OpenAI công bố nghiên cứu về các hình ảnh đối kháng (adversarial inputs) có khả năng đánh lừa mạng thần kinh ngay cả khi thay đổi góc nhìn và tỷ lệ, đặt ra dấu hỏi lớn về độ an toàn của xe tự lái.
Khám phá Proximal Policy Optimization (PPO), thuật toán học tăng cường đột phá của OpenAI. Bài viết phân tích lý do tại sao PPO trở thành lựa chọn mặc định nhờ sự cân bằng hoàn hảo giữa hiệu suất vượt trội và tính đơn giản trong triển khai.
OpenAI giới thiệu hai thuật toán mới trong bộ Baselines: A2C, phiên bản đồng bộ của A3C, và ACKTR, thuật toán tối ưu hóa hiệu quả mẫu vượt trội so với TRPO và A2C.
Khám phá Opponent-Learning Awareness (OLA), một kỹ thuật đột phá từ OpenAI giúp các tác nhân AI học cách thích nghi với hành vi thay đổi của đối thủ trong môi trường đa tác nhân, thay vì chỉ tối ưu hóa dựa trên các chiến lược tĩnh.
Khám phá nghiên cứu đột phá từ OpenAI về cách các mạng thần kinh tuyến tính sâu (Deep Linear Networks) có thể thực hiện các phép tính phi tuyến tính phức tạp, thách thức quan niệm truyền thống trong học máy.
OpenAI giới thiệu kỹ thuật huấn luyện robot mới, cho phép các bộ điều khiển được đào tạo hoàn toàn trong môi trường mô phỏng có thể thích nghi và xử lý các thay đổi bất ngờ trong thế giới thực, chuyển dịch từ hệ thống vòng lặp hở sang vòng lặp kín.
Khám phá cách OpenAI vượt qua các giới hạn kỹ thuật để vận hành cụm Kubernetes với 2.500 node, giải quyết các thách thức về API server, etcd và hiệu năng mạng để hỗ trợ các mô hình AI khổng lồ.
OpenAI công bố báo cáo nghiên cứu chuyên sâu về cách các tác nhân xấu có thể lợi dụng AI, đồng thời đề xuất các chiến lược phòng thủ và giảm thiểu rủi ro thông qua sự hợp tác với các tổ chức an ninh toàn cầu.
Khám phá nghiên cứu của OpenAI về Multi-Goal Reinforcement Learning, phương pháp giúp robot học cách thực hiện nhiều nhiệm vụ phức tạp trong môi trường mô phỏng, mở ra kỷ nguyên mới cho tự động hóa.
Khám phá sâu về Meta-Reinforcement Learning (Meta-RL) qua góc nhìn của OpenAI. Bài viết phân tích các cơ chế cốt lõi, thách thức trong việc tối ưu hóa khả năng khám phá (exploration) của AI và những cân nhắc kỹ thuật quan trọng để xây dựng các tác nhân học máy tự thích nghi hiệu quả.
Khám phá kỹ thuật đột phá từ OpenAI giúp giảm phương sai trong các thuật toán Policy Gradient bằng cách sử dụng Action-Dependent Factorized Baselines, giúp huấn luyện mô hình RL ổn định và hiệu quả hơn.
Phân tích chuyên sâu từ OpenAI về sự tăng trưởng theo cấp số nhân của tài nguyên tính toán (compute) trong các dự án AI từ năm 2012, với tốc độ gấp hàng nghìn lần so với Định luật Moore.