Agent.ai.vn

NVIDIA AI Foundry Mở Ra Kỷ Nguyên Mới Cho Mô Hình AI Thế Hệ Tiếp Theo

<h2>NVIDIA AI Foundry Mở Ra Kỷ Nguyên Mới Cho Mô Hình AI Thế Hệ Tiếp Theo</h2>

<h3>Mục lục:</h3>
<ol>
  <li><strong>NVIDIA AI Foundry: Công cụ Tạo Mô Hình AI Tùy Chỉnh</strong></li>
  <li><strong>Llama 3.1: Bước Tiến Mới Cho AI Mở Nguồn</strong></li>
  <li><strong>NVIDIA NIM Microservices: Nâng Tốc Triển Khai AI</strong></li>
  <li><strong>Accenture Tiên Phong Sử Dụng NVIDIA AI Foundry</strong></li>
  <li><strong>NVIDIA Nemotron: Tăng Cường Khả Năng Tùy Chỉnh Mô Hình</strong></li>
  <li><strong>Doanh Nghiệp Hàng Đầu Nâng Cấp AI với NVIDIA và Llama</strong></li>
  <li><strong>NeMo Retriever RAG Microservices: Nâng Cao Độ Chính Xác</strong></li>
  <li><strong>Hệ Sinh Thái Doanh Nghiệp Chuẩn Bị Cho Triển Khai Llama 3.1 và NeMo Retriever NIM</strong></li>
</ol>

<h3>1. NVIDIA AI Foundry: Công cụ Tạo Mô Hình AI Tùy Chỉnh</h3>

<p>NVIDIA vừa công bố dịch vụ NVIDIA AI Foundry và NVIDIA NIM™ inference microservices, nhằm tăng cường sức mạnh cho AI thế hệ tiếp theo cho các doanh nghiệp toàn cầu với bộ sưu tập mô hình Llama 3.1 công khai, cũng được giới thiệu cùng ngày. Với NVIDIA AI Foundry, các doanh nghiệp và quốc gia giờ đây có thể tạo ra các siêu mô hình tùy chỉnh cho các trường hợp sử dụng ngành cụ thể bằng cách sử dụng Llama 3.1 và phần mềm, tính toán và chuyên môn của NVIDIA. Các doanh nghiệp có thể huấn luyện các siêu mô hình này với dữ liệu độc quyền cũng như dữ liệu tổng hợp được tạo ra từ Llama 3.1 405B và mô hình NVIDIA Nemotron™ Reward.</p>

<p>NVIDIA AI Foundry được cung cấp bởi nền tảng AI NVIDIA DGX™ Cloud, được đồng phát triển với các đám mây công cộng hàng đầu thế giới, để mang đến cho các doanh nghiệp nguồn lực tính toán đáng kể có thể dễ dàng mở rộng khi nhu cầu AI thay đổi.</p>

<h3>2. Llama 3.1: Bước Tiến Mới Cho AI Mở Nguồn</h3>

<p>Các dịch vụ mới được tung ra vào thời điểm các doanh nghiệp, cũng như các quốc gia đang phát triển các chiến lược AI chủ quyền, muốn xây dựng các mô hình ngôn ngữ lớn tùy chỉnh với kiến thức cụ thể cho các ứng dụng AI thế hệ tiếp theo phản ánh doanh nghiệp hoặc văn hóa độc đáo của họ.</p>

<p>Các mô hình Llama 3.1 công khai của Meta đánh dấu một thời khắc quan trọng cho việc áp dụng AI thế hệ tiếp theo trong các doanh nghiệp trên toàn cầu, Jensen Huang, nhà sáng lập và Giám đốc điều hành của NVIDIA cho biết. Llama 3.1 mở ra cánh cửa cho mọi doanh nghiệp và ngành nghề để xây dựng các ứng dụng AI thế hệ tiếp theo tiên tiến. NVIDIA AI Foundry đã tích hợp Llama 3.1 xuyên suốt và sẵn sàng giúp các doanh nghiệp xây dựng và triển khai các siêu mô hình Llama tùy chỉnh.</p>

<p>Các mô hình Llama 3.1 mới là một bước tiến rất quan trọng cho AI mã nguồn mở, Mark Zuckerberg, nhà sáng lập và Giám đốc điều hành của Meta cho biết. Với NVIDIA AI Foundry, các công ty có thể dễ dàng tạo và tùy chỉnh các dịch vụ AI tiên tiến mà mọi người mong muốn và triển khai chúng với NVIDIA NIM. Tôi rất vui mừng khi đưa điều này vào tay mọi người.</p>

<h3>3. NVIDIA NIM Microservices: Nâng Tốc Triển Khai AI</h3>

<p>Để tăng cường sức mạnh cho việc triển khai các mô hình Llama 3.1 của doanh nghiệp cho AI sản xuất, các dịch vụ vi mô suy luận NVIDIA NIM cho các mô hình Llama 3.1 giờ đây đã có sẵn để tải xuống từ ai.nvidia.com. NIM microservices là cách nhanh nhất để triển khai các mô hình Llama 3.1 trong sản xuất và tăng cường hiệu suất lên đến 2,5 lần so với chạy suy luận mà không có NIM.</p>

<p>Các doanh nghiệp có thể kết hợp các dịch vụ vi mô NIM của Llama 3.1 với các dịch vụ vi mô NVIDIA NeMo Retriever NIM mới để tạo ra các đường ống thu hồi tiên tiến cho các trợ lý AI, trợ lý và hóa thân kỹ thuật số của con người.</p>

<h3>4. Accenture Tiên Phong Sử Dụng NVIDIA AI Foundry</h3>

<p>Công ty dịch vụ chuyên nghiệp toàn cầu Accenture là công ty đầu tiên áp dụng NVIDIA AI Foundry để xây dựng các mô hình Llama 3.1 tùy chỉnh bằng cách sử dụng khung Accenture AI Refinery™, cả cho mục đích riêng của họ cũng như cho các khách hàng muốn triển khai các ứng dụng AI thế hệ tiếp theo phản ánh văn hóa, ngôn ngữ và ngành của họ.</p>

<p>Các doanh nghiệp hàng đầu thế giới nhận thấy AI thế hệ tiếp theo đang chuyển đổi mọi ngành nghề và rất muốn triển khai các ứng dụng được hỗ trợ bởi các mô hình tùy chỉnh, Julie Sweet, Chủ tịch và Giám đốc điều hành của Accenture cho biết. Accenture đã hợp tác với các dịch vụ vi mô suy luận NVIDIA NIM cho các ứng dụng AI nội bộ của chúng tôi, và giờ đây, bằng cách sử dụng NVIDIA AI Foundry, chúng tôi có thể giúp khách hàng nhanh chóng tạo và triển khai các mô hình Llama 3.1 tùy chỉnh để cung cấp năng lượng cho các ứng dụng AI mang tính chuyển đổi cho ưu tiên kinh doanh của riêng họ.</p>

<h3>5. NVIDIA Nemotron: Tăng Cường Khả Năng Tùy Chỉnh Mô Hình</h3>

<p>NVIDIA AI Foundry cung cấp một dịch vụ trọn gói để nhanh chóng xây dựng các siêu mô hình tùy chỉnh. Nó kết hợp phần mềm, cơ sở hạ tầng và chuyên môn của NVIDIA với các mô hình cộng đồng mở, công nghệ và hỗ trợ từ hệ sinh thái AI của NVIDIA.</p>

<p>Với NVIDIA AI Foundry, các doanh nghiệp có thể tạo các mô hình tùy chỉnh bằng cách sử dụng các mô hình Llama 3.1 và nền tảng NVIDIA NeMo - bao gồm mô hình NVIDIA Nemotron-4 340B Reward, được xếp hạng đầu tiên trên Hugging Face RewardBench.</p>

<p>Sau khi các mô hình tùy chỉnh được tạo, các doanh nghiệp có thể tạo các dịch vụ vi mô suy luận NVIDIA NIM để chạy chúng trong sản xuất bằng cách sử dụng các nền tảng MLOps và AIOps ưa thích của họ trên các nền tảng đám mây ưa thích và NVIDIA-Certified Systems™ từ các nhà sản xuất máy chủ toàn cầu.</p>

<p>Các chuyên gia của NVIDIA AI Enterprise và các đối tác tích hợp hệ thống toàn cầu làm việc với khách hàng của AI Foundry để đẩy nhanh toàn bộ quy trình, từ phát triển đến triển khai.</p>

<h3>6. Doanh Nghiệp Hàng Đầu Nâng Cấp AI với NVIDIA và Llama</h3>

<p>Các doanh nghiệp trong ngành chăm sóc sức khỏe, năng lượng, dịch vụ tài chính, bán lẻ, vận tải và viễn thông hiện đã hợp tác với các dịch vụ vi mô NVIDIA NIM cho Llama. Aramco, AT&T và Uber là những công ty đầu tiên được truy cập các dịch vụ vi mô NIM mới cho Llama 3.1.</p>

<p>Được đào tạo trên hơn 16.000 GPU NVIDIA H100 Tensor Core và được tối ưu hóa cho tính toán và phần mềm tăng tốc của NVIDIA - trong trung tâm dữ liệu, trên đám mây và cục bộ trên các máy trạm với GPU NVIDIA RTX™ hoặc PC với GPU GeForce RTX - bộ sưu tập LLM đa ngôn ngữ Llama 3.1 là một bộ sưu tập các mô hình AI thế hệ tiếp theo với kích thước 8B-, 70B- và 405B tham số.</p>

<h3>7. NeMo Retriever RAG Microservices: Nâng Cao Độ Chính Xác</h3>

<p>Bằng cách sử dụng các dịch vụ vi mô suy luận NVIDIA NeMo Retriever NIM mới cho việc tạo ra được hỗ trợ thu hồi (RAG), các tổ chức có thể nâng cao độ chính xác của phản hồi khi triển khai các siêu mô hình Llama được tùy chỉnh và các dịch vụ vi mô NIM của Llama trong sản xuất.</p>

<p>Kết hợp với các dịch vụ vi mô suy luận NVIDIA NIM cho Llama 3.1 405B, các dịch vụ vi mô NeMo Retriever NIM mang lại độ chính xác thu hồi câu hỏi và câu trả lời văn bản mở và thương mại cao nhất cho các đường ống RAG.</p>

<h3>8. Hệ Sinh Thái Doanh Nghiệp Chuẩn Bị Cho Triển Khai Llama 3.1 và NeMo Retriever NIM</h3>

<p>Hàng trăm đối tác NVIDIA NIM cung cấp các nền tảng doanh nghiệp, dữ liệu và cơ sở hạ tầng giờ đây có thể tích hợp các dịch vụ vi mô mới vào các giải pháp AI của họ để tăng cường sức mạnh cho AI thế hệ tiếp theo cho cộng đồng NVIDIA gồm hơn 5 triệu nhà phát triển và 19.000 công ty khởi nghiệp.</p>

<p>Hỗ trợ sản xuất cho các dịch vụ vi mô NIM của Llama 3.1 và NeMo Retriever NIM có sẵn thông qua NVIDIA AI Enterprise. Các thành viên của Chương trình Nhà phát triển NVIDIA sẽ sớm có thể truy cập các dịch vụ vi mô NIM miễn phí cho mục đích nghiên cứu, phát triển và thử nghiệm trên cơ sở hạ tầng ưa thích của họ.</p>

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

NVIDIA AI Foundry Mở Ra Kỷ Nguyên Mới Cho Mô Hình AI Thế Hệ Tiếp Theo

NVIDIA AI Foundry Mở Ra Kỷ Nguyên Mới Cho Mô Hình AI Thế Hệ Tiếp Theo Mục lục: NVIDIA AI Foundry: Công cụ Tạo Mô Hình AI Tùy Chỉnh ...

tháng 7 24, 2024

Groq và Meta hợp tác đưa AI tiến xa hơn với Llama 3.1

<h2>Groq và Meta hợp tác đưa AI tiến xa hơn với Llama 3.1</h2>

<h3>Mục lục:</h3>
<ol>
  <li><strong>Hợp tác chiến lược</strong></li>
  <li><strong>Llama 3.1: Mô hình ngôn ngữ mở lớn nhất và mạnh mẽ nhất</strong></li>
  <li><strong>GroqCloud: Nền tảng cho sự phát triển AI</strong></li>
  <li><strong>Tầm nhìn về tương lai AI</strong></li>
  <li><strong>Giới thiệu về Groq</strong></li>
</ol>

<h3>1. Hợp tác chiến lược:</h3>
<p>Groq, nhà lãnh đạo trong lĩnh vực suy luận AI tốc độ cao, đã hợp tác với Meta để triển khai các mô hình Llama 3.1 được cung cấp bởi công nghệ suy luận AI LPU™ của Groq. Llama 3.1 bao gồm ba mô hình: 405B Instruct, 70B Instruct, và 8B Instruct, hiện đã sẵn sàng trên GroqCloud Dev Console, nơi kết nối hơn 300.000 nhà phát triển đang xây dựng trên hệ thống Groq®, và trên GroqChat dành cho công chúng.</p>

<h3>2. Llama 3.1: Mô hình ngôn ngữ mở lớn nhất và mạnh mẽ nhất:</h3>
<p>Mark Zuckerberg, người sáng lập và CEO của Meta, đã chia sẻ: Tôi thực sự rất hào hứng khi thấy suy luận siêu thấp độ trễ của Groq cho việc triển khai trên đám mây các mô hình Llama 3.1. Đây là một ví dụ tuyệt vời về cách cam kết của chúng tôi đối với mã nguồn mở đang thúc đẩy sự đổi mới và tiến bộ trong AI. Bằng cách cung cấp các mô hình và công cụ của mình cho cộng đồng, các công ty như Groq có thể xây dựng dựa trên công việc của chúng tôi và giúp thúc đẩy toàn bộ hệ sinh thái phát triển.</p>

<p>Meta đang tạo ra một hệ điều hành mở tương tự như Linux cho AI - không chỉ cho Groq LPU, nơi cung cấp suy luận AI tốc độ cao, mà còn cho toàn bộ hệ sinh thái. Jonathan Ross, CEO và người sáng lập của Groq, khẳng định: Trong công nghệ, mở luôn chiến thắng, và với việc phát hành Llama 3.1 này, Meta đã bắt kịp các mô hình độc quyền tốt nhất. Với tốc độ này, chỉ là vấn đề thời gian trước khi chúng vượt qua các mô hình đóng cửa.</p>

<h3>3. GroqCloud: Nền tảng cho sự phát triển AI:</h3>
<p>Với mỗi bản phát hành mới từ Meta, Groq chứng kiến sự gia tăng đáng kể các nhà phát triển tham gia nền tảng của họ. Trong năm tháng qua, số lượng nhà phát triển đã tăng từ một vài người lên hơn 300.000, thu hút bởi chất lượng và tính mở của Llama, cũng như tốc độ đáng kinh ngạc của nó trên Groq LPU.</p>

<h3>4. Tầm nhìn về tương lai AI:</h3>
<p>Các mô hình Llama 3.1 là một bước tiến đáng kể về khả năng và chức năng. Là mô hình ngôn ngữ mở lớn nhất và có khả năng nhất cho đến nay, Llama 3.1 405B cạnh tranh với các mô hình nguồn đóng hàng đầu trong ngành. Lần đầu tiên, các doanh nghiệp, công ty khởi nghiệp, nhà nghiên cứu và nhà phát triển có thể truy cập vào một mô hình có quy mô và khả năng này mà không có hạn chế độc quyền, tạo điều kiện cho sự hợp tác và đổi mới chưa từng có. Với Groq, những người đổi mới AI hiện có thể khai thác tiềm năng to lớn của Llama 3.1 405B chạy với tốc độ chưa từng có trên GroqCloud để xây dựng các ứng dụng tinh vi và mạnh mẽ hơn.</p>

<p>Llama 3.1, bao gồm các mô hình 405B, 70B và 8B Instruct, mang đến cho cộng đồng AI quyền truy cập vào độ dài ngữ cảnh tăng lên tới 128K và hỗ trợ trên tám ngôn ngữ. Llama 3.1 405B là một lớp riêng biệt, với khả năng linh hoạt, kiểm soát và tiên tiến chưa từng có về kiến thức chung, khả năng điều khiển, toán học, sử dụng công cụ và dịch thuật đa ngôn ngữ. Llama 3.1 405B sẽ mở khóa các khả năng mới, chẳng hạn như tạo dữ liệu tổng hợp và chưng cất mô hình, đồng thời cung cấp các công cụ bảo mật và an toàn mới để thúc đẩy cam kết chung của Meta và Groq trong việc xây dựng một hệ sinh thái AI mở và có trách nhiệm.</p>

<h3>5. Giới thiệu về Groq:</h3>
<p>Groq xây dựng công nghệ suy luận AI tốc độ cao. Công nghệ suy luận AI Groq® LPU™ là một nền tảng phần cứng và phần mềm cung cấp tốc độ tính toán AI, chất lượng và hiệu quả năng lượng vượt trội. Groq, có trụ sở tại Thung lũng Silicon, cung cấp các giải pháp đám mây và tại chỗ ở quy mô lớn cho các ứng dụng AI. LPU và các hệ thống liên quan được thiết kế, chế tạo và lắp ráp tại Bắc Mỹ. Trải nghiệm tốc độ Groq tại <a href="www.groq.com">www.groq.com</a>.</p>

Groq và Meta hợp tác đưa AI tiến xa hơn với Llama 3.1

Groq và Meta hợp tác đưa AI tiến xa hơn với Llama 3.1 Mục lục: Hợp tác chiến lược Llama 3.1: Mô hình ngôn ngữ mở lớn nhất và mạnh ...

tháng 7 24, 2024

Intel Arc A770 GPU: Hiệu năng AI ấn tượng trên Windows

<h2>Intel Arc A770 GPU: Hiệu năng AI ấn tượng trên Windows</h2>

<h3>Mục lục:</h3>
<ol>
  <li><strong>Giới thiệu</strong></li>
  <li><strong>Cài đặt trên Windows</strong></li>
  <li><strong>Sử dụng Intel Extension for PyTorch</strong></li>
  <li><strong>Thay đổi để đo lường hiệu năng</strong></li>
  <li><strong>Llama2</strong>
    <ul>
      <li>Chạy Llama2 7B trên Intel Arc A770 GPU</li>
      <li>Chạy Llama2 7B Chat trên Intel Arc A770 GPU</li>
    </ul>
  </li>
  <li><strong>Llama3</strong>
    <ul>
      <li>Chạy Llama3 8B trên Intel Arc A770 GPU</li>
      <li>Chạy Llama3 8B Instruct trên Intel Arc A770 GPU</li>
    </ul>
  </li>
  <li><strong>Phi3</strong>
    <ul>
      <li>Chạy Phi3 4K Instruct trên Intel Arc A770 GPU</li>
    </ul>
  </li>
  <li><strong>So sánh hiệu năng</strong></li>
  <li><strong>Kết luận</strong></li>
  <li><strong>Liên kết hữu ích</strong></li>
  <li><strong>Tài liệu tham khảo</strong></li>
</ol>

<h3>Giới thiệu</h3>

<p>Intel Arc A770 GPU là một lựa chọn cạnh tranh cho các tác vụ AI chuyên sâu, đặc biệt là đối với những người làm việc trong hệ sinh thái Windows. Trước đây, GPU NVIDIA và CUDA thống trị lĩnh vực này, nhưng sản phẩm mới nhất của Intel cung cấp một lựa chọn mạnh mẽ. Bài viết này cung cấp thông tin mới để giúp người dùng làm việc dễ dàng hơn với Arc A770 GPU trên Windows, không cần sử dụng Windows Subsystem for Linux (WSL). Qua các bước thực hành và những hiểu biết chi tiết, chúng tôi khám phá cách thiết lập và tối ưu hóa Arc A770 GPU cho các mô hình AI khác nhau, bao gồm Llama2, Llama3 và Phi3. Bài viết cũng bao gồm các số liệu hiệu năng và thống kê sử dụng bộ nhớ, cung cấp cái nhìn tổng quan về khả năng của GPU. Cho dù bạn là nhà phát triển hay nhà nghiên cứu, bài viết này sẽ trang bị cho bạn kiến thức để tận dụng GPU của Intel cho các dự án AI của mình một cách hiệu quả và hiệu quả.</p>

<h3>Cài đặt trên Windows</h3>

<p>Intel cung cấp hướng dẫn đầy đủ để cài đặt phần mở rộng Python cho Arc GPU. Tuy nhiên, việc thiết lập Arc A770 GPU trên Windows yêu cầu một số điều chỉnh và khắc phục sự cố ban đầu. Dưới đây là tóm tắt ngắn gọn về những điều chỉnh đó. Để biết hướng dẫn chi tiết, hãy tham khảo kho lưu trữ mẫu.</p>

<ul>
  <li>Do oneAPI yêu cầu thiết lập một số biến môi trường từ CMD, nên tôi khuyên bạn nên cài đặt phần mở rộng Pscx cho PowerShell, cho phép bạn dễ dàng gọi các tập lệnh CMD.</li>
  <li>Khi làm việc trên Windows với mamba, biến môi trường PATH có thể trở nên quá dài, gây ra sự cố khi thiết lập các biến môi trường oneAPI. Để tránh vấn đề này, tôi đã bao gồm một tập lệnh setup_vars.ps1 thiết lập các biến môi trường cần thiết cho oneAPI trong khi vẫn bỏ qua vấn đề này.</li>
  <li>Mẫu Phi3 yêu cầu cài đặt phiên bản trước phát hành của thư viện ipex-llm, triển khai tối ưu hóa cho tất cả các thao tác kernel của Phi3. Sau khi cài đặt thư viện này, bạn phải cài đặt lại thư viện transformers.</li>
</ul>

<h3>Sử dụng Intel Extension for PyTorch</h3>

<p>Như được nêu trong kho lưu trữ GitHub của nó, Intel® Extension for PyTorch mở rộng PyTorch với các tối ưu hóa tính năng cập nhật để tăng cường hiệu năng bổ sung trên phần cứng Intel. Cụ thể, nó cung cấp khả năng tăng tốc GPU dễ dàng cho GPU rời của Intel thông qua thiết bị PyTorch xpu. Điều này có nghĩa là, bằng cách sử dụng phần mở rộng này, bạn có thể tận dụng Intel Arc A770 GPU cho các tác vụ AI mà không cần dựa vào CUDA/NVIDIA, và bạn có thể nhận được sự gia tăng hiệu năng lớn hơn khi sử dụng một trong các mô hình được tối ưu hóa. May mắn thay, phần mở rộng tuân theo cùng API với PyTorch, vì vậy nói chung chỉ cần thực hiện một vài thay đổi trong mã để chạy nó trên GPU Intel. Dưới đây là tóm tắt ngắn gọn về những thay đổi cần thiết:</p>

<ul>
  <li><strong>Kiểm tra GPU:</strong> Thêm phần mở rộng Intel cho PyTorch và kiểm tra xem GPU có được phát hiện chính xác hay không. Thay đổi này không thực sự cần thiết, nhưng đó là một thực hành tốt để kiểm tra xem GPU có được phát hiện chính xác hay không trước khi chạy mô hình.</li>
  <li><strong>Di chuyển mô hình đến GPU:</strong> Sau khi mô hình được tải, hãy di chuyển nó đến GPU.</li>
  <li><strong>Di chuyển đầu vào đến GPU:</strong> Cuối cùng, khi sử dụng mô hình, hãy đảm bảo dữ liệu đầu vào cũng ở trên GPU.</li>
</ul>

<h3>Thay đổi để đo lường hiệu năng</h3>

<p>Để đo lường hiệu năng chính xác, tôi cũng đã thêm một số mã bổ sung để truy xuất tổng thời gian suy luận và phân bổ bộ nhớ tối đa. Nó chủ yếu bao gồm việc khởi động nóng mỗi mô hình trước khi thực hiện suy luận, cộng với một số mã bổ sung để chờ mô hình chạy và in kết quả theo cách dễ đọc. Hãy kiểm tra kho lưu trữ mẫu để biết thêm thông tin và để tái tạo kết quả trên máy của riêng bạn.</p>

<h3>Llama2</h3>

<p>Llama2 là lần lặp lại thứ hai của mô hình Llama LLM phổ biến và mã nguồn mở của Meta. Sau khi chuẩn bị môi trường và thực hiện các thay đổi được nêu trong phần trước cho các mẫu chính thức của Llama2, tôi đã có thể chạy mô hình Llama2 trên Intel Arc A770 GPU, cho cả suy luận thông thường và các tác vụ hướng dẫn.</p>

<h4>Chạy Llama2 7B trên Intel Arc A770 GPU</h4>

<p>Mô hình Llama2 7B sử dụng khoảng 14GB bộ nhớ khi sử dụng độ chính xác float16. Vì GPU có sẵn 16GB, nên chúng ta có thể chạy nó mà không gặp vấn đề gì. Dưới đây bạn có thể thấy kết quả của mẫu suy luận, sử dụng tối đa 128 mã thông báo trong đầu ra.</p>

<h4>Chạy Llama2 7B Chat trên Intel Arc A770 GPU</h4>

<p>Tương tự, kết quả trò chuyện của Llama2 7B thật ấn tượng, với mô hình tạo ra phản hồi giống con người theo cách trò chuyện. Mẫu trò chuyện chạy trơn tru trên Intel Arc A770 GPU, thể hiện khả năng của nó cho các ứng dụng trò chuyện. Trong trường hợp này, mẫu chạy với 512 mã thông báo trong đầu ra để tăng cường áp lực cho phần cứng.</p>

<h3>Llama3</h3>

<p>Llama3 là lần lặp lại mới nhất của mô hình Llama LLM của Meta, được phát hành cách đây vài tháng. May mắn thay, nhóm Intel đã vội vàng đưa tối ưu hóa mô hình vào phần mở rộng, vì vậy có thể tận dụng tối đa sức mạnh của Intel Arc A770 GPU. Quá trình này khá giống với quá trình được sử dụng cho Llama2, sử dụng cùng môi trường và các mẫu chính thức.</p>

<h4>Chạy Llama3 8B trên Intel Arc A770 GPU</h4>

<p>Mô hình Llama3 8B sử dụng khoảng hơn 15GB bộ nhớ khi sử dụng độ chính xác float16. Vì GPU có sẵn 16GB, nên chúng ta có thể chạy nó mà không gặp vấn đề gì. Dưới đây bạn có thể thấy kết quả của mẫu suy luận, sử dụng tối đa 64 mã thông báo trong đầu ra.</p>

<h4>Chạy Llama3 8B Instruct trên Intel Arc A770 GPU</h4>

<p>Theo sau các mẫu Llama2, tôi cũng đã thử nghiệm khả năng trò chuyện của mô hình Llama3 8B, tăng mã thông báo đầu ra lên 256.</p>

<p>Phi3 là mô hình mới nhất từ Microsoft, được phát hành vào ngày 24 tháng 4, được thiết kế cho các tác vụ hướng dẫn. Nó là một mô hình nhỏ hơn Llama2 và Llama3 (3,8B tham số là phiên bản nhỏ nhất), nhưng nó vẫn khá mạnh mẽ. Nó được đào tạo cho các tác vụ hướng dẫn, cung cấp phản hồi chi tiết và đầy đủ thông tin. Mặc dù tối ưu hóa Phi3 cho phần cứng Intel vẫn chưa được đưa vào Intel Extension for PyTorch, chúng ta có thể sử dụng thư viện của bên thứ ba, ipex-llm, để tối ưu hóa mô hình. Trong trường hợp này, vì Phi3 khá mới, để có được tối ưu hóa, tôi phải cài đặt phiên bản trước phát hành, triển khai tối ưu hóa cho tất cả các thao tác kernel của Phi3. Lưu ý rằng ipex-llm không phải là thư viện chính thức của Intel, mà là thư viện do cộng đồng điều khiển, vì vậy nó không được Intel hỗ trợ chính thức. Sau khi mô hình được tối ưu hóa, phần còn lại của các sửa đổi mã giống với Llama2 và Llama3, vì vậy tôi đã có thể chạy mô hình Phi3 trên Intel Arc A770 GPU mà không gặp vấn đề gì.</p>

<h4>Chạy Phi3 4K Instruct trên Intel Arc A770 GPU</h4>

<p>Mô hình 4K sử dụng khoảng 2,5GB bộ nhớ khi sử dụng độ chính xác 4 bit. Vì nó có ít tham số hơn nhiều so với các mô hình Llama, nên nó chạy nhanh hơn nhiều. Dưới đây bạn có thể thấy kết quả của mẫu suy luận, sử dụng tối đa 512 mã thông báo trong đầu ra.</p>

<p>Để đánh giá đầy đủ hiệu năng của Intel Arc A770 GPU, tôi đã tiến hành phân tích so sánh về thời gian thực thi và sử dụng bộ nhớ cho mỗi mô hình trên cả Intel Arc A770 GPU và NVIDIA RTX3080 TI. Các số liệu được thu thập bằng cách sử dụng các mẫu mã và cài đặt môi trường giống hệt nhau cho cả hai GPU, đảm bảo so sánh công bằng và chính xác.</p>

<h4>Intel ARC A770</h4>

<table>
  <thead>
    <tr>
      <th>Mô hình</th>
      <th>Mã thông báo đầu ra</th>
      <th>Thời gian thực thi</th>
      <th>Sử dụng bộ nhớ tối đa</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>meta-llama/Llama-2-7b-hf</td>
      <td>128</td>
      <td>~7,7 giây</td>
      <td>~12,8GB</td>
    </tr>
    <tr>
      <td>meta-llama/Llama-2-7b-chat-hf</td>
      <td>512</td>
      <td>~22,1 giây</td>
      <td>~13,3GB</td>
    </tr>
    <tr>
      <td>meta-llama/Meta-Llama-3-8B</td>
      <td>64</td>
      <td>~11,5 giây</td>
      <td>~15,1GB</td>
    </tr>
    <tr>
      <td>meta-llama/Meta-Llama-3-8B-Instruct</td>
      <td>256</td>
      <td>~30,7 giây</td>
      <td>~15,2GB</td>
    </tr>
    <tr>
      <td>microsoft/Phi-3-mini-4k-instruct</td>
      <td>512</td>
      <td>~5,9 giây</td>
      <td>~2,6GB</td>
    </tr>
  </tbody>
</table>

<h4>NVIDIA RTX3080 TI</h4>

<table>
  <thead>
    <tr>
      <th>Mô hình</th>
      <th>Mã thông báo đầu ra</th>
      <th>Thời gian thực thi</th>
      <th>Sử dụng bộ nhớ tối đa</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>meta-llama/Llama-2-7b-hf</td>
      <td>128</td>
      <td>~15,5 giây</td>
      <td>~12,8GB</td>
    </tr>
    <tr>
      <td>meta-llama/Llama-2-7b-chat-hf</td>
      <td>512</td>
      <td>~51,5 giây</td>
      <td>~13,3GB</td>
    </tr>
    <tr>
      <td>meta-llama/Meta-Llama-3-8B</td>
      <td>64</td>
      <td>~16,9 giây</td>
      <td>~15,1GB</td>
    </tr>
    <tr>
      <td>meta-llama/Meta-Llama-3-8B-Instruct</td>
      <td>256</td>
      <td>~66,7 giây</td>
      <td>~15,2GB</td>
    </tr>
    <tr>
      <td>microsoft/Phi-3-mini-4k-instruct</td>
      <td>512</td>
      <td>~16,7 giây</td>
      <td>~2,6GB</td>
    </tr>
  </tbody>
</table>

<p>Intel Arc A770 GPU đã chứng minh là một lựa chọn đáng chú ý cho tính toán AI trên máy Windows cục bộ, cung cấp một lựa chọn thay thế cho hệ sinh thái CUDA/NVIDIA. Khả năng của GPU để chạy hiệu quả các mô hình như Llama2, Llama3 và Phi3 thể hiện tiềm năng và khả năng hiệu năng mạnh mẽ của nó. Mặc dù gặp một số thách thức trong thiết lập ban đầu, nhưng quy trình này tương đối đơn giản và kết quả rất ấn tượng. Về bản chất, Intel Arc A770 GPU là một công cụ mạnh mẽ cho các ứng dụng AI trên Windows. Với một số thiết lập ban đầu và điều chỉnh mã, nó đã xử lý các tác vụ suy luận, trò chuyện và đào tạo một cách hiệu quả. Điều này mở ra những cơ hội mới cho các nhà phát triển và nhà nghiên cứu muốn hoặc cần làm việc trong môi trường Windows mà không cần dựa vào GPU NVIDIA và CUDA. Khi Intel tiếp tục nâng cao các sản phẩm GPU và hỗ trợ phần mềm của mình, Arc A770 và các mô hình trong tương lai được định hướng để trở thành những người chơi quan trọng trong cộng đồng AI.</p>

<ul>
  <li>Các mẫu mã được sử dụng trong bài viết này có thể được tìm thấy trong kho lưu trữ GitHub IntelArcA770.</li>
  <li>Dưới đây là một số tài nguyên mà tôi thấy rất cần thiết để đi sâu hơn vào hệ sinh thái phần cứng & thư viện của Intel cho các tác vụ AI.
    <ul>
      <li>Kênh YouTube của Intel</li>
      <li>Thư viện Tech.Decoded</li>
      <li>Christian Mills - Kiểm tra GPU Intel Arc A770 cho Học máy sâu</li>
      <li>Tổng quan về SYCL - The Khronos Group Inc</li>
      <li>Tài liệu chính thức - PyTorch* Optimizations from Intel</li>
      <li>Công cụ và tài nguyên của Intel AI Developer</li>
    </ul>
  </li>
</ul>

<ul>
  <li>Mẫu mã GitHub - intel/intel-extension-for-pytorch: Một gói Python để mở rộng PyTorch chính thức có thể dễ dàng đạt được hiệu năng trên nền tảng Intel</li>
  <li>Intel® Extension for PyTorch* - Tài liệu Intel Extension for PyTorch* 2.1.30+xpu</li>
  <li>Suy luận Llama 2 với PyTorch trên GPU Intel® Arc™ A-Series</li>
  <li>ipex-llm/python/llm/example/GPU/HF-Transformers-AutoModels/Model/phi-3 tại main · intel-analytics/ipex-llm · GitHub</li>
</ul>

<p>
  javier carneron<br>
  Tác giả: Javier Carneron<br>
  Plain Concepts Research<br>
  <a href="https://www.linkedin.com/in/javier-carneron-994b1a143/">LinkedIn</a><br>
  <a href="https://twitter.com/javier_carneron">Twitter</a><br>
  <a href="https://www.plainconcepts.com/">Web</a><br>
  <img alt="Plain Concepts Logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">
</p>

Intel Arc A770 GPU: Hiệu năng AI ấn tượng trên Windows

Intel Arc A770 GPU: Hiệu năng AI ấn tượng trên Windows Mục lục: Giới thiệu Cài đặt trên Windows Sử dụng Intel Extension for PyT...

tháng 7 24, 2024

Meta AI giới thiệu mô hình Llama-3 với 405 tỷ tham số

<h2>Meta AI giới thiệu mô hình Llama-3 với 405 tỷ tham số</h2>

<h3>Mục lục:</h3>
<ol>
  <li><strong>Mô hình Llama-3: Khả năng và Tiềm năng</strong></li>
  <li><strong>Truy cập và Sử dụng Llama-3</strong></li>
  <li><strong>Meta Premium: Gói dịch vụ độc quyền</strong></li>
  <li><strong>Meta AI: Tầm nhìn và Mục tiêu</strong></li>
</ol>

<h3>1. Mô hình Llama-3: Khả năng và Tiềm năng</h3>

<p>Meta AI đang giới thiệu mô hình Llama-3 với 405 tỷ tham số cho một số người dùng thử nghiệm. Mô hình này được cho là có khả năng xử lý ngôn ngữ tự nhiên cực kỳ ấn tượng, và đang được kỳ vọng sẽ cách mạng hóa các ứng dụng AI trong tương lai.</p>

<p>Thông tin rò rỉ cho thấy mô hình Llama-3 đã được chia sẻ trên HuggingFace, với kích thước lên tới 800GB, cho phép người dùng tải xuống và chạy cục bộ. Điều này cho thấy tiềm năng ứng dụng rộng rãi của mô hình này trong nhiều lĩnh vực khác nhau.</p>

<h3>2. Truy cập và Sử dụng Llama-3</h3>

<p>Hiện tại, người dùng có thể truy cập Llama-3 thông qua một widget được tích hợp vào cổng Meta AI. Tuy nhiên, mô hình hiện chưa được cung cấp cho người dùng ở EU và việc sử dụng VPN để truy cập cũng chưa được xác nhận.</p>

<h3>3. Meta Premium: Gói dịch vụ độc quyền</h3>

<p>Theo dự kiến, Llama-3 sẽ là một tính năng độc quyền của gói dịch vụ Meta Premium sắp ra mắt. Điều này có thể là một động lực thúc đẩy người dùng đăng ký dịch vụ cao cấp, và cung cấp quyền truy cập vào các công nghệ AI tiên tiến nhất.</p>

<p>Meta AI, một bộ phận của Meta, tập trung vào việc thúc đẩy lĩnh vực trí tuệ nhân tạo thông qua nghiên cứu và phát triển. Nhóm nghiên cứu của Meta AI đang làm việc trên nhiều công nghệ và ứng dụng AI khác nhau, bao gồm xử lý ngôn ngữ tự nhiên, thị giác máy tính và robot học. Mục tiêu của Meta AI là phá vỡ giới hạn của AI và mang lại những giải pháp sáng tạo cho cộng đồng.</p>

<p>Meta AI hy vọng rằng việc phát triển các mô hình quy mô lớn như Llama-3 sẽ góp phần nâng cao trải nghiệm người dùng trên các nền tảng của họ và thúc đẩy sự phát triển của cộng đồng AI nói chung.</p>

Meta AI giới thiệu mô hình Llama-3 với 405 tỷ tham số

Meta AI giới thiệu mô hình Llama-3 với 405 tỷ tham số Mục lục: Mô hình Llama-3: Khả năng và Tiềm năng Truy cập và Sử dụng Llama-3 ...

tháng 7 24, 2024

Thu hẹp AI khổng lồ, mở ra cánh cửa cho máy tính cá nhân và điện thoại thông minh

<h2>Thu hẹp AI khổng lồ, mở ra cánh cửa cho máy tính cá nhân và điện thoại thông minh</h2>

<h3>Mục lục:</h3>
<ol>
  <li><strong>Bước tiến mới trong nén mô hình ngôn ngữ lớn (LLM)</strong></li>
  <li><strong>Hai kỹ thuật đột phá: AQLM và PV-Tuning</strong></li>
  <li><strong>Kết hợp sức mạnh: Tạo ra LLM siêu nhỏ gọn</strong></li>
  <li><strong>Thách thức và tiềm năng của LLM thu nhỏ</strong></li>
  <li><strong>Ứng dụng tiềm năng cho thiết bị cá nhân</strong></li>
  <li><strong>Kết luận: Tương lai của AI trên thiết bị cá nhân</strong></li>
</ol>

<h3>1. Bước tiến mới trong nén mô hình ngôn ngữ lớn (LLM)</h3>

<p>Các nhà nghiên cứu trí tuệ nhân tạo đến từ Yandex LLC và NeuralMagic Inc. đã đạt được tiến bộ đáng kể trong việc nén các mô hình ngôn ngữ lớn (LLM) mạnh mẽ như Llama 2 của Meta Platforms Inc., giúp chúng có thể được triển khai trên các thiết bị thông thường như điện thoại thông minh và loa thông minh.</p>

<h3>2. Hai kỹ thuật đột phá: AQLM và PV-Tuning</h3>

<p>Hợp tác với các học giả từ Viện Khoa học và Công nghệ Áo và Đại học Khoa học và Công nghệ Vua Abdullah, nhóm nghiên cứu đã tạo ra hai phương pháp nén riêng biệt cho LLM. Khi được sử dụng kết hợp, chúng cho phép giảm kích thước của LLM xuống 8 lần, đồng thời duy trì chất lượng phản hồi ở mức trung bình 95%.</p>

<p>Hai kỹ thuật này là:</p>

<ul>
  <li><strong>Additive Quantization for Language Models (AQLM):</strong> Sử dụng kỹ thuật lượng tử hóa cộng thêm để giảm số lượng bit cho mỗi tham số mô hình xuống còn 2-3 bit, đồng thời duy trì độ chính xác.</li>
  <li><strong>PV-Tuning:</strong>  Là một khung công tác độc lập với biểu diễn, có thể tổng quát hóa và cải thiện các chiến lược tinh chỉnh hiện có cho mô hình AI. Nó cũng khắc phục các lỗi có thể phát sinh trong quá trình nén mô hình.</li>
</ul>

<p>Mặc dù mỗi kỹ thuật đều mạnh mẽ riêng lẻ, nhưng điểm độc đáo là chúng được thiết kế để kết hợp với nhau. Nhóm nghiên cứu đã phát hiện ra rằng việc kết hợp AQLM và PV-Tuning có thể tạo ra các LLM siêu nhỏ gọn gần như ngang bằng với các phiên bản đầy đủ kích thước.</p>

<h3>4. Thách thức và tiềm năng của LLM thu nhỏ</h3>

<p>Nỗ lực của các nhà nghiên cứu được thúc đẩy bởi mong muốn tìm kiếm một cách hiệu quả hơn để triển khai LLM trên phần cứng của người tiêu dùng. Cho đến nay, đây là một thách thức lớn do sự đánh đổi cố hữu giữa kích thước mô hình và hiệu quả tính toán.</p>

<p>Andy Thurai, Phó chủ tịch và nhà phân tích chính của Constellation Research Inc., nhận định rằng mặc dù các LLM lớn nhất là những kỳ tích kỹ thuật ấn tượng, nhưng chúng thường không thực tế do kích thước khổng lồ. Kích thước của chúng khiến chúng tốn kém về mặt tính toán và phản hồi chậm, cản trở các ứng dụng thời gian thực. Đây là lý do tại sao khái niệm về các mô hình có kích thước phù hợp đang trở nên phổ biến.</p>

<p>Một số công ty AI đã cố gắng tự thu nhỏ các mô hình AI của họ, nhưng thách thức là đạt được sự cân bằng phù hợp giữa hiệu suất và kích thước. Ví dụ, dòng LLM Gemini của Google LLC bao gồm một phiên bản nhẹ được gọi là Gemini Nano để triển khai trên điện thoại thông minh, nhưng nó gặp khó khăn trong việc đạt được hiệu suất của LLM Gemini Ultra đầy đủ, các nhà nghiên cứu Yandex cho biết.</p>

<h3>5. Ứng dụng tiềm năng cho thiết bị cá nhân</h3>

<p>Bằng cách áp dụng kỹ thuật AQLM và PV-Tuning, các nhà nghiên cứu tuyên bố rằng việc đánh đổi này không còn cần thiết. Trong bài báo của họ, họ chứng minh hiệu quả của các kỹ thuật trong đánh giá nghiêm ngặt về các LLM nguồn mở phổ biến, bao gồm Llama 2, Mistral và Mixtral. Ba mô hình này đã được nén trước khi được đánh giá trên các điểm chuẩn tạo văn bản tiếng Anh WikiText2 và C4, và chúng duy trì chất lượng câu trả lời ấn tượng là 95%, mặc dù đã bị nén 8 lần so với kích thước ban đầu.</p>

<p>Ngoài ra, các nhà nghiên cứu cho biết, các phiên bản nén của các LLM nguồn mở đó có thể hoạt động nhanh hơn tới 4 lần, vì chúng yêu cầu ít phép tính hơn. Do đó, chúng có thể đưa ra phản hồi nhanh hơn nhiều so với các mô hình đầy đủ kích thước, với độ chính xác gần như tương đương.</p>

<p>Theo các nhà nghiên cứu, các công ty muốn phát triển và triển khai LLM độc quyền và nguồn mở có thể sử dụng các kỹ thuật của họ để hưởng lợi từ việc tiết kiệm tài nguyên đáng kể. Ví dụ, họ cho biết mô hình Llama 2 với 13 tỷ tham số có thể được nén để chạy trên chỉ một đơn vị xử lý đồ họa (GPU), thay vì 4 GPU cho phiên bản đầy đủ kích thước, chưa nén.</p>

<p>Điều đó dẫn đến việc giảm chi phí phần cứng từ 2 đến 6 lần, các nhà nghiên cứu cho biết. Quan trọng hơn, nó mở đường cho các LLM lớn nhất và mạnh nhất được triển khai trên các thiết bị tiêu dùng như máy tính cá nhân và điện thoại thông minh.</p>

<h3>6. Kết luận: Tương lai của AI trên thiết bị cá nhân</h3>

<p>Thurai cho biết các nhà nghiên cứu đưa ra một số tuyên bố ấn tượng, nhưng nhấn mạnh sự cần thiết phải triển khai các kỹ thuật của họ trong các mô hình lớn hơn nhiều, chẳng hạn như mô hình GPT-3.5 Turbo 175 tỷ tham số của OpenAI. Họ cần chứng minh cách các mô hình lượng tử hóa của họ có thể hoạt động chống lại các mô hình lớn hơn nhiều này nếu họ muốn thành công thực sự, nhà phân tích cho biết. Nếu chúng tương đương trong chỉ số chất lượng mô hình đầu ra, đây sẽ là một thành tựu tuyệt vời.</p>

<p>Khả năng triển khai các LLM đầy đủ kích thước trên các thiết bị nhỏ hơn sẽ mở ra cánh cửa cho các ứng dụng mới. Ví dụ, một điện thoại thông minh chạy Llama 2 đã nén với 13 tỷ tham số sẽ có thể thực hiện tạo văn bản và hình ảnh, trợ lý giọng nói, khuyến nghị cá nhân hóa và dịch thuật thời gian thực mà không cần kết nối internet.</p>

<p>Cuối cùng, nếu tất cả điều này thành công, các LLM lớn nhất có thể cuối cùng chạy trên CPU thay vì GPU rất đắt tiền và nguồn cung hạn chế, Thurai cho biết.</p>

<p>Các nhà nghiên cứu cho biết bài báo của họ sẽ được giới thiệu tại Hội nghị Quốc tế lần thứ 41 về Học máy tại Vienna, Áo, diễn ra từ ngày 21 đến 27 tháng 7.</p>

<p>AQLM và PV-Tuning đều có sẵn để tải xuống trên GitHub, trong khi một số phiên bản nén sẵn của các mô hình nguồn mở phổ biến có thể được truy cập từ HuggingFace.</p>

Thu hẹp AI khổng lồ, mở ra cánh cửa cho máy tính cá nhân và điện thoại thông minh

Thu hẹp AI khổng lồ, mở ra cánh cửa cho máy tính cá nhân và điện thoại thông minh Mục lục: Bước tiến mới trong nén mô hình ngôn ngữ l...

tháng 7 24, 2024

AI trong Nhạc: Một cái nhìn khác

<html lang='vi'>
<head>
  <meta charset='UTF-8'>
  <meta name='viewport' content='width=device-width, initial-scale=1.0'>
  <title>AI trong Nhạc: Một cái nhìn khác</title>
  <style>
    body {
      font-family: sans-serif;
    }
    h2, h3 {
      margin-top: 2rem;
    }
    p {
      margin-bottom: 1rem;
    }
  </style>
</head>
<body>
  <h2>AI trong Nhạc: Một cái nhìn khác</h2>
  <h3>Mục lục</h3>
  <ol>
    <li>AI đang tạo ra những công cụ âm nhạc tuyệt vời nhưng...</li>
    <li>Thách thức khi nói về AI và nhạc với học sinh</li>
    <li>Sự thật về AI trong sáng tạo nghệ thuật</li>
    <li>AI là công cụ hỗ trợ học tập nhạc lý</li>
    <li>Khám phá MIDI và khả năng của AI trong tạo nhạc</li>
    <li>Kết quả thử nghiệm với ChatGPT và Claude</li>
    <li>AI: Cơ hội học hỏi và những bài học cần rút kinh nghiệm</li>
  </ol>
  <h3>AI đang tạo ra những công cụ âm nhạc tuyệt vời nhưng...</h3>
  <p>Tôi đã dành nhiều thời gian để khám phá và thử nghiệm các công cụ AI từ khi công nghệ này bùng nổ. Nhiều công cụ như <a href="https://suno.com">suno.com</a> thực sự khiến tôi kinh ngạc với khả năng tạo ra bản nhạc hoàn chỉnh từ lời nhắc văn bản. Những công nghệ khác như <a href="https://moises.ai">moises</a> cho phép tách một file âm thanh đã được mix hoàn chỉnh thành các stem (các track riêng lẻ như trống, bass, guitar, vocal, v.v.).</p>
  <p>Tuy nhiên, tôi cũng nhận thấy một xu hướng: thiếu vắng các tùy chọn miễn phí. Hầu hết các công cụ này đều cung cấp thời gian dùng thử miễn phí, nhưng phần lớn không có gói miễn phí với chức năng hạn chế. Áp lực về doanh thu đang thúc đẩy việc cường điệu hóa khả năng thực sự của các công nghệ này.</p>
  <h3>Thách thức khi nói về AI và nhạc với học sinh</h3>
  <p>Hôm thứ Bảy, tôi nhận được yêu cầu từ David Stein, một cộng tác viên thường xuyên tại Duke, để thuyết trình cho các học sinh trung học về AI trong âm nhạc vào thứ Hai. Các em đang tham gia một chương trình về AI tại Duke trong mùa hè này. Nói về âm nhạc và AI? Chắc chắn rồi!</p>
  <p>Tuy nhiên, tôi nhận ra rằng mình cần một cách tiếp cận phù hợp với lứa tuổi. Tôi không muốn sử dụng các công cụ yêu cầu nền tảng cụ thể hoặc cần đăng ký. Tôi đã tìm kiếm các phần mềm DAW (Digital Audio Workstation) vừa miễn phí vừa hỗ trợ plugin AI, có thể chạy trên cả Windows và Mac.</p>
  <h3>Sự thật về AI trong sáng tạo nghệ thuật</h3>
  <p>Tôi bắt đầu suy nghĩ về điều tôi muốn truyền đạt cho các em. Tôi không muốn nói rằng: Chỉ cần dùng Suno và bạn có thể sáng tác nhạc. Bởi vì tôi không coi mình là một nghệ sĩ chỉ vì tôi có thể sử dụng Dall-E để tạo ra những hình ảnh đẹp. Tôi cũng không muốn nói: Tại sao phải học nhạc khi robot sẽ làm tất cả mọi thứ trong tương lai? Đó không phải là tinh thần của âm nhạc. Ít nhất là với tôi.</p>
  <p>Âm nhạc, cũng như mọi loại hình nghệ thuật, là về trải nghiệm cá nhân của con người. Sáng tạo và đặc biệt là thưởng thức nghệ thuật là những hành động độc đáo của con người. Máy móc không tạo ra nghệ thuật. Con người gõ những lời nhắc sáng tạo, hoặc viết code trong Maya có thể tạo ra những bộ phim tuyệt vời (gợi nhớ đến thời gian làm việc tại Disney của tôi). Máy móc hỗ trợ sáng tạo nghệ thuật, nhưng chúng không thể tạo ra nghệ thuật, và chúng sẽ không bao giờ có thể cảm nhận hay tin tưởng như con người.</p>
  <h3>AI là công cụ hỗ trợ học tập nhạc lý</h3>
  <p>Vậy, tôi sẽ nói gì với các học sinh? AI là một công cụ. Nó có thể được sử dụng để học hỏi và mở rộng khả năng tiếp cận, hiểu biết về âm nhạc. Hãy lấy bài hát yêu thích của bạn và đưa nó vào moises để nghe tiếng trống, tiếng bass, v.v.</p>
  <p>Hãy thử MIDI – nó miễn phí và hoạt động trên hầu hết các DAW, bao gồm cả Garageband, có thể chạy trên điện thoại của bạn.</p>
  <p>Giống như nhiều người bạn đồng trang lứa, tôi luôn gặp khó khăn trong việc hiểu nhạc lý. Mặc dù đã học piano 4 học kỳ, kỹ năng chơi của tôi rất tệ. Tôi có thể đọc về các mode, scale, và cấu trúc hợp âm, nhưng tôi không thể thực sự chơi chúng để nghe kết quả của việc lựa chọn các nốt nhạc khác nhau.</p>
  <p>MIDI và AI mang đến cho học sinh khả năng đó. Bạn có thể sử dụng chatbot AI như <a href="https://chat.openai.com/">ChatGPT</a> hoặc <a href="https://www.anthropic.com/claude/">Claude</a> để tạo ra code Python và sử dụng thư viện trong Python để tạo ra file MIDI. Đó là điều tôi sẽ nói về, nhưng giống như hầu hết các thứ liên quan đến AI – nó hoạt động rất tốt và cũng rất khủng khiếp.</p>
  <h3>Khám phá MIDI và khả năng của AI trong tạo nhạc</h3>
  <p>Với thời gian hạn chế, tôi sẽ giới thiệu cách sử dụng AI để tạo nội dung hỗ trợ việc học.</p>
  <p>ChatGPT là công cụ tôi sử dụng thường xuyên từ khi bắt đầu hành trình này. Nó đã khiến tôi thất vọng trong trường hợp này, nhưng tôi sẽ tiếp tục thử nghiệm. Nó giúp tôi nhớ cách cài đặt Python và khắc phục sự cố, nhưng khả năng sáng tạo của nó khá tệ. Bất kể tôi đưa ra lời nhắc nào, và tôi đã yêu cầu nó cho tôi biết cách tôi có thể giúp nó tạo ra đầu ra tốt hơn, đầu ra MIDI luôn là 4 nốt lên, 4 nốt xuống và lặp lại. Sau đó, nó đi chệch hướng.</p>
  <p>Michael Faber, đồng nghiệp của tôi, người cũng đã thử nghiệm AI một cách đáng kinh ngạc, đã ca ngợi Claude. Vì tôi bị giới hạn về thời gian và GPT không hoạt động, tôi quyết định thử Claude. Liệu nó có tuyệt vời? Nó đã làm tốt hơn trong việc không tạo ra lỗi Python và dường như lắng nghe tốt hơn khi tôi yêu cầu nó thay đổi. Đây là video hiển thị đầu ra cuối cùng của mỗi công cụ:</p>
  <p>Cả hai đều không xuất sắc (thật thú vị là Claude cũng tạo ra giai điệu lên xuống bậc thang nhưng đã thay đổi một chút khi được yêu cầu, trong khi GPT thì không). Bạn có thể thấy mẫu đó trong bassline của Claude:</p>
  <h3>Kết quả thử nghiệm với ChatGPT và Claude</h3>
  <p>Bằng cách thử nghiệm tạo MIDI qua AI, học sinh sẽ học hỏi về tạo code và khắc phục sự cố, MIDI và nhạc lý – cũng như bài học rằng không phải thứ gì lấp lánh cũng là vàng trong vũ trụ AI.</p>
  <h3>AI: Cơ hội học hỏi và những bài học cần rút kinh nghiệm</h3>
  <p>Bằng cách tiếp cận AI một cách thực tế và không quá kỳ vọng, chúng ta có thể khai thác tiềm năng của nó để hỗ trợ việc học và sáng tạo nghệ thuật. Tuy nhiên, cần nhớ rằng AI chỉ là một công cụ, và chúng ta phải luôn chủ động trong việc điều khiển và kiểm soát nó.</p>
  <img alt="Logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg">
</body>
</html>

AI trong Nhạc: Một cái nhìn khác

AI trong Nhạc: Một cái nhìn khác AI trong Nhạc: Một cái nhìn khác Mục lục AI đang tạo ra những công cụ âm nhạ...

tháng 7 23, 2024

NVIDIA AI Foundry Mở Ra Kỷ Nguyên Mới Cho Mô Hình AI Thế Hệ Tiếp Theo

Groq và Meta hợp tác đưa AI tiến xa hơn với Llama 3.1

Intel Arc A770 GPU: Hiệu năng AI ấn tượng trên Windows

Meta AI giới thiệu mô hình Llama-3 với 405 tỷ tham số

Thu hẹp AI khổng lồ, mở ra cánh cửa cho máy tính cá nhân và điện thoại thông minh

AI trong Nhạc: Một cái nhìn khác

Bài đăng phổ biến

Labels