Hỏi một mô hình ngôn ngữ rằng thả quả trứng xuống sàn gạch thì sao, nó trả lời đúng. Hỏi cầm quả trứng phải nhẹ tay tới đâu, câu trả lời mơ hồ. Khoảng cách giữa hai câu trả lời đó rất đáng phân tích.
Những gì văn bản chứa nhiều
Văn bản do con người viết mang rất nhiều thông tin về thế giới vật lý, dù không ai viết ra với mục đích đó.
Quan hệ nhân quả thường gặp. Thả thì rơi, đun thì sôi, đẩy thì đổ. Các quan hệ này xuất hiện dày đặc trong mọi loại văn bản.
Thuộc tính điển hình của vật. Trứng dễ vỡ, thép cứng, dầu trơn. Được nhắc tới liên tục.
Cấu trúc nhiệm vụ. Pha trà gồm những bước nào, theo thứ tự nào.
Quan hệ không gian. Cái gì thường ở đâu, cái gì đặt trên cái gì.
Vì thông tin này có mặt dày đặc, mô hình học từ văn bản nắm được khá tốt, và đó không phải điều gây ngạc nhiên.
Những gì văn bản gần như không chứa
Ngược lại, có một nhóm thông tin hầu như không được viết ra — vì với người viết chúng quá hiển nhiên.
Giá trị định lượng của lực. Không ai viết cần bao nhiêu lực để mở một cái nắp. Ta biết bằng tay.
Cảm giác khi tiếp xúc. Bề mặt này trơn tới mức nào, vật này mềm ra sao.
Thời điểm chuyển pha trong thao tác. Khi nào thì nắp đã vào ren, khi nào thì siết đủ chặt.
Quan hệ giữa lệnh vận động và kết quả. Co cơ thế này thì tay tới đâu.
Bốn nhóm này chính là thứ quyết định thao tác thành công hay thất bại. Và chúng thiếu không phải vì dữ liệu chưa đủ lớn mà vì chúng vốn không được diễn đạt bằng lời.
Vì sao khoảng trống này quan trọng
Nếu chỉ cần lập kế hoạch ở mức trừu tượng, tri thức từ văn bản là đủ. Biết rằng để pha trà cần đun nước rồi cho trà vào — mô hình ngôn ngữ làm tốt.
Nhưng ở tầng thực hiện, mọi bước đều gặp các câu hỏi định lượng mà văn bản không trả lời: nghiêng ấm bao nhiêu độ, rót nhanh chậm ra sao, cầm quai chặt tới đâu.
Đây chính là ranh giới giữa hai tầng trong kiến trúc robot hiện nay: mô hình ngôn ngữ ở tầng lập kế hoạch, dữ liệu tương tác ở tầng thực hiện.
Và đây cũng là lý do việc mở rộng quy mô dữ liệu văn bản không tự động giải quyết được bài toán robot — phần thiếu không nằm trong loại dữ liệu đó.
Tri thức có nhưng không neo
Một dạng khoảng trống tinh vi hơn: mô hình có thể biết đúng quan hệ giữa các khái niệm mà không nối được khái niệm với thế giới.
Nó biết rằng cốc đặt trên bàn, rằng cốc có thể chứa nước, rằng nghiêng cốc thì nước đổ. Toàn bộ mạng quan hệ là đúng.
Nhưng khi nhìn vào một cảnh thật, việc xác định cái nào trong ảnh này là cốc và nó đang ở toạ độ nào là bài toán khác.
Đây là lý do các kiến trúc kết hợp cần một thành phần nối ngôn ngữ với tri giác: mô hình ngôn ngữ cung cấp tri thức về thế giới nói chung, thành phần thị giác neo các khái niệm đó vào cảnh cụ thể.
Không có bước neo này, tri thức đúng vẫn không dùng để hành động được.
Cách đánh giá công bằng
Khi đánh giá hiểu biết vật lý của một hệ thống, ba nguyên tắc giúp kết luận có giá trị.
Hỏi về tình huống mới, không có trong văn bản thông thường. Các câu hỏi vật lý phổ biến đã xuất hiện nhiều lần nên trả lời đúng không nói lên nhiều.
Hỏi định lượng chứ không chỉ định tính. Biết vật nặng thì khó nhấc là dễ; ước lượng đúng thứ tự nặng nhẹ giữa các vật cụ thể thì khó hơn.
Kiểm bằng hành động khi có thể. Câu trả lời đúng bằng lời và thao tác đúng trên máy thật là hai chuyện, và chỉ chuyện thứ hai mới nói lên tri thức đã neo vào thế giới.
Với người xây hệ thống, kết luận thực dụng: dùng mô hình ngôn ngữ cho phần nó mạnh — tri thức chung, lập kế hoạch, hiểu yêu cầu — và đừng kỳ vọng nó thay được dữ liệu tương tác cho phần thực hiện.
Câu hỏi thường gặp
Vì sao thông tin về lực không có trong văn bản?
Vì với người viết, các giá trị đó quá hiển nhiên và cũng khó diễn đạt bằng lời. Không ai viết cần bao nhiêu lực để mở một cái nắp, vì người đọc vốn đã biết bằng kinh nghiệm cơ thể chứ không qua mô tả.
Mở rộng dữ liệu văn bản có giải quyết được không?
Không, vì phần thiếu không nằm trong loại dữ liệu đó. Nó không phải vấn đề số lượng mà là vấn đề loại thông tin: kinh nghiệm về lực và tiếp xúc vốn không được diễn đạt thành văn bản.
Neo ngôn ngữ vào tri giác nghĩa là gì?
Là nối khái niệm với đối tượng cụ thể trong cảnh: xác định cái nào trong ảnh là cái được nhắc tới và nó ở đâu. Mô hình có thể biết đúng mọi quan hệ về cốc mà vẫn không chỉ ra được cái cốc trong một bức ảnh.
Nên dùng mô hình ngôn ngữ ở đâu trong hệ robot?
Ở tầng hiểu yêu cầu và lập kế hoạch nhiệm vụ, nơi tri thức chung về thế giới có giá trị. Tầng thực hiện cần dữ liệu tương tác vì nó phụ thuộc vào lực và tiếp xúc, những thứ không có trong văn bản.
Đọc thêm trong Nền tảng triết học & khoa học nhận thức và Mô hình thế giới.