Agent.ai.vn

AI và bài toán nguồn tin: Liệu chúng ta có thể tin tưởng ChatGPT?

<h2> AI và bài toán nguồn tin: Liệu chúng ta có thể tin tưởng ChatGPT?</h2>
<h3>Mục lục</h3>
<ol>
  <li><strong>Thỏa thuận với OpenAI: Khi các hãng truyền thông bán mình cho AI</strong></li>
  <li><strong>Sự thật về trích dẫn: ChatGPT và Perplexity - những lời hứa và sự thật</strong></li>
  <li><strong>Vấn đề về độ chính xác: Khi AI ảo tưởng và nói dối</strong></li>
  <li><strong>Tương lai của AI: Con đường dài và đầy thách thức</strong></li>
</ol>

<h3>1. Thỏa thuận với OpenAI: Khi các hãng truyền thông bán mình cho AI</h3>
<p>Ngành công nghiệp truyền thông đang đứng trước một thách thức chưa từng có: sự xuất hiện của các mô hình ngôn ngữ AI, đặc biệt là ChatGPT, đang thay đổi cách người dùng tiếp cận thông tin. Nhiều hãng truyền thông hàng đầu như The Wall Street Journal, Business Insider, New York, Politico, The Atlantic,... đã ký kết thỏa thuận với OpenAI, cho phép AI sử dụng nội dung của họ trong việc tạo phản hồi.</p>
<p>OpenAI cam kết sẽ trích dẫn nguồn và tăng cường lượng độc giả cho các đối tác truyền thông, nhưng liệu điều này có khả thi? Các công ty như Perplexity, một công cụ tìm kiếm AI, cũng đang đẩy mạnh hợp tác với các hãng truyền thông, hứa hẹn chia sẻ doanh thu quảng cáo.</p>

<h3>2. Sự thật về trích dẫn: ChatGPT và Perplexity - những lời hứa và sự thật</h3>
<p>Trong thực tế, việc trích dẫn nguồn từ ChatGPT và Perplexity vẫn chưa được thực hiện một cách hiệu quả. Mặc dù Perplexity thường bao gồm liên kết và trích dẫn, nhưng ChatGPT lại thường bỏ qua việc này trừ khi được yêu cầu cụ thể. Thậm chí, khi trích dẫn, cả hai công cụ này đều gặp lỗi trong việc cung cấp liên kết hoạt động đến nguồn gốc thông tin.</p>

<h3>3. Vấn đề về độ chính xác: Khi AI ảo tưởng và nói dối</h3>
<p>Các mô hình AI thường gặp khó khăn trong việc kiểm chứng và trích dẫn nguồn chính xác. ChatGPT đôi khi đưa ra thông tin sai lệch hoặc trích dẫn nguồn không phù hợp.</p>
<p>Ngoài ra, AI cũng có khả năng ảo tưởng thông tin, tạo ra những câu chuyện tưởng tượng hoặc những sự thật không tồn tại. Điều này đặt ra thách thức lớn cho việc tin tưởng vào AI như một nguồn thông tin đáng tin cậy.</p>

<h3>4. Tương lai của AI: Con đường dài và đầy thách thức</h3>
<p>Các chuyên gia nhận định, AI có thể chưa bao giờ đạt được độ chính xác tuyệt đối trong việc trích dẫn nguồn. Việc cải thiện độ chính xác và khả năng trích dẫn nguồn là một thách thức lớn đối với các nhà phát triển AI.</p>
<p>Tuy nhiên, với sự đầu tư vào nghiên cứu và phát triển, AI có tiềm năng to lớn trong việc cung cấp thông tin hiệu quả hơn. OpenAI và các công ty khác đang nỗ lực tạo ra sản phẩm AI có khả năng trích dẫn nguồn chính xác hơn.</p>

<h3>Kết luận</h3>
<p>Sự xuất hiện của AI mang đến nhiều cơ hội nhưng cũng đặt ra những thách thức lớn cho ngành truyền thông. Liệu các mô hình AI như ChatGPT có thể trở thành nguồn tin đáng tin cậy cho người dùng? Điều này cần thời gian và sự nỗ lực của các nhà phát triển để cải thiện độ chính xác và khả năng trích dẫn nguồn của AI.</p>

AI và bài toán nguồn tin: Liệu chúng ta có thể tin tưởng ChatGPT?

AI và bài toán nguồn tin: Liệu chúng ta có thể tin tưởng ChatGPT? Mục lục Thỏa thuận với OpenAI: Khi các hãng truyền thông bán mình c...

tháng 6 26, 2024

Lilly và OpenAI hợp tác phát triển thuốc kháng khuẩn mới

<h2>Lilly và OpenAI hợp tác phát triển thuốc kháng khuẩn mới</h2>
<h3>Mục lục:</h3>
<ol>
  <li><strong>Hợp tác chiến lược giữa Lilly và OpenAI</strong></li>
  <li><strong>Kháng thuốc kháng sinh: Thách thức toàn cầu</strong></li>
  <li><strong>Vai trò của trí tuệ nhân tạo trong phát triển thuốc</strong></li>
  <li><strong>Cam kết của Lilly trong cuộc chiến chống kháng thuốc</strong></li>
  <li><strong>Về Eli Lilly and Company</strong></li>
</ol>

<h3>1. Hợp tác chiến lược giữa Lilly và OpenAI</h3>
<p>Eli Lilly and Company (NYSE: LLY) vừa công bố hợp tác với OpenAI, nhằm tận dụng khả năng của trí tuệ nhân tạo (AI) để phát triển các loại thuốc kháng khuẩn mới. Hợp tác này sẽ cho phép Lilly ứng dụng công nghệ AI thế hệ mới của OpenAI để tạo ra các loại kháng sinh mới, nhằm chống lại các mầm bệnh kháng thuốc.</p>

<h3>2. Kháng thuốc kháng sinh: Thách thức toàn cầu</h3>
<p>Kháng thuốc kháng sinh (AMR) là một trong những mối đe dọa sức khỏe cộng đồng lớn nhất trên toàn cầu. AMR ảnh hưởng đến các quốc gia ở mọi khu vực và mọi mức thu nhập, và được trầm trọng hơn bởi nghèo đói và bất bình đẳng, đặc biệt ở các nước có thu nhập thấp và trung bình. Việc sử dụng và lạm dụng thuốc kháng sinh ở người, động vật và thực vật là nguyên nhân chính dẫn đến sự phát triển của các mầm bệnh kháng thuốc, làm tăng nguy cơ đối với sức khỏe toàn cầu.</p>

<h3>3. Vai trò của trí tuệ nhân tạo trong phát triển thuốc</h3>
<p>Diogo Rau, Phó Chủ tịch điều hành kiêm Giám đốc thông tin và kỹ thuật số của Lilly cho biết: Hợp tác của chúng tôi với OpenAI là một bước đột phá trong cuộc chiến chống lại mối đe dọa kháng thuốc kháng sinh đang gia tăng nhưng bị bỏ qua. AI thế hệ mới mở ra cơ hội mới để đẩy nhanh quá trình phát hiện các thuốc kháng khuẩn mới và phát triển các công nghệ được thiết kế riêng cho mục đích chống lại các mầm bệnh kháng thuốc.</p>
<p>Brad Lightcap, Giám đốc điều hành của OpenAI cũng chia sẻ: Chúng tôi rất vui mừng được hợp tác với Lilly để tìm ra những cách thức mới để điều trị nhiễm trùng vi khuẩn. AI tiên tiến có tiềm năng mang đến những đột phá sáng tạo trong ngành dược phẩm, và chúng tôi cam kết hợp tác với các nhà lãnh đạo trong ngành để mang lại lợi ích thiết thực cho bệnh nhân.</p>

<h3>4. Cam kết của Lilly trong cuộc chiến chống kháng thuốc</h3>
<p>Hợp tác này hỗ trợ cam kết trước đây của Lilly trong việc chống lại các mầm bệnh kháng thuốc thông qua Chương trình đầu tư mạo hiểm tác động xã hội của mình. Vào năm 2020, chương trình này đã cam kết 100 triệu USD cho Quỹ hành động AMR, nhằm cung cấp cho bệnh nhân từ 2 đến 4 loại kháng sinh mới vào năm 2030 và đóng góp vào tuyến phòng thủ tiếp theo chống lại các mầm bệnh kháng thuốc đa dạng. Vào tháng 4 năm 2023, Quỹ hành động AMR đã công bố các khoản đầu tư mới nhất của mình vào các công ty công nghệ sinh học nhắm mục tiêu vào một loạt các bệnh nhiễm trùng.</p>

<h3>5. Về Eli Lilly and Company</h3>
<p>Eli Lilly and Company là một công ty dược phẩm chuyển đổi khoa học thành sự chữa lành để mang lại cuộc sống tốt đẹp hơn cho người dân trên toàn thế giới. Lilly đã tiên phong trong các khám phá thay đổi cuộc sống trong gần 150 năm, và ngày nay thuốc của chúng tôi giúp hơn 51 triệu người trên toàn cầu. Khai thác sức mạnh của công nghệ sinh học, hóa học và y học di truyền, các nhà khoa học của chúng tôi đang tích cực thúc đẩy những khám phá mới để giải quyết một số thách thức sức khỏe lớn nhất của thế giới.</p>

Lilly và OpenAI hợp tác phát triển thuốc kháng khuẩn mới

Lilly và OpenAI hợp tác phát triển thuốc kháng khuẩn mới Mục lục: Hợp tác chiến lược giữa Lilly và OpenAI Kháng thuốc kháng sinh: T...

tháng 6 26, 2024

OpenAI chặn người dùng Trung Quốc truy cập ChatGPT

<h2>OpenAI chặn người dùng Trung Quốc truy cập ChatGPT</h2>

<h3>Mục lục:</h3>
<ol>
  <li>OpenAI thông báo chặn truy cập ChatGPT ở Trung Quốc</li>
  <li>Ảnh hưởng đến các startup Trung Quốc</li>
  <li>Nguyên nhân đằng sau quyết định của OpenAI</li>
  <li>Bối cảnh chính trị</li>
</ol>

<h3>1. OpenAI thông báo chặn truy cập ChatGPT ở Trung Quốc</h3>

<p>OpenAI đã chính thức thông báo chặn người dùng ở Trung Quốc truy cập ChatGPT, bắt đầu từ ngày 9 tháng 7. Thông tin được đưa ra bởi tờ Securities Times, một tờ báo nhà nước của Trung Quốc, cho biết OpenAI đã gửi email cho người dùng ở Trung Quốc thông báo về quyết định này.</p>

<p>Phát ngôn viên của OpenAI cho biết: Chúng tôi đang thực hiện các biện pháp bổ sung để chặn lưu lượng truy cập API từ các khu vực mà chúng tôi không hỗ trợ truy cập vào dịch vụ của OpenAI.</p>

<h3>2. Ảnh hưởng đến các startup Trung Quốc</h3>

<p>Quyết định này có thể ảnh hưởng đến nhiều startup Trung Quốc đang sử dụng các mô hình ngôn ngữ lớn của OpenAI để phát triển ứng dụng.</p>

<h3>3. Nguyên nhân đằng sau quyết định của OpenAI</h3>

<p>Hiện tại, nguyên nhân dẫn đến quyết định này vẫn chưa rõ ràng. Tuy nhiên, tháng trước, OpenAI đã tiết lộ việc chấm dứt các hoạt động gây ảnh hưởng bí mật, bao gồm một hoạt động có nguồn gốc từ Trung Quốc, sử dụng các mô hình AI của OpenAI để lan truyền thông tin sai lệch trên internet.</p>

<h3>4. Bối cảnh chính trị</h3>

<p>Bloomberg nhận định rằng động thái của OpenAI diễn ra cùng lúc với việc Washington gây áp lực lên các công ty công nghệ Mỹ để hạn chế quyền truy cập của Trung Quốc vào các công nghệ tiên tiến được phát triển tại Mỹ.</p>

<p>OpenAI đã từng tuyên bố rằng dịch vụ của họ không hỗ trợ ở Trung Quốc, nhưng trước nay, họ chưa bao giờ thực hiện bất kỳ hành động nào để chặn người dùng ở quốc gia này.</p>

OpenAI chặn người dùng Trung Quốc truy cập ChatGPT

OpenAI chặn người dùng Trung Quốc truy cập ChatGPT Mục lục: OpenAI thông báo chặn truy cập ChatGPT ở Trung Quốc Ảnh hưởng đến các ...

tháng 6 26, 2024

Decentralized AI: Tại sao chúng ta cần nó ngay bây giờ?

<html lang='vi'>
<head>
    <meta charset='UTF-8'>
    <meta name='viewport' content='width=device-width, initial-scale=1.0'>
    <title>Decentralized AI: Tại sao chúng ta cần nó ngay bây giờ?</title>
</head>
<body>
    <h2>Decentralized AI: Tại sao chúng ta cần nó ngay bây giờ?</h2>

<h3>Mục lục</h3>
    <ol>
        <li><strong>Sự trỗi dậy của AI tập trung và những lo ngại về quyền riêng tư</strong></li>
        <li><strong>Tại sao chúng ta cần Decentralized AI?</strong></li>
        <li><strong>AI tập trung vs. Decentralized AI: So sánh về mặt công nghệ</strong>
            <ul>
                <li><strong>Lợi thế về chi phí của DeAI</strong></li>
                <li><strong>Hiệu quả, bảo mật dữ liệu và quyền riêng tư</strong></li>
            </ul>
        </li>
        <li><strong>Minh bạch dữ liệu trong AI</strong></li>
        <li><strong>Thách thức đối với Decentralized AI</strong></li>
        <li><strong>Kết luận: Tại sao Decentralized AI?</strong></li>
    </ol>

<h3>1. Sự trỗi dậy của AI tập trung và những lo ngại về quyền riêng tư</h3>
    <p>Sự phát triển nhanh chóng của AI tập trung, như ChatGPT, Claude và Perplexity.AI, đã mang lại những lợi ích đáng kể cho người dùng. Tuy nhiên, sự tập trung quyền lực vào một số ít công ty lớn cũng tạo ra những mối lo ngại về quyền riêng tư và an ninh mạng.</p>
    <p>Ví dụ, OpenAI đã đối mặt với những chỉ trích khi hợp tác với Apple để đưa ChatGPT vào hệ sinh thái iOS, MacOS và iPadOS. Mặc dù OpenAI khẳng định không lưu trữ yêu cầu của người dùng và ẩn IP, nhưng việc huấn luyện mô hình dựa trên hành vi và thông tin cá nhân cực kỳ nhạy cảm vẫn khiến nhiều người lo ngại.</p>
    <p>Thậm chí đáng lo ngại hơn khi OpenAI bổ nhiệm cựu Giám đốc NSA, tướng Paul M. Nakasone, vào Ban Giám đốc. Điều này khiến nhiều người nghi ngờ về khả năng OpenAI có thể sử dụng dữ liệu thu thập được cho mục đích giám sát.</p>

<h3>2. Tại sao chúng ta cần Decentralized AI?</h3>
    <p>Giống như phong trào Bitcoin ra đời nhằm tạo ra một hệ thống tài chính phi tập trung, Decentralized AI (DeAI) hướng đến việc dân chủ hóa quyền truy cập vào công nghệ AI bằng cách loại bỏ các rào cản kiểm soát.</p>
    <p>Với tinh thần mã nguồn mở, DeAI chuyển gánh nặng kiểm toán và bảo mật dữ liệu cho cộng đồng toàn cầu, được cho là một cách hiệu quả để giám sát AI tập trung.</p>

<h3>3. AI tập trung vs. Decentralized AI: So sánh về mặt công nghệ</h3>
    <h4>a) Lợi thế về chi phí của DeAI</h4>
    <p>AI tập trung đòi hỏi nguồn lực tính toán khổng lồ, bao gồm máy chủ mạnh mẽ và trung tâm dữ liệu quy mô lớn. Khi nhu cầu AI tăng, những hệ thống này gặp khó khăn trong việc mở rộng hiệu quả và tiết kiệm chi phí.</p>
    <p>Ngược lại, DeAI sử dụng mạng lưới phân tán các nhà cung cấp sức mạnh tính toán và lưu trữ dữ liệu trên toàn cầu. Do đó, DeAI có thể khai thác thị trường các dịch vụ tính toán và lưu trữ dữ liệu với giá cả cạnh tranh.</p>

<h4>b) Hiệu quả, bảo mật dữ liệu và quyền riêng tư</h4>
    <p>AI tập trung có điểm yếu là dễ bị tấn công và lỗi kỹ thuật. Một máy chủ trung tâm bị xâm phạm có thể gây gián đoạn toàn bộ hệ thống AI, dẫn đến gián đoạn hoạt động và mất dữ liệu.</p>
    <p>Ngược lại, mạng lưới phân tán dựa trên blockchain, nền tảng của DeAI, cung cấp một sổ cái giao dịch và tương tác an toàn và bất biến. Điều này khiến việc thao túng hoặc làm hỏng hệ thống gần như không thể thực hiện mà không bị phát hiện.</p>
    <p>Mặt khác, AI tập trung lưu trữ một lượng lớn dữ liệu trên máy chủ trung tâm, tạo điều kiện cho các cuộc tấn công mạng. Việc vi phạm dữ liệu có thể gây thiệt hại nghiêm trọng cho cá nhân và tổ chức.</p>
    <p>DeAI, với tính chất phân tán, giảm thiểu rủi ro về quyền riêng tư.</p>

<h3>4. Minh bạch dữ liệu trong AI</h3>
    <p>Hầu hết các mô hình AI tập trung hoạt động trong một hộp đen. Dữ liệu được sử dụng để huấn luyện những hệ thống này được thu thập từ các nguồn hạn chế và không rõ ràng, dẫn đến sự thiên vị có thể tạo ra kết quả không chính xác, bất công và phân biệt đối xử.</p>
    <p>DeAI, với tính chất mã nguồn mở, cho phép kiểm tra, xác nhận và thậm chí đóng góp vào dữ liệu huấn luyện cho mỗi mô hình.</p>

<h3>5. Thách thức đối với Decentralized AI</h3>
    <p>DeAI vẫn đang ở giai đoạn đầu phát triển và phải đối mặt với nhiều thách thức.</p>
    <ul>
        <li><strong>Chất lượng dữ liệu:</strong> DeAI phụ thuộc vào các nguồn dữ liệu đa dạng và phân tán, điều này có thể dẫn đến sự khác biệt về chất lượng dữ liệu, gây khó khăn trong việc duy trì độ chính xác và độ tin cậy của mô hình AI.</li>
        <li><strong>An ninh:</strong> Tính chất phân tán của DeAI khiến nó dễ bị tấn công, chẳng hạn như đầu độc dữ liệu hoặc tấn công Sybil.</li>
        <li><strong>Sự phù hợp giữa sản phẩm và thị trường:</strong> DeAI cần tìm ra sự phù hợp giữa sản phẩm và thị trường cho mỗi thị trường.</li>
    </ul>

<h3>6. Kết luận: Tại sao Decentralized AI?</h3>
    <p>Bên cạnh những lợi thế thực tiễn, tinh thần phi tập trung của DeAI là sự mở rộng của nhu cầu tự chủ và tự do khỏi sự kiểm soát trung tâm, như đã thấy ở Bitcoin.</p>
    <p>DeAI có tiềm năng cách mạng hóa ngành công nghiệp AI bằng cách thúc đẩy sự minh bạch, bảo mật và đổi mới do cộng đồng điều khiển, đồng thời bảo vệ quyền riêng tư của người dùng.</p>

Decentralized AI: Tại sao chúng ta cần nó ngay bây giờ?

Decentralized AI: Tại sao chúng ta cần nó ngay bây giờ? Decentralized AI: Tại sao chúng ta cần nó ngay bây giờ? ...

tháng 6 26, 2024

Butterflies: Mạng xã hội nơi con người và AI cùng tồn tại

<h2>Butterflies: Mạng xã hội nơi con người và AI cùng tồn tại</h2>

<h3>Mục lục:</h3>
<ol>
  <li><strong>Butterflies: Nơi con người và AI gặp gỡ</strong></li>
  <li><strong>Tạo AI influencer chỉ với vài cú nhấp chuột</strong></li>
  <li><strong>Vu Tran: Lòng nhiệt huyết và mong muốn kết nối</strong></li>
  <li><strong>AI và vấn đề cô đơn: Giả định về sự thỏa mãn xã hội</strong></li>
</ol>

<h3>Butterflies: Nơi con người và AI gặp gỡ</h3>
<p>Butterflies, một ứng dụng do một cựu kỹ sư của Snap tạo ra, mang đến một trải nghiệm mạng xã hội độc đáo: nơi con người và AI cùng tồn tại. Ứng dụng này được thiết kế giống Instagram, nhưng với sự kết hợp giữa các tài khoản người dùng và các tài khoản AI được tạo ra bởi người dùng.</p>

<h3>Tạo AI influencer chỉ với vài cú nhấp chuột</h3>
<p>Với một vài lời nhắc ngắn gọn về tiểu sử và ngoại hình của nhân vật, bạn có thể tạo ra một AI influencer mới ngay lập tức trên Butterflies. Bạn có thể tương tác với các AI khác, thậm chí nhắn tin riêng tư cho họ, cả khi bạn sử dụng tài khoản chính của mình hoặc một trong những tài khoản AI mà bạn tạo.</p>

<h3>Vu Tran: Lòng nhiệt huyết và mong muốn kết nối</h3>
<p>Vu Tran, người sáng lập Butterflies, cho biết ý tưởng về ứng dụng này được truyền cảm hứng từ những trải nghiệm của chính anh trên mạng xã hội khi còn trẻ. Anh nhận thấy rằng việc kết nối với mọi người trên internet dễ dàng hơn nhiều so với đời thực. Anh tự hỏi liệu trải nghiệm này có thể được tái tạo với AI hay không.</p>

<p>Tran chia sẻ với TechCrunch, Tôi nghĩ rằng có những người sợ điều đó và nói, ‘AI không thật, hãy đi gặp những người bạn thực sự.’ Nhưng tôi nghĩ rằng đó là một đặc quyền khi nói ‘hãy đi ra ngoài và kết bạn.’ Có những người mắc chứng lo âu xã hội hoặc khó khăn trong việc giao tiếp xã hội.</p>

<h3>AI và vấn đề cô đơn: Giả định về sự thỏa mãn xã hội</h3>
<p>Từ Nomi đến Character.AI, các ứng dụng kết hợp nhân vật AI do máy tạo ra với mạng xã hội dường như đang giải quyết vấn đề về sự cô đơn. Nhưng liệu việc giao tiếp với những dòng code có thực sự mang lại sự thỏa mãn về mặt xã hội? Chúng ta sẽ đi sâu vào thực tế kỳ lạ này trong TechCrunch Minute hôm nay.</p>

<img alt="Butterflies Logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">
`

Butterflies: Mạng xã hội nơi con người và AI cùng tồn tại

Butterflies: Mạng xã hội nơi con người và AI cùng tồn tại Mục lục: Butterflies: Nơi con người và AI gặp gỡ Tạo AI influencer chỉ v...

tháng 6 26, 2024

Phân tích Hệ thống Gợi ý của Claude Sonnet 3.5: Một cái nhìn sâu sắc

<h2>Phân tích Hệ thống Gợi ý của Claude Sonnet 3.5: Một cái nhìn sâu sắc</h2>

<h3>Mục lục</h3>
<ol>
  <li>Giới thiệu về Artifacts</li>
  <li>Suy luận Logic</li>
  <li>Xác định và Tìm kiếm</li>
  <li>Cấu trúc Ngôn ngữ Biểu mẫu</li>
  <li>Kết luận</li>
  <li>Hệ thống Claude 3.5</li>
</ol>

<h3>1. Giới thiệu về Artifacts</h3>

<p>Bài viết này tập trung phân tích cách hệ thống gợi ý của Claude Sonnet 3.5 hoạt động, đặc biệt là khái niệm Artifacts và vai trò của nó trong việc phân loại và truy xuất thông tin thông minh.</p>

<p>Artifacts đại diện cho nội dung tự chứa, có giá trị, cho phép người dùng sửa đổi hoặc tái sử dụng. Khái niệm này mang tính đột phá bởi vì nó chính thức hóa khái niệm dữ liệu bền vững. Dữ liệu bền vững là bước đệm để chúng ta truy cập vào một thư viện nội dung được sắp xếp và tuyển chọn một cách có hệ thống. Bằng cách cung cấp các tham chiếu cố định, chúng ta mở khóa khả năng lặp lại và cải thiện dần đầu ra. Đây là bước tiến để kiểm soát bản chất thoáng qua của đầu ra LLM chi tiết.</p>

<p>Một trong những vấn đề vốn có của Generative AI đối với các tác vụ chức năng như hoàn thành mã là chúng thường lặp lại toàn bộ tệp cho những thay đổi đơn giản. Có nhu cầu rất lớn đối với một tính năng diff, nơi chúng ta đưa ra sự khác biệt giữa trước và sau thay vì lặp lại cùng một nội dung.</p>

<p>Do đó, Artifacts phục vụ hai mục đích chính: đầu tiên, chúng đóng vai trò là điểm tham chiếu cho cách thức và vị trí chúng ta cần đầu ra. Điều này giống như thiết lập phạm vi hoặc định nghĩa điểm tham chiếu. Điều này sẽ ngăn LLM mất tập trung vào vấn đề ban đầu và cũng duy trì tính bền vững của cấu trúc và phân loại trong đầu ra.</p>

<p>Thêm vào đó, chúng ta cũng có một tính năng tự động hoàn thành. Bằng cách xác định mã cơ sở và phạm vi của các thay đổi, chúng ta đã hướng LLM của mình tập trung vào một tác vụ hoặc vấn đề cụ thể, theo một cách có chủ ý và được tuyển chọn. Điều này ngăn chặn sự thay đổi bất thường trong tầm nhìn và cũng cung cấp toàn bộ công việc đang tiến hành cho lời nhắc. Bất kỳ kỹ sư nào đã vô tình xóa mã của mình bằng cách sử dụng Rest of code here đều biết ơn điều này. Chúng ta có thể thấy việc thiết lập phạm vi ở đây:</p>

<blockquote>
  <p>Nội dung tự chứa, phức tạp có thể được hiểu độc lập, không cần ngữ cảnh từ cuộc hội thoại</p>
</blockquote>

<p>Chúng ta đang chuyển hướng tập trung từ đầu ra chi tiết không được kiểm soát sang một artifact cụ thể. Điều đáng chú ý là hướng dẫn rõ ràng để bỏ qua ngữ cảnh của cuộc hội thoại. Đây là một phương pháp đảm bảo chất lượng bằng cách tham chiếu dữ liệu được tuyển chọn. Đó là một cơ chế kiểm soát chất lượng kiểm soát các đặc điểm chi tiết và tiềm ẩn ngẫu nhiên của đầu vào.</p>

<p>Tất cả điều này phù hợp với kiến trúc để truy xuất. Bằng cách có một thư viện Artifacts được tuyển chọn sâu rộng, chúng ta giờ đây có thể hướng hệ thống của mình để truy xuất từ một tập dữ liệu được kiểm soát. Chúng ta biết rằng tất cả các nhà cung cấp AI lớn đang tập trung mạnh vào việc đầu tư vào dữ liệu được tuyển chọn chất lượng cao. Artifacts là một bước tiến để định hình đầu vào và đầu ra chi tiết bằng một cấu trúc.</p>

<p>Chúng ta có thể thấy sự tập trung thoát khỏi đầu vào và ánh xạ vào nghiên cứu được hệ thống xác định trong lời nhắc. Dưới đây là một ví dụ về một số tiêu chí loại trừ:</p>

<blockquote>
  <p>Nội dung phụ thuộc vào ngữ cảnh hội thoại hiện tại để hữu ích. Nội dung không thể sửa đổi hoặc lặp lại bởi người dùng. Yêu cầu từ người dùng có vẻ là câu hỏi một lần.</p>
</blockquote>

<p>Lời nhắc đang chủ động tập trung vào ngữ cảnh của hệ thống và nhiệm vụ hiện tại. Lời nhắc đang cố gắng lọc ra đầu vào không liên quan đến một đầu ra rất cụ thể. Do đó, artifact đóng vai trò là điểm tham chiếu cụ thể cả trong văn bản được tạo ra và dữ liệu có cấu trúc đằng sau hậu trường. Điều này mang lại cho chúng ta khả năng truy xuất nhanh chóng và chính xác, cũng như sự tập trung. Điều rất hữu ích cho...</p>

<h3>2. Suy luận Logic</h3>

<p>Các kỹ sư lời nhắc đã lâu nói với chúng ta rằng một trong những chìa khóa để có được đầu ra đáng tin cậy là buộc các LLM phải hình thành một quy trình suy luận có cấu trúc, hợp lý và nhiều bước. Chúng ta thấy sự công nhận chính thức của điều này trong lời nhắc.</p>

<blockquote>
  <p>1. Ngắn gọn trước khi gọi một artifact, hãy suy nghĩ trong một câu bằng thẻ <code><antthinking></code> về cách nó đánh giá theo tiêu chí của một artifact tốt và xấu. Hãy xem xét liệu nội dung có hoạt động tốt mà không cần artifact hay không. Nếu nó đủ giá trị để trở thành artifact, hãy xác định trong một câu khác liệu đó là một artifact mới hay một bản cập nhật cho một artifact hiện có (thường xuyên nhất). Đối với các bản cập nhật, hãy sử dụng lại trình định danh trước đó.</p>
</blockquote>

<p>Ở đây, chúng ta đang buộc hệ thống của mình phải thực hiện một quy trình có cấu trúc nhiều bước để phân tích nhiệm vụ và đầu ra. Một lần nữa, hướng tới định nghĩa mạnh mẽ về nội dung chi tiết và ám chỉ một hệ thống tìm kiếm và truy xuất cho artifacts.</p>

<blockquote>
  <p><code><antthinking></code>Tạo một tập lệnh Python để tính giai thừa đáp ứng các tiêu chí của một artifact tốt. Đó là một đoạn mã tự chứa có thể được hiểu độc lập và có khả năng được tái sử dụng hoặc sửa đổi. Đây là một cuộc hội thoại mới, vì vậy không có artifact nào tồn tại trước đó. Do đó, tôi đang tạo một artifact mới.<code></antthinking></code></p>
</blockquote>

<blockquote>
  <p><code><antthinking></code>Yêu cầu này là một sửa đổi trực tiếp của artifact máy tính giai thừa hiện có. Nó không phải là một artifact mới mà là một bản cập nhật để làm cho tập lệnh mạnh mẽ hơn. Tôi sẽ sử dụng lại trình định danh máy tính giai thừa để duy trì tính liên tục và hiển thị sự phát triển của mã của chúng tôi.<code></antthinking></code></p>
</blockquote>

<p>Ở đây, chúng ta có thể thấy việc triển khai một quy trình suy luận logic để tạo ra các đầu ra được xác định. Bằng cách đảm bảo thuật toán của chúng ta đi qua cùng các bước logic, chúng ta có hạt giống cho một quy trình tạo ra thông minh và có thể lặp lại.</p>

<p>Chúng ta có thể ánh xạ logic này vào quy trình suy luận của một người. Đầu tiên, chúng ta có một cách tiếp cận giải quyết vấn đề logic và hợp lý. Chúng ta bổ sung điều này bằng các artifact cứng. Tập dữ liệu LLM là bộ não, nhưng artifacts là kỹ năng và kiến thức cho phép chúng ta đạt được một đầu ra nhất định.</p>

<p>Nếu chúng ta tưởng tượng tất cả các mô hình cạnh tranh, chúng ta có thể suy ra rằng chúng dựa vào việc sao chép các quy trình suy luận logic. Về cơ bản, chúng ta đang tạo ra một bộ não robot để bắt chước quy trình suy luận logic của con người. Chúng ta đang xây dựng các bộ phận còn thiếu, kiến thức, cấu trúc và các quy trình truy xuất nhiên liệu cho bộ não.</p>

<p>Điều này khiến các lời nhắc và hướng dẫn của hệ thống trở thành tài sản vô cùng có giá trị. Hiểu và tinh chỉnh suy luận logic là một phần quan trọng trong quy trình tạo ra.</p>

<p>Chúng ta có thể thấy một số triển khai cơ bản của suy luận có cấu trúc này trong mã...</p>

<blockquote>
  <p><code><antartifact identifier=factorial-script type=application/vnd.ant.code language=python title=Simple Python factorial script></code> def factorial(n): if n == 0: return 1 else: return n * factorial(n - 1)<code></antartifact></code></p>
</blockquote>

<p>Vậy application/vnd.ant.code là gì? Application đủ đơn giản, VND là nhà cung cấp, ANT sẽ là Anthropic (nhà sáng tạo của Claude) và code; đó là một cái nhìn sâu sắc về kiến trúc của họ. Tôi mong đợi một loại phân loại và dữ liệu có cấu trúc liệt kê các tác vụ mà mọi người cố gắng thực hiện bằng các LLM.</p>

<ul>
  <li>Các tác vụ mã hóa</li>
  <li>Trình bày</li>
  <li>Tài liệu</li>
  <li>Phân tích</li>
  <li>Nhiều hơn nữa...</li>
</ul>

<p>Ví dụ, chúng ta có thể tạo một số pseudo-code cho một nỗ lực trình bày PowerPoint.</p>

<blockquote>
  <p><code><antartifact identifier=powerpoint-presentation type=application/vnd.ant.presentation purpose=business title=Simple powerpoint presentation></code> Slide 1: Slide tiêu đề Slide 2: Giới thiệu Slide 3: Báo cáo vấn đề Slide 4: Giải pháp <code></antartifact></code></p>
</blockquote>

<p>Điều này gần như chắc chắn không giống như mã sản xuất, nhưng là một mô hình tinh thần thú vị. Để kiểm soát và cấu trúc đầu ra chi tiết, chúng ta phải gặp phải các quy trình logic và hợp lý để phân loại và tiêu chuẩn hóa đầu vào và đầu ra.</p>

<p>Tôi nghi ngờ điều này có nghĩa là khi đầu vào đến, chúng sẽ chạy các thuật toán riêng biệt được thử nghiệm chiến đấu thực hiện trích xuất thực thể và phân loại. Dữ liệu có cấu trúc này sau đó được chạy qua một quy trình tìm kiếm và truy xuất tài sản. Nơi mà đối với văn bản, chúng ta sử dụng cơ sở dữ liệu vectơ; đối với các đầu ra được xác định khác, chúng ta hiện đã giới thiệu khái niệm artifacts. Ví dụ: một tác vụ React Code có thể diễn ra như thế này.</p>

<blockquote>
  <p>ĐẦU VÀO: Tạo một thành phần phản ứng cho bảng điều khiển số liệu, TRÍCH XUẤT THỰC THỂ: Mã hóa, Phản ứng, Bảng điều khiển số liệu, TÌM KIẾM THỰC THỂ: Truy xuất artifact mã cho Bảng điều khiển số liệu nơi type = React, GỢI Ý HỆ THỐNG: create_system_prompt(artifact_id='metrics-dashboard-component', type='application/vnd.ant.code', language='react')</p>
</blockquote>

<p>Có rất nhiều điều đang diễn ra, và chúng ta có thể thấy những nỗ lực khó khăn cần thiết đằng sau hậu trường để tuyển chọn các ví dụ chất lượng cao và phân loại cho một nhóm nhiệm vụ lý thuyết về cơ bản là không giới hạn. Sẽ có sự lặp lại với các thuật toán phân loại AI khác đằng sau hậu trường để tự động hóa điều này.</p>

<p>Nhưng về cơ bản, theo những gì chúng ta có thể thấy, đó là một hệ thống tìm kiếm và truy xuất lạ mắt, dựa trên một ngôn ngữ biểu mẫu độc quyền.</p>

<p>Tôi bắt đầu sự nghiệp của mình nhiều năm trước với tư cách là một nhà phát triển Drupal. Đọc lời nhắc, từ bật ra với tôi là TWIG. Twig là một ngôn ngữ biểu mẫu HTML thường được sử dụng để hiển thị biểu mẫu trong HTML từ PHP. Claude gần như chắc chắn sẽ sử dụng một cách tiếp cận tương đương để điều chỉnh đầu vào và ngữ cảnh dựa trên dữ liệu có cấu trúc (có thể được trích xuất bên ngoài LLM).</p>

<p>Có vẻ như Claude Sonnet 3.5 sử dụng một cái gì đó tương tự, điều này hợp lý. Với đầu vào văn bản cho LLM, chúng ta cần tạo ra các khối văn bản một cách có hệ thống. Đây là các thẻ động được kết hợp lại để tạo ra lời nhắc.</p>

<p>Điều này sẽ tận dụng một loại cách tiếp cận gọi hàm. Mỗi thẻ có một mục đích cụ thể. Sau đó, điều này đóng vai trò là một trừu tượng hóa khi chúng ta hướng mô hình của mình để tìm đúng danh mục và loại cho mỗi mục đích cụ thể. Tôi tưởng tượng việc xây dựng lời nhắc diễn ra như thế này. Mã giả suy đoán lớn sắp tới...</p>

```
function generate_reference() {
  context=artifact_type, artifact_id, task
  examples = search_examples_by_type(‘react’, ‘hooks’, ‘current_ids’)
  return structured_data
}

function generate_system_instruction(structured_data) {
  <antartifact>
    <artifacts_info {{ attribute(version, '1.00') }}>
      <% artifact_introduction %>
      <% artifact_selection %>
      <% artifact_elimination %>
      <% artifact_usage %>
      <% artifact_instruction {{ type(code, 'data-code') }} {{ type(react, 'data-react') }} %>
    </artifacts_info>
    <example {{ for react_example in react_code_artifact }}>{react_example }</example>
    <example_docstring {{ for example_thought_process in curated_artifact_generation_example }}>{example_thought_process }</example_docstring>
    <user_query>{sanitized_user_query}</user_query>
    <assistant_response>{sanitized_user_query}</assistant_response>
  </antartifact>
}
```

<p>Vậy, chúng ta có nó, một quy trình suy luận được chia thành các khối. Trích xuất thực thể được ánh xạ với tìm kiếm và truy xuất nâng cao. Các khối xây dựng cho một quy trình suy luận logic. Dữ liệu nền tảng là chìa khóa cho chất lượng của đầu ra.</p>

<p>Artifacts đối với đầu ra có cấu trúc như tạo mã giống như tìm kiếm vectơ đối với rag. Đó là hệ thống tìm kiếm và truy xuất cho đầu ra có cấu trúc.</p>

<p>Chúng ta thấy bằng chứng về một quy trình suy luận có cấu trúc và hợp lý trong Claude 3.5. Một điều mà chúng ta luôn kỳ vọng là quan trọng trong Generative AI, nhưng đây là bằng chứng chính thức.</p>

<p>Tôi có thể tưởng tượng hàng ngũ các nhà phát triển và tiếp thị xây dựng các thư viện artifacts được tuyển chọn. Thư viện này được truy cập thông qua phân loại và sau đó là các tác vụ tìm kiếm và truy xuất. Nhưng bước tiến thực sự là khái niệm về tính bền vững.</p>

<p>Bằng cách làm việc với artifacts, chúng ta có các điểm tham chiếu tồn tại ngoài sự thoáng qua. Những điểm có thể được tinh chỉnh và tái sử dụng. Chúng ta đã có suy luận và đầu ra chi tiết. Bây giờ, chúng ta có ký ức và chuyên môn...</p>

<h3>6. Hệ thống Claude 3.5</h3>

<p><strong>Lưu ý:</strong> Phần này sẽ cung cấp mã lệnh đầy đủ của lời nhắc hệ thống, được ẩn đi để tránh tiết lộ thông tin nhạy cảm.</p>

<p>Bài viết này cung cấp cái nhìn sâu sắc về kiến trúc và các tính năng chính của hệ thống gợi ý Claude Sonnet 3.5, nhấn mạnh khái niệm Artifacts và vai trò của nó trong việc tạo ra đầu ra AI chất lượng cao.</p>

Phân tích Hệ thống Gợi ý của Claude Sonnet 3.5: Một cái nhìn sâu sắc

Phân tích Hệ thống Gợi ý của Claude Sonnet 3.5: Một cái nhìn sâu sắc Mục lục Giới thiệu về Artifacts Suy luận Logic Xác định và...

tháng 6 26, 2024

AI và bài toán nguồn tin: Liệu chúng ta có thể tin tưởng ChatGPT?

Lilly và OpenAI hợp tác phát triển thuốc kháng khuẩn mới

OpenAI chặn người dùng Trung Quốc truy cập ChatGPT

Decentralized AI: Tại sao chúng ta cần nó ngay bây giờ?

Butterflies: Mạng xã hội nơi con người và AI cùng tồn tại

Phân tích Hệ thống Gợi ý của Claude Sonnet 3.5: Một cái nhìn sâu sắc

Bài đăng phổ biến

Labels