóng dau tiên, ở đây, chỉ khi con người điều chỉnh hoặc bồ sung kiến thức chuyên môn được mã hóa trực tiếp vào thuật toán, hiệu quả mới được nâng cao.
Mặc dù các khái niệm đẳng sau những phương pháp tiếp cận này cũng lâu đời như Symbolic AI, nhưng phải đến đầu thế kỉ này, chúng mới được áp dụng rộng rãi và mới trở thành tiền đề cho sự phát triển vượt trội thế giới đã và đang chứng kiến. Trong công nghệ học máy, thuật toán thường cải thiện bang cách tự đào tạo về dữ liệu. Đây chính là TTNT hướng dữ liệu. Ứng dụng thực tế của phương pháp này đã thực sự phát triển trong thập kỷ qua.
Bản thân phương pháp này không đặc biệt mới, nhưng yếu tô chính tạo nên những tiến bộ gần đây trong công nghệ học máy là lượng dữ liệu gia tăng vượt bậc. Bản thân sự phát triển vượt bậc của TTNT hướng dir liệu chính là sự phat triển dựa trên dữ liệu. Thông thường, các thuật toán học máy tự tìm ra cách xác định và nhận dạng mẫu, rồi áp dụng những gì chúng học được để đưa ra kết luận về dữ liệu. Các cách tiếp cận khác nhau đối với công nghệ học máy phù hợp với các nhiệm vụ và tình huống khác nhau, và có ý nghĩa khác nhau.
Có các kĩ thuật học máy như sau: Mạng thần kinh nhân tạo (artificial neural network - ANN) và công nghệ học sâu (deep learning). Đúng như tên gọi, mạng thần kinh nhân tạo được lay cảm hứng từ chức nang của mang thần kinh điện hóa hoc của não người (va các động vật khác). Cho đến nay, con người vẫn chưa hiểu hết được toàn bộ hoạt động của não, mặc dù về khái quát, chúng ta biết rằng tín hiệu được truyền qua một mạng lưới nơ-ron phức tạp và trong quá trình truyền, cả tín hiệu ban đầu và cấu trúc của mạng lưới đều thay đổi. Trong ANN, di liệu đầu vào được chuyên thành tín hiệu, truyền qua mạng nơ-ron nhân tạo để tạo ra các kết quả dau ra.
Các kết quả đầu ra này được xem là phản hồi tương ứng đối với các đầu vào ban đầu. “Quá trình học” chính là việc chuyển đổi mạng lưới này sao cho các đầu ra này là các phản hồi hữu ích — hoặc thông minh — của đầu vào. ANN xử lý đữ liệu được gửi đến “lớp đầu vào” và tạo phản hồi ở “lớp đầu ra”. Ở giữa, có một hoặc nhiều “lớp ấn”, có chức năng tác động vào các tín hiệu khi chúng đi qua chúng.
Ví dụ, khi nhận diện một hình ảnh, đầu tiên, hình ảnh được chia thành các pixel riêng lẻ, các pixel này được gửi đến các nơ-ron trong lớp đầu vào của ANN. Từ đó, chúng được gửi dưới dạng tín hiệu đến lớp ân đầu tiên. Mỗi nơ-ron trong lớp ân này nhận được một số tín hiệu, chúng kết hợp và xử lý dé tạo ra một tín hiệu đầu ra duy nhất. Tín hiệu được tạo ở lớp đầu ra là đầu ra cuối cùng, được hiểu là quyết định về việc nhận diện hình anh đó.
Một ANN đơn giản có thé phản hồi lại một đầu vào nhất định bang một đầu ra nhất định. Đối với những van dé đơn giản, các ANN chỉ có hơn mười nơ-ron và một lớp ân cũng có thể cho ra kết quả chính xác. Đối với những van đề phức tạp hon, cần thêm no-ron và các lớp an dé ANN có thê xử lý được. ANN thường chứa lần lượt nhiều lớp an.
Khi đó, bước này được lặp lại với các tín hiệu đi qua từng lớp an cho đến khi chúng đến lớp đầu ra cuối cùng. Công nghệ học sâu đơn giản là mô hình ANN với ít nhất từ hai lớp an trở lên. Có nhiều lớp hơn cho phép ANN phát triển kĩ thuật khái niệm hóa các van dé trừu tượng hơn bằng cách chia chúng thành các van đê nhỏ hơn và đưa ra các câu trả lời mang nhiêu sắc thái hơn. ANN và công nghệ học máy là cốt lõi chính của làn sóng công nghệ TTNT thứ hai.
Trong cùng khuôn khổ đó, có nhiều công nghệ khác theo sau nhằm mục đích luyện độ chính xác cao hơn nữa cho ANN, ví dụ giải thuật lan truyền ngược (back propagation) giúp thuật toán đạo hàm (gradient descent) hay rất nhiều các phương pháp khác dựa trên ý tưởng về chọn lọc tự nhiên, V. Tiếp đến, như đã nói ở trên, một trong những yếu tố chủ chốt làm nên sự phát triển của làn sóng thứ hai là dữ liệu. Dữ liệu trong công nghệ TTNT cũng quan trọng tương tự việc xây dựng thuật toán. Hai trong số các khái niệm phổ biến nhất liên quan đến dữ liệu trong công nghệ TTNT là data mining (khai thác dữ liệu) và big data (dữ liệu lớn).
Nói một cách đơn giản, khai thác dữ liệu là quá trình sử dụng thuật toán và các kỹ thuật phân tích kỹ thuật số khác dé phân tích khối lượng dir liệu không lỗ!. Big data là các tập dir liệu có khối lượng lớn và phức tạp. Độ lớn đến mức các phần mém xử lý dit liệu truyền thống không có khả năng thu thập, quản lý và xử lý đữ liệu trong một khoảng thời gian hợp lý. Lan sóng thứ ba: công nghệ TTNT tương lai.
Các cách tiếp cận được nêu trong các phan trước được mô tả là weak AI (TTNT yếu hoặc hẹp), theo nghĩa là chúng có thể hoạt động thông minh trong các lĩnh vực nhất định như chơi cờ vua hoặc nhận dạng mèo. TTNT trong tương lai được dự đoán là strong AI (TTNT mạnh) hay general AI (TTNT tổng quát), là loại TTNT gần với hiểu biết của chúng ta hơn về trí thông minh của con người. Đó là các thuật toán có thể thê hiện trí thông minh trong nhiều bối cảnh, nhiều không gian vấn đề khác nhau. Bản thân TTNT yếu đã mạnh và đã và đang ngày càng làm chúng ta ngạc nhiên vì những thứ chúng làm được, vậy mà TTNT mạnh sẽ còn cho chúng ta thay một mô hình năng lực mới hơn nữa.
Dĩ nhiên, nó chưa tồn tại trên thực tế và ở thời điểm hiện tại, có thể hiểu là khái niệm này mới chỉ thuộc lĩnh vực TTNT suy đoán. Thuật ngữ * Theo https://vtc. vn/tim-hieu-ve-thuat-ngu-khai-thac-du-lieu-ar722736.html Š Theo https://insight. vn/big-data-la-gi-ung-dung-cua-big-data/ 9 tiếp đến thuộc nhóm TTNT suy đoán là siêu TTNT (artificial superinterlligence), nghĩa là có mức độ thông minh tổng quát cao hơn cả một người bình thường.
Thứ ba là điểm kỳ dị (singularity), đề cập đến thời điểm TTNT trở nên đủ thông minh và tự chủ dé tạo ra những mô hình TTNT thông minh và tự chủ hơn nữa, thoát khỏi sự kiểm soát của con người và bắt tay vào quá trình phát triển vượt bậc. Những ý tưởng này nghe có vẻ đang xa vời và khá đáng sợ ở thời điểm hiện tại, tuy nhiên, lịch sử đã chứng minh rằng khả năng của con người là vô hạn, không thê loại trừ khả năng công nghệ TTNT hoàn toàn có thê đạt đến được trình độ nói trên. Ba làn sóng công nghệ TTNT nói trên cho thấy sự phát triển thần kì của TINT.