Giai đoạn Sự trỗi dậy của AI dựa trên tri thức (1980–1990) là một bước chuyển mình trong lịch sử AI, khi các hệ thống trí tuệ nhân tạo chuyển trọng tâm từ việc phát triển thuật toán đơn giản sang việc sử dụng tri thức để giải quyết các vấn đề phức tạp. Đây là thời kỳ mà các hệ chuyên gia (Expert Systems) chiếm lĩnh, nhờ khả năng mô phỏng quy trình ra quyết định của con người.

I. Bối cảnh của sự trỗi dậy

1. Kết thúc "Mùa đông AI"

• Sau những thất bại và kỳ vọng không thực tế của giai đoạn trước, các nhà nghiên cứu nhận ra rằng thay vì tạo ra trí tuệ toàn diện (general AI), cần tập trung vào các ứng dụng hẹp, nơi AI có thể giải quyết các vấn đề thực tiễn.

2. Phát triển hệ chuyên gia

• Ý tưởng chính của giai đoạn này là phát triển các hệ thống dựa trên tri thức – sử dụng cơ sở tri thức (knowledge base) và các quy tắc suy luận (inference rules) để đưa ra quyết định.

II. Công nghệ cốt lõi trong giai đoạn này

1. Các hệ chuyên gia (Expert Systems)

Hệ chuyên gia là các chương trình AI được thiết kế để mô phỏng khả năng ra quyết định của chuyên gia con người trong một lĩnh vực cụ thể.

a. Cấu trúc của hệ chuyên gia

• Knowledge Base (Cơ sở tri thức):
• Chứa tri thức chuyên môn, thường được mã hóa dưới dạng các quy tắc "If-Then".
• Ví dụ: "Nếu bệnh nhân có triệu chứng X, thì có thể mắc bệnh Y."
• Inference Engine (Bộ suy luận):
• Áp dụng các quy tắc trong cơ sở tri thức để phân tích và đưa ra kết quả.
• Ví dụ: Phân tích các triệu chứng để chẩn đoán bệnh.
• User Interface (Giao diện người dùng): Cho phép người dùng tương tác với hệ thống, nhập thông tin và nhận kết quả.

b. Các hệ chuyên gia nổi bật

• DENDRAL (1965–1980): Hệ thống đầu tiên sử dụng tri thức để phân tích dữ liệu hóa học, hỗ trợ các nhà khoa học xác định cấu trúc phân tử.
• MYCIN (1972–1980s): Hệ chuyên gia y tế hỗ trợ chẩn đoán và điều trị nhiễm trùng máu. Mặc dù không được sử dụng trong thực tế, MYCIN đã đặt nền móng cho các hệ thống y tế sau này.
• XCON (eXpert CONfigurer) (1980):
• Phát triển bởi Carnegie Mellon University cho công ty Digital Equipment Corporation (DEC).
• Dùng để cấu hình hệ thống máy tính phức tạp, giúp DEC tiết kiệm hàng triệu USD.

2. Ngôn ngữ lập trình chuyên biệt

Trong giai đoạn này, các ngôn ngữ lập trình được tối ưu hóa để hỗ trợ phát triển hệ chuyên gia và xử lý tri thức.

a. LISP

• Phát triển bởi John McCarthy, LISP tiếp tục là ngôn ngữ lập trình chính trong nghiên cứu AI.
• Hỗ trợ xử lý dữ liệu linh hoạt, đặc biệt phù hợp với các hệ thống dựa trên tri thức.

b. PROLOG

• Một ngôn ngữ logic, PROLOG được phát triển vào năm 1972 bởi Alain Colmerauer và được sử dụng rộng rãi trong thập niên 1980.
• Ứng dụng:
• Tập trung vào suy luận logic và phát triển hệ chuyên gia.
• Dễ dàng biểu diễn các quy tắc "If-Then".

3. Công nghệ cơ sở dữ liệu và xử lý tri thức

Frame-based Systems:

• Mô hình hóa tri thức bằng các "khung" (frames) – cấu trúc dữ liệu đại diện cho các khái niệm hoặc thực thể.
• Ví dụ: "Bệnh nhân" có các thuộc tính như "tuổi", "triệu chứng", và "lịch sử y tế".

Semantic Networks:

• Biểu diễn tri thức dưới dạng đồ thị, trong đó các nút là khái niệm và các cạnh là mối quan hệ giữa chúng.

III. Ứng dụng thực tiễn

1. Doanh nghiệp và công nghiệp

• Hệ thống tự động hóa: Các công ty sử dụng hệ chuyên gia để quản lý sản xuất, tối ưu hóa lịch trình, và kiểm soát chất lượng.
• DENDRAL và các hệ thống tương tự: Hỗ trợ nghiên cứu hóa học và dược phẩm.
• XCON: Thành công lớn trong ngành công nghiệp máy tính, tăng năng suất và giảm chi phí.

2. Y tế

• Các hệ chuyên gia như MYCIN cho thấy AI có tiềm năng lớn trong việc hỗ trợ bác sĩ chẩn đoán và điều trị bệnh.

3. Quân sự

• AI được sử dụng trong phân tích dữ liệu tình báo, lập kế hoạch chiến lược và mô phỏng chiến tranh.

IV. Những thách thức và hạn chế

1. Chi phí cao
• Phát triển và triển khai các hệ chuyên gia yêu cầu phần cứng mạnh mẽ và tốn kém.
• Cần có đội ngũ chuyên gia để cập nhật và bảo trì cơ sở tri thức.
2. Giới hạn của cơ sở tri thức
• Các hệ chuyên gia chỉ hoạt động hiệu quả trong một lĩnh vực hẹp.
• Không thể tự học hỏi hoặc thích nghi với thay đổi, cần cập nhật tri thức thủ công.
3. Thiếu khả năng xử lý ngôn ngữ tự nhiên
• Khả năng giao tiếp với người dùng còn hạn chế, gây khó khăn trong việc mở rộng ứng dụng.

V. Tác động và ý nghĩa

1. Đưa AI vào thực tiễn: Giai đoạn này chứng minh rằng AI có thể giải quyết các vấn đề thực tế, đặc biệt là trong các lĩnh vực chuyên môn.
2. Đặt nền móng cho AI hiện đại: Các hệ chuyên gia đã mở đường cho các lĩnh vực như học máy (Machine Learning), hệ thống khuyến nghị, và trí tuệ nhân tạo hẹp (Narrow AI).
3. Bài học cho tương lai: Các hạn chế của hệ chuyên gia thúc đẩy sự phát triển của các phương pháp AI mới, đặc biệt là khả năng tự học và xử lý dữ liệu lớn.

Xem thêm: Lịch sử AI

Giai đoạn 1980–1990 là một thời kỳ quan trọng trong lịch sử AI, khi các hệ thống trí tuệ dựa trên tri thức trở thành tâm điểm nghiên cứu và ứng dụng. Dù có những hạn chế, những thành tựu đạt được trong giai đoạn này đã đặt nền móng cho các bước phát triển lớn hơn của AI trong thập niên 1990 và sau đó.